TRAJVIS - A VISUAL ANALYTICS TOOL FOR MASSIVE MULTIVARIATE TRAJECTORY DATA
TRAJVIS – A VISUAL ANALYTICS TOOL FOR MASSIVE MULTIVARIATE TRAJECTORY DATA
ALUNO: Diego Luís Nogueira Gonçalves
ORIENTADORA: Dra. Isabel Harb Manssour
BANCA EXAMINADORA: Dra. Carla Maria Dal Sasso Freitas (INF/UFRGS), Dra. Milene Selbach Silveira (PPGCC/PUCRS)
DATA: 30 de abril de 2021
LOCAL: Videoconferência
HORÁRIO: 14:00
Link para videoconferência na plataforma Zoom ( ID: 980 5401 3990 e senha: 315883)
RESUMO: Recentemente, houve um crescimento na quantidade de dados geoespaciais disponíveis, a medida que a popularidade de dispositivos com GPS, como smartphones, aumentou. Trajetórias, um tipo de dado geoespacial, são definidas como sequências de pontos de informação espaço-temporal. Elas consistem na coleta do movimento de pessoas, animais e veículos, e podem conter atributos adicionais de natureza não espaço-temporal. A disponibilidade de dados de trajetórias forneceu uma série de oportunidades de pesquisa. A visualização de dados geoespaciais ajuda na sua análise, de maneira que relações entre objetos distintos, padrões de comportamento e pontos de interesse podem ser identificados mais facilmente. Desta forma, dados de trajetórias tem sido um tema comum de pesquisa em visual analytics. Entretanto, à medida que o volume de dados aumenta, surgem alguns desafios. A visualização fica mais confusa, e a performance diminui. Este trabalho apresenta uma ferramenta chamada TrajVis, desenvolvida com o objetivo de melhorar o processo de visual analytics de grandes volumes de trajetórias multivariadas. A ferramenta permite a visualização de grandes datasets de trajetórias, enquanto mantém uma performance interativa. Múltiplos atributos de trajetórias podem ser visualizados, e opções de filtragem disponibilizadas pela ferramenta permitem controlar os dados exibidos, evitando a sobreposição dos elementos visualizados. Adicionalmente, a técnica de aprendizado de máquina conhecida como clustering é usada como forma de melhorar a descoberta de conhecimento. Nossa contribuição principal é a visualização de trajetórias
multivariadas, incluindo atributos derivados de fontes de dados externas, em um ambiente interativo em tempo real, devido ao uso de um pipeline baseado em GPU customizado.