30080

تشخيص رابطه افراد با استفاده از تحليل خط سير آنها

كارشناسي ارشد

مهندسي كامپيوتر- نرم‌افزار

1399

1402/7/8

حسن نادري

مهندسي كامپيوتر

امروزه با گسترش دستگاه هاي مجهز به سنسور موقعيت¬ياب جهاني نوع جديدي از داده ها، به نام داده هاي خط¬سير توليد شده¬اند كه حاوي اطلاعاتي بسيار غني درباره محل حركت اجسام، نحوه حركت اجسام، الگوي حركتي بين¬ اجسام و موارد ديگر است. يكي از مهمترين ويژگي هاي نهفته در داده هاي خط سير، هم¬حركتي نام دارد. هم¬حركتي عبارتست از يك الگو ميان چند شئ كه براي مدتي باهمديگر حركت مي-كنند. مساله هم¬حركتي نقش مهمي در بسياري از برنامه هاي كاربردي مرتبط با داده هاي خط¬سير ايفا مي-كند. به عنوان مثال پيش¬بيني آينده يا فشرده سازي داده هاي خط¬سير ازجمله كاربرد هاي كشف الگوهاي هم¬حركتي در داده هاي خط¬سير هستند. الگوريتم ها و راهكارهاي كنوني دو حالت جرياني يا غيرجرياني اين داده ها را در نظر مي¬گيرند و مدل هاي برخط يا برون¬خط را ارائه مي¬كنند، رهيافت¬هاي برون¬خط كنوني فرض مي¬كنند كه تمام داده هاي مورد نياز را قبل از شروع پردازش دراختيار داردند و براساس آن كار مي¬كنند، در طرف ديگر در مدل جرياني فرض براين است كه داده ها بلادرنگ وارد سيستم مي¬شوند و مساله تشخيص الگو هاي هم¬حركتي را چالش بر انگيز مي¬كند. در اين رساله ما قصد داريم با كشف روابط هم¬حركتي از داده هاي خط سير، رابطه بين افراد جامعه را بررسي كرده و نوع رابطه آنها را برچسب گذاري كنيم. در اين رساله ما با نگاهي نو بر الگو هاي هم¬حركتي و گام نهادن بر آخرين تحقيقات دانشمندان اين حوزه سعي در بهبود روش هاي كنوني كشف هم¬حركتي و ارائه مفهوم جديدي به نام رابطه¬ي¬الگوي¬هم¬حركتي مي¬پردازيم و براساس آزمايش هاي انجام شده نشان مي¬دهيم كه روش ارائه شده كارامدي لازم را در اين زمينه داراست.

1402/08/28

Individuals relationship recognition using their trajectory analysis

9/29/2024 12:00:00 AM

Today, with the expansion of devices equipped with global positioning sensors, a new type of data, called trajectory data, has been produced, which contains very rich information about the location of objects, the way objects move, the movement pattern between objects, etc. One of the most important features hidden in trajectory data is called co-movement. Co-movement is a pattern between several objects that move together for a period of time. Co-movement problem plays an important role in many applications related to trajectory data. For example, predicting the future or compressing the trajectory data are among the applications of discovering co-motion patterns in the trajectory data. Current algorithms and solutions consider the two states of streaming or non-streaming of these data and provide online or offline models, current offline approaches assume that all the required data are available before the start of processing and work based on it, on the other hand, in the flow model, it is assumed that the data enters the system in real time, and the problem of detecting co-motion patterns is challenging. In this thesis, we intend to investigate the relationship between people in the society by discovering co-movement relationships from trajectory data and label their relationship type. In this thesis, with a new look at co-movement patterns and stepping on the latest research of scientists in this field, we try to improve the current methods of discovering co-motion and present a new concept called co-motion pattern relationship. And based on the experiments, we show that the presented method has the necessary efficiency in this field.

داده‌هاي خط‌سير , استخراج الگوهاي هم‌حركتي

trajectory data , co-movement detection

Mohsen Dehghanzade

Dr. Hassan Naderi