DOI:
https://doi.org/10.14483/23448407.15235Publicado:
2019-12-05Número:
Núm. 14 (2019)Sección:
Artículo de investigación científica y tecnológicaEl análisis de los patrones de movimiento en las caracterizaciones de trayectorias de objetos espaciales
Palabras clave:
movement, moving object databases, trajectories, patterns, anomalies (en).Palabras clave:
movimiento, bases de datos de objetos en mo-vimiento, trayectorias, patrones, anomalías. (es).Descargas
Resumen (es)
La representación de objetos en movimiento en bases de datos espacio-temporales, ha dado lugar a considerar un nuevo elemento, llamado trayectoria, con el cual se puede analizar, consultar y utilizar el movimiento mismo del objeto. El modelamiento de las trayectorias en bases de datos de objetos en movimiento, permiten simular escenarios del mundo real y realizar tomas de decisiones más acertada y efectiva, al tener en cuenta aspectos como patrones y anomalías en el comportamiento de agrupaciones de las trayectorias analizadas. El presente artículo, muestra los aspectos fundamentales de las trayectorias, diferentes tipos de análisis de patrones, detección de anomalías, y los usos potenciales que pueden tener cada uno de ellos, con referencias a ejemplos de aplicación.
Resumen (en)
The representation of objects in motion in spatio-temporal databases has led to consider a new element, called trajectory, with which you can analyze, consult and use the movement itself of the object. The modeling of the trajectories in databases of objects in movement, allows to simulate real world scenarios and make more accurate and effective decision making, taking into account aspects such as patterns and anomalies in the behavior of groupings of the trajectories analyzed. The present article shows the fundamental aspects of trajectories, different types of pattern analysis, anomalies detection, and the potential uses that each of them can have, with references to application examples.
Referencias
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly Detection: A Survey. ACM Computing Surveys, 1-72.
Encyclopædia Britannica. (2017). Motion. Obtenido de http://academic.eb.com.bdigital.udistrital.edu.co:8080/levels/collegiate/article/motion/53959
Güting, R. H., & Schneider, M. (2005). Moving Objects Databases. San Francisco, USA: Morgan Kaufmann Publishers.
Jae-Gil, L., Han, J., & Whang, K.-Y. (2007). Trajectory Clustering: A Partition-and-Group Framework. SIGMOD'07. Beijing, China.
Lee, J.-G., Han, J., & Li, X. (2008). Trajectory Outlier Detection: A Partition-and-Detect Framework. IEEE 24th International Conference on Data Engineering, 2008. ICDE 2008. , (págs. 140-149). Cancun.
Li, Z., Ji, M., Lee, J.-G., Tang, L.-A., Yu, Y., Han, J., & Kays, R. (2010). MoveMine: Mining Moving Object Databases. SIGMOD. Indianapolis, Indiana.
Li, Z., Wu, F., & Crofoot, M. (2013). Mining Following Relationships in Movement Data. Proc. 2013 IEEE Int. Conf.on Data Mining. Dallas,TX.
Pelekis, N., & Theodoridis, Y. (2014). Mobility Data Management and Exploration. New York: Springer.
Rodriguez Lamus, D. F., & Ortiz Davila, A. E. (2019). Metodología para hallar patrones de movimiento en trayectorias sobre DBMS. Revista ibérica de sistemas y tecnologias de la información, 636-647.
Yu, Z. (2015). Trajectory Data Mining: An Overview. ACM Transactions on Intelligent Systems and technology, 6(3).
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
La revista UD y la Geomática se encuentra bajo una licencia Creative Commons - 2.5 Colombia License.Atribución - No Comercial - Sin Derivadas