.png){kind=icon}
返回
Enhancing storage efficiency for cloud-based vehicle data based on advanced lossless compression algorithm
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.129917.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云平台车辆数据正以空前的速度以各种形式产生，这需要高效的压缩机制来更好地存储、传输和处理此类数据。在本文中，我们设计了一种新颖的、混合的、支持自适应的框架RTLAE，该框架基于神经网络（NN）预测器和自适应算术编码（AC）编码器，能够在非平稳（未预见的上下文变化）或随机混合的车辆数据集上实现卓越的无损压缩性能，且无需任何领域特定的先验知识（缺乏最优超参数设置）。该框架集成了定制的冗余减少滤波器、时空卷积网络、长短期记忆网络和多阶自适应算术编码器，用于预处理数据序列、生成准确估计并学习最优字符编码。在真实数据集上的验证结果表明，所提出的框架在多种数据集上取得了相当优异的结果，相较于AC、Gzip、块排序压缩算法和DeepZip，平均性能分别提升了约26%、46%、27%和12%，并且运行时开销略优于其他基于神经网络的压缩器。这项工作强调了神经网络和组合建模在改进通用压缩器方面的潜力，并突出了基于车-云协同互联的大数据平台资源利用的研究前景。
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
查看更多机构
引用论文
暂无论文信息