FenixEdu™

Dissertação

{en_GB=Contextual Outlier Detection in Traffic Data} {} EVALUATED

Detalhes: {pt=Apesar dos esforços realizados pelas principais cidades europeias para optimizar o transporte público, análise de dados de tráfego muitas vezes desconsidera o contexto situacional essencial. Este trabalho propõe uma metodologia para integrar o contexto situacional (incluindo eventos públicos, intervenções planeadas e notificações de cidadãos) na análise de dados de transporte público. As principais contribuições são: consolidação online e rotulação de fontes heterogéneas de contexto; previsão; modelação estatística baseada em datas do comportamento esperado do tráfego; e a exibição integrativa de tráfego e o seu contexto situacional, acompanhados de recursos de navegação e zoom espaço-temporais. Os resultados preliminares recolhidos do sistema de rede de metropolitano de Lisboa mostram a relevância destes contributos para apoiar decisões sensíveis ao contexto. Esta tese faz uma revisão completa da detecção de anomalias de séries temporais sensíveis ao contexto, uma implementação dos algoritmos e técnicas utilizadas e a validação dos métodos e algoritmos acima mencionados. Diferentes abordagens foram exploradas para atingir este princípio (modelação e previsão do comportamento do tráfego) incluindo redes neuronais e abordagens clássicas baseadas modelos de auto-regressão e exponential smoothing., en=Despite the efforts placed by major European cities to optimize public transportation, traffic data analytics often disregard vital situational context. This work proposes a methodology to integrate situational context (including public events, planned interventions, and citizen notifications) in the analysis of public transport data. Major contributions are the: online consolidation and labeling of heterogeneous sources of context; calendar-driven statistical modeling of expected traffic behavior; forecasting; the integrative display of traffic and its situational context, accompanied by spatiotemporal navigation and zooming facilities, and outlier detection. Preliminary results collected from Lisbon’s subway network system shows the relevance of these contributions to support context-sensitive decisions. This thesis makes a complete and thorough review of context-sensitive time series anomaly detection, an implementation of the algorithms and techniques used, and validation of the aforementioned methods and algorithms. Different approaches are explored to this end (modeling and forecasting traffic behavior), including neural networks and classic approaches based on auto-regressive moving averages and triple exponential smoothing.}
Keywords: {pt=Detecção de Anomalias Contextuais, Séries Temporais Multivariadas, Previsão, Dados de tráfego da Rede de Metro., en=Contextual Outlier Detection, Multivariate Time Series, Forecasting, Subway Network Traffic Data.}

Discussão: novembro 18, 2019, 18:0