Submitted by DANIEL DA SILVA GOMES LIMA null (lima.daniel@gmail.com) on 2017-12-18T11:19:39Z No. of bitstreams: 1 Tese Mestrado - Daniel Lima.pdf: 4060447 bytes, checksum: 162a75ef9c6919e193f182dbe04ee052 (MD5) / Approved for entry into archive by Elza Mitiko Sato null (elzasato@ibilce.unesp.br) on 2017-12-18T14:04:09Z (GMT) No. of bitstreams: 1 lima_dsg_me_sjrp.pdf: 4060447 bytes, checksum: 162a75ef9c6919e193f182dbe04ee052 (MD5) / Made available in DSpace on 2017-12-18T14:04:09Z (GMT). No. of bitstreams: 1 lima_dsg_me_sjrp.pdf: 4060447 bytes, checksum: 162a75ef9c6919e193f182dbe04ee052 (MD5) Previous issue date: 2017-08-01 / O rápido avanço do uso de tecnologias que permitem a coleta dos dados de movimentação de indivíduos gerou como consequência um crescimento no volume de dados de trajetórias. Trabalhos que utilizam esses dados tem como principal objetivo a realização de análises para identificação de padrões que permitam explicar o comportamento do indivíduo durante o movimento. Para que a extração de conhecimento dos dados de trajetória possa ser gerada de uma forma que agregue conteúdo relevante, é necessário que exista um modelo de representação de trajetória que contemple as principais características do movimento no contexto de aplicação utilizado, além de um processo que transforme os dados brutos de trajetória na estrutura definida por esse modelo. Com isso é possível aplicar técnicas e algoritmos para exploração desses dados e geração de conhecimento. As técnicas de aprendizado de máquina em conjunto com a área de representação de conhecimento fornecem a base conceitual para que problemas desse tipo possam ser modelados e soluções possam ser desenvolvidas a fim de solucionar esses problemas. Este trabalho utiliza esses aspectos conceituais para apresentar uma proposta que permite a extração de conhecimento de trajetória. Esse conhecimento é obtido através da identificação dos locais de parada mais relevantes para um indivíduo e do movimento sequencial entres esses locais determinando o conjunto de comportamentos que representam o padrão de movimento do indivíduo em um período. / The rapid advance of the use of technologies that allow the collection of the data of movement of individuals generate as a consequence an increase in the volume of trajectory data. Works that use this data have as main objective the accomplishment of analyzes for identification of patterns that allow to explain the behavior of the individual during the movement. In order to the knowledge extraction of the trajectory data to be generated in a way that aggregates relevant content, there must be a trajectory representation model that considers the main characteristics of the movement in the context of the application used, besides a process that transforms the raw trajectory data in the structure defined by this model. With this it is possible to apply techniques and algorithms for exploration of this data and generation of knowledge. Machine learning techniques in conjunction with the area of knowledge representation provide the conceptual basis for problems of this type to be modeled and solutions can be developed in order to solve these problems. This work uses these conceptual aspects to present a proposal that allows the extraction of knowledge of trajectory. This knowledge is obtained through the identification of the most relevant stop places for an individual and the sequential movement between these places determining the set of behaviors that represent the individual's movement pattern in a period.