Một số kỹ thuật dự báo vị trí và truy vấn các đối tượng chuyển động trong cơ sở dữ liệu không gian - thời gian

BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ NGUYỄN TIẾN PHƯƠNG MỘT SỐ KỸ THUẬT DỰ BÁO VỊ TRÍ VÀ TRUY VẤN CÁC ĐỐI TƯỢNG CHUYỂN ĐỘNG TRONG CƠ SỞ DỮ LIỆU KHÔNG GIAN-THỜI GIAN Chuyên ngành: Cơ sở toán học cho tin học Mã số: 62 46 01 10 LUẬN ÁN TIẾN SĨ TOÁN HỌC HÀ NỘI - 2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ NGUYỄN TIẾN PHƯƠNG MỘT SỐ KỸ THUẬT DỰ BÁO VỊ TRÍ VÀ TRUY VẤN CÁC ĐỐI TƯỢNG CHUYỂN ĐỘNG TRONG CƠ SỞ DỮ LIỆU KHÔNG GIAN-THỜI GIAN Chuyên ngành: Cơ sở toán học cho tin học Mã số: 62 46 01 10 LUẬN ÁN TIẾN SĨ TOÁN HỌC NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TS Đặng Văn Đức HÀ NỘI -2015 LỜI CAM ĐOAN Tôi xin cam đoan kết trình bày luận án mới, trung thực chưa công bố công trình khác Những kết viết chung với cán hướng dẫn đồng ý đưa vào luận án Nghiên cứu sinh Nguyễn Tiến Phương LỜI CẢM ƠN Lời đầu tiên, xin gửi lời cảm ơn sâu sắc tới PGS TS Đặng Văn Đức tận tình hướng dẫn, giúp đỡ trình nghiên cứu hoàn thành luận án Tôi xin chân thành cảm ơn Lãnh đạo Viện Công nghệ thông tin, Viện Hàn lâm Khoa học Công nghệ Việt Nam tạo điều kiện thuận lợi cho trình nghiên cứu mình, cảm ơn các phòng Hệ thông tin Địa lý nhiệt tình công tác, giúp dành thời gian hoàn thành luận án Cuối cùng, xin cảm ơn gia đình, bạn bè, đồng nghiệp nguồn động viên, ủng hộ, giúp thêm động lực để hoàn thành tốt luận án NCS Nguyễn Tiến Phương MỤC LỤC LỜI CAM ĐOAN .1 LỜI CẢM ƠN .2 MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT VÀ KÝ HIỆU DANH SÁCH HÌNH VẼ DANH SÁCH BẢNG MỞ ĐẦU 10 Các ứng dụng dịch vụ dựa vị trí .10 Tình hình nghiên cứu giới nước 12 a Mô hình hóa liệu vị trí 13 b Các cách tiếp cận xử lý truy vấn phụ thuộc vị trí 15 c Tính riêng tư 18 Chương CƠ SỞ DỮ LIỆU CÁC ĐỐI TƯỢNG CHUYỂN ĐỘNG 22 1.1 Một số khái niệm 22 1.1.1 Cơ sở liệu không gian-thời gian .22 1.1.2 Cơ sở liệu đối tượng chuyển động 24 1.1.3 Dữ liệu sở liệu đối tượng chuyển động .26 1.1.4 Truy vấn sở liệu đối tượng chuyển động 27 1.2 Các vấn đề cần giải 29 1.2.1 Vấn đề mô hình hóa vị trí 29 1.2.2 Vấn đề ngôn ngữ truy vấn 30 1.2.3 Vấn đề lập mục 30 1.2.4 Vấn đề tính không chắn/không xác 31 Chương DỰ ĐOÁN VỊ TRÍ CỦA ĐỐI TƯỢNG CHUYỂN ĐỘNG 33 2.1 Dự đoán vị trí đối tượng dựa theo hàm chuyển động 35 2.1.1 Dự đoán dựa theo hàm tuyến tính 36 2.1.2 Dự đoán dựa theo hàm phi tuyến .36 2.2 Dự đoán dựa hành vi đối tượng 50 2.2.1 Luật kết hợp 52 2.2.2 Thuật toán phân cụm dựa mật độ DBSCAN 53 2.2.3 Mẫu hình di chuyển 54 2.2.4 Khai phá mẫu hình di chuyển 57 2.2.5 Khai phá luật kết hợp mẫu hình quỹ đạo để dự đoán vị trí đối tượng chuyển động .61 Chương LẬP CHỈ MỤC DỮ LIỆU KHÔNG GIAN-THỜI GIAN 71 3.1 R-tree 73 Cấu trúc R-tree .73 3.2 TPR-tree 76 Cấu trúc TPR-tree 76 3.3 TPR*-tree 80 3.4 DO-TPR*-tree 81 3.4.1 Cấu trúc DO-TPR*-tree .83 3.4.2 Thuật toán tìm kiếm DOA_Search 84 3.4.3 Kết thực nghiệm 89 KẾT LUẬN .95 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ .97 TÀI LIỆU THAM KHẢO 98 DANH MỤC CÁC TỪ VIẾT TẮT VÀ KÝ HIỆU 2D/3D CAMEL DBMS DOA_Search DO-TPR*-tree EWMA 2/3 Dimensional – 2/3 chiều Continuous Active Monitor Engine - Cơ chế giám sát tích cực liên tục Database Management System – Hệ quản trị sở liệu Thuật toán tìm kiếm điều chỉnh theo mật độ nút DOTPR*-tree Cấu trúc điều chỉnh theo mật độ dựa TPR*-tree Exponentially Weighted Moving Average – Trung bình động trọng số mũ GIS Geographical Information System – Hệ thống thông tin địa lý GPRS General Packet Radio Service - Dịch vụ vô tuyến gói tổng hợp GPS Global Positioning System – Hệ thống định vị toàn cầu GSM Global System for Mobile Communications - Hệ thống thông tin di động toàn cầu LBS Location Based Service – Dịch vụ dựa vị trí MAI Motion Adaptive Indexing - Chỉ mục thích ứng chuyển động MBR Minimum Bounding Rectangle – Hình chữ nhật bao nhỏ MODB MODM MQM MSB PLACE RMF Moving Objects Database – Cơ sở liệu đối tượng chuyển động Moving Objects Database Model – Mô hình sở liệu đối tượng chuyển động Monitoring Query Management - Quản lý giám sát truy vấn Motion-Sensitive bounding Boxes - Hộp ranh giới nhạy chuyển động Pervasive Location-Aware Computing Environments - Môi trường tính toán khắp nơi nhận biết vị trí Recursive Motion Function – Hàm chuyển động đệ quy SINA Scalable INcremental hash-based Algorithm – Thuật toán đánh giá truy vấn phụ thuộc vị trí đồng thời SMA Simple Moving Average – Trung bình động đơn giản SMS Short Message Services – Dịch vụ tin nhắn ngắn TM Transition Matrix – Ma trận chuyển đổi VBR Velocity Bounding Rectangle – Hình chữ nhật bao vận tốc VCI Velocity-Constraint Indexing – Chỉ mục ràng buộc vận tốc W-EWMA Window Exponentially Weighted Moving Average – Trung bình động trọng số mũ sử dụng cửa sổ giới hạn DANH SÁCH HÌNH VẼ Hình 0.1 Môi trường nhận biết vị trí 10 Hình 0.2 Các thiết bị định vị vị trí 11 Hình 0.3 Ứng dụng hệ thống quản lý điều hành giao thông đô thị 11 Hình 1.1 Cơ sở liệu không gian-thời gian MODB 23 Hình 1.2 Mô hình hệ thống ứng dụng MODB 25 Hình 1.3 Điểm chuyển động rời rạc liên tục .27 Hình 1.4 Các kiểu truy vấn phổ biến MODB 28 Hình 1.5 Ngữ nghĩa CÓ THỂ CHẮC CHẮN MODB 31 Hình 2.1 Dự đoán sai mô hình tuyến tính 37 Hình 2.2 So sánh thời gian tính toán kỹ thuật dự đoán .46 Hình 2.3 So sánh kết dự đoán của W-EWMA EWMA 47 Hình 2.4 Ảnh hưởng w với kết dự đoán .48 Hình 2.5 Ảnh hưởng giá trị α với kết dự đoán 49 Hình 2.6 Quỹ đạo chuyển động đối tượng thông tin địa lý 55 Hình 2.7 Phân tách quỹ đạo đối tượng 58 Hình 2.8 Quỹ đạo 59 Hình 2.9 Quy trình khai phá mẫu hình di chuyển 60 Hình 2.10 Sai lệch dự đoán di chuyển đối tượng thực tế 62 Hình 2.11 So sánh độ xác hai phương pháp dự đoán 69 Hình 3.1 Các cấu trúc phát triển từ TPR-tree (2005-2012) .72 Hình 3.2 Biểu diễn hai chiều R-tree 75 Hình 3.3 Biểu diễn cấu trúc R-tree 75 Hình 3.4 Các điểm chuyển động nút TPR-tree 76 Hình 3.5 Các điểm chuyển động nút trung gian TPR-tree 77 Hình 3.6 Cập nhật khoảng giới hạn theo tham số thời gian .78 Hình 3.7 Biểu diễn nút trung gian TPR-tree 79 Hình 3.8 Vùng quét từ thời điểm đến thời điểm 81 Hình 3.9 MBR R thời điểm khởi tạo mở rộng R1 thời điểm 82 Hình 3.10 Ảnh hưởng độ lớn phạm vi truy vấn 92 Hình 3.11 So sánh hiệu DO-TPR*-tree với TPR*-tree 93 Dữ liệu thực nghiệm Dữ liệu thực nghiệm sinh ngẫu nhiên thuật toán kiểu GSTD [43], thuật toán tiếng sử dụng nhiều nghiên cứu trước việc đánh giá hiệu cấu trúc mục cho đối tượng chuyển động Với thuật toán này, nghiên cứu sinh tạo bốn tập liệu bao gồm [1.000, 10.000, 50.000, 100.000] đối tượng chuyển động có vận tốc chuyển động ngẫu nhiên khoảng từ [-50, 50] vận tốc thay đổi tối đa cho lần cập nhật Những đối tượng giả lập di chuyển không gian truy vấn hai chiều có kích thước từ đến 10,000 Trong không gian truy vấn này, đối tượng biểu diễn điểm có vị trí ban đầu phân bố không gian Cấu trúc ghi mô tả chi tiết bao gồm định danh, MBR, VBR thời điểm tham chiếu sau: struct MovingObject { int oid; float mbr[4]; float vbr[4]; float ref; // unique identification of object // MRB of object // VRB of object // reference time at which the object is inserted or updated } Dữ liệu mẫu thể bảng 3.1 đây: Bảng 3.1 Dữ liệu thực nghiệm đối tượng chuyển động ref time oid X1 X2 Y1 Y2 Vx1 Vx2 Vy1 Vy2 3383.691 3383.713 6253.745 6253.767 -13.148 -13.148 -46.418 -46.418 1463.102 1463.125 1174.597 1174.619 29.806 29.806 18.544 18.544 699.142 699.164 1529.711 1529.734 -24.100 -24.100 4.767 4.767 8125.313 8125.335 747.351 747.373 -24.063 -24.063 38.967 38.967 1899.701 1899.724 7856.583 7856.605 11.642 11.642 5.390 5.390 520 1721.404 1721.427 7964.688 7964.710 9.970 9.970 -5.254 -5.254 521 9796.890 9796.912 1979.648 1979.671 27.163 27.163 -26.776 -26.776 522 6352.922 6352.944 9722.270 9722.292 49.548 49.548 -25.330 -25.330 850 1960.613 1960.635 4836.069 4836.092 -22.374 -22.374 -36.063 -36.063 851 6955.288 6955.311 4882.243 4882.265 -1.135 -1.135 -10.259 -10.259 … … … 90 Thực nghiệm thực máy tính cài hệ điều hành Windows với xử lý Intel Core i3, 1.80GHz, 4GB RAM nhớ Kết thực nghiệm Thực nghiệm 3-1 Đánh giá hiệu theo độ lớn phạm vi truy vấn Trước tiên nghiên cứu sinh đánh giá hiệu DO-TPR*-tree theo độ lớn phạm vi truy vấn Trong thực nghiệm này, kích thước vùng truy vấn QBR theo chiều [100, 100] Thời điểm cập nhật cuối DO-TPR*-tree 10 Phạm vi truy vấn thay đổi từ thời điểm 10 đến 50 với giá trị [10-20], [10-30], [10-40] [10-50] Các kết thực nghiệm biểu diễn hình 3.10 đây, đồ thị hiển thị trung bình kết tìm hình 3.10a, trung bình số nút phải xử lý hình 3.10b, thời gian thực truy vấn hình 3.10c Ở đồ thị, phạm vi truy vấn biểu diễn trục x AVG DATA RETRIEVES (NUM) 1K 10K 50K 100K 600,00 500,00 400,00 300,00 200,00 100,00 0,00 10-20 10-30 10-40 10-50 FUTURE QUERY TIME INTERVAL (a) Trung bình kết tìm 91 AVG NODE ACCESS (NUM) 1K 10K 50K 100K 250,00 200,00 150,00 100,00 50,00 0,00 10-20 10-30 10-40 10-50 FUTURE QUERY TIME INTERVAL (b) Trung bình số nút phải xử lý QUERY EXECUTION TIME (S) 1K 10K 50K 100K 30,00 25,00 20,00 15,00 10,00 5,00 0,00 10-20 10-30 10-40 10-50 FUTURE QUERY TIME INTERVAL (c) Thời gian thực truy vấn Hình 3.10 Ảnh hưởng độ lớn phạm vi truy vấn Những kết thực nghiệm cho thấy trung bình số nút phải xử lý thời gian thực truy vấn ngày tăng phạm vi truy vấn tương lai ngày xa Thực nghiệm 3-2 So sánh hiệu DO-TPR*-tree với TPR*-tree Trong thực nghiệm này, nghiên cứu sinh so sánh, đánh giá hiệu phương pháp đề xuất, DO-TPR*-tree, với phương pháp gốc TPR*-tree Các kết thực nghiệm hai phương pháp biểu diễn hình 3.11, đồ thị hiển thị trung bình kết tìm hình 3.11a, trung bình số nút phải xử lý hình 3.11b, thời gian thực truy vấn hình 3.11c 92 AVG DATA RETRIEVES (NUM) TPR*-TRee DO-TPR*-Tree 300 250 200 150 100 50 10-20 10-30 10-40 10-50 FUTURE QUERY TIME INTERVAL (a) Trung bình kết tìm AVG NODE ACCESS (NUM) TPR*-TRee DO-TPR*-Tree 140 120 100 80 60 40 20 10-20 10-30 10-40 10-50 FUTURE QUERY TIME INTERVAL (b) Trung bình số nút phải xử lý QUERY EXECUTION TIME (S) TPR*-TRee DO-TPR*-Tree 20 15 10 10-20 10-30 10-40 10-50 FUTURE QUERY TIME INTERVAL (c) Thời gian thực truy vấn Hình 3.11 So sánh hiệu DO-TPR*-tree với TPR*-tree 93 Những kết thực nghiệm số lượng trung bình kết tìm tương đương trung bình số nút phải xử lý thời gian thực truy vấn giảm xuống khoảng 30% Phương pháp mà nghiên cứu sinh đề xuất cho kết truy vấn nhanh phương pháp gốc Ở Việt Nam, với hạ tầng viễn thông phát triển, mạng truyền thông 3G thường bị lỗi hay chập chờn nhiều điểm thành phố, tần suất cập nhật vị trí điểm chuyển động bị hạn chế Do truy vấn, hệ thống đòi hỏi cần nhiều lần điều chỉnh mật độ đủ tốt Phương pháp nghiên cứu sinh tỏ hiệu điều kiện Trong trường hợp không cần điều chỉnh mật độ đủ tốt, phương pháp nghiên cứu sinh hoạt động tương tự phương pháp gốc TPR*-tree Kết luận chương Chương trình bày số cấu trúc việc lập mục liệu không gian-thời gian Trong chương này, nghiên cứu sinh trình bày kết nghiên cứu cấu trúc đề xuất dựa TPR*-tree nhằm giảm bớt vùng không gian trống thực truy vấn liên tục cách điều chỉnh MBR theo mật độ, đặt tên DO-TPR*-tree Thuật toán xử lý truy vấn DOA_Search cấu trúc đưa chứng minh tính đắn Các thực nghiệm chứng tỏ cấu trúc DO-TPR*-tree đem lại hiệu truy vấn tốt nhiều trường hợp so với cấu trúc ban đầu TPR*-tree Kết nghiên cứu thể công bố (4) nghiên cứu sinh 94 KẾT LUẬN Luận án đề xuất phương pháp giải số vấn đề tồn việc xây dựng sở liệu đối tượng chuyển động để giải toán ứng dụng MODB phát triển mạnh mẽ nay, đặc biệt ứng dụng quản lý thông tin đối tượng chuyển động hay quản lý điều hành giao thông Các kết bao gồm: (1) Giải vấn đề mô hình hóa vị trí đối tượng chuyển động dạng thuộc tính động Thuộc tính động cần phải cập nhật thông tin vị trí hạn chế tần suất cập nhật vào sở liệu (mà thường lớn ứng dụng MODB) Thuộc tính động xác định nhờ vào hai phương pháp dự đoán vị trí đề xuất luận án: - Dự đoán vị trí đối tượng dựa theo hàm chuyển động sử dụng mô hình WEWMA - Dự đoán dựa hành vi đối tượng sử dụng khai phá luật kết hợp mẫu hình di chuyển (2) Giải vấn đề lập mục không gian cho biểu diễn hình học thuộc tính động nhằm tăng hiệu truy vấn liệu không gian-thời gian Luận án đề xuất cấu trúc mục DO-TPR*-tree, dựa cấu trúc TPR*tree Cấu trúc sử dụng điều chỉnh mật độ đủ tốt tỏ hiệu xây dựng ứng dụng MODB với hạ tầng viễn thông phát triển, đôi lúc xảy tình trạng kết nối Việt Nam Luận án hướng tới số vấn đề tiếp tục nghiên cứu: - Phát triển phương pháp dự đoán theo hành vi đối tượng theo mô hình thống kê, suy luận khác nhằm nâng cao khả dự đoán vị trí đối tượng tương lai xa - Phát triển cấu trúc mục DO-TPR*-tree mạng giao thông đô thị (Fixed Network) nhằm tiếp tục tối ưu truy vấn liên tục vị trí đối tượng chuyển động 95 ứng dụng MODB cho đô thị (quản lý phương tiện/người chuyển động thành phố với số lượng lớn, tần suất cập nhật truy vấn liên tục cao) 96 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ Nguyễn Tiến Phương, Đặng Văn Đức đồng nghiệp, “Một mô hình dịch vụ sở vị trí địa lý để theo dõi, giám sát đối tượng chuyển động”, Kỷ yếu hội thảo “Một số vấn đề chọn lọc Công nghệ thông tin truyền thông”, Biên Hòa, 2009, trang 512-523 Nguyễn Tiến Phương, Đặng Văn Đức, “Dự đoán vị trí đối tượng chuyển động theo mô hình W-EWMA”, Kỷ yếu hội thảo “Một số vấn đề chọn lọc Công nghệ thông tin truyền thông”, Cần Thơ, 2011, trang 109-116 Nguyen Tien Phuong, Dang Van Duc, “Predict the location of moving objects using mining Association rules of movement patterns”, Journal of Computer Science and Cybernetics, T.29, S.3 (2013), p252-264 Nguyen Tien Phuong, Dang Van Duc, “DO-TPR*-tree: A density optimal method for TPR*-tree”, Journal of Computer Science and Cybernetics, T31, S1 (2015), p43-54 97 TÀI LIỆU THAM KHẢO Agrawal R., Imielinski T., Swami A (2003), “Mining association rules between sets of items in large databases”, ACM Sigmod Int Conf on Management of Data, pp 207-216 Beckmann N., Kriegel H., Schneider R., and Seeger B (1990), “The R*-tree: An efficient and robust access method for points and rectangles”, Proc of ACM SIGMOD Record, New York, NY, USA, 19, pp 322-331 Cai Y (2004), “Processing range-monitoring queries on heterogeneous mobile objects”, Proc IEEE Inter Conf on Mobile Data Management, pp 27-38 Cai Y., and Ying Cai (2006), “Real-time processing of range-monitoring queries in heterogeneous mobile databases”, IEEE Transactions on Mobile Computing, 5(7), pp 931-942 Craig S., Raj M., Stephen B (2003), “An Approach to Predicting the Location of Moving Objects During On-Road Navigation”, 18th Int Joint Conf on Artificial Intelligence Gedik B (2006), “MobiEyes: A distributed location monitoring service using moving location queries”, IEEE Transactions on Mobile Computing, 5(10), pp 1384-1402 Gedik B (2006), “Processing moving queries over moving objects using motion-adaptive indexes”, IEEE Transactions on Knowledge and Data Engineering, 18(5), pp 651-668 Güting R H (2000), “A Foundation for Representing and Querying Moving Objects”, ACM transactions on database systems, 25(1), pp 1-42 Guttman A (1984), “R-trees: a dynamic index structure for spatial searching”, Proc of ACM SIGMOD ’84, Boston, Massachusetts, USA, ACM, New York, NY, USA, pp 47–57 10 Guttman, Antonin (1984), “R-trees: a dynamic index structure for spatial searching”, SIGMOD Record (ACM Special Interest Group on Management of Data), pp 47-57 98 11 Hoyoung J et al (2008), “A Hybrid Prediction Model for Moving Objects”, Data Engineering, IEEE 24th Int Conf 12 Huang X., and Jensen C S (2004), “Towards a streams-based framework for defining location-based queries”, Proc of the 2nd Workshop on SpatioTemporal Database Management (STDBM), pp 73–80 13 Ilarri S (2006), “Location-dependent queries in mobile contexts: Distributed processing using mobile agents”, IEEE Transactions on Mobile Computing, 5(8), pp 1029-1043 14 Kalnis P., Mamoulis N., Bakiras S (2005), “On discovering moving clusters in spatio-temporal data”, Proc of the Intl Symposium on Spatial and Temporal Databases, pp 364–381 15 Kim Dong-Oh, Lee Kang-Jun (2007), “An Efficient Indexing Technique for Location Prediction of Moving Objects”, Proc of the 11th Int Conf., KES 2007 and XVII Italian Workshop on Neural Networks Conf on KnowledgeBased Intelligent Information and Engineering Systems 16 Lazaridis I., Porkaew K., and Mehrotra S (2002), “Dynamic queries over mobile objects”, Proc of the 8th Int Conf on Extending Database Technology (EDBT), Springer, Berlin/Heidelberg, Germany, pp 269-286 17 Lee D L., Xu J., Zheng B., and Lee W C (2002), “Data management in location-dependent information services”, IEEE Pervasive Computing, Vol 1, pp 65-72 18 Li Y., He B., Luo Q., and Yi K (2009), “Tree indexing on flash disks”, Proc of ICDE ’09, Shanghai, China, IEEE Computer Society, Washington DC, USA, pp 1303-1306 19 Luis O A., Vania B et al (2007), “A Model for Enriching Trajectories with Semantic Geographical Information”, Proc of the 15th annual ACM Int Sym on Advances in geographic information systems, New York, NY, USA 99 20 Madhavan R., and Schlenoff C (2003), “Moving Object Prediction and Tracking for Off-road Autonomous Navigation”, Proc of the SPIE Aerosense 2003 Conf., Orlando, FL 21 Marcin G., Pawel J 2009, “Using Apriori-like Algorithms for SpatioTemporal Pattern Queries”, Proc of the Int MultiConf on Computer Science and Information Technology, pp 43-48 22 Martin E., Hans-Peter K., Jörg S., Xiaowei X (1996), “A density-based algorithm for discovering clusters in large spatial databases with noise”, Proc of the 2nd Int Conf on Knowledge Discovery and Data Mining (KDD-96), AAAI Press pp 226–231 23 Mikołaj M (2007), “Mining Frequent Trajectories of Moving Objects for Location Prediction”, Proc of the 5th Int Conf on Machine Learning and Data Mining in Pattern Recognition 24 Mokbel M F (2004), “SINA: Scalable incremental processing of continuous queries in spatiotemporal databases”, Proc ACMSIGMOD Inter Conf on Management of Data, pp 623-634 25 Mokbel M F., and Aref W G (2008), “SOLE: Scalable on-line execution of continuous queries on spatiotemporal data streams”, VLDB J., 17(5), pp 971– 995 26 Mokbel M F., Xiong X., Hammad M A., and Aref W G (2005), “Continuous query processing of spatiotemporal data streams in PLACE”, GeoInformatica, 9(4), pp 343-365 27 MonetDB (2008), “MonetDB Introduction”, www.monetdb.org/documentation/ UserGuide 28 Nascimento M A., Silva J R O., and Theodoridis, Y (1999), “Evaluation of access structures for discretely moving points”, Proc of the 1st Int Workshop on Spatio-Temporal Database Management Berlin/Heidelberg, Germany, pp 171–188 100 (STDBM), Springer, 29 Nehme R V., et al (2006), “SCUBA: Scalable Cluster-Based Algorithm for evaluating continuous spatio-temporal queries on moving objects”, Advances in Database Technology – EDBT, Springer Berlin/Heidelberg, pp 1001-1019 30 Nehme R V., et al (2007), “ClusterSheddy: Load shedding using moving clusters over spatiotemporal data streams”, Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), pp 637-651 31 Nishimura S (2011), “MD-HBase: A scalable multidimensional data infrastructure for location aware services”, IEEE 12th Int Conf on Mobile Data Management, pp 7-16 32 Ouri W., Prasad S., Bo X., Jutai Z., and Sam C (1999), “DOMINO: databases fOr MovINg Objects tracking”, SIGMOD Rec, 28(2), pp 547-549 33 Patel J M., Chen Y., and Chakka V P (2004), “Stripes: an efficient index for predicted trajectories”, SIGMOD, pp 635-646 34 Patroumpas K and Sellis T K (2004), “Managing trajectories of moving objects as data streams”, Proc of the 2nd Workshop on Spatio-Temporal Database Management (STDBM), pp 41-48 35 Prabhakar S (2002), “Query indexing and velocity constrained indexing: Scalable techniques for continuous queries on moving objects”, IEEE Transactions on Computers, 51(10), pp 1124-1140 36 Saltenis S., Jensen C S., Leutenegger S T., and Lopez M A (2000), “Indexing the positions of continuously moving objects”, Proc of ACM SIGMOD Record, New York, NY, USA, 29, pp 331-342 37 Silva Y N., Xiong X., and Aref W G (2009), “The RUM-tree: Supporting frequent updates in R-trees using memos”, VLDB Journal, 18, pp 719-738 38 Sistla A P (1997), “Modeling and querying moving objects”, Proc Int Conf on Data Engineering, pp 422-432 39 Spaccapietra, et al (2007), A conceptual view on trajectories, Technical report, Ecole Polytechnique Federal de Lau-sanne 101 40 Su J., Xu H., and Ibarra O H (2001), “Moving objects: Logical relationships and queries”, Proc of the 7th Int Symposium on Advances in Spatial and Temporal Databases (SSTD), Springer, Berlin/Heidelberg, Germany, pp 319 41 Tao Y., Faloutsos C., Papadias D., and Liu B (2004), “Prediction and indexing of moving objects with unknown motion patterns”, SIGMOD, pp 611-622 42 Tao Y., Papadias D., and Sun J (2003), “The TPR*-tree: An optimized spatiotemporal access method for predictive queries”, Proc of the 29th Int Conf on Very Large Data Bases, USA, pp 790-801 43 Theodoridis Y., Silva R., and Nascimento M (1999), “On the generation of spatiotemporal datasets,” Advances in Spatial Databases, pp 147-164 44 Trajcevski G (2004), “CAT: Correct answers of continuous queries using triggers”, Lecture Notes in Computer Science 2992, pp 837-840 45 Wang Y., Lim E.P., Hwang S.Y (2006), “Efficient mining of group patterns from user movement data”, DKE57, pp 240-282 46 Wolfson O., Xu B., Chamberlain S., and Jiang L (1998), “Moving objects databases: issues and solutions”, Scientific and Statistical Database Management, pp 111-122 47 Xiaoguang H., Yan Y., et al (2007), “Prediction of Moving Objects' KNearest Neighbor Based on Fuzzy-Rough Sets Theory”, Fuzzy Systems and Knowledge Discovery 48 Yiu M., Tao Y., and Mamoulis N (2008), “The Bdual-tree: Indexing moving objects by space filling curves in the dual space”, The Int Journal on Very Large Data Bases, 17, pp 379-400 49 Zheng B (2010), “DISQO: A DIStributed Framework for Spatial Queries over Moving Objects”, 39th Int Conf on Parallel Processing, pp 414-423 50 Chen, Y (2003), “CAMEL: A moving object database approach for intelligent location aware services”, Lecture Notes in Computer Science 2574, pp 331334 102 51 Arthur A.S., Gopalan N.P (2011), “Frequent Pattern Mining of Trajectory Coordinates using Apriori Algorithm”, International Journal of Computer Applications (0975 – 8887), vol 22, no 52 Heena R., Shuchita U., Vinod K (2014), “Frequent Pattern Analysis of Moving Objects Using Apriori Algorithm”, International Journal of Emerging Research in Management &Technology, vol 3, issue 53 Gokhan Y., Dimitrios K., et al (2005), “A data mining approach for location prediction in mobile environments” Data & Knowledge Engineering, vol 54, no 2, pp 121-146 54 S Rajagopal, R.B Srinivasan, R.B Narayan, X.B.C Petit (2002), “GPS-based predictive resource allocation in cellural networks”, Proceedings of the IEEE International Conference on Networks (IEEE ICON’02), pp 229-234 55 A Bhattacharya, S.K Das (2002), “LeZi-Update: An information-theoretic approach to track mobile users in PCS networks”, ACM Wireless Networks, vol 8, issue (2–3), pp 121-135 56 Patrick P C., Martial H (2006), “Learning and Predicting Moving Object Trajectory: A Piecewise Trajectory Segment Approach”, tech report CMURI-TR-06-42, Robotics Institute, Carnegie Mellon University 57 Lim S.C (2011), “A More Efficient TPR*-Tree with Cooling-down Nodes”, Proceedings of the Korea Information Science Society, Vol No 1B 58 Fang Y., Cao J., Wang J., et al (2012), “HTPR*-Tree: An Efficient Index for Moving Objects to Support Predictive Query and Partial History Query”, LNCS 7142 59 Lin B., Su J (2005), “Handling Frequent Updates of Moving Objects”, ACM 14th Conference on Information and Knowledge Management 60 Liao W., Tang G., Jing N., Zhong Z (2006), “VTPR-Tree: An Efficient Indexing Method for Moving Objects with Frequent Updates”, LNCS 4231 103 61 He M.-S., Dong Y.-H., Fu S.-C (2011), “TPRA-tree: An Improved Spatialtemporal Index for Predictive Queries”, Journal of Ningbo University Natural Science and Engineering Edition, Vol 24 No 62 Jamal R (2013), “Detection of Objects in Motion - A Survey of Video Surveillance”, Journal of Scientific Research - Advances in Internet of Things, Vol.3 No.4 63 Caifeng L., Ling W., Jidong C., et al (2007), “Effective Density Queries for Moving Objects in Road Networks”, Proc of the joint 9th Asia-Pacific web and 8th Int Conf on web-age Info Mgt Conf on Adv in data and web Mgt., Berlin, pp 200-211 104