近期，計(jì)算機(jī)與人工智能學(xué)院鄭宇和李天瑞教授團(tuán)隊(duì)完成的學(xué)術(shù)論文“TraSS: Efficient Trajectory Similarity Search Based on Key-Value Data Stores”被國(guó)際會(huì)議——第38屆IEEE國(guó)際數(shù)據(jù)工程學(xué)術(shù)會(huì)議(IEEE International Conference on Data Engineering，簡(jiǎn)稱ICDE)錄用。這篇論文是以西南交通大學(xué)為第一署名單位。國(guó)際數(shù)據(jù)工程學(xué)術(shù)會(huì)議(IEEE ICDE)是計(jì)算機(jī)學(xué)科公認(rèn)的數(shù)據(jù)庫(kù)、數(shù)據(jù)挖掘和內(nèi)容檢索領(lǐng)域的國(guó)際會(huì)議，被中國(guó)計(jì)算機(jī)學(xué)會(huì)(CCF)列為A類會(huì)議。這是我校首次以第一單位在IEEE ICDE發(fā)表高水平論文，標(biāo)志著我校在數(shù)據(jù)庫(kù)和內(nèi)容檢索領(lǐng)域的研究成果得到了國(guó)際同行的認(rèn)可。

相似性搜索已成為許多軌跡數(shù)據(jù)分析任務(wù)的重要組成部分。隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，使得企業(yè)收集軌跡數(shù)據(jù)的途徑變多、速度變快，導(dǎo)致許多軌跡分析任務(wù)必須從海量軌跡中尋找相似的軌跡。由于軌跡數(shù)據(jù)結(jié)構(gòu)復(fù)雜，具有不規(guī)則的空間形狀和連續(xù)的時(shí)間序列屬性，存儲(chǔ)和查詢海量軌跡數(shù)據(jù)具有挑戰(zhàn)性。計(jì)算機(jī)與人工智能學(xué)院博士生何華均為第一作者，鄭宇和李天瑞教授為通訊作者，重慶大學(xué)李瑞遠(yuǎn)副教授和京東智能城市研究院鮑捷、阮思捷和何天賦共同完成的論文“TraSS: Efficient Trajectory Similarity Search Based on Key-Value Data Stores”提出了一種在key-value數(shù)據(jù)庫(kù)中快速查詢相似軌跡的高效框架。通常，海量軌跡數(shù)據(jù)可以通過(guò)key-value數(shù)據(jù)庫(kù)進(jìn)行管理。然而，現(xiàn)有的key-value數(shù)據(jù)庫(kù)只能使用粗粒度的空間索引來(lái)存儲(chǔ)軌跡數(shù)據(jù)，并且沒(méi)有提供高效的查詢處理算法來(lái)搜索相似的軌跡。TraSS設(shè)計(jì)了一種新穎的空間索引 XZ*，它利用具有不規(guī)則形狀和大小的細(xì)粒度索引空間來(lái)精細(xì)地表示軌跡的空間位置和形狀。此外，TraSS構(gòu)建了一個(gè)從 XZ* 的多維索引空間到一維連續(xù)整數(shù)域的編碼函數(shù)，可方便設(shè)計(jì)高效的軌跡存儲(chǔ)策略和快速的軌跡查詢處理算法。進(jìn)一步地，為了提高相似性搜索的效率，TraSS采用兩個(gè)步驟來(lái)修剪不相似的軌跡：(1)全局修剪。它利用 XZ* 索引來(lái)修剪沒(méi)有相似于查詢軌跡的索引空間。TraSS的全局剪枝只會(huì)挑選出與查詢軌跡具有相似大小和形狀的索引空間。與之前最先進(jìn)的索引相比，TraSS的全局剪枝在查詢處理過(guò)程中減少了高達(dá) 66.4% 的 I/O 開銷; (2)局部過(guò)濾。它以降低相似度計(jì)算復(fù)雜度的方式來(lái)快速過(guò)濾不相似的軌跡。TraSS使用 Douglas-Peucker 算法從軌跡中提取代表性特征來(lái)加速局部過(guò)濾，極大地降低了查詢處理過(guò)程中產(chǎn)生的計(jì)算量。TraSS在流行的key-value數(shù)據(jù)庫(kù)(HBase)上實(shí)現(xiàn)了一個(gè)開源的工具包TraSS(https://github.com/huajunge/k-sim)。大量實(shí)驗(yàn)和實(shí)際案例表明TraSS極大地提高了海量軌跡相似查詢效率。

鄭宇和李天瑞教授課題組在智慧城市、大數(shù)據(jù)等領(lǐng)域取得過(guò)多項(xiàng)科研成果，曾獲得教育部自然科學(xué)二等獎(jiǎng)，重慶市自然科學(xué)一等獎(jiǎng)等。近年來(lái)，課題組注重在理論研究的前提下開展產(chǎn)學(xué)研融合，該研究是在智慧城市領(lǐng)域取得的階段性科研成果，得到了學(xué)校和學(xué)院的大力支持，該成果也成功支持了京東智能城市在北京、雄安、成都、南通和宿遷等城市的智能軌跡數(shù)據(jù)管理業(yè)務(wù)。

免責(zé)聲明：本站所提供的內(nèi)容均來(lái)源于網(wǎng)絡(luò)，如涉及侵權(quán)問(wèn)題，請(qǐng)聯(lián)系本站管理員予以更改或刪除。