PPQ-Trajectory: Spatio-temporal Quantization for Querying in Large Trajectory Repositories

PPQ-Trajectory: Spatio-temporal Quantization for Querying in Large Trajectory Repositories

摘要：提出了一种基于时空量化的大动态轨迹数据查询解决方案——ppq -轨迹。PPQ-轨迹包括一个分区预测量化器(PPQ)，它生成带有自相关和基于空间邻近的分区的错误有界码本。代码本被索引以在压缩轨迹上运行近似和精确的时空查询。PPQ-trajectory包含一个坐标四叉树编码，用于支持精确查询的码本。使用基于增量时间分区的索引来避免查询期间的轨迹完全重构。针对真实轨迹数据集的时空查询提出了一套广泛的实验结果。ppq -轨迹在几个性能指标方面显示了比替代方案的显著改进，包括当摘要直接用于提供近似查询结果时，结果的准确性，当摘要用作索引时，时空路径查询可以被回答的空间偏差，以及写摘要所花的时间。在摘要的质量和压缩比上也显示了优越的结果。

1.背景

1）轨迹数据的映射和转换过程降低了精度，并导致对细节查询的支持有限

2）大多数解决方案都对全轨迹数据进行离线压缩

3）现有的压缩表示不能直接用于回答时空查询，除非进行代价高昂的解压缩过程。

方案：

我们提出了一个基于时空量化的ppq -轨迹，实现生成一个紧凑的表示，并支持对大轨迹数据的广泛查询

该框架分为三个部分，第一个部分是段与段成对的预测量化器，该量化器能够生成错误有界的summarization。这个量化器由码本和预测系数组成

第二部分是对量化引起的误差空间进行坐标四叉树编码(CQC)，从而能够精确地重建轨迹。这两部分构成了轨迹数据的总结，

第三部分是基于时间分区的索引(TPI)，用于组织量化的时空数据给定一个查询，TPI用于裁剪数据空间并生成候选轨迹列表，其重构点可以从摘要中计算出来。

总的来说，PPQ-trajectory生成并使用原始数据序列的索引摘要来支持高效的分析，从简单的查询(如给定时间经过某个位置(，)的车辆)到更复杂的分析任务(如预测实体的未来位置)。

2. ONLINE QUANTIZATION IN PPQ-TRAJECTORY

2.1 Error-bounded Predictive Quantization

提出误差有界预测量化器(E-PQ)来获得一个紧凑的轨迹码本。通过训练数据学习预测函数，并通过向量量化器对预测误差进行编码，将预测误差分配给其聚类中最近的质心。

Partition-wise Predictive Quantization

我们现在给出量化器，它划分轨迹点，并对每个分区应用E-PQ。我们现在给出量化器，它划分轨迹点，并对每个分区应用E-PQ。

重复分区过程，直到所有分区分别满足式7和8的空间相似性和自相关相似性

对于空间邻近性，N任意点与N质心的偏差应小于

LOCAL CODING IN ERROR-BOUNDED CODEBOOK

使用错误有界的代码本，重构的值(ˆ，ˆ)保证在圆1内，如图2所示。本文采用坐标四叉树编码(CQC)对(，)和(ˆ，ˆ)之间的空间偏差进行编码，以减少摘要的信息损失。

4.1 Coordinate Quadtree Coding

坐标四叉树的构建过程，作为CQC的基础。对于CQC，实际坐标是它访问的节点值的总和

其中'表示填充子空间的

Trajectory Reconstruction with CQC

6 EXPERIMENTAL EVALUATION

Compared Methods.  我们实现了文献中替代方法的扩展版本:Product quantized [19]， Residual quantized [8]， REST[44]和TrajStore[10]。PQ和RQ用文中提出的索引方法进行扩展

6.2 Query Performance

1）Spatio-temporal Range Query.

ppq -轨迹的性能明显优于其他轨迹方法。随着时间的增加，ppq -轨迹能够逐渐量化的范围变窄，而剩余量化和产品量化并没有随着时间的增加而改善。在相同比特数的情况下，PPQ-trajectory获得了明显较高的查全率和查准率

2）Trajectory Path Query.

3）Building Time Efficiency