Trajectory data mining in the design of intelligent vehicular networks
| dc.creator | Roniel Soares de Sousa | |
| dc.date.accessioned | 2025-07-10T16:10:10Z | |
| dc.date.accessioned | 2025-09-09T00:04:51Z | |
| dc.date.available | 2025-07-10T16:10:10Z | |
| dc.date.issued | 2022-09-26 | |
| dc.description.abstract | As redes veiculares são uma tecnologia promissora para ajudar a resolver problemas complexos da sociedade moderna, como a mobilidade urbana. No entanto, o ambiente veicular possui algumas características que impõem desafios para a comunicação sem fio em redes veiculares normalmente não encontradas em redes tradicionais. Portanto, a comunidade científica ainda está investigando técnicas alternativas para melhorar a entrega de dados em redes veiculares. Nesse contexto, a recente e crescente disponibilidade de dados de trajetória nos oferece informações valiosas em muitas áreas de pesquisa. Esses dados são chamados "big trajectory data" e representam uma nova oportunidade para melhorar as redes veiculares. No entanto, faltam técnicas específicas de mineração de dados para extrair o conhecimento oculto desses dados. Esta tese explora a mineração de dados de trajetória de veículos para projetar redes veiculares inteligentes. Na primeira parte desta tese, tratamos de erros intrínsecos aos dados de trajetória de veículos que dificultam sua aplicabilidade. Propomos uma estrutura de reconstrução de trajetória composta por várias técnicas de pré-processamento para converter dados falhos baseados em GPS em trajetórias restritas à rede rodoviária. Essa nova representação de dados reduz a incerteza da trajetória e remove problemas como ruído e discrepâncias em comparação com trajetórias baseadas em dados de GPS. Depois disso, desenvolvemos uma nova e escalável estrutura de previsão de trajetória baseada em cluster que usa dados de trajetória aprimorados. Além da estrutura de previsão, propomos um novo algoritmo de agrupamento hierárquico aglomerativo para trajetórias restritas de redes rodoviárias que detecta automaticamente o número de agrupamentos mais adequado. O algoritmo de agrupamento proposto é um dos componentes que permite que a estrutura de previsão processe conjuntos de dados em larga escala. A segunda parte desta tese aplica a representação de trajetória aprimorada e a estrutura de previsão para melhorar a rede veicular. Propomos o algoritmo VDDTP, um novo algoritmo de entrega de dados assistido por veículo baseado na previsão de trajetória. O VDDTP cria um modelo de trajetória estendida e usa trajetórias restritas à rede rodoviária previstas para calcular as probabilidades de entrega de pacotes. Em seguida, aplica as trajetórias previstas e algumas heurísticas propostas em uma estratégia de encaminhamento de dados, visando melhorar as métricas globais da rede veicular (ou seja, taxa de entrega, sobrecarga de comunicação e atraso de entrega). Nesta parte, também propomos o protocolo DisTraC para demonstrar a aplicabilidade de redes veiculares para detectar congestionamentos de tráfego e melhorar a mobilidade urbana. O DisTraC usa comunicação V2V para medir os níveis de congestionamento nas estradas de forma cooperativa e redirecionar os veículos para reduzir o tempo de viagem. Avaliamos as soluções propostas através de extensos experimentos e simulações. Para isso, preparamos um novo conjunto de dados de larga escala baseado na cidade do Rio de Janeiro, Brasil. Também usamos outros conjuntos de dados do mundo real disponíveis publicamente. Os resultados demonstram o potencial das técnicas de mineração de dados propostas (ou seja, frameworks de reconstrução e predição de trajetória) e algoritmos de redes veiculares. | |
| dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | |
| dc.identifier.uri | https://hdl.handle.net/1843/83483 | |
| dc.language | eng | |
| dc.publisher | Universidade Federal de Minas Gerais | |
| dc.rights | Acesso Aberto | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/pt/ | |
| dc.subject | Computação – Teses | |
| dc.subject | Redes de computadores – Teses | |
| dc.subject | Redes ad hoc veiculares (Redes de computadores) – Teses | |
| dc.subject | Mineração de dados (Computação) – Teses | |
| dc.subject | Mobilidade urbana – Rio de janeiro, RJ - Teses | |
| dc.subject.other | Vehicular networks | |
| dc.subject.other | Trajectory prediction | |
| dc.subject.other | Urban mobility | |
| dc.subject.other | Data mining | |
| dc.subject.other | Datasets | |
| dc.subject.other | Map-matching | |
| dc.subject.other | Trajectory reconstruction | |
| dc.title | Trajectory data mining in the design of intelligent vehicular networks | |
| dc.title.alternative | Mineração de dados de trajetória no projeto de redes veiculares inteligentes | |
| dc.type | Tese de doutorado | |
| local.contributor.advisor-co1 | Azzedine Boukerche | |
| local.contributor.advisor1 | Antônio Alfredo Ferreira Loureiro | |
| local.contributor.advisor1Lattes | http://lattes.cnpq.br/8886634592087842 | |
| local.contributor.referee1 | Abdallah Shami | |
| local.contributor.referee1 | Hussein Al Osman | |
| local.contributor.referee1 | Iluju Kiringa | |
| local.contributor.referee1 | Luiz Filipe Menezes Vieira | |
| local.creator.Lattes | http://lattes.cnpq.br/5892623344396141 | |
| local.description.resumo | Vehicular networks are a promising technology to help solve complex problems of modern society, such as urban mobility. However, the vehicular environment has some characteristics that pose challenges for wireless communication in vehicular networks not usually found in traditional networks. Therefore, the scientific community is yet investigating alternative techniques to improve data delivery in vehicular networks. In this context, the recent and increasing availability of trajectory data offers us valuable information in many research areas. These data comprise the so-called "big trajectory data" and represent a new opportunity for improving vehicular networks. However, there is a lack of specific data mining techniques to extract the hidden knowledge from these data. This thesis explores vehicle trajectory data mining to design intelligent vehicular networks. In the first part of this thesis, we deal with errors intrinsic to vehicle trajectory data that hinder their applicability. We propose a trajectory reconstruction framework composed of several preprocessing techniques to convert flawed GPS-based data to road-network constrained trajectories. This new data representation reduces trajectory uncertainty and removes problems such as noise and outliers compared to raw GPS trajectories. After that, we develop a novel and scalable cluster-based trajectory prediction framework that uses enhanced big trajectory data. Besides the prediction framework, we propose a new hierarchical agglomerative clustering algorithm for road-network constrained trajectories that automatically detects the most appropriate number of clusters. The proposed clustering algorithm is one of the components that allow the prediction framework to process large-scale datasets. The second part of this thesis applies the enhanced trajectory representation and the prediction framework to improve the vehicular network. We propose the VDDTP algorithm, a novel vehicle-assisted data delivery algorithm based on trajectory prediction. VDDTP creates an extended trajectory model and uses predicted road-network constrained trajectories to calculate packet delivery probabilities. Then, it applies the predicted trajectories and some proposed heuristics in a data forwarding strategy, aiming to improve the vehicular network's global metrics (i.e., delivery ratio, communication overhead, and delivery delay). In this part, we also propose the DisTraC protocol to demonstrate the applicability of vehicular networks to detect traffic congestion and improve urban mobility. DisTraC uses V2V communication to measure road congestion levels cooperatively and reroute vehicles to reduce travel time. We evaluate the proposed solutions through extensive experiments and simulations. For that, we prepare a new large-scale and real-world dataset based on the city of Rio de Janeiro, Brazil. We also use other real-world datasets publicly available. The results demonstrate the potential of the proposed data mining techniques (i.e., trajectory reconstruction and prediction frameworks) and vehicular networks algorithms. | |
| local.publisher.country | Brasil | |
| local.publisher.department | ICEX - INSTITUTO DE CIÊNCIAS EXATAS | |
| local.publisher.initials | UFMG | |
| local.publisher.program | Programa de Pós-Graduação em Ciência da Computação |