.png){kind=icon}
返回
Quantifying Point Contributions: A Lightweight Framework for Efficient and Effective Query-Driven Trajectory Simplification
.png){kind=icon}
PRE
AI
DOI：10.14778/3705829.3705858.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着大量轨迹数据的积累，简化轨迹以减少存储和查询成本的研究日益增多。现有方案面临三个主要问题。首先，它们需要大量迭代来决定删除哪些GPS点。其次，它们仅关注相邻点之间的关系（局部信息），而忽略了整体结构（全局信息），降低了简化轨迹与原始轨迹之间的全局相似度，并难以保持查询结果的一致性，尤其是对于基于相似性的查询。最后，它们无法区分具有相似特征点的重要性，导致在保留原始轨迹信息时点选择次优。我们提出MLSIMP，一种新颖的互学习查询驱动的轨迹简化框架，该框架整合了两种不同的模型：基于图神经网络的GNN-TS和基于扩散模型的Diff-TS。GNN-TS根据点的全局性和独特性评估其重要性，捕捉其与整个轨迹的相关性以及与相邻点的差异。它还在GNN层中引入了注意力机制，能够同时整合同一条轨迹内所有点的数据并优化表示，从而避免迭代过程。Diff-TS生成放大信号，以在低压缩率下保留最重要的点。在三个数据库上对八个基线的实验表明，MLSIMP将简化时间减少了42%-70%，并使简化轨迹上的查询精度最高提升了34.6%。
Keyword:
COMPRESSION
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
引用论文
.png){kind=icon}
分享收藏A Novel Framework for Online Amnesic Trajectory Compression in Resource-Constrained Environments
OAAI
OAAI分享收藏Self-supervised Trajectory Representation Learning with Temporal Regularities and Travel Semantics
OAAI
OAAI分享收藏
查看更多内容