Ευρετηρίαση δεδομένων κίνησης με χρήση μοντέλων
| dc.contributor.advisor | Πελέκης, Νικόλαος | |
| dc.contributor.author | Ηλιάκης, Αρτέμης Ν. | |
| dc.date.accessioned | 2017-03-13T07:57:17Z | |
| dc.date.available | 2017-03-13T07:57:17Z | |
| dc.date.issued | 2016-07 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/9493 | |
| dc.description.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. | el |
| dc.format.extent | 47 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.title | Ευρετηρίαση δεδομένων κίνησης με χρήση μοντέλων | el |
| dc.title.alternative | Model - based indexing of mobility data | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | During the last decade, the domain of mobility data management and mining has emerged, providing many effective methods for mining intuitive patterns that represent collective behavior of trajectories of moving objects. An interesting research line is that instead of operating on the raw data collected from various sensors, researchers make use of semantically enriched data, which are either declared (by the users) or inferred (by some annotation method). This way raw trajectory data is transformed into spatio-temporal-textual sequences, where the extra textual information that is added to the dimensions of space and time, represent the movement semantics. Such spatio-temporal-textual sequences form a more realistic representation model of the complex every-day life (and as such the mobility) of individuals. The last years, there is a mainstream using stochastic models in information retrieval systems of sequential data. Specifically, a particular type of Markov models, named Hidden Markov Models (HMMs) have been successfully applied in speech recognition, music pattern recognition, consumer pattern recognition and many other domains of sequential data. Aiming to achieve high accuracy in indexing mobility data we will apply a model-based classification by representing each class of a mobility database via a HMM. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Μαρκοβιανά μοντέλα | el |
| dc.subject.keyword | Markov | el |
| dc.subject.keyword | Δεδομένα κίνησης | el |
| dc.subject.keyword | Στοχαστικά μοντέλα | el |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές