Density-based clustering di traiettorie di oggetti mobili focalizzato sul tempo

In questo contesto, focalizziamo la nostra attenzione sul problema del clustering di traiettorie. La nostra assunzione di base sui dati è che le traiettorie di oggetti mobili possano essere ricostruite in un modo approssimato sulla base dei log lasciati dagli oggetti mentre si muovono all’interno dell’infrastruttura di rete. Per esempio, un telefono mobile che si muove fra le varie celle, durante le sue interazioni con la rete, lascia un insieme di triplette (id, loc, t), che specificano la localizzazione spaziale loc,altempo t, del telefono id.
Utilizzando l’insieme di triplette di un determinato oggetto id è possibile, in principio, definire (approssimare) una funzione : fid : time . space, che assegna una posizione all’oggetto id per ogni istante, in un intervallo di tempo determinato. Noi chiamiamo tale funzione traiettoria, e ci concentriamo sul problema del clustering su un insieme di finito di questo tipo di oggetti.
Questa assunzione di base è conforme con la forma dei log che sono (o possono essere) raccolti nell’infrastruttura della rete. Il nostro lavoro di ricerca farà affidamento sulla disponibilità di un generatore [22] di traiettorie, sviluppato nel nostro laboratorio per generare il dataset di traiettorie utilizzato per la valutazione empirica dei risultati ottenuti.
In questa lavoro di tesi, ci siamo posti due domande distinte:
1. qual è il metodo di clustering più adeguato per le traiettorie?
2. come possiamo sfruttare la semantica intrinseca della dimensione temporale, per migliorare la qualità del clustering?
Per quanto riguarda il primo problema, pensiamo che il clustering basato sulla nozione di densità density-based, proposto in[6], è particolarmente adatto al clustering di traiettorie, per le seguenti caratteristiche distintive:
• la sua capacità di determinare cluster non-sferici (non convessi), al contrario dei metodi di partizionamento (k-means) e gerarchici,
• la sua robustezza rispetto al rumore,
• la sua capacità di restituire un numero arbitrario di cluster, che meglio
descrivano la naturale struttura dei dati, come fanno i metodi gerarchici
ma con una complessità minore (O(n log n) anzich´e O(n2)).