Graph-based Pattern Detection in Spatio-Temporal Phenomena

Spatio-temporal (ST) models are often used for analyzing ST phenomena. One such analysis technique is to detect patterns in the phenomenon to understand its evolution and model the behaviour of its entities over space-time. In this paper, we focus on using a dynamic graph-based representation for modeling ST phenomena, within which structural patterns, also modeled using dynamic graphs, can be detected. We illustrate the concept of pattern using two applications - road traffic and invasive team sports. For both these applications, we present the graph model as well as the corresponding patterns. Then we formalize the problem of pattern detection as that of subgraph isomorphism for dynamic graphs. Finally, we present the results of our algorithm to solve this problem. The initial results described in this paper, obtained using random graphs, present a baseline for the future tests of the algorithm.
Les modèles spatio-temporels (ST) sont souvent utilisés pour analyser les phénomènes ST. Une de ces techniques d'analyse consiste à détecter des motifs dans le phénomène pour comprendre son évolution et modéliser le comportement de ses entités dans l'espace et le temps. Dans cet article, nous nous concentrons sur l'utilisation d'une représentation fondée sur les graphes dynamiques pour la modélisation des phénomènes ST, au sein duquel des motifs structurels, également modélisés sous forme de graphes dynamiques, peuvent être détectés. Nous illustrons le concept de motif par deux exemples applicatifs - le trafic routier et les sports collectifs. Pour chacun d'eux, nous présentons une modélisation du graphe ainsi que des motifs associés. Ensuite, nous formalisons le problème de la détection de motifs comme celui de l'isomorphisme de sous-graphe pour les graphes dynamiques. Enfin, nous présentons les résultats de notre algorithme pour résoudre ce problème. Les premiers résultats décrits dans cet article, qui sont obtenus en utilisant les graphes aléatoires, présentent une base de référence pour les futurs tests de l'algorithme.