Publication: การทำเหมืองข้อมูลเส้นทางเดินจากข้อมูลการระบุตำแหน่ง
0
0
Issued Date
2018
Resource Type
Language
tha
File Type
application/pdf
Access Rights
open access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
พิชญา ลีฬหาทร, ภัทร โตจิตต์ (2018). การทำเหมืองข้อมูลเส้นทางเดินจากข้อมูลการระบุตำแหน่ง. สืบค้นจาก: https://hdl.handle.net/20.500.14740/3916
Alternative Title(s)
Trajectory Data Mining Based on Location History
Author(s)
Advisor(s)
Organization
Abstract
ข้อมูลการเคลื่อนที่ของผู้คนสามารถแสดงข้อมูลที่ซ่อนอยู่มากมายเกี่ยวกับพฤติกรรมของผู้คนและพื้นที่ที่พวกเขาสนใจ ซึ่งสามารถแบ่งออกเป็นสองปัญหาย่อย โดยปัญหาย่อยแรกคือการกำหนดตำแหน่งของแต่ละบุคคลตามข้อมูลด้วยพิกัด GPS ปัญหาย่อยที่สองคือการดึงข้อมูลที่เป็นประโยชน์จากลำดับการระบุตำแหน่งจำนวนมากที่ได้รับจากปัญหาย่อยแรก ในปัญหาย่อยแรกนั้น การทดลองภายนอกอาคารนั้นได้มีการทำวิจัยอย่างมีประสิทธิภาพโดยการประมาณตำแหน่งจากข้อมูล GPS ในขณะที่การทดลองภายในอาคารยังคงมีการทำการวิจัยอยู่อย่างต่อเนื่องโดยใช้เซ็นเซอร์หลายประเภท ปัญหาย่อยที่สองมักถูกจัดเป็นการทำเหมืองข้อมูลเส้นทางเดิน ซึ่งยังคงเป็นที่สนใจ งานวิจัยนี้มีความสนใจในการทำเหมืองข้อมูลเส้นทางเดินภายในอาคาร แต่เนื่องจากข้อจำกัดของเวลาและทรัพยากร ทำให้งานวิจัยนี้ดำเนินการบนชุดข้อมูลภายนอกอาคาร ในขณะที่ปัญหาย่อยแรกจะถูกรวบรวมจากบีคอนส์ 3 ตัว ภายในอาคารวิทยาศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒเพื่อกำหนดวิธีที่ดีที่สุดในการระบุตำแหน่งในอาคาร ในการทำนายตำแหน่งใช้อัลกอริทึม K-Nearest Neighbor, Random Forest และ Support Vector Classification ซึ่ง Support Vector Classification ได้ค่าความคลาดเคลื่อนโดยเฉลี่ยเป็น 4.45 เมตรและปัญหาการทำเหมืองข้อมูลเส้นทางในการวิจัยครั้งนี้มีวัตถุประสงค์เพื่อค้นหาตำแหน่งที่ได้รับความสนใจของแต่ละผู้ใช้ด้วยตำแหน่งพิกัดจากชุดข้อมูล Geolife GPS trajectory ที่ดำเนินการโดยวิธี DBSCAN
People movement data can reveal much hidden information about people’s behavior and their area of interest. The problem can be divided into two sub-problems. The first sub-problem is to determine the location of individual based on the sensing data such as GPS coordinates. The second sub-problem is to extract useful information from a large amount of sequential location data obtained from the first sub-problem. The first sub-problem for the outdoor setting has been well-investigated by estimating the location from the GPS data while the in-door setting is still an ongoing research using several types of sensors. The second sub-problem is often categorized as trajectory mining, which is still open for many research questions. This research is interested in indoor trajectory mining. Due to the limitation of time and resources, the trajectory mining problem is performed on the outdoor dataset while the first sub-problem are collected from 3 beacons inside the Science building, Srinakharinwirot University, to determine the best algorithms for the indoor positioning. The positioning prediction obtained K-Nearest Neighbor, Random Forest, Support Vector Classification 4.45 meters in error on average. The trajectory mining problem in this research aims to find the area of interest of people given a set of coordinate positions from the Geolife GPS trajectory dataset implemented by the DBSCAN method.
People movement data can reveal much hidden information about people’s behavior and their area of interest. The problem can be divided into two sub-problems. The first sub-problem is to determine the location of individual based on the sensing data such as GPS coordinates. The second sub-problem is to extract useful information from a large amount of sequential location data obtained from the first sub-problem. The first sub-problem for the outdoor setting has been well-investigated by estimating the location from the GPS data while the in-door setting is still an ongoing research using several types of sensors. The second sub-problem is often categorized as trajectory mining, which is still open for many research questions. This research is interested in indoor trajectory mining. Due to the limitation of time and resources, the trajectory mining problem is performed on the outdoor dataset while the first sub-problem are collected from 3 beacons inside the Science building, Srinakharinwirot University, to determine the best algorithms for the indoor positioning. The positioning prediction obtained K-Nearest Neighbor, Random Forest, Support Vector Classification 4.45 meters in error on average. The trajectory mining problem in this research aims to find the area of interest of people given a set of coordinate positions from the Geolife GPS trajectory dataset implemented by the DBSCAN method.