Get_Move : fouille de données d’objets mobiles

Abstract

Les développements récents des techniques de géolocalisation ont généré de larges volumes de données associées aux objets mobiles. Une des tâches d'analyse de telles données reste à identifier les objets évoluant ensemble. Cette problématique peut être résolue par les motifs spatiotemporels et de nombreuses propositions ont été réalisées ces dernières années. Néanmoins chacune de ces approches se focalise sur un type de motif spécifique. Il est alors coûteux de vouloir tous les obtenir car il est nécessaire d'exécuter l'ensemble des algorithmes proposés. Pour répondre à ce problème, nous redéfinissons les motifs spatiotemporels dans le contexte des itemsets et proposons une approche unifiée, appelée GeT_Move, permettant d'extraire de tels motifs. Cet algorithme est proposé en deux versions dont l'une est incrémentale. Les expérimentations réalisées sur des données réelles et des données synthétiques soulignent l'efficacité de notre proposition qui surpasse les approches existantes. ABSTRACT. Recent improvements in positioning technology has led to a much wider availability of massive moving object data. A crucial task is to find the moving objects that travel together. Usually, they are called spatio-temporal patterns. Due to the emergence of many different kinds of spatio-temporal patterns in recent years, different approaches have been proposed to extract them. However, each approach only focuses on mining a specific kind of pattern. In addition to the fact that it is a painstaking task due to the large number of algorithms used to mine and manage patterns, it is also time consuming. To address these issues, we first redefine spatiotemporal patterns in the itemset context. Secondly, we propose a unifying approach, named GeT_Move, using a frequent closed itemset-based spatio-temporal pattern-mining algorithm to mine and manage different spatio-temporal patterns. GeT_Move is implemented in two versions which are GeT_Move and Incremental GeT_Move. Experiments are performed on real and synthetic datasets and the experimental results show that our approaches are very effective and outperform existing algorithms in terms of efficiency. MOTS-CLÉS : motif spatiotemporel, itemset clos fréquent, trajectoires.