Contributions to Trajectory Analysis and Prediction: Statistical and Deep Learning Techniques

Abstract

A causa de l’estreta relació entre la vida de les persones i determinades ubicacions geogràfiques, les dades històriques sobre trajectòries d’una persona contenen informació valuosa que es pot utilitzar per descobrir els seus estils de vida i hàbits. L’ús generalitzat de dispositius mòbils amb capacitat de localització ha impulsat la mineria de trajectòries (trajectory mining), la qual se centra en la manipulació, el processament i l’anàlisi de dades de trajectòries per facilitar l’extracció de coneixement a partir de l’històric de les trajectòries d’una persona. Basant-nos en aquesta anàlisi, fins i tot es pot arribar a predir quina serà la probable propera localització d’una persona. Amb aquestes tècniques, s’obre la porta a la millora dels actuals serveis basats en la ubicació i a l’aparició de nous models de negoci, basats en notificacions riques relacionades amb la predicció adequada de les futures ubicacions dels usuaris. Aquesta tesi tracta sobre la predicció de la ubicació i el descobriment de regions significatives a les zones de moviment de les persones. Proposa diversos models de predicció, basant-se en diferents tècniques d'aprenentatge automàtic (com ara les cadenes de Markov, les xarxes neuronals recurrents i les xarxes neuronals convolucionals), tot considerant diferents mètodes de representació d'entrada (embedding learning i one hot vector). A més, el model de predicció utilitza la attention technique (tècnica d’atenció), que té com a objectiu alinear els intervals de temps en les trajectòries de les persones que són rellevants per a una ubicació específica. La tesi també proposa un esquema de codificació temporal per capturar les característiques del comportament del moviment. Addicionalment, analitza l'impacte de l'aprenentatge de la representació espacial-temporal mitjançant l'avaluació de diferents arquitectures. Finalment, l’anàlisi de la trajectòria i la predicció de localització s’apliquen a la monitorització en temps real per a persones grans.

Debido a la estrecha relación entre la vida de las personas y determinadas ubicaciones geográficas, los datos históricos sobre trayectorias de una persona contienen información valiosa que se puede utilizar para descubrir sus estilos de vida y hábitos. El uso generalizado de dispositivos móviles con capacidad de localización ha impulsado la minería de trayectorias (trajectory mining), la cual se centra en la manipulación, el procesamiento y el análisis de datos de trayectorias para facilitar la extracción de conocimiento a partir de el histórico de las trayectorias de una persona. Basándonos en este análisis, incluso se puede llegar a predecir cuál será la probable próxima localización de una persona. Con estas técnicas, se abre la puerta a la mejora de los actuales servicios basados ​​en la ubicación y en la aparición de nuevos modelos de negocio, basados ​​en notificaciones ricas relacionadas con la predicción adecuada de las futuras ubicaciones de los usuarios. Esta tesis trata sobre la predicción de la ubicación y el descubrimiento de regiones significativas en las zonas de movimiento de las personas. Propone varios modelos de predicción, basándose en diferentes técnicas de aprendizaje automático (como las cadenas de Markov, las redes neuronales recurrentes y las redes neuronales convolucionales), considerando diferentes métodos de representación de entrada (embedding learning y one hot vector). Además, el modelo de predicción utiliza la attention technique (técnica de atención), que tiene como objetivo alinear los intervalos de tiempo en las trayectorias de las personas que son relevantes para una ubicación específica. La tesis también propone un esquema de codificación temporal para capturar las características del comportamiento del movimiento. Adicionalmente, analiza el impacto del aprendizaje de la representación espacial-temporal mediante la evaluación de diferentes arquitecturas. Finalmente, el análisis de la trayectoria y la predicción de localización se aplican a la monitorización en tiempo real para personas mayores.

Due to the relationship between people’s daily life and specific geographic locations, the historical trajectory data of a person contains lots of valuable information that can be used to discover their lifestyle and regularity. The generalisation in the use of mobile devices with location capabilities has fueled trajectory mining: the research area that focuses on manipulating, processing and analysing trajectory data to aid the extraction of higher level knowledge from the trajectory history of a user. Based on this analysis, even the person’s next probable location can be predicted. These techniques pave the way for the improvement of current location-based services and the rise of new business models, based on rich notifications related to the right prediction of users’ next location. This thesis addresses location prediction as well as the discovery of significant regions in person’s movement area. It proposes various models to predict the future state of people movement, based on different machine learning techniques (such as Markov Chains, Recurrent Neural Networks and Convolutional Neural Networks) and considering different input representation methods (embedding learning and one-hot vector). Moreover, the attention technique is used in the prediction model, aiming at aligning time intervals in people’s trajectories that are relevant to a specific location. Furthermore, the thesis proposes a time encoding scheme to capture movement behavior characteristics. In addition to that, it analyses the impact of Space-Time representation learning through evaluating different architectural configurations. Finally, trajectory analysis and location prediction is applied to real-time smartphone-based monitoring system for seniors.