时空数据挖掘七

REST: A Reference-based Framework for Spatio-temporal Trajectory Compression

gps设备和无线通信技术的普及导致了海量轨迹数据的产生，造成了昂贵的存储、传输和查询处理成本。为了缓解这一问题，文中提出了一种新的轨迹数据压缩框架REST (reference -based Spatio-temporal trajectory compression)，在给定的时空偏差阈值内，将原始轨迹由一系列历史(子)轨迹(称为参考轨迹)拼接起来，形成压缩后的轨迹。为了构建最有利于后续压缩的参考轨迹集，提出了三种技术来从大型数据集中明智地选择参考轨迹，使生成的参考轨迹集更紧凑，同时覆盖了感兴趣区域的大多数轨迹足迹。为了解决由于相似给定轨迹可能存在大量参考轨迹组合而导致的计算问题，本文提出了快速运行的高效贪婪算法和可实现最佳压缩比的动态规划算法。与现有的轨迹压缩工作相比，所提框架对数据在路网内移动或以恒定的方向和速度移动等假设较少，具有更好的压缩性能和相当小的时空损失。在真实出租车轨迹数据集上的大量实验表明，该框架在压缩率和效率方面均优于现有代表性方法。 

 如图1所示，REST框架由两个组件组成:reference set construction and referencebased compression。第一个部分旨在构建一个reference system，其中的挑战是如何在reference system set中的高覆盖率和低冗余之间进行权衡，以使后续的压缩能够更加有效和高效地进行。为此，提出3种方法，包括基于频繁模式的方法、基于冗余减少的方法和基于压缩的方法，它们使用不同的策略从大型训练数据集中选择紧凑但具有表现力的参考集。第二个组件需要解决我们可以用来表示给定轨迹的大量参考轨迹中的计算问题。为了提高效率，本文提出贪婪算法，试图用单个参考轨迹表示最长可能的样本序列。我们还开发了最优算法来计算压缩轨迹的最小存储代价，并获得相应的最优参考轨迹组合。

 2 PROBLEM STATEMENT

2.3 Reference-based Compression

 

 3 REFERENCE SET CONSTRUCTION

3.1 Frequent Pattern-based Approach (FPA) 

3.2 Redundancy Reduction Approach

3.3 Compression-based Approach (CA)

Graph-Flashback Network for Next Location Recommendation 

下一个兴趣点(Next point of Interest, POI)推荐在基于位置的应用中扮演着重要角色，旨在根据用户的历史轨迹向其推荐其最有可能访问的下一个POI。现有的方法通常使用丰富的边信息或定制的兴趣点图来捕获兴趣点之间的序列模式。然而，这些图只关注兴趣点之间的连通性。很少有研究提出显式地学习一个加权POI图，该图能够反映POI之间的过渡模式，并显示其不同邻居对每个POI的重要性。此外，这些方法只是简单地利用用户特征进行个性化兴趣点推荐，没有充分考虑用户兴趣点。为此，文中构建了一种具有强表示能力的用户-兴趣点知识图谱——时空知识图谱(Spatial-Temporal Knowledge Graph, STKG)。STKG用于学习每个节点(即用户，POI)和每个边的表示。然后，设计相似度函数来基于学习到的表示构建POI转移图。为了将学习到的图融入到序列模型中，提出一种新的网络图——闪回来进行推荐。图闪回在POI转移图上应用简化的图卷积网络(GCN)来丰富每个POI的表示。进一步，定义了一个相似度函数，在建模序列规则性时同时考虑时空信息和用户偏好。在两个真实数据集上的实验结果表明，所提出的方法取得了最先进的性能，明显优于所有现有的解决方案。 

阅读者总结：这篇论文是地理知识图谱的有趣论文