Uma extensão nativa de sql para mineração de trajetórias semânticas

Abstract

O objetivo principal deste trabalho é desenvolver uma extensão nativa do SQL para a mineração de trajetórias de objetos móveis. As trajetórias são representadas por stops e moves, e o processo contempla as etapas de pré-processamento, extração de padrões seqüenciais e pós-processamento. Através do método proposto, baseado em uma árvore de prefixos para a estruturação das seqüências de itens, o usuário pode definir diferentes granularidades espaciais e temporais. Essa transformação é fundamental no processo de descoberta de conhecimento sobre trajetórias, pois permite que diferentes padrões sejam extraídos a partir da mesma base de dados. Os padrões gerados são armazenados no próprio banco de dados, possibilitando que filtros sejam aplicados, visando o refinamento dos resultados obtidos. O processo de mineração pode ser realimentado e executado diversas vezes, convergindo para atingir os objetivos do usuário. A integração do algoritmo desenvolvido neste trabalho com os métodos de préprocessamento de trajetórias apresentados em (CHIECHELSKI, BOGORNY, 2008) resulta em uma linguagem completa para a mineração de dados espaço-temporais, mais especificamente sobre trajetórias semânticas. Tal abordagem não é encontrada na maioria das soluções existentes atualmente.

The main purpose of this work is to develop a native extension of SQL for mining trajectories of moving objects. The trajectories are modeled as stops and moves, and the whole process covers the tasks of data preprocessing, sequential pattern extraction and post-processing. Through the proposed method, based on a prefix trie to represent sequences, the user can define different spatial and temporal granularities. Different granularities are fundamental in the spatio-temporal knowledge discovery process, because they provide a way to extract different patterns from the same data. The generated patterns are stored in the database, allowing the user to apply filters over the patterns for the refinement of the results. The mining process can be feeded and executed several times, according to the user's needs. The integration of the algorithm presented in this paper with the trajectories preprocessing methods implemented in (CHIECHELSKI, BOGORNY, 2008) results in a complete language for mining spatiotemporal data, more specifically for semantic trajectories. Such approach is not commonly found in most of the existing solutions.