轨迹数据相似性查询
文章平均质量分 71
西西弗的小蚂蚁
不要辜负这美好的时光!
展开
-
Collectively Simplifying Trajectories in a Database: A Query Accuracy Driven Approach
这篇论文:想法还是比较容易的,主要是利用八叉树管理轨迹,具体采用立方体等方法,这是很常见的技术。其次使用强化学习方法创建八叉树 来达到查询驱动的目的,进而使得轨迹简化产生的误差尽可能满足查询精度的要求。由于存储和查询大量轨迹数据的成本很高,因此引入了轨迹简化技术,其直观目的是减少轨迹的大小,从而减少存储并加快查询速度,同时尽可能多地保留信息。我们没有使用可能在某种程度上间接产生具有高可用性的简化轨迹的误差度量,而是采用直接的方法进行简化,首先,它综合考虑数据库中的所有轨迹进行简化。原创 2023-11-23 12:01:50 · 545 阅读 · 0 评论 -
Online Anomalous Subtrajectory Detection onRoad Networks with Deep Reinforcement Learning
虽然针对这项任务提出了许多方法,但它们都存在各种问题,包括(1)无法检测异常子轨迹,这些异常子轨迹是轨迹数据中的细粒度异常,和/或(2)非数据驱动,和/或(3)需要足够的监督标签,这些标签的收集成本很高。RL4OASD包括两个网络,一个负责学习道路网络和轨迹的特征,另一个负责根据学习到的特征检测异常子轨迹,这两个网络可以在没有标记数据的情况下迭代训练。ASDNet输出精炼的路段标签,这些标签进一步用于再次训练RSRNet,然后RSRNet为ASDNet提供更好的观测值,以训练更好的策略。原创 2023-08-03 14:43:07 · 8 阅读 · 0 评论 -
DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation
在本文中,我们提出了DisenPOI,这是一个双图模型,可以解开兴趣点推荐的顺序和地理影响。我们构建了一对基于序列的图G𝑠𝑢和基于位置的图G𝑔𝑢来模拟访问背后的顺序和地理因素。在三个数据集上的实验证明了disenpoi在区分序列和地理对基于位置的CTR预测的影响方面的有效性和表达性。,这可能导致推荐性能次优和可解释性差。在本文中,我们通过提出DisenPOI来解决上述挑战,DisenPOI是一种新的用于POI推荐的解纠缠双图框架,它在两个单独的图上共同利用顺序和地理关系,并通过自我监督来解纠缠这两种影响。原创 2023-05-03 11:37:32 · 141 阅读 · 1 评论 -
Route Travel Time Estimation on A Road Network Revisited: Heterogeneity, Proximity, Periodicity and
解码器首先利用异构图注意力模型解码基于静态时空特征的出行速度静态部分,然后利用序列注意力模型从空间角度解码估计的出行时间。在序列编码部分,将所有时空特征都视为一个长度为历史时隙数的时间序列,因此将编码部分表示为时间编码器。对于序列解码部分,我们的目标是生成给定路线上每个路段的旅行速度/时间。在时间上,时段背景信息(如高峰时段)的周/日周期性和动态交通状况对出行时间有显著影响,分别形成了静态和动态的时空特征。为了捕捉这种影响,将旅行时间/速度视为静态和动态的组合,并提取了许多时空相关的特征用于预测任务。原创 2023-02-26 15:46:10 · 73 阅读 · 0 评论 -
A Deep Generative Model for Trajectory Modeling and Utilization
(2)道路知识编码模块(图4 (c))用于编码道路边缘属性,引入固有的路径规划特征,增强轨迹前缀编码(3)轨迹前缀编码模块(图4 (a)的一部分)用于编码轨迹前缀,旨在从高维轨迹前缀中提取长期时空依赖。(4)元生成器模块(图4 (d))用于轨迹路径边及其行程时间生成,旨在有效支持倾斜轨迹数据上的轨迹建模与生成。受交通路网上规则轨迹分布的启发,本文提出用深度生成模型对轨迹数据进行秘密建模,并利用该模型为下游任务生成有代表性的轨迹或直接支持这些任务(如流行度排名),而不是获取和处理原始的大轨迹数据。原创 2023-02-26 13:48:57 · 71 阅读 · 0 评论 -
AnalyticDB-V: A Hybrid Analytical Engine Towards Query Fusion for Structured and Unstructured Data
此外,还提出了一种新的人工神经网络算法,以提高对表示大量非结构化数据的大规模向量的准确性。在ADBV中,所有的人工神经网络算法都被实现为物理算子,同时,提出了精度感知的基于代价的优化技术来识别有效的执行计划。在索引构建阶段,IVFPQ[23]算法使用k-means聚类算法对PQ编码进行分组,在查询阶段,只扫描与查询最相关的分组。然而,在大多数系统中,对非结构化数据和结构化数据的查询往往被视为不相关的任务,混合查询(即同时涉及两种数据类型)尚未得到完全支持。因此,HNSW适合支持新插入数据的查询。原创 2023-02-24 23:44:03 · 20 阅读 · 0 评论 -
Odyssey: A Journey in the Land of Distributed Data Series Similarity Search(VLDB2023)
在第二阶段,每个节点(i)将它的数据块加载到内存中,(ii)计算它们的iSAX摘要并将它们存储到多个摘要缓冲区中,以实现局部性,以及(iii)建立它的索引树。它形成节点组(复制组,见3.3节),每个组的所有节点存储相同的数据块。这样做的意义并不明显)当然文中对数据的分组划分,在分布式系统中是常见的方法,文中缺少对协调者的选择和组之间通信,以及组怎样划分的细节文中没有提到,这是有些遗憾的部分,同时组中的成员不一定是固定不变的,可能随着时间成员会发生变化,这在分布式系统中是很常见的现象,但是文中并没有考虑。原创 2023-02-20 19:02:56 · 417 阅读 · 0 评论 -
Joint Neural Architecture and Hyperparameter Search for Correlated Time Series Forecasting
信息物理融合系统中的传感器通常捕获相互关联的过程,从而发出相关的时间序列(CTS),对其进行预测使重要的应用成为可能。CTS预测成功的关键在于揭示时间序列的时间动态和空间相关性。特别是,自动CTS预测,其中最佳深度学习架构的设计是自动化的,使预测精度超过了人工方法所达到的水平。为克服这些限制,本文提出SEARCH,一个联合的、可扩展的框架,来自动设计有效的CTS预测模型。在6个标准数据集上的实验结果表明,该方法不仅可以减少人工操作,而且具有比人工设计和现有自动设计的CTS模型更好的性能。原创 2023-01-09 17:17:58 · 583 阅读 · 0 评论 -
VRE: A Versatile, Robust, and Economical Trajectory Data System
例如,在图2(a)的底部,给定一个SRQ𝑞,由于𝑞与轨迹𝑇的MBR(最小边界矩形)相交,它需要获取𝑇来验证结果。然后,针对5种广泛使用的轨迹距离函数设计了统一的剪枝策略,并针对5种高级查询设计了大量定制的处理算法。我们提出VRE,一种多功能、健壮、经济的基于磁盘的轨迹管理系统,在存储层和处理层都有精心设计(见图1)。阅读者总结:这篇论文是轨迹数据操作的集成系统,可以看得出来,从存储到上层的查询都进行了有效的处理。在存储层,提出一种新的基于段的存储模型,利用基于点和基于轨迹的存储模型的优势。原创 2022-09-24 12:19:45 · 4 阅读 · 0 评论 -
时空数据挖掘五(城市计算)
在文献中,基于物理的方法通常可以清晰地解释交通流系统的动态过程,但精度有限,而数据驱动的方法,特别是具有黑箱结构的深度学习,可以取得更好的性能,但由于缺乏合理的物理基础而不能完全可信。此外,为了培养被嵌入的深层结构阻碍的模型可解释性,提出了一种基于偏导数的方法来衡量DFCM中概念之间的联系强度。最后,我们通过预测司机的收入来评估我们的模型。在本文中,我们提出了一种新的FCM扩展,称为深度FCM (DFCM),用于多元时间序列预测,以同时利用FCM在解释方面的优势和深度神经网络在预测方面的优势。原创 2022-09-10 11:25:08 · 622 阅读 · 0 评论 -
时空数据挖掘一(城市计算)
直观地说,一条边的特征依赖于它的属性,如道路的连通性和节点之间的距离。为了对全市交通进行建模,受对交通缺失模式和先验知识的观察启发,提出了一种神经记忆和泛化方法来推断缺失的速度和流量,主要由一个用于速度推理的记忆模块和一个用于流量推理的泛化模块组成。基于三个真实的数据集进行了广泛的实验,以说明ST-MetaNetþ超越几种最先进的方法的有效性。城市交通预测对智能交通系统和公共安全具有重要意义,但具有3个方面的挑战:1)城市交通复杂的时空相关性,包括位置之间的空间相关性和时间戳之间的时间相关性;原创 2022-09-08 18:52:51 · 4032 阅读 · 4 评论 -
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 ALGORITHM1.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..原创 2022-06-08 00:08:33 · 381 阅读 · 0 评论 -
T3S: Effective Representation Learning for Trajectory Similarity Computation
T3S: Effective Representation Learning for Trajectory Similarity Computation在本文中,我们提出了一种基于深度学习的模型,即T3S,它将每条轨迹(即点序列)嵌入到d维空间的一个向量(点)中,从而可以显著加快轨迹之间的相似度计算。T3S通过应用循环和注意神经网络,可以捕捉轨迹的各种独特特征,如点的排序、空间和结构信息。此外,我们基于学习的T3S可以通过训练调整其参数,轻松地处理任何轨迹相似度度量。背景 :它们是根据特定的原创 2022-06-09 00:04:37 · 477 阅读 · 0 评论 -
E2DTC: An End to End Deep Trajectory Clustering Framework via Self-Training
E2DTC: An End to End Deep Trajectory Clustering Framework via Self-Training现有的基于原始轨迹表示的传统轨迹聚类方法高度依赖于手工相似性度量,无法捕捉到轨迹数据中隐藏的空间相关性,导致聚类分析效率低、不灵活。为此,受深度神经网络数据驱动能力的启发,我们提出了一种通过自训练的端到端深度轨迹聚类框架,称为E2DTC。E2DTC不需要任何额外的手动特征提取操作,可以很容易地适应于任何轨迹数据集上的轨迹聚类分析。在三个真实数据集上的广泛实原创 2022-06-09 00:03:48 · 548 阅读 · 0 评论 -
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),基于深度表示学习来推断和表示轨迹的底层路径信息。该算法对非均匀、低采样率和噪声采样点具有鲁棒性,可用于轨迹相似度计算。这是通过利用存档的历史轨迹数据和一个新的深度学习框架来实现的。根据所学的表示,计算两条轨迹之间的相似度只需要O(n + |v|) (|v|是向量v的长度)的线性时间,而现有的所有方法都需要O.原创 2022-06-09 00:04:04 · 852 阅读 · 0 评论 -
基于键值存储的分布式时序相似性搜索方法(软件学报)
基于键值存储的分布式时序相似性搜索方法(软件学报)摘 要: 时序相似性搜索是时序数据分析最基本的操作之一, 具有广泛的应用场景. 针对现有分布式算法无法应对维度增长、扫描范围过大和相似性计算耗时的问题, 提出一种面向键值存储的分布式时序相似性搜索方法KV-Search. 首先对时序数据分块, 并设计其键值存入键值数据库, 解决了时序数据维度高且不断增长的问题; 其次, 基于切比雪夫距离计算其下界, 并利用键值范围扫描提前过滤无效数据, 减少了数据传输; 最后, 利用基于分块的时序表示计算原创 2022-06-10 09:44:51 · 189 阅读 · 0 评论 -
Evolutionary Clustering of Streaming Trajectories
Evolutionary Clustering of Streaming Trajectories智能手机和具有定位功能的联网车载设备的广泛部署,使得收集移动物体的流轨迹数据变得越来越可行。这些数据的连续聚类可以实现各种实时服务,如实时识别对象之间的代表性路径或共同移动趋势。然而,迄今为止,很少关注聚类的质量,例如,它有利于平滑聚类中的短期波动,以实现对异常数据的鲁棒性。我们提出了流轨迹的进化聚类的概念,简称ECO,该概念通过时间平滑来提高流轨迹聚类的质量,以防止连续时间戳中集群的突然变化。我们利用快照原创 2022-06-09 00:03:35 · 111 阅读 · 0 评论