Resumen

En la actualidad, se han recopilado grandes volúmenes de datos multimodales para su análisis. Un tipo de datos importante es el de trayectorias, que contiene información tanto temporal como espacial. El análisis y la agrupación de trayectorias son esenciales para aprender el patrón de objetos en movimiento. Calcular la similitud entre trayectorias es un aspecto clave del análisis de trayectorias, pero es muy consumidor de tiempo. Para abordar este problema, este artículo presenta una estrategia mejorada de ramificación y poda basada en la segmentación por intervalos de tiempo, que reduce el tiempo necesario para obtener la matriz de similitud al disminuir la cantidad de cálculos de distancia requeridos para calcular la similitud. Luego, la matriz de similitud se transforma en un grafo de trayectorias y se aplica un algoritmo de detección de comunidades para la agrupación. Se realizaron experimentos extensos para comparar los algoritmos propuestos con medidas de similitud y algoritmos de agrupación existentes. Los resultados muestran que el método

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Grandes volúmenes; Datos de trayectoria; Agrupamiento; Matriz de similitud; Algoritmo de detección de comunidades; Trayectorias espacio-temporales
• Keywords:Large volumes; Trajectory data; Clustering; Similarity matrix; Community detection algorithm; Spatiotemporal trajectories