Title (eng)
Efficient machine learning methods for time series with applications to trip reconstruction in mobility research
Parallel title (deu)
Effiziente Machine Learning Methoden für Zeitreihen mit Anwendung in der Trip Rekonstruktion in der Mobilitätsforschung
Author
Maximilian Leodolter
Advisor
Claudia Plant
Norbert Brändle
Assessor
Christian Böhm
Andreas Rauber
Abstract (deu)
Diese Doktorarbeit präsentiert neuartige Algorithmen für das Analysieren von Zeitreihen, die speziell für die Rekonstruktion von Transportwegen entwickelt wurden, einem Teilbereich der Mobilitätsforschung. Die vorgeschlagenen Methoden bauen auf etablierten Verfahren aus den Bereichen Machine Learning, Data Mining und Zeitreihenanalyse auf, um Muster in Sensordaten, insbesondere Accelerometer- und GPS-Daten, effizient zu erkennen. Diese Muster ermöglichen ein besseres Verständnis der Prozesse, die den gesammelten Mobilitätsdaten zu Grunde liegen, beispielsweise das Transportmittel. Dieses Verständnis kann das Evaluieren politischer Initiativen unterstützen, sowie informierte Entscheidungsfindungen zur Anpassung von Verkehrsregelungen und letztendlich das Erreichen höhere Ziele wie die Reduzierung von verkehrsbedingter Luftverschmutzung. Obwohl die vorgeschlagenen Methoden für die Analyse von Mobilitätsdaten konzipiert sind, sind die Algorithmen auch für Zeitreihendaten aus anderen Domänen vorteilhaft, wie die wissenschaftlichen Publikationen auf welchen diese Doktorarbeit aufbaut und dieser angehängt sind, zeigen. Zeitreihendaten sind in vielen Bereichen allgegenwärtig, nicht nur in der Mobilitätsforschung, sondern auch in der Finanzwelt, der Medizin und der Spracherkennung. Die überwältigende Datenmenge eröffnet viele Möglichkeiten, birgt jedoch auch die Herausforderung, Algorithmen zu entwickeln, die die Datenmenge verarbeiten können, oft sogar in Echtzeit. Die in dieser Doktorarbeit vorgeschlagenen Methoden können dazu beitragen, Erkenntnisse aus Daten zu gewinnen, um Geschäftsprozesse zu verbessern, informierte Managemententscheidungen zu treffen oder kritische Situationen frühzeitig zu erkennen.
Abstract (eng)
This thesis proposes novel algorithms for time series mining specifically designed for trip reconstruction, which is a subdomain of mobility research. The proposed methods advance established methods from machine learning and time series mining to efficiently retrieve and discover patterns in sensor data, especially accelerometer and GPS data. These patterns facilitate a higher level understanding of the dynamics and processes generating the collected mobility data, for example the chosen mode of transportation. This understanding is crucial to evaluate policy initiatives, make informed decisions to adjust traffic-regulation measures, and ultimately achieve higher goals such as reducing traffic-induced air pollution. Although the proposed methods are designed for analysing mobility data, the algorithms are also beneficial for time series data from different domains, as the accompanying research papers, that present the developed methods, also demonstrate. Time series data are ubiquitous across many fields, not only mobility research, but also finance, medicine and speech recognition. The overwhelming amount of data opens up many opportunities, but also poses the challenge of developing algorithms that can process the amount of data, often even in real time. The methods proposed in this thesis can help gaining high level knowledge from data to improve business processes, make informed management decisions or recognise critical situations early
Keywords (deu)
Data MiningMachine LearningData ScienceAlgortihmusDistanzmaßZeitreihenTrip RekonstruktionMobilitätsforschungReisetagebuch
Keywords (eng)
data miningmachine learningdata sciencealgorithmdistance measuretime seriestrip reconstructionmobility researchtravel diary
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1820317
rdau:P60550 (deu)
xi, 105 Seiten : Illustrationen
Number of pages
117
Study plan
Dr.-Studium der technischen Wissenschaften (DissG: Informatik)
[UA]
[786]
[880]
Association (deu)
Title (eng)
Efficient machine learning methods for time series with applications to trip reconstruction in mobility research
Parallel title (deu)
Effiziente Machine Learning Methoden für Zeitreihen mit Anwendung in der Trip Rekonstruktion in der Mobilitätsforschung
Author
Maximilian Leodolter
Abstract (deu)
Diese Doktorarbeit präsentiert neuartige Algorithmen für das Analysieren von Zeitreihen, die speziell für die Rekonstruktion von Transportwegen entwickelt wurden, einem Teilbereich der Mobilitätsforschung. Die vorgeschlagenen Methoden bauen auf etablierten Verfahren aus den Bereichen Machine Learning, Data Mining und Zeitreihenanalyse auf, um Muster in Sensordaten, insbesondere Accelerometer- und GPS-Daten, effizient zu erkennen. Diese Muster ermöglichen ein besseres Verständnis der Prozesse, die den gesammelten Mobilitätsdaten zu Grunde liegen, beispielsweise das Transportmittel. Dieses Verständnis kann das Evaluieren politischer Initiativen unterstützen, sowie informierte Entscheidungsfindungen zur Anpassung von Verkehrsregelungen und letztendlich das Erreichen höhere Ziele wie die Reduzierung von verkehrsbedingter Luftverschmutzung. Obwohl die vorgeschlagenen Methoden für die Analyse von Mobilitätsdaten konzipiert sind, sind die Algorithmen auch für Zeitreihendaten aus anderen Domänen vorteilhaft, wie die wissenschaftlichen Publikationen auf welchen diese Doktorarbeit aufbaut und dieser angehängt sind, zeigen. Zeitreihendaten sind in vielen Bereichen allgegenwärtig, nicht nur in der Mobilitätsforschung, sondern auch in der Finanzwelt, der Medizin und der Spracherkennung. Die überwältigende Datenmenge eröffnet viele Möglichkeiten, birgt jedoch auch die Herausforderung, Algorithmen zu entwickeln, die die Datenmenge verarbeiten können, oft sogar in Echtzeit. Die in dieser Doktorarbeit vorgeschlagenen Methoden können dazu beitragen, Erkenntnisse aus Daten zu gewinnen, um Geschäftsprozesse zu verbessern, informierte Managemententscheidungen zu treffen oder kritische Situationen frühzeitig zu erkennen.
Abstract (eng)
This thesis proposes novel algorithms for time series mining specifically designed for trip reconstruction, which is a subdomain of mobility research. The proposed methods advance established methods from machine learning and time series mining to efficiently retrieve and discover patterns in sensor data, especially accelerometer and GPS data. These patterns facilitate a higher level understanding of the dynamics and processes generating the collected mobility data, for example the chosen mode of transportation. This understanding is crucial to evaluate policy initiatives, make informed decisions to adjust traffic-regulation measures, and ultimately achieve higher goals such as reducing traffic-induced air pollution. Although the proposed methods are designed for analysing mobility data, the algorithms are also beneficial for time series data from different domains, as the accompanying research papers, that present the developed methods, also demonstrate. Time series data are ubiquitous across many fields, not only mobility research, but also finance, medicine and speech recognition. The overwhelming amount of data opens up many opportunities, but also poses the challenge of developing algorithms that can process the amount of data, often even in real time. The methods proposed in this thesis can help gaining high level knowledge from data to improve business processes, make informed management decisions or recognise critical situations early
Keywords (deu)
Data MiningMachine LearningData ScienceAlgortihmusDistanzmaßZeitreihenTrip RekonstruktionMobilitätsforschungReisetagebuch
Keywords (eng)
data miningmachine learningdata sciencealgorithmdistance measuretime seriestrip reconstructionmobility researchtravel diary
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:2064897
Number of pages
117
Association (deu)
License
Citable links
Other links
Managed by
Details
Metadata
Export formats
Universitätsring 1, 1010 Wien | T
T +43-1-4277-0