KIPS Transactions on Software and Data Engineering (정보처리학회논문지:소프트웨어 및 데이터공학)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

A Technique for Detecting Companion Groups from Trajectory Data Streams

궤적 데이터 스트림에서 동반 그룹 탐색 기법

  • 강수현 (숙명여자대학교 컴퓨터과학과) ;
  • 이기용 (숙명여자대학교 소프트웨어학부)
  • Received : 2019.07.25
  • Accepted : 2019.10.15
  • Published : 2019.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

There have already been studies analyzing the trajectories of objects from data streams of moving objects. Among those studies, there are also studies to discover groups of objects that move together, called companion groups. Most studies to discover companion groups use existing clustering techniques to find groups of objects close to each other. However, these clustering-based methods are often difficult to find the right companion groups because the number of clusters is unpredictable in advance or the shape or size of clusters is hard to control. In this study, we propose a new method that discovers companion groups based on the distance specified by the user. The proposed method does not apply the existing clustering techniques but periodically determines the groups of objects close to each other, by using a technique that efficiently finds the groups of objects that exist within the user-specified distance. Furthermore, unlike the existing methods that return only companion groups and their trajectories, the proposed method also returns their appearance and disappearance time. Through various experiments, we show that the proposed method can detect companion groups correctly and very efficiently.

이동 객체의 데이터 스트림으로부터 객체들의 궤적을 분석하는 연구는 이미 이루어진 바가 있다. 그 중 같이 움직이는 객체들의 그룹, 즉 동반 그룹을 찾는 연구도 이미 존재한다, 이들 대부분은 서로 가까이 존재하는 객체들의 그룹을 탐색하기 위해 기존의 클러스터링 기법을 사용한다. 하지만 클러스터링에 기반한 방법들은 정확한 클러스터의 수를 미리 알 수 없거나 클러스터의 모양이나 크기를 제어할 수 없기 때문에 정확한 동반 그룹을 찾기 어려운 경우가 많다. 본 논문은 실시간으로 유입되는 궤적 데이터 스트림에서 기존의 클러스터링 기법이 아니라 사용자가 지정한 거리를 기반으로 동반 그룹을 탐색하는 새로운 방법을 제안한다. 본 논문에서 제안하는 기법은 서로 가까이 존재하는 객체들의 그룹을 주기적으로 탐색하며, 이 때 사용자가 지정한 거리 내에 존재하는 객체들의 그룹을 매우 효율적으로 찾아내는 기법을 사용한다. 또한 동반 그룹 및 그의 궤적만을 반환하는 기존 방법과 달리 제안 방법은 동반 그룹의 생성 시간과 지속 시간도 같이 알려준다. 본 논문에서는 다양한 실험을 통해 제안 방법이 동반 그룹을 정확하고 매우 효율적으로 탐색할 수 있음을 보인다.

Keywords

References

  1. J.-G. Lee, J. Han, and K.-Y. Whang, "Trajectory Clustering: a Partition-and-group Framework," in Proceedings of the ACM SIGMOD International Conference on Management of Data (SIGMOD '07), pp. 593-604, ACM, Beijing, China, June 2007.
  2. P. Bakalov, M. Hadjieleftheriou, and V. J. Tsotras, "Time Relaxed Spatiotemporal Trajectory Joins," Proceedings of the 13th Annual ACM International Workshop on Geographic Information Systems, Nov. 04-05, 2005.
  3. S. Atev, O. Masoud, and N. Papanikolopoulos, "Learning Traffic Patterns at Intersections by Spectral Clustering of Motion Trajectories," in Proc. IEEE Conf. Intell. Robots Syst., Bejing, China, Oct. pp.4851-4856, 2006.
  4. L. Chen, M. T. Ozsu, and V. Oria, "Robust and Fast Similarity Search for Moving Object Trajectories," in Proc. ACM SIGMOD Int'l Conf. Management of Data. New York, NY, USA: ACM Press, pp.491-502, 2005.
  5. P. Kalnis, N. Mamoulis, and S. Bakiras. "On Discovering Moving Clusters in Spatio-temporal Data," In SSTD, pp.364-381, 2005.
  6. J. Gudmundsson and M. van Kreveld, "Computing Longest Duration Flocks in Trajectory Data," In ACM GIS, pp.35-42, 2006.
  7. Z. Li, B. Ding, J. Han and R. Kays, "Swarm: Mining Relaxed Temporal Moving Object Clusters," Proceedings of the VLDB Endowment 3, 1-2, 723-734, 2010. https://doi.org/10.14778/1920841.1920934
  8. J. Gudmundsson, M. V. Kreveld, and B. Speckmann, "Efficient detection of motion patterns in spatiotemporal data sets," In the Proceedings of the 12th International Conference on Advances in Geographical Information Systems, ACM, 250-257, 2004.
  9. J, Mao and Q. Song, "Online Clustering of Streaming Trajectories," Frontiers of Computer Science, Volume 12, Issue 2, pp.245-263, 2018 https://doi.org/10.1007/s11704-017-6325-0
  10. Z. Li, J. Lee, X. Li, and J. Han, "Incremental Clustering for Trajectories," Proc. Database Systems Advanced Applications, pp.32-46, 2010.
  11. T. L. C. Da Silva, K. Zeitouni, and J. A. F. De Macedo, "Online Clustering of Trajectory Data Stream," in Proceedings of the 17th IEEE International Conference on Mobile Data Management (IEEE MDM '16), pp.112-121, Jun. 2016.
  12. Y. Yanwei, Q. Wang, X. Wang, H. Wang, and J. He, "Online Clustering for Trajectory Data Stream of Moving Objects," Computer Science and Information Systems, Vol.10, No.3, pp.1293-1317, 2013. https://doi.org/10.2298/CSIS120723049Y
  13. S. Tasnim, "Semantic-Aware Clustering-based Approach of Trajectory Data Stream Mining," ICNC, 2018.
  14. Riyadh, Musaab, Norwati Mustapha, Md Sulaiman and Nurfadhlina Binti Mohd Sharef. "CC_TRS: Continuous Clustering of Trajectory Stream Data Based on Micro Cluster Life," Mathematical Problems in Engineering 2017.
  15. S. Elnekave, M. Last and O. Maimon, "Incremental Clustering of Mobile Objects," in Proceedings of the Workshops in Conjunction with the 23rd International Conference on Data Engineering (ICDE '07), pp.585-592, Apr. 2007.
  16. L. Tang et al., "On Discovery of Traveling Companions from Streaming Trajectories," Proc. ICDE, pp.186-197, 2012.
  17. T. T. Shein, S. Puntheeranurak, and M. Imamura, "Incremental Discovery of Crowd from Evolving Trajectory Data," in 2018 International Conference on Engineering, Applied Sciences, and Technology (ICEAST), 2018.
  18. S. Puntheeranurak, T. T. Shein, and M. Imamura, "Efficient Discovery of Traveling Companion from Evolving Trajectory Data Stream," in 2018 IEEE 42nd Annual Computer Software and Applications Conference (COMPSAC), Vol. 01, pp.448-453, Jul. 2018.
  19. R. Agrawal and R. Srikant, "Fast Algorithms for Mining Association Rules," In VLDB'94, pp.487-499, 1994.
  20. A. Ceglar and J. F. Roddick, "Association mining," ACM Computing Surveys (CSUR), Vol.38, No.2, 2006.