الگوريتمي براي فشرده‌سازي خطوط سير مكاني با حفظ ماهيت معنايي

An algorithm for compression of a spatio-temporal trajectory preserving its semantic nature

يك راه معمول براي ذخيره اطلاعات مكاني-زماني اشيا در حال حركت، نمايش مسير حركت شي متحرك به شكل خط سير سه‌بعدي (موقعيت جغرافيايي نقاط به همراه زمان) است. در سال‌هاي اخير تحقيقات گسترده‌اي در حوزه خط سير انجام شده است. با اين حال، در اين مطالعات، ايده خط سير معنايي يك مفهوم نسبتاً جديد است كه با هدف انجام آناليزهاي معنايي موثر روي داده‌ها انجام مي‌شود. در خط سير معنايي كه يك نمايش ثانويه از خط سير مكاني است، حركت شي به شكل دنباله‌اي از توقف‌ها و حركت‌ها توصيف مي‌شود. توليد خط سير معنايي از داده‌هاي خام جمع‌آوري شده، يك فرآيند با چندين گام پردازش است كه با توجه به حجم عظيم داده‌ها، يكي از پيش‌پردازش‌هاي موردنياز كاهش تعداد نقاط خط سير با حفظ دقت موردنياز با استفاده از تكينك‌هاي فشرده‌سازي است. با وجود اين، اغلب تكنيك‌هاي كاهش داده خط سير كه بر اساس ساده‌سازي خطي هستند، قادر به حفظ مناطق توقف و حركت نيستند. در اين مقاله روشي براي فشرده‌سازي داده‌هاي خط سير بر اساس سرعت نقاط ارايه شده است كه از تركيب دو تابع فاصله در درونيابي و محاسبه خطاي نقاط استفاده كرده است. تابع فاصله اول بر اساس سرعت نقاط است كه براي محاسبه خطاي تقريب خط سير استفاده شده و تابع فاصله دوم تابعي بر اساس توسعه الگوريتم شناخته شده داگلاس-پوكر است كه از فرض ثابت بودن شتاب در محاسبه خطا در تقريب استفاده كرده است. الگوريتم ارايه شده روي داده‌هاي واقعي خط سير پياده‌سازي شده و نتايج به دست آمده حاكي از بهبود عمكرد در حفظ مناطق توقف در مقايسه با الگوريتم‌هاي فشرده‌سازي ديگر است.

A common way to store information of spatio-temporal moving objects is to display the path of the objects as the form of a three-dimensional trajectory using the geographic location and time. In recent years, extensive research has been done on the trajectories. These studies have focused mainly on geometric aspects of trajectories. However, semantic trajectory is a relatively new concept that has been developed with the purpose of effective semantic analysis on captured data. In semantic trajectory, which is a secondary display of geometric trajectory, the movement of object is described as series of stop-and-move. Production of semantic trajectory from the collected raw data is a process with several steps. Due to the huge amount of data, one of the important processes is reducing the number of points of trajectory with maintaining the required accuracy by using compression techniques. However, data reduction techniques commonly are based on linear simplification and are not able to protect stop and move of trajectories. In this paper, a data reduction technique is presented which is based on combination of two distance functions for approximation of semantic trajectory. The first distance function has used speed of points to calculate the approximation error of trajectories. The second function is based on the development of well-known Douglas-Peuker algorithm, which assumes constant acceleration to calculate the approximation error. The proposed algorithm is implemented on real trajectory data and the results show improved performance compared with other algorithms in preservation of the stop and move of trajectories.