轨迹大数据压缩技术研究
发布时间：2023-05-26 20:38
随着全球定位系统(Global Positioning System,GPS)传感器在智能手机、车辆、可穿戴设备中的广泛应用,采集的轨迹数据的规模以指数形式增长。基于位置的服务利用轨迹数据为用户提供服务,但是海量的轨迹数据会给存储,传输,查询,分析和挖掘等方面带来巨大的挑战。例如,传输和存储原始轨迹数据会消耗太多的网络带宽和存储容量,同时会增加传感器端和服务器端的通信次数,增加耗电量。另外,对海量的原始轨迹数据进行查询、分析、挖掘,也会出现延迟等问题。因此,迫切需要一种高效的轨迹数据库压缩技术。主流压缩技术称为轨迹简化,即找到近似原始轨迹的子序列,并尝试最小化给定误差度量下的信息丢失。尽管在过去几十年中已经提出了许多优秀的轨迹压缩算法,但仍然缺乏全面的比较来覆盖所有最先进的算法,并使用多种运动模式的真实数据集来评估轨迹压缩算法的压缩质量。因此,GPS数据采集器在具体应用中确定合适的轨迹压缩算法仍然是一个挑战。此外,几乎整个以前的方法都使用基于误差的度量来评估压缩质量,忽略了它们在压缩之后的数据库之上支持时空查询的准确性。总而言之,对已有的轨迹压缩领域的研究,缺乏全面的对比研究与实验分析...
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 轨迹压缩研究现状
1.2.1 无损压缩
1.2.2 有损压缩
1.2.2.1 轨迹简化算法
1.2.2.2 基于路网结构的轨迹压缩
1.2.2.3 语义压缩
1.3 本文的主要贡献与创新
1.4 本论文的结构安排
第二章 问题定义
2.1 轨迹的基本概念
2.2 基于误差的度量
2.2.1 垂直欧式距离
2.2.2 同步欧式距离
2.2.3 方向感知距离
2.2.4 速度误差
2.2.5 累积平方同步欧式距离
2.2.6 累积角度偏差
2.3 数据可用性
2.3.1 时空查询
2.3.1.1 基于窗口的空间范围查询
2.3.1.2 基于窗口的轨迹距离相交查询
2.3.1.3 基于窗口的6)NN查询
2.3.1.4 轨迹聚类
2.3.2 评价标准
2.4 本章小结
第三章 轨迹简化算法
3.1 离线压缩算法
3.1.1 Bellman算法
3.1.2 DP算法
3.1.3 DPhull算法
3.1.4 TD-TR算法
3.1.5 MRPA算法
3.1.6 SP算法
3.1.7 Error-Search算法
3.2 在线压缩算法
3.2.1 Uniform算法
3.2.2 OPW算法
3.2.3 OPW-TR算法
3.2.4 Dead Reckoning算法
3.2.5 CDR算法
3.2.6 Threshold算法
3.2.7 STTrace算法
3.2.8 SQUISH算法
3.2.9 SQUISH-E算法
3.2.10 Persistence算法
3.2.11 BQS算法
3.2.12 Angular算法
3.2.13 OPERB算法
3.2.14 DOTS算法
3.3 本章小结
第四章 实验结果与分析
4.1 数据集
4.2 压缩时间分析
4.2.1 离线压缩时间及结果分析
4.2.2 在线压缩时间及结果分析
4.3 压缩误差分析
4.3.1 离线压缩算法误差分析
4.3.2 在线压缩算法误差分析
4.4 压缩误差随压缩率变化趋势分析
4.4.1 离线压缩误差随压缩率变化趋势分析
4.4.2 在线压缩误差随压缩率变化趋势分析
4.5 数据可用性分析
4.5.1 实验设置
4.5.2 实验评估
4.5.2.1 离线压缩算法查询性能分析
4.5.2.2 在线压缩算法查询性能分析
4.5.2.3 时空查询性能随参数变化趋势
4.6 时空查询性能与误差度量相关性分析
4.7 本章小结
第五章 全文总结与展望
5.1 全文总结
5.2 后续工作展望
致谢
参考文献
攻硕期间取得的研究成果
本文编号：3823247
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 轨迹压缩研究现状
1.2.1 无损压缩
1.2.2 有损压缩
1.2.2.1 轨迹简化算法
1.2.2.2 基于路网结构的轨迹压缩
1.2.2.3 语义压缩
1.3 本文的主要贡献与创新
1.4 本论文的结构安排
第二章 问题定义
2.1 轨迹的基本概念
2.2 基于误差的度量
2.2.1 垂直欧式距离
2.2.2 同步欧式距离
2.2.3 方向感知距离
2.2.4 速度误差
2.2.5 累积平方同步欧式距离
2.2.6 累积角度偏差
2.3 数据可用性
2.3.1 时空查询
2.3.1.1 基于窗口的空间范围查询
2.3.1.2 基于窗口的轨迹距离相交查询
2.3.1.3 基于窗口的6)NN查询
2.3.1.4 轨迹聚类
2.3.2 评价标准
2.4 本章小结
第三章 轨迹简化算法
3.1 离线压缩算法
3.1.1 Bellman算法
3.1.2 DP算法
3.1.3 DPhull算法
3.1.4 TD-TR算法
3.1.5 MRPA算法
3.1.6 SP算法
3.1.7 Error-Search算法
3.2 在线压缩算法
3.2.1 Uniform算法
3.2.2 OPW算法
3.2.3 OPW-TR算法
3.2.4 Dead Reckoning算法
3.2.5 CDR算法
3.2.6 Threshold算法
3.2.7 STTrace算法
3.2.8 SQUISH算法
3.2.9 SQUISH-E算法
3.2.10 Persistence算法
3.2.11 BQS算法
3.2.12 Angular算法
3.2.13 OPERB算法
3.2.14 DOTS算法
3.3 本章小结
第四章 实验结果与分析
4.1 数据集
4.2 压缩时间分析
4.2.1 离线压缩时间及结果分析
4.2.2 在线压缩时间及结果分析
4.3 压缩误差分析
4.3.1 离线压缩算法误差分析
4.3.2 在线压缩算法误差分析
4.4 压缩误差随压缩率变化趋势分析
4.4.1 离线压缩误差随压缩率变化趋势分析
4.4.2 在线压缩误差随压缩率变化趋势分析
4.5 数据可用性分析
4.5.1 实验设置
4.5.2 实验评估
4.5.2.1 离线压缩算法查询性能分析
4.5.2.2 在线压缩算法查询性能分析
4.5.2.3 时空查询性能随参数变化趋势
4.6 时空查询性能与误差度量相关性分析
4.7 本章小结
第五章 全文总结与展望
5.1 全文总结
5.2 后续工作展望
致谢
参考文献
攻硕期间取得的研究成果
本文编号：3823247
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3823247.html