Trajectory Similarity Join in Spatial Networks
Trajectory Similarity Join in Spatial Networks
一.问题:
给定轨迹集P、Q和一个阈值θ,轨迹相似度连接(TS-Join)从这两个集合中找到一个时空相似度超过θ的所有轨迹对的集合a
二BASELINE ALGORITHM
1.Basic Idea
时间优先匹配(TF-Matching)是一个简单的基线方法来计算TS-Join。首先,我们使用层次网格结构来索引时域。然后通过计算轨迹对的时空相似性来细化同一叶节点上的轨迹对(章节3.2和3.3)。通过将叶子节点的结果归并到根节点,当到达根节点时,就会得到连接结果(章节3.4)。利用上下边界对搜索空间进行时空裁剪。每个网格级别的计算可以并行执行。
2.Grid Index
网格索引结构建立如下:首先,我们将时域划分为大小相等的时隙,每个时隙对应一个叶节点。接下来,我们以自底向上的方式构建树形结构。
3.Upper and Lower Bounds
我们估计了时间相似度的上界,τ1, τ2。
3.Merging
在计算了叶节点中轨迹对的时空相似性后,我们将叶级的计算结果迭代(自底向上)合并到根级。我们将两个叶节点na和nb合并到它们的父节点nc中
TWO-PHASE ALGORITHM
1Basic Idea
TF匹配有三个主要缺点。首先,该算法由时域驱动,具有较弱的空间裁剪能力。该算法需要处理大量的轨迹对,影响了算法的性能。第二,更多的叶节点(更多的线程)导致更高的合并成本,这不利于并行处理。第三,它可能需要额外的计算来获取网络距离来计算空间相似性(公式1和3),这再次降低了性能。
为了更有效地处理TS-Join,我们开发了一个基于分治策略的两阶段算法(见图3(a))。(1)在轨迹搜索阶段,对于每个轨迹τ P,我们同时探索空间和时间域,并搜索接近τ的轨迹。在空间域,利用每个轨迹样本点的网络扩展[9]来探索空间网络,在时间域,从τ的每个时间戳展开搜索。定义了时空相似度的上界,使搜索空间能够在时空域进行剪枝。此外,提出了一种启发式调度策略,对多个所谓的查询源(空间域上的样本点,时间域上的时间戳)进行有效调度,以进一步提高效率。不同轨迹的搜索过程是相互独立的,因此可以并行进行轨迹搜索。此外,在轨迹搜索过程中,可以直接推导出用于相似度计算的网络距离。(2)在合并阶段,结合所有轨迹的计算结果,求出TS-Join的解。与TF-Matching相比,合并成本现在与线程数量无关。两阶段算法比时间优先匹配算法具有更好的时间复杂度。
Expansion Search
在空间域中,使用Dijkstra算法从每个样本点vi.p∈τ1进行网络扩展; 在时间域,我们从每个时间戳vi.t τ1扩展搜索。所探索的空间是一个时间范围[vi.t rti, vi.t + rti]
Upper Bound Computation
Filter, Refine, and Merging
如果部分扫描轨迹的全局上界UB小于阈值θ,则在空间域和时间域内的扩展终止,所有在这两个域内未被完全扫描的轨迹都可以安全地进行裁剪。对于每个全扫描轨迹τ,我们有d(vi)的精确值;因此,我们可以进一步细化空间、时间和时空的上限
Trajectory Similarity Join in Spatial Networks相关推荐
- ST2Vec: Spatio-Temporal Trajectory Similarity Learning in Road Networks
人与车辆的轨迹体现了交通基础设施的重要信息,在许多涉及轨迹数据分析的实际应用中,轨迹相似度计算具有重要意义.近年来,基于深度学习的轨迹相似技术有望提高传统相似技术的效率和适应性.然而,现有的轨迹相似性 ...
- Deep Representation Learning for Trajectory Similarity Computation
Deep Representation Learning for Trajectory Similarity Computation 在本文中,我们提出了一种新的方法,称为t2vec(轨迹到向量),基 ...
- Computing Trajectory Similarity in Linear Time: A Generic Seed-Guided Neural Metric Learning Appr...
Computing Trajectory Similarity in Linear Time: A Generic Seed-Guided Neural Metric Learning Appr... ...
- NLP论文解读《Learning Text Similarity with Siamese Recurrent Networks》
目录 1.摘要 2.相关工作 3.Siamese RNN 3.1 Bidirectional RNNs 以及 LSTM模型: 3.2 Siamese network 孪生网络 3.3 Contras ...
- SiameseNet(Learning Text Similarity with Siamese Recurrent Networks)
SiameseNet研究意义: 1.基于LSTM的孪生网络结构,为后来研究打下良好的基础,有很深远的影响 2.提出了几种文本增强的思路 注: 孪生网络指的是输入是成对的,并且两部分的网络结构和参数都是 ...
- 《大数据》2015年第2期“研究”——特异群组挖掘:框架与应用
特异群组挖掘:框架与应用 熊 赟1,2,朱扬勇1,2 1. 复旦大学计算机科学技术学院 上海 201203: 2. 上海市数据科学重点实验室(复旦大学) 上海 201203 摘要:特异群组挖掘在证券金 ...
- KDD 2022时空数据挖掘领域论文汇总
KDD 2022是数据挖掘领域的顶级学术会议,第28届会议于2022年8月14-18日在美国华盛顿特区会展中心举行.KDD 2022的Research和Applied Data Science两个Tr ...
- 丹麦奥尔堡大学计算机系博士,丹麦奥尔堡大学招收计算机全奖PHD
全奖PHD,每年税后收入折合约4万美元,收入还是不错的.压力也不大,当地人都很nice. 要求本科硕士都是计算机或相关专业,本科211以上高校,硕士985高校,如特别优秀可放宽. Fully Fund ...
- Multiple Object Tracking with Mixture Density Networks for Trajectory Estimation 详细解读
文章目录 简介(abstract) 介绍(introduction) 相关工作(Related Work) 轨迹预测(Trajectory Estimation) Mixture Density Ne ...
最新文章
- awk,sed,grep基本用法列举
- android中如何实现UI的实时更新---需要考虑电量和流量
- Bash:如何查看某个文件是那个程序/进程创建的?
- Dosbox汇编环境下debug常用调试命令(二)
- 8位可控加减法器_行测高分技巧-资料分析之有效数字加减法取舍
- linux标准i o实例,9.3. 一个 I/O 端口例子
- 130分的计算机专科学校排名及分数线,2021专科学校排名及分数线是多少
- java大津法确定阈值,大津法得到自适应阈值
- C++对象池技术剖析
- Java 度分秒转经纬度,经纬度转度分秒,度分转经纬度,经纬度转度分
- 杭州第二机场选址的三个备选方案仁和、瓶窑、塘栖中选择瓶窑的理由。元芳,你怎么看?
- adb工具的安装方法
- 图像处理之细化算法(Thinning Algorithm)C++实现
- 【十三】python面向对象之类和对象
- 亚马逊运营推热新品的一些技巧分享值得卖家们收藏!
- ACM-ICPC 2021 亚洲区域赛 昆明站
- 今天干了件力活,手工写语句来完成数据库同步.
- bertram_Bertram是什么意思
- 谷歌大脑团队新尝试 用奇异向量典型相关分析解释深度神经网络
- 标注相关的知识点:强制性标准与推荐性标准