.png){kind=icon}
返回
A tensor-based dimensionality reduction framework for vehicle trajectory compression and anonymization
.png){kind=icon}
PRE
AI
DOI：10.1007/s41060-026-01033-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
车辆轨迹数据正日益成为支持更智能、更绿色城市的数据驱动应用的关键。从优化交通网络到支持电动出行转型，这些应用依赖于大量详细的车辆轨迹数据。然而，数据量的激增带来了两大挑战：大规模数据的高效存储和隐私保护，因为轨迹数据本身被归类为个人信息。为应对这些挑战，数据压缩和隐私保护机制均至关重要。尽管目标不同，这两类应用共享一个共同需求：保持数据可用性。传统数据压缩技术（如线简化）虽能减小数据规模，但常导致重要且不可恢复的信息丢失。类似地，匿名化方法在保护隐私与维持数据效用间存在权衡，更强的匿名化往往导致可用性降低。基于此，本文提出一个统一框架，通过利用张量基维度约减同时解决上述挑战。通过创建轨迹数据的低维表示，该框架同时实现两个目标：(1) 压缩数据，以减小存储规模；(2) 通过在缺乏直接物理意义的空间中表示数据来实现匿名化，从而保护隐私。结果表明，该方法在实现高压缩率的同时，仅造成最小化的数据精度损失，保持了下游应用的可用性。此外，压缩数据的结构通过控制对低维表示不同部分的访问，支持不同级别的匿名化。
Keyword:
Data compression
Anonymization
Vehicle trajectory data
GPS data
Trajectory compression
Privacy preservation
Tensor decomposition
期刊
I
IF:
2.8
论文数:
1.1K
被引数:
1.3K
机构
引用论文
.png){kind=icon}
分享收藏An efficient method for privacy-preserving trajectory data publishing based on data partitioning
PREAI
分享收藏Deep Autoencoder Neural Networks: A Comprehensive Review and New Perspectives深度自编码神经网络: 综合评述与新视角
OAAI
OAAI分享收藏
查看更多内容