Mekânsal-zamansal veri madenciliği yörüngelerin durma ve hareket algoritmaları

Abstract

Lokasyon tabanlı hizmetlerde son zamanlardaki gelişmeler ile mekânsal-zamansal veri madenciliği alanında hareketli nesnelerden yararlı bilgi çıkarımı giderek artmaktadır. Yörünge verileri, sağlık sistemi, turizm, trafik yönetimi, ulaşım ve göç gibi birçok uygulamada giderek önemli bir rol oynamaktadır. Bu tezde, mekân ve zamana göre hareketli nesnenin izlenme tarihçesi sonucunda oluşan hareketli nesne verileri ile ilgilenmekteyiz. Hareket bilgileri somut veya soyut nesnelere ait olabilir. Mekânsal-zamansal veri madencilğinde yörüngelerin durma ve hareket algoritmaların amacı bir hareketi anlamaya yönelik hareket desenleri olabileceği gibi, bir dizi hareketin gerçekleşmesini takiben bir sonraki benzer hareketin tahmin edilebilmesine yönelik de olabilecektir. Bu tezde, günümüzde mekânsal-zamansal veri madenciliği yörünge durma ve hareket algoritmalarına ek olarak zamanla yarışılan bazı kritik problemlerde yörüngelerde belirsiz veri probleminin üstesinden gelmek adına bulanık mantık kümeleme yöntemlerinin kullanılması üzerine çalışılmıştır. Kümeleme tabanlı bir yaklaşım olan CB-SMoT algoritmasında bilinmeyen durma sayılarının fazla olması üzerine bu bilinmeyen durma sayısını azaltma ve algoritmanın çalışma zamanın düşürmek için bulanık kümeleme yöntemleri uygulanmıştır. Sonuç olarak daha az bilinmeyen durma ve daha kısa çalışma zamanları elde edilmiştir.

Extraction of useful information on moving objects is increasing in the field of spatial-temporal data mining via recent developments in location-based services. Trajectory data play an essential role in expanding many applications such as, healthcare system, tourism, traffic management, transportation and migration. In this thesis, we are interested in moving object data which occurs as a result of moving object tracking history according to time and space. Moving object datasets typically include the trajectories of concrete objects (e.g. humans, vehicles, animals or goods), as well as the trajectories of abstract concepts (e.g. spreading diseases or viruses). Thus, the development of a spatio-temporal stop and move trajectory algorithm to left behind moving object trajectory data for moving object datasets can be suited to the needs of diverse application domains. Based on movement patterns, make predictions about the future status of the moving object is an important development for many areas. Moreover, the using fuzzy clustering methods to overcome the problem of uncertain data on the trajectory data are also great benefit for some time-critical problems (for example, the prediction of a fatal illness spread). These algorithms aim to understand the movement pattern but also predict the movement that follows a series of similar movements. CB-SMoT algorithm, which is based on clustering approach, produces the more unknown stop and more execution time. So, fuzzy clustering methods have been applied to CB-SMoT algorithm in order to reduce unknown stops and execution time.