Συντάχθηκε 17-12-2025 08:22
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 19/12/2025 11:00
Λήξη: 19/12/2025 12:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Αγγελικής Παπαδάκη
με θέμα
Κλιμακώσιμη Εξόρυξη Σημασιολογικών Τροχιών για Αναγνώριση Πολύπλοκων Γεγονότων επί Ροών Δεδομένων Κίνησης
Scalable Semantic Trajectory Extraction for Simple Event Detection over Streaming Movement Data
Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Νικόλαος Γιατράκος (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς
Περίληψη
Η Πρόβλεψη Απλών Γεγονότων αποτελεί το πρώτο βήμα για τη μετατροπή παρατηρησιακών, ακατέργαστων ροών δεδομένων σε συμβολική γνώση. Στη συνέχεια, τα συστήματα Αναγνώρισης Πολύπλοκων Γεγονότων παρακολουθούν συλλογές από Απλά Γεγονότα με σκοπό την ανίχνευση συγκεκριμένων, σύνθετων μοτίβων από τις εισερχόμενες ροές, υποστηρίζοντας την άμεση ή προληπτική λήψη αποφάσεων. Ωστόσο, πριν από την Αναγνώριση Πολύπλοκων Γεγονότων, είναι απαραίτητο τα Απλά Γεγονότα να έχουν αναγνωριστεί σωστά. Ενώ το μεγαλύτερο μέρος της υπάρχουσας βιβλιογραφίας επικεντρώνεται στον ορισμό των Απλών Γεγονότων μέσω αυστηρών κανόνων που παρέχονται από ειδικούς του πεδίου, η χρήση νευρωνικών δικτύων για την εκμάθηση του τρόπου με τον οποίο οι ακατέργαστες ροές δεδομένων πρέπει να προβλέπονται ως Απλά Γεγονότα αποδεικνύεται πολύ πιο ευέλικτη και αξιόπιστη σε σύνθετα περιβάλλοντα. Με γνώμονα αυτή την παρατήρηση, η παρούσα εργασία αναπτύσσει την αρχιτεκτονική SSTRESED, η οποία λαμβάνει ροές χωρο-χρονικών δεδομένων και τις επεξεργάζεται σε πραγματικό χρόνο για την πρόβλεψη χρονικά εκτεινόμενων Απλών Γεγονότων. Το SSTRESED εκτελεί εκπαίδευση και πρόβλεψη παράλληλα, έτσι ώστε ένα εκπαιδευμένο νευρωνικό μοντέλο να ενημερώνεται συνεχώς και, ταυτόχρονα, το μοντέλο της πρόβλεψης να λαμβάνει τα νέα βάρη του νευρωνικού δικτύου, προκειμένου να προβλέπει τα Απλά Γεγονότα με μεγαλύτερη ακρίβεια, βάσει του πλέον πρόσφατου μοντέλου. Επιπλέον, στο κομμάτι της πρόβλεψης, τα εισερχόμενα δεδομένα οργανώνονται αρχικά σε τμήματα ομοιογενών κινήσεων, αξιοποιώντας ιδέες από μεθόδους Εξόρυξης Σημασιολογικών Τροχιών. Στη συνέχεια, αυτά τα ομοιογενή τμήματα δίνονται για πρόβλεψη ως ατομικές μονάδες. Όπως δείχνουμε, αυτή η προσέγγιση, που συνδυάζει την Εξόρυξη Σημασιολογικών Τροχιών με την Πρόβλεψη Απλών Γεγονώτων, ενισχύει την ακρίβεια πρόβλεψης, καθώς προκαθορίζει τη χρονική διάρκεια κατά την οποία η κίνηση παραμένει ομοιογενής, ομαδοποιώντας τα δεδομένα σε συνεκτικά τμήματα πριν από την πρόβλεψη. Για λόγους κλιμάκωσης σε μεγάλες χωρο-χρονικές ροές δεδομένων, υιοθετούμε κατανεμημένη/παράλληλη εκτέλεση. Συγκεκριμένα, πολλαπλά πανομοιότυπα στιγμιότυπα νευρωνικών δικτύων εκπαιδεύονται, συγχρονίζονται και στέλνονται σε παράλληλες μονάδες εκπαίδευσης και πρόβλεψης, καθώς και τμηματοποίησης. Τα πειραματικά αποτελέσματα δείχνουν ότι ο παραλληλισμός μειώνει σημαντικά τον χρόνο εκπαίδευσης και αυξάνει τη διεκπεραιωτικότητα του συστήματος, ενώ η χρήση συνεχώς ενημερωμένων βαρών στο μοντέλο, παρέχει υψηλή ακρίβεια πρόβλεψης κατά τη λειτουργία σε πραγματικό χρόνο. Η απόδοση ενισχύεται περαιτέρω μέσω της Εξόρυξης Σημασιολογικών Τροχιών, η οποία παρέχει αξιόπιστα και ουσιαστικά τμήματα τροχιών μέσω της ροής του κομματιού της πρόβλεψης.
Abstract
The identification of Simple Derived Events (SDEs) is the first step for transforming perceptual, raw streams into symbolic knowledge. Then, Complex Event Recognition (CER) systems, monitor collections of SDEs for detecting specific, complex patterns on the ingested streams for supporting reactive or proactive decision making procedures. But before CER, one must make sure SDEs are correctly identified. While most existing work focuses on defining SDEs using crisp rules provided by domain experts, using neural networks to learn how raw streams should be labeled as SDEs is way more flexible and reliable in complex environments. Motivated by this observation, this thesis develops the SSTRESED architecture which receives streaming spatiotemporal data points and processes them in a real-time manner to detect durative SDEs. SSTRESED operates training and inference on par with one another, so that a trained neural model is continuously updated and, at the very same time, inference receives the new weights of the neural network to more accurately label SDEs based on the most fresh such model. Moreover, on the inference path, incoming data are first organized into segments of homogeneous movement, by borrowing ideas from semantic trajectory segmentation concepts. Then, these homogeneous segments are labeled as atomic units. As we show, this approach of combining semantic trajectory extraction with SDE labeling boosts SDE detection accuracy because it pre-determines how long the movement remains homogeneous and groups records accordingly into coherent SDE segments before attributing labels. For scalability purposes over Big spatiotemporal Streams, distributed/parallel execution is fostered. That is, multiple identical neural network instances are trained, synchronized and deployed in parallel learners and predictors/taggers, along with parallel segmentors. Experimental results show that parallelization significantly reduces training time and increases prediction throughput, while the use of continuously updated model weights enables high prediction accuracy during real-time operation. The performance is enhanced by semantic trajectory extraction, which delivers reliable and meaningful trajectory segments out of the inference pipeline.
