Novel approaches for multiple-aspect trajectories clustering

Abstract

O crescimento exponencial de dados provenientes de dispositivos móveis, sensores e redes sociais tem impulsionado pesquisas voltadas à análise de trajetórias multi-aspecto, que integram dimensões espaciais, temporais e semânticas. Essa abordagem é essencial para compreender fenômenos complexos em mobilidade urbana, saúde pública, marketing e comportamento social, permitindo identificar padrões que auxiliam na tomada de decisão. No entanto, a heterogeneidade e a alta dimensionalidade desses dados representam desafios significativos, exigindo métodos capazes de lidar com múltiplos aspectos de forma integrada e escalável. Apesar dos avanços no estado da arte de trajetórias de multi-aspecto, os trabalhos existentes ainda apresentam limitações, principalmente no contexto de problemas de agrupamento. Métodos tradicionais de agrupamento, como k-means e DBSCAN, não capturam interdependências entre diferentes dimensões nem consideram estruturas sequenciais. Abordagens mais recentes, como TraFoS e técnicas de co-clustering, oferecem melhorias, mas ainda carecem de mecanismos para lidar com ruído, inferir automaticamente o número de grupos e explorar hierarquias ou dependências temporais. Essa lacuna compromete a aplicabilidade em cenários reais, onde os dados são dinâmicos e complexos, evidenciando a necessidade de estratégias mais robustas e interpretáveis. Para superar essas limitações, nós propomos três métodos inovadores: OCoClus, que identifica co-clusters globais e locais com controle de ruído e inferência automática do número de grupos com foco em dados não sequencias; SS-OCoClus, que incorpora dependência sequencial para revelar padrões frequentes em trajetórias; e MAT-Tree, um método hierárquico baseado em frequência, capaz de organizar trajetórias em diferentes níveis de abstração dos seus aspectos. Esses métodos foram avaliados em conjuntos de dados sintéticos e reais, onde os resultados obtidos corroboram para uma maior escalabilidade, interpretabilidade e capacidade de lidar com dados heterogêneos, superando as abordagens existentes. Além do desempenho superior de forma geral, nossa proposta oferece insights relevantes para a área: a importância de integrar múltiplos aspectos em análises complexas, a viabilidade de métodos hierárquicos para explorar diferentes níveis de abstração e a contribuição das dependências sequenciais para enriquecer a descoberta de padrões. Essas inovações ampliam as possibilidades de aplicação em diversos domínios, contribuindo para o avanço da área de identificação de padrões em a partir de da abordagem clusterização de trajetórias multi-aspecto.

Abstract: The exponential growth of data from mobile devices, sensors, and social networks has driven research focused on multiple-aspect trajectory analysis, which integrates spatial, temporal, and semantic dimensions. This approach is essential for understanding complex phenomena in urban mobility, public health, marketing, and social behavior, enabling the identification of patterns that support decision-making. However, the heterogeneity and high dimensionality of such data pose significant challenges, requiring methods capable of handling multiple aspects in an integrated and scalable manner. Despite advances in the state of the art of multi-aspect trajectories, existing studies still present limitations, especially in the context of clustering problems. Traditional clustering methods, for instance, k-means and DBSCAN, fail to capture interdependencies among different dimensions or consider sequential structures. More recent approaches, such as TraFoS and co-clustering techniques, offer improvements but still lack mechanisms to handle noise, automatically infer the number of clusters, and explore hierarchies or temporal dependencies. This gap compromises applicability in real-world scenarios, where data are dynamic and complex, highlighting the need for more robust and interpretable strategies. To overcome these limitations, we propose three innovative methods: OCoClus, which identifies global and local co-clusters with noise control and automatic inference of the number of clusters for non-sequential data; SS-OCoClus, which incorporates sequential dependency to reveal frequent patterns in trajectories; and MAT-Tree, a frequency-based hierarchical method capable of organizing trajectories at different levels of abstraction of their aspects. These methods were evaluated on synthetic and real datasets, and the obtained results demonstrate greater scalability, interpretability, and ability to handle heterogeneous data, outperforming existing approaches. Beyond the overall superior performance, our proposal offers relevant insights for the field: the importance of integrating multiple aspects in complex analyses, the feasibility of hierarchical methods to explore different abstraction levels, and the contribution of sequential dependencies to enrich pattern discovery. These innovations expand the possibilities of application across various domains, contributing to the advancement of the field of pattern identification through the multiple-aspect trajectory clustering approach.