Multi-label Classification of Moving Object Trajectories based on Frequent Behavior Type Detection

National audienceThis paper proposes a method that analyzes data representing trajectories of moving objects. The method is based on extracting frequent patterns and introduces different types of patterns, for example, latent, emergent, etc. A set of algorithms are introduced to pre-process the data, to extract the frequent patterns and detect the behaviors. These types are used to generate a city map tagged by behaviors. The classification of a given trajectory consists in its projection on this spatial zone. This leads to a multi-label classification which depends on the spatio-temporal granularity. Finally, we discuss the application of our method on real-world data representing taxi trajectories.Cet article propose une méthode qui analyse des données représentant des trajectoires d'objets mobiles. La méthode se base sur les motifs fréquents et introduit différentes types de motifs, par exemple, les motifs latents, émergents, etc. Un ensemble d'algorithmes sont alors introduits pour pré-traiter les données, extraire les motifs fréquents et détecter les types des motifs. Ces motifs géolocalisés sont ensuite utilisés pour tagger une zone spatiale déterminée. La classification d'une trajectoire consiste alors en sa projection sur la zone spatiale ce qui conduit nécessairement à une classification multi-labels dépendant de la granularité spatio-temporelle. Pour finir, nous discutons de l'application de notre méthode sur des données réelles représentant des trajectoires de taxis