Ευρετηρίαση δεδομένων κίνησης με χρήση μοντέλων

Abstract

Την τελευταία δεκαετία, ο τομέας της εξόρυξης γνώσης και διαχείρισης δεδομένων κίνησης έχει αναδυθεί παρέχοντας πολλές αποτελεσματικές μεθόδους για την εξόρυξη διαισθητικών προτύπων τα οποία αντιπροσωπεύουν ομαδικές συμπεριφορές κινούμενων αντικειμένων. Μία ενδιαφέρουσα ερευνητική τάση είναι ότι αντί να διαχειρίζονται τα ακατέργαστα δεδομένα κίνησης που συλλέγονται από διάφορους αισθητήρες, οι ερευνητές κάνουν χρήση των σημασιολογικά εμπλουτισμένων δεδομένων, τα οποία είτε δηλώνονται (από τους χρήστες) είτε προκύπτουν-εξάγονται (με κάποια μέθοδο σχολιασμού). Με αυτόν τον τρόπο τα δεδομένα των ακατέργαστων τροχιών των κινούμενων αντικειμένων μετατρέπονται σε χωρο- χρονο-κειμενικές ακολουθίες, όπου η επιπλέον κειμενική πληροφορία, που προστίθεται στις διαστάσεις του χώρου και του χρόνου, αντιπροσωπεύει τη σημασιολογία της κίνησης. Τέτοιες χωρο-χρονο-κειμενικές ακολουθίες σχηματίζουν ένα πιο ρεαλιστικό μοντέλο αναπαράστασης της πολυσύνθετης καθημερινότητας (και ως εκ τούτου της κινητικότητας) των ατόμων. Τα τελευταία χρόνια, μία κατηγορία στοχαστικών μοντέλων, τα Μαρκοβιανά μοντέλα, χρησιμοποιούνται ευρέως για την επίλυση ζητημάτων ανάκλησης πληροφορίας σε συστήματα ακολουθιακών δεδομένων. Συγκεκριμένα, μία ιδιαίτερη κατηγορία Μαρκοβιανών μοντέλων, τα Κρυμμένα Μαρκοβιανά Μοντέλα – Hidden Markov Models (HMMs), έχουν εφαρμοστεί με μεγάλη επιτυχία σε συστήματα αναγνώρισης λόγου, αναγνώρισης μουσικών προτύπων, αναγνώρισης της καταναλωτικής συμπεριφοράς και σε πολλά άλλα είδη ακολουθιακών δεδομένων. Με στόχο την επιτυχή ευρετηρίαση δεδομένων κίνησης θα εφαρμόσουμε βασισμένη σε μοντέλο κατηγοριοποίηση αναπαραστώντας κάθε κλάση μίας βάσης δεδομένων κίνησης με ένα HMM.