An Efficient Spatio-Temporal Mining Approach to Really Know Who Travels with Whom!

National audienceRecent improvements in positioning technology has led to a much wider availability of massive moving object data. A crucial task is to find the moving objects that travel together. Usually, they are called spatio-temporal pat- terns. Due to the emergence of many different kinds of spatio-temporal patterns in recent years, different approaches have been proposed to extract them. However, each approach only focuses on mining a specific kind of pattern. In addition to the fact that it is a painstaking task due to the large number of algorithms used to mine and manage patterns, it is also time consuming. Additionally, we have to execute these algorithms again whenever new data are added to the existing database. To address these issues, we first redefine spatio-temporal patterns in the itemset context. Secondly, we propose a unifying approach, named GeT Move, using a frequent closed itemset-based spatio-temporal pattern-mining algorithm to mine and manage different spatio-temporal patterns. GeT Move is implemented in two versions which are GeT Move and Incremental GeT Move. Experiments are per- formed on real and synthetic datasets and the experimental results show that our approaches are very effective and outperform existing algorithms in terms of ef- ficiency.Les développements récents des techniques de géolocalisation ont généré de larges volumes de données associées aux objets mobiles. Une des tâches d’analyse de telles données reste à identifier les objets évoluant ensemble. Cette problématique peut être résolue par les motifs spatio-temporels et de nombreuses propositions ont été réalisées ces dernières années. Néanmoins chacune de ces approches se focalise sur un type de motif spécifique. Il est ainsi couteux de vouloir tous les obtenir car il est nécessaire d’exécuter l’ensemble des algorithmes proposés. De plus, il n’existe pas de solution incrémentale et tout ajout de nouvelle donnée nécessite de ré-exécuter complètement le processus. Pour répondre à ces lacunes, nous redéfinissons les motifs spatio-temporels dans le contexte des item sets et proposons une approche unifiée, appelée GeT Move, permettant d’extraire ces motifs. Cet algorithme est implanté selon deux versions dont l’une est incrémentale. Les expérimentations réalisées sur des données réelles et des données synthétiques soulignent l’efficacité de notre proposition qui surpasse les approches existantes