چکیده

فشرده سازی مسیر یک راه کارآمد برای حذف نویز و حفظ ویژگی های کلیدی در برنامه های مبتنی بر مکان است. این مقاله بر روی فشرده‌سازی دینامیکی مسیر در حافظه تمرکز می‌کند، جایی که دقت فشرده‌سازی مسیر به صورت پویا با سناریوهای کاربردی مختلف تغییر می‌کند. روش های موجود می توانند با تنظیم پارامترهای فشرده سازی به این امر دست یابند. با این حال، رابطه بین پارامترها و دقت فشرده سازی اکثر این الگوریتم ها به طور قابل توجهی پیچیده است و با مسیرهای مختلف متفاوت است، که ارائه دقت معقول را دشوار می کند. ما یک الگوریتم فشرده‌سازی مسیر جدید را پیشنهاد می‌کنیم که مبتنی بر روش اجزای محدود است، که در آن مسیر به عنوان یک الاستومر در نظر گرفته می‌شود تا به طور کلی توسط نظریه کشش فشرده شود. و تراکم مسیر را می توان به عنوان تغییر شکل تحت تنش در نظر گرفت. دقت تراکم را می توان با اندازه تنشی که به الاستومر اعمال می شود تعیین کرد. در مقایسه با روش‌های موجود، نتایج تجربی نشان می‌دهد که روش ما می‌تواند دقت فشرده‌سازی پایدارتر و مستقل از داده‌ها را تحت پارامترهای تنش داده شده و با عملکرد معقول ارائه دهد.

کلید واژه ها:

فشرده سازی مسیر ; فشرده سازی مجموعه ; روش اجزای محدود

1. مقدمه

در برنامه های مبتنی بر مکان [ 1 ]، مقدار قابل توجهی از داده های موقعیت یابی از حسگرهای وسایل نقلیه، کشتی ها و تلفن های همراه وجود دارد. با در نظر گرفتن استان ژجیانگ چین، داده‌های مسیر خودروی 68T و داده‌های مسیر کشتی 19T هر ساله تولید می‌شوند که مشکلات زیادی را برای ذخیره‌سازی، پردازش و تجزیه و تحلیل به همراه دارد. مسیرهای خام حاوی نویز زیادی هستند که برخی از آنها ناشی از رانش سیگنال سنسورها و برخی دیگر ناشی از حرکت تصادفی جسم متحرک است. فشرده‌سازی مسیر خام می‌تواند نویز را از بین ببرد، اشغال فضای ذخیره‌سازی را کاهش دهد و کارایی جستجو و پردازش داده‌ها را بهبود بخشد. در وظیفه داده کاوی مکانی-زمانی، کاهش نویز در جستجوی الگوی مکانی-زمانی از مسیر مفید است [ 2 ]].
سناریوهای کاربردی مختلف نیازمندی های متفاوتی در رابطه با نسبت تراکم و دقت فشرده سازی دارند. اگر مسیر وسیله نقلیه بر اساس شبکه جاده فشرده شود و فقط نقطه عطف حفظ شود، می توان نسبت تراکم بسیار بالایی را به دست آورد [ 3 ، 4 ، 5 ]. با این حال، زمانی که می‌خواهیم تغییر خط خودروها را تحلیل کنیم، باید نسبت تراکم را کاهش دهیم و دقت را بهبود دهیم. برای مسیر کشتی، از آنجایی که هیچ محدودیت جاده ای ثابتی وجود ندارد، دقت فشرده سازی به صورت دینامیکی مطابق با نیاز تغییر می کند [ 6 ، 7 ، 8 ، 9]. دقت فشرده سازی کمتری برای تجزیه و تحلیل کانال اقیانوس، دقت متوسط ​​برای تجزیه و تحلیل دوره ای کشتی و بالاتر برای پیش بینی مسیر کوتاه مدت کشتی منفرد مورد نیاز است. در برنامه نظارت بر مسیر، الزامات دینامیکی مشابهی برای نمایش مسیر وجود دارد. هنگامی که مقیاس نمایش کوچک است، مسیر با دقت پایین و نسبت تراکم بالا باید نمایش داده شود. اگر پنجره نقشه بزرگنمایی شده باشد، با افزایش مقیاس پنجره، مسیر دقت بالاتر باید نمایش داده شود.
بنابراین، دیگر نمی توان مسیرها را به صورت ثابت فشرده و از قبل ذخیره کرد. ما این نوع روش فشرده‌سازی را فشرده‌سازی پویا می‌نامیم که دقت آن به صورت پویا با نیاز تغییر می‌کند.
وظایف فشرده سازی مسیر به طور سنتی به فشرده سازی آفلاین و فشرده سازی آنلاین تقسیم می شوند [ 10]. اولی تمام مسیرهای به دست آمده را فشرده می کند، در حالی که دومی به صورت تدریجی مسیرها را فشرده می کند. در این روش ها با تنظیم پارامترهای فشرده سازی می توان به فشرده سازی دینامیکی دست یافت. با این حال، مطمئن نیست که چه دقت فشرده‌سازی از یک پارامتر فشرده‌سازی معین حاصل می‌شود، و حتی برای مسیرهای مختلف، نتایج متفاوت خواهند بود. مطالعه ما بر فشرده‌سازی مسیر از منظر دیگری تمرکز دارد – فشرده‌سازی مجموعه، از فعالیت شناختی انسان الهام گرفته شده است، که به فرد اجازه می‌دهد بدون دانستن موقعیت دقیق هر نقطه، مسیرها را ساده کند. افراد می توانند با احساس شهودی بدون محاسبه دقیق موقعیت و فاصله دقیق، مسیرهای ساده شده را ترسیم کنند (خط آبی مسیر خام و خط قرمز مسیر ساده شده است)شکل 1. این در واقع یک روش فشرده سازی با توجه به ویژگی های کلی مسیر است و ما به این نوع روش فشرده سازی، فشرده سازی گروهی می گوییم. با الهام از این توانایی فشرده سازی مجموعه، ما مسیر را به عنوان یک موجود فیزیکی در نظر می گیریم، و فشرده سازی مسیر را می توان به عنوان تغییر شکل تحت نیروهای یکنواختی که در اطراف جسم الاستیک اعمال می شود در نظر گرفت. هر چه تغییر شکل بزرگتر باشد، نقاط بیشتری به دلیل اکستروژن متقابل با هم همپوشانی دارند تا اثر فشرده سازی حاصل شود. در این تحقیق، ما الگوریتم فشرده‌سازی مجموعه مسیر را پیاده‌سازی می‌کنیم که مبتنی بر تحلیل اجزای محدود است و در آن جهت اصلی مسیر را برای رسیدن به فشرده‌سازی با حفظ ویژگی‌های کلیدی ادغام می‌کنیم. دقت تراکم را می توان با پارامترهای الاستیکی که روی الاستومر اعمال می شود تعیین کرد.
این مقاله به شرح زیر سازماندهی شده است: تحقیقات مرتبط در بخش 2 خلاصه شده است . بخش 3 بیانیه مفصلی از الگوریتم ما ارائه می دهد. بخش 4 تجزیه و تحلیل آزمایش را بر اساس مجموعه داده های واقعی نشان می دهد، بخش 5 بحثی را ارائه می دهد و نتیجه گیری در بخش نهایی ارائه می شود.

2. کارهای مرتبط

الگوریتم های مختلف فشرده سازی مسیر با [ 10 ، 11 ، 12 ] خلاصه می شوند. طبق تحقیقات ما، روش‌های موجود به چهار دسته تقسیم می‌شوند: فشرده‌سازی مبتنی بر فاصله، فشرده‌سازی مبتنی بر حرکت، فشرده‌سازی محدود شده با نقشه و فشرده‌سازی مبتنی بر ویژگی مجموعه.

2.1. فشرده سازی مبتنی بر فاصله

الگوریتم فشرده سازی مبتنی بر فاصله، هر نقطه از مسیر را به نوبه خود تجزیه و تحلیل می کند و با توجه به موقعیت، فاصله، جهت و سایر ویژگی های نقاط مجاور، تصمیم می گیرد که آیا آن را حفظ کند یا نه.
الگوریتم داگلاس-پوکر [ 13 ] اولین الگوریتم فشرده سازی مسیر پرکاربرد است. الگوریتم نقطه شروع و پایان مسیر اصلی را به هم متصل می کند و سپس فاصله هر نقطه تا خط را محاسبه می کند. اگر فاصله از آستانه بیشتر شود، مسیر به دو دنباله با نقطه به عنوان نقطه تقسیم تقسیم می شود و سپس به صورت بازگشتی فرآیند فوق را انجام می دهد تا زمانی که مسیر نیازی به تقسیم نداشته باشد. یکی دیگر از روش‌های مشابه مبتنی بر فاصله، الگوریتم تقسیم‌بندی خطی Piecewise [ 14 ] است.]. در این روش، نقطه بیشترین انحراف انتخاب می شود و پارامترهای آستانه برای تعیین اینکه آیا نقطه را حفظ کنیم یا خیر، تنظیم می شود و فرآیند به صورت بازگشتی اجرا می شود. به منظور بهبود کارایی الگوریتم مبتنی بر فاصله، الگوریتم های مختلفی ساخته شده است [ 15 ، 16 ، 17 ، 18 ].
کلاس دیگری از الگوریتم های مبتنی بر فاصله از فشرده سازی آنلاین پشتیبانی می کند. دو الگوریتم آنلاین توسط [ 15 ، 19 ] پیشنهاد شده است: الگوریتم پنجره کشویی و الگوریتم پنجره باز، که یک پنجره کشویی بر روی دنباله نقطه ایجاد می کند، مسیر را در آن فشرده می کند و سپس فرآیند را برای داده های مسیر بعدی تکرار می کند. مرجع. [ 20 ] الگوریتم Dead Reckoning را پیشنهاد می کند که نقطه بعدی را با توجه به نقاط موجود در پنجره پیش بینی می کند و نقاطی را رزرو می کند که تا حد زیادی از پیش بینی منحرف می شوند. الگوریتم Thye Dead Reckoning توسط [ 21 ] بهبود یافته است]، که الگوریتمی به نام فشرده سازی مسیر Squish را نیز پیشنهاد کرد که با حذف نقاطی با کمترین اتلاف اطلاعات در پنجره بافر، فشرده سازی را کامل می کند. بر اساس این روش‌ها، الگوریتم‌های زیادی برای بهبود بیشتر عملکرد و کاهش پیچیدگی توسعه یافته‌اند [ 22 ، 23 ، 24 ، 25 ، 26 ].

2.2. فشرده سازی مبتنی بر ژست

روش فشرده سازی مبتنی بر فاصله تا حد زیادی تحت تأثیر پارامترهای آستانه متفاوت است و روش بهبود یافته اطلاعات حرکتی را برای جبران کمبود معرفی می کند.
مرجع. [ 27 ] یک روش فشرده‌سازی مسیر را پیشنهاد می‌کند که نقطه بعدی را بر اساس سرعت و جهت داده‌های تاریخی پیش‌بینی می‌کند و نقاط دقیق پیش‌بینی‌شده را حذف می‌کند. این روش برای مسیرهای نمونه برداری با تراکم بالا مناسب است.
نقاط توقف، نقاط شباهت و نقاط چرخش نیز اطلاعات معنایی مهمی هستند که می توانند در فشرده سازی مسیر استفاده شوند. برای داده‌های مکان RFID [ 28 ]، فشرده‌سازی داده‌ها را با ادغام و بستن نقاط مکانی یکسان مسیرهای مختلف [ 29 ] درک کنید، یک استراتژی فشرده‌سازی با اتلاف برای فروپاشی تاپل‌های RFID، که حاوی اطلاعات مواردی هستند که در مکان‌های مختلف تحویل داده می‌شوند، طراحی کنید.
مرجع. [ 30 ] اطلاعات نمونه بر روی سری های زمانی را معرفی می کند. مرجع. [ 31 ] جهت اصلی مسیر را برای حذف نویز معرفی می کند. در [ 32 ]، اطلاعات سرعت و نقطه توقف برای بهبود راندمان فشرده سازی معرفی شده اند. نقاط کلیدی با توجه به داده های سرعت و جهت در مسیر توسط [ 33 ] حفظ می شوند و فشرده سازی داده ها با این نقاط کلیدی به عنوان محدودیت تحقق می یابد.

2.3. فشرده سازی محدود نقشه

اطلاعات جاده می تواند نسبت تراکم را بهبود بخشد. تعداد زیادی از روش‌های فشرده‌سازی مسیر که بر اساس محدودیت‌های جاده هستند، پیشنهاد شده‌اند. یک مسئله فشرده سازی مسیر تطبیق نقشه برای اولین بار توسط [ 4 ] پیشنهاد شد، که در آن مشکل ترکیبی فشرده سازی مسیر در همان زمان در شبکه جاده زیربنایی مطابقت دارد. این مطالعه یک تعریف رسمی از مشکل فشرده سازی تطبیق نقشه ارائه می دهد، دو روش ساده را پیشنهاد می کند و سپس الگوریتم های آنلاین و آفلاین بهبود یافته را طراحی می کند. یک روش ساده سازی هرس مسیر توسط [ 34 ] پیشنهاد شده است]، که فرآیند ساده‌سازی مسیر را به مرحله تنظیم نامزد لبه، مرحله مسیریابی و مرحله پالایش مسیر تقسیم می‌کند. در مرحله اول، چندین لبه تطبیق نامزد به دست می آید، در مرحله دوم، تطبیق جاده با کمک جهت حرکت برای هر موقعیت مسیر انجام می شود، در مرحله سوم، الگوریتم هرس درخت مسیر را پیاده سازی می کند و موقعیت را در مسیر حفظ می کند. مسیری که جهت آن تغییر می کند. این الگوریتم بر روی دستگاه تلفن همراه اجرا می شود، که انتقال شبکه و پردازش مرکزی را کارآمدتر می کند. نقاط فشرده شده با [ 5 ] با توجه به شبکه جاده انتخاب می شوند. مرجع. [ 3 ] یک سیستم تطبیق نقشه مشابه را پیشنهاد کرد و یک الگوریتم فشرده‌سازی مسیر به نام فشرده‌سازی تغییر سرفصل را پیاده‌سازی کرد.

2.4. فشرده سازی گروه

فشرده سازی مجموعه به این معنی است که وقتی یک مسیر فشرده می شود، سایر اطلاعات هندسی مربوط به مسیر، مانند سایر مسیرهای مشابه، منطقه مرزی مسیر، یا مسیر تغییر شکل یافته در فضا، ترکیب می شوند.
هنگامی که با الگوریتم فشرده سازی مبتنی بر فاصله مقایسه می شود، روش های کمی وجود دارد که مبتنی بر فشرده سازی ویژگی های مجموعه باشد. مرجع. [ 35 ] مسیرها را با استفاده از بدنه های محدب فشرده کنید. نویسندگان یک سیستم مختصات مجازی با نقطه شروع به عنوان مبدا و مرز مستطیلی در اطراف مسیر ایجاد می کنند و دو خط مرزی در هر ربع با توجه به جهت مسیر ایجاد می کنند. مستطیل و خطوط مرزی یک بدنه محدب را تشکیل می دهند و همچنین نقاط مختصات در بدنه محدب محدودیت فشرده می شوند.
مرجع. [ 36 ] یک روش اندازه گیری شباهت مسیر را طراحی می کند که بر اساس درون یابی است، که در آن روش اتخاذ شده مشابه خوشه است. برای هر مسیر، مسیر مرجع مشابه پیدا می شود، و تنها نقاط اختلاف با یک مرجع حفظ می شود، نقاط مشابه حذف می شوند.
در [ 37 ]، یک الگوریتم حفظ کانتور برای فشرده سازی مسیر پیشنهاد شده است که می تواند مسیر را فشرده کند و کانتور مسیر را تا حد امکان حفظ کند. الگوریتم مسیر را به چندین پنجره باز تقسیم می کند، جهت اصلی هر پنجره باز را تعیین می کند و سپس نقاط مسیری را که از جهت اصلی منحرف می شوند فشرده می کند.
مرجع. [ 38 ] همه مکان‌ها را خوشه‌بندی می‌کند، مرکز خوشه‌بندی را در شبکه‌های جاده‌ای مطابقت می‌دهد، و رویدادهای معنایی در مسیر، مانند پارکینگ، تعویض جاده، رسیدن به مقصد، و غیره را جستجو می‌کند تا فقط با حفظ اطلاعات معنایی، نویز تصادفی را حذف کند. نکته ها.
مرجع. [ 39 ] مسیرها را به عنوان سری زمانی در نظر می گیرد، معادلات خطی زمان و موقعیت را ایجاد می کند، و موقعیت ها را در فضای پارامتر معادلات با تبدیل Hough ترسیم می کند. فشرده سازی را می توان با کاهش داده های سه بعدی به فضای Hough، که در آن تعداد نقاط دوگانه کمتر از تعداد نقاط در مسیر مبدا است، به دست آورد.

3.الگوریتم تراکم گروه مسیر

3.1. مقدماتی

ما مفاهیم اساسی مربوط به الگوریتم را ارائه می دهیم که در آن تعاریف 1 و 2 ورودی الگوریتم ما، تعریف 3 خروجی الگوریتم و تعاریف 4-9 شاخص ارزیابی هستند.

تعریف  1

( مسیر خام ). مسیر خام را می توان به عنوان دنباله ای از مکان ها در نظر گرفت ( ایکسمن،yمن) و صفات، همانطور که در (1) نشان داده شده است. ویژگی ها فقط سرعت هستند ( سمن) و جهت ( دمن) از مسیر.

تی=(ایکس1،y1،تی1،س1،د1)،(ایکس2،y2،تی2،س2،د2)……،(ایکسن،yن،تین،سن،دن)

تعریف  2

( جهت اصلی ). یک مسیر را می توان با توجه به جهت حرکت آن به چند بخش تقسیم کرد. جهت اصلی وسیله نقلیه جهت جاده آن است، در حالی که جهت اصلی مسیر کشتی فازی است، مراجع مختلف تعاریف متفاوتی دارند [ 6 ، 7 ، 8 ]. روش فشرده سازی ما هیچ تمایزی بین کشتی ها و وسایل نقلیه ایجاد نمی کند و از شبکه جاده استفاده نمی شود، بنابراین جهت اصلی فقط از مسیر خام به دست می آید. تعریف کلی آن در (2) نشان داده شده است.

د=∑من=1n-1(لهngتیساعت(پمن،پمن+1)∗دمنrهجتیمنon(پمن،پمن+1))∑من=1n-1لهngتیساعت(پمن،پمن+1)

پمننقطه ith در مسیر، طول تابع فاصله و جهت تابع ازیموت است. طبق رابطه (2) جهت اصلی قطعه ای که از n نقطه تشکیل شده است، میانگین جهات هر قطعه وزن شده با طول هر قطعه است.

تعریف  3

( ساده سازی و تقریب ) . دو نوع کار فشرده سازی مسیر وجود دارد، ساده سازی و تقریب. ساده سازی به این معنی است که با توجه به یک مسیر، دنباله ای از مسیر ایجاد می شود، همانطور که در ( شکل 2 A) نشان داده شده است. تقریب به معنای تولید یک دنباله جدید است، همانطور که در ( شکل 2 B) نشان داده شده است، که در آن دو نقطه پایانی یکسان هستند.

تعریف  4

( نسبت تراکم ). نسبت تعداد نقاط مسیر ساده شده به تعداد نقاط مسیر اصلی.

تعریف  5

( بازده فشرده سازی یا نرخ تراکم ). یک نقطه در مسیر از شش مقدار دوگانه تشکیل شده است: ID، مختصات طول و عرض جغرافیایی، سرعت، جهت و زمان. راندمان فشرده سازی به تعداد بایت هایی که می توان در واحد زمان فشرده کرد اشاره دارد.

تعریف  6

( دقت فشرده سازی ). الگوریتم DTW [ 40 ] برای محاسبه فاصله مسیر قبل و بعد از فشرده سازی استفاده می شود که میزان عدم تشابه آنها را منعکس می کند. دقت فشرده سازی به صورت 1 منهای این فاصله تقسیم بر حداکثر فاصله DTW تعریف می شود، که فاصله زمانی است که حداکثر فشرده سازی اتفاق می افتد (فقط حفظ نقطه شروع و پایان). دقت فشرده سازی بین 0 تا 1 است.

تعریف  7

( خطای فشرده سازی ). خطای فشرده سازی = 1 – دقت فشرده سازی.

تعریف  8

( نسبت طول ). نسبت مجموع طول‌های بین دو نقطه مجاور مسیر پس از ساده‌سازی به مجموع طول‌های بین دو نقطه مجاور مسیر اصلی.

تعریف  9

( نسبت انحنا ). انحنای مجموع زوایای بین قطعات است، نسبت انحنای مجموع زاویه پس از ساده سازی به مجموع زاویه مسیر اصلی است.

3.2. توضیحات الگوریتم

ورودی الگوریتم Ensemble-Compression شامل مسیر اصلی و مجموعه‌ای از پارامترهای الاستیک و خروجی‌های هر یک از دو نتیجه فشرده‌سازی است، اگرچه، در کاربردهای واقعی، تمرکز بر روی ساده‌سازی است. الگوریتم 1 در زیر نشان داده شده است.

الگوریتم 1  Ensemble-Compression
      ورودی:
داده ها: دنباله مسیر
E: مدول الاستیک
طرفدار: نسبت پواسون
چگالی: چگالی جرم
p: درصد
حداکثر: حداکثر تعداد تکرارها
: آستانه
rf: ضریب آرامش
f: ضریب استرس
خروجی:
سیم کارت: مسیر ساده شده
تقریبی
: محدوده تقریبی: نگاشت نقاط قبل و بعد از ساده سازی
//1.Initialization
1:  rآngه←متربr(دآتیآس)، سمنمتر←دآتیآس، آپپro←دآتیآس
2  سهgمترهnتیس←اسهgمترهnتیآتیمنonبآسهدonمترآمنnدمنrهجتیمنon
// 2. گسسته سازی
3:  grمند←مترهسساعت(rآngه)
4:  grمند←grمند∪دآتیآس
5:  noده←دهلآnتوآy(grمندس)
//3. تجزیه و تحلیل عنصر
6:  ک←جoمترپتوتیهسyستیهمترستیمنfمنnهسسآnدمترآسسمترآتیrمنجهس
7:  f←آپپلyبoتوnدآryجonدمنتیمنonس
8:  دمنسپ←سلovهتیساعتهمترآتیrمنجهqتوآتیمنon(f،ک،مترآایکسمنتی،تیoل،E،پro،دهnسمنتیy)
//4. پلیمریزاسیون معنایی
9:  د←سorتی(norمترآلمنzه(دمنستیآnجه(دمنسپ)))
10:  د←د[د≤پrجتیمنله(د،پ)]
11:  پتیس←fمنلتیrآتیه(دآتیآ،د)
12:  برای i =1:length(pts) 13 را انجام دهید
:        لoجس←fمنلتیهr(دآتیآس،پتیس(من)،سهgمترهnتیس)
14:        سمنمتر←سمنمترپلمنfy(سمنمتر،لoجس);آپپro=مترهrgه(آپپro،لoجس);
15:  پایان برای
الگوریتم از چهار ماژول تشکیل شده است. مقداردهی اولیه حداقل مستطیل مرزی مسیر (خط 1) را به دست می آورد و مسیر (خط 2) را که در بخش 3.4 معرفی شده است، تقسیم می کند. گسسته سازی درون یابی و مثلث را در حداقل مستطیل مرزی (خطوط 3-5) که در بخش 3.2 معرفی شده است، محقق می کند. تجزیه و تحلیل عنصر (خطوط 6-8) ماتریس سختی و ماتریس تنش را ایجاد می کند و معادله ماتریس را برای به دست آوردن مسیر تغییر شکل حل می کند. بخش 3.3معادله ماتریسی را معرفی می کند. پلیمریزاسیون معنایی (خطوط 9-15) نقاط را پس از تغییر شکل خیلی نزدیک به یکدیگر حذف می کند (ساده سازی مسیر) یا ادغام (تقریبی مسیر) در عملیات حذف، انتخاب با توجه به انحراف از جهت اصلی قطعه مسیر انجام می شود و نقاط با انحراف زیاد حفظ می شوند. بخش 3.4 پلیمریزاسیون معنایی را معرفی می کند.

3.3. گسسته سازی

اولین گام پس از مقداردهی اولیه گسسته کردن مسیر همراه با مستطیل مرزی آن است. ما حداقل مستطیل مرزی (خط 3)، گره های مش و نقاط مسیر (خط 4) را ادغام کردیم و سپس الاستومر را به واحدهای کوچک (خط 5) تقسیم کردیم، همانطور که در شکل 3 نشان داده شده است. ما برای تکمیل گسسته سازی از مثلث سازی دلونی [ 41 ] و تکنیک پیشروی دو بعدی جلو (AFT) [ 42 ] استفاده می کنیم.

3.4. تجزیه و تحلیل عناصر

وظیفه اصلی تحلیل المان، تولید ماتریس سختی عنصر و حل معادله ماتریس المان است.

معادله سختی عنصر رابطه بین تنش و عنصر مثلثی را نشان می دهد، به طوری که می توانیم جابجایی هر نقطه از عنصر مثلثی را با مقدار و جهت معین تنش محاسبه کنیم. برای یک عنصر مثلثی منفرد، معادله ( 3 ) معادله سختی [ 41 ] را نشان می دهد.

اف(ه)=([بمن،بj،بمتر]تیD[بمن،بj،بمتر]تیθ)δ(ه)

جایی که t ضخامت عنصر است، θناحیه عناصر است و δ(ه)آرایه جابجایی عنصر است، همانطور که در رابطه ( 4 ) نشان داده شده است. سه گره هر عنصر مثلثی ( شکل 2 ) پس از مثلث بندی به صورت i ، j و m کدگذاری می شوند . خلاف جهت عقربه های ساعت را جهت جلو می گیریم و آرایه جابجایی عنصر را ایجاد می کنیم.

δ(ه)=[تومن،vمن،توj،vj،تومتر،vمتر]تی

اف(ه)است ماتریس ستون تنش هر گره در معادله ( 5 ) نشان داده شده است.

اف(ه)=[افایکسمن،افyمن،افایکسj،افyj،افایکسمتر،افyمتر]تی

D ماتریس الاستیک است، همانطور که در رابطه ( 6 ) نشان داده شده است، که در آن E مدول الاستیسیته و u نسبت پواسون است.

D=E(1-تو)2[1،تو،0;تو،1،0;0،0،1-تو2]

بمن،بj،بمترماتریس کرنش گره های عنصر است، همانطور که در رابطه ( 7 ) [ 41 ] تعریف شده است، که در آن جایکس،بایکسثابت های ضریب تنش هستند.

بایکس=12θ[بایکس،0;0،جایکس;جایکس،بایکس]،ایکس∈من،j،متر

معادله ( 4 ) جابجایی سه گره i،j و m عنصر تحت تنش را نشان می دهد، در حالی که جابجایی هر نقطه x و y در عنصر مثلثی را می توان با حل معادلات (8) به دست آورد.

تومن=α1+α2ایکس+α3yvمن=β1+β2ایکس+β3y
شش ضریب در فرمول را می توان با موقعیت و جابجایی گره های i , j , و m بدست آورد.
پرانتز معادله ( 3 ) به ماتریس سختی ارجاع داده می شود. منظور از یک عنصر از ماتریس سختی، تنشی است که باید به یک گره از عنصر اعمال شود، در حالی که گره دارای جابجایی واحد است و بقیه صفر هستند.

فرض کنید که کل به m عناصر و n گره تقسیم می شود، سپس جابجایی کلی گره δو ماتریس تنش کلی F همه ماتریس 2 N × 1 هستند. معادله ( 9 ) معادله تعادل کلی تحلیل المان مثلثی را نشان می دهد:

∑n=1ن∑ه∑سمن،j،مترکnس(ه)δس(ه)=∑n=1نافn
گرادیان مزدوج پیش شرطی [ 43 ] برای حل معادله ماتریس سختی استفاده می شود و SSOR [ 43 ] به عنوان ماتریس از پیش شرطی شده انتخاب می شود.

3.5. پلیمریزاسیون معنایی

جابجایی هر نقطه را می توان با استفاده از روش فوق بدست آورد. تنش باعث رقابت فضایی بین نقاط مسیر می شود. مسیرهای ساده شده را می توان با غربال کردن زیرمجموعه مسیرها از طریق آستانه به دست آورد و اگر جابجایی زیر مجموعه مستقیماً گرفته شود، مسیرهای تقریبی را می توان بدست آورد.
بر اساس روش نشان داده شده در بخش 3.4 ، جابجایی نقطه مسیر را می توان به دست آورد (خط 8). ما فاصله را در نقطه مجاور پس از جابجایی محاسبه می کنیم (خط 9)، همه فواصل را نرمال می کنیم (خط 9) و سپس همه فواصل را به ترتیب صعودی مرتب می کنیم. نقاطی که فاصله آنها کمتر از آستانه صدک پس از مرتب سازی است، به نقاط فیلتر کاندید تبدیل می شوند (خطوط 10-11). برخی از نقاط دارای اطلاعات معنایی کلیدی، مانند جهت یا سرعت، در صورت استفاده از آستانه فاصله حذف خواهند شد، بنابراین ما یک روش تقسیم‌بندی مسیر را بر اساس جهت اصلی اجرا کردیم. وقتی دو نقطه به دلیل فاصله نزدیک با هم رقابت می کنند، نقاطی را که با جهت اصلی و نقاط توقف متفاوت هستند را حفظ می کنیم. الگوریتم در زیر نشان داده شده است.
ورودی الگوریتم 2 دنباله مسیری است که با رابطه ( 1 ) تعریف می شود، که در آن هر نقطه یک آرایه پنج بعدی متشکل از مختصات، زمان، سرعت و جهت است. الگوریتم 2 مسیر را بر اساس جهت اصلی معادله ( 2 ) تقسیم می کند. الگوریتم چهار بعد به پنج بعد اولیه اضافه می کند. بعد ششم طول از انتهای آخرین قطعه تا نقطه فعلی را که مخرج معادله ( 2 ) است، ثبت می کند. بعد هفتم حاصلضرب جهت از نقطه قبلی به نقطه فعلی و بعد ششم را که شماره کننده معادله است ( 2 ) ثبت می کند.). بعد هشتم نسبت بعد هفتم به بعد ششم را ثبت می کند که جهت اصلی است که با فرض نقطه فعلی به عنوان نقطه شکاف بدست می آید. بعد نهم تفاوت بعد هشتم بین نقطه فعلی و نقطه قبلی را ثبت می کند که عبارت است از انحراف جهت اصلی مجاور. ما موقعیتی را با بیشترین اختلاف جهت اصلی به عنوان نقطه تقسیم نامزد می گیریم. اگر میانگین جهات اصلی در هر دو طرف نقطه کاندید بسیار متفاوت باشد، آنگاه نقطه به عنوان نقطه پایان یک بخش جدید در نظر گرفته می شود.
الگوریتم 2  الگوریتم تقسیم بندی
     ورودی: داده ها: دنباله مسیر
خروجی: segs: بخش های مسیر
 1:
[row،جoل]←سمنzه(دآتیآس);منnدهایکس←0
 2:
دآتیآس(1،جoل+1)←لهngتیساعت(دآتیآس(0،:)،دآتیآس(1،:));
 3:
دآتیآس(1،جoل+2)←دمنrهجتیمنon(دآتیآس(0،:)،دآتیآس(1،:))∗دآتیآس(1،جoل+1);
 4:
دآتیآس(1،جoل+3)←دآتیآس(1،جoل+1));
 5:
دآتیآس(1،جoل+4)←0;
 6:
برای i = 2: row-1 do
 7:
    دآتیآس(من،جoل+1)←دآتیآس(من-1،جoل+1)+لهngتیساعت(دآتیآس(من،:)،دآتیآس(من+1،:))
 8:
    دآتیآس(من،جoل+2)←دآتیآس(من-1،جoل+2)+دمنrهجتیمنon(دآتیآس(من،:)،دآتیآس(من+1،:))∗دآتیآ
(من،جoل+1)
 9:
    دآتیآس(من،جoل+3)←دآتیآس(من،جoل+2)/دآتیآ(من،جoل+1)
10:
   دآتیآس(من،جoل+4)←دآتیآس(من،جoل+3)-دآتیآ(من-1،جoل+3)
11:
   تی←آrgمترآایکس(دآتیآ(منnدهایکس:من،جoل+4))
12:
   د1←آvهrآgه(دآتیآ(منnدهایکس:تی-1،جoل+3))
13:
   د2←آvهrآgه(دآتیآ(تی:من،جoل+3))
14:
  اگر i-index>=3 و abs(d1-d2)>=pi/5 پس
15:
    سهg(لهngتیساعت(سهg)+1،1)←منnدهایکس;
16:
    منnدهایکس←تی-1;
17:
    سهg(لهngتیساعت(سهg)+1،2)←منnدهایکس;
18:
    سهg(لهngتیساعت(سهg)+1،3)←دآتیآ(منnدهایکس،جoل+3)
19:
   پایان اگر
20:
پایان برای
الگوریتم 2 ابتدا مقادیر چهار بعد اضافه شده نقطه اول را مقداردهی می کند (خطوط 1-5). سپس هر نقطه را اسکن کنید (خط 6) و مقادیر چهار بعد جدید نقطه فعلی را محاسبه کنید (خطوط 7-9). فرض کنید t شاخص حداکثر مقدار بعد نهم باشد، یعنی موقعیت با حداکثر انحراف جهت اصلی (خط 10) را پیدا کنید، اجازه دهید d1 میانگین جهت اصلی از انتهای بخش قبلی تا t (خط 11) و d2 میانگین جهت اصلی از t تا نقطه فعلی (خط 12) باشد. اگر اختلاف بین d1 و d2 بیشتر از آستانه باشد، آنگاه t به عنوان نقطه پایان بخش جدید در نظر گرفته می شود (خط 13). ما قطعات را با seg آرایه ضبط می کنیم. برای هر بخش، نقطه شروع (خط 14)، موقعیت پایانی (خطوط 15-16)،

4. آزمایش کنید

4.1. راه اندازی آزمایشی

ما GPS تاکسی در شانگهای [ 44 ] و AIS کشتی‌هایی که از دریای چین شرقی [ 7 ] عبور می‌کنند را به عنوان داده‌های تجربی انتخاب می‌کنیم. مجموعه داده تاکسی شامل مسیرهای 24 ساعته 4310 تاکسی است و میانگین فرکانس نمونه 15 ثانیه است. مجموعه داده های کشتی شامل مسیرهای 120 ساعته 10927 کشتی با متوسط ​​فرکانس نمونه 10 ثانیه بود.
ما الگوریتم خود را با دو خط مبنا مقایسه می کنیم [ 36 ، 45 ]، اولی الگوریتم فشرده سازی آفلاین (به نام OVTC)، دومی الگوریتم فشرده سازی آنلاین (به نام SPM) است. در [ 36 ]، بسیاری از اطلاعات ژست در فشرده سازی مسیر، مانند نقطه استاتیک، نقطه چرخش، نقطه تغییر سرعت، نقطه شکست و غیره در نظر گرفته شده است، به طوری که روش دارای پارامترهای فشرده سازی بسیاری است و فاصله بهینه این پارامترها ارائه می شود. . در [ 45 ]، پنجره کشویی، که در فشرده سازی آنلاین محبوب است، بهبود یافته است، و نقطه مرجع تغییر پویا برای بهبود راندمان فشرده سازی معرفی شده است. اندازه پنجره کشویی و فاصله آستانه پارامترهای کلیدی الگوریتم هستند.
در آزمایش‌ها، برخی از پارامترها از جمله مدول الاستیک 2، نسبت پواسون 0.2، چگالی جرمی 1.15، حداکثر تعداد تکرار 100، آستانه خطای 10 را ثابت کردیم. -6و ضریب آرامش 1.
صدک های آزمایش به ترتیب 0.25، 0.35، 0.45، 0.55، 0.65، 0.75، 0.85 و 0.95 می باشد. عوامل نیروی خارجی (بین 0-1) 0.1، 0.2، 0.3، 0.4 0.5، 0.6، 0.7، 0.8، 0.9، و 1 هستند و جهت نیرو به مرکز ثقل مسیر اشاره دارد. اثرات پارامترهای مختلف بر روی شاخص های فشرده سازی مشاهده شد. محیط آزمایشی پردازنده Intel(R) Core(TM) i5، حافظه 4 گیگابایتی، Mac Darwin Kernel نسخه 17.7.0 و زبان توسعه MatlabR2019 است.

4.2. نتایج

4.2.1. مطالعه تطبیقی

اولین نگرانی این است که آیا می توان دقت فشرده سازی پایدار و مستقل از داده را برای ترکیب خاصی از پارامترها به دست آورد؟
در OVTC، پارامتر آستانه فاصله نقطه توقف انتهایی را 50 متر، آستانه سرعت نقطه توقف پایان را 1.0 گره و آستانه شکاف را 1800 ثانیه ثابت کردیم. مقادیر فوق مقادیر بهینه ای هستند که توسط مرجع از طریق الگوریتم تکاملی توصیه می شوند. اجازه می دهیم سه پارامتر به صورت پویا تغییر کنند. آستانه سرعت در نقطه توقف شروع 0.05، 0.1، 0.25، 0.5، 0.75، 1.0، 1.25، 1.5، 1.75، و 2.0 است، آستانه پیچ 2.0، 10.0، 15.0، و 20.0، و 20 است. تغییر سرعت 0.01، 0.2، 0.4، 0.6 و 0.8 است که منجر به 250 پارامتر فشرده سازی مختلف می شود.
در SPM اجازه می دهیم دو پارامتر به صورت پویا تغییر کنند. با توجه به محدوده پیشنهادی، پنجره کشویی را 2، 5، 10، 15، و 20 و محدوده آستانه فاصله را 5.0، 15.0، 25.0، 35.0، 45.0، 55.0، 65.0، 75.0، 75.0، 85.0، و 85.0 قرار می دهیم. 100.0 که در مجموع 55 پارامتر ایجاد می شود.
برای هر الگوریتم، تمام مسیرها در هر گروه از پارامترها فشرده می شوند. انحراف استاندارد دقت فشرده سازی به دست آمده تحت پارامترهای مختلف و std به ترتیب صعودی نمایش داده می شود، همانطور که در شکل 4 نشان داده شده است.
در شکل 4محور افقی تعداد 250 گروه از پارامترها و محور عمودی انحراف معیار دقت است که با فشرده سازی تمام مسیرها با پارامترهای مربوطه به دست می آید. الگوریتم OVTC بیشترین عدم قطعیت را بین پارامترهای فشرده سازی و دقت دارد که ممکن است به دلیل استفاده همزمان از جهت، سرعت و آستانه فاصله باشد. الگوریتم SPM دارای انحراف استاندارد کم (نیمه چپ) و انحراف استاندارد بالا (نیمه راست) است. روش اجزای محدود دارای انحراف استاندارد کوچکی از دقت تحت تمام پارامترها است، به این معنی که در مقایسه با دو روش دیگر، می‌تواند دقت خاصی را تحت پارامترهای فشرده‌سازی خاصی به دست آورد. اگرچه انحراف استاندارد متفاوت است، اما میانگین دقت سه الگوریتم بسیار نزدیک است، که در آن OVTC 0.95159، SPM 0 است.
راندمان فشرده سازی نگرانی دیگری است. همانطور که در جدول 1 نشان داده شده است، ما حداقل، متوسط ​​و حداکثر نرخ فشرده سازی سه الگوریتم را تحت تمام پارامترها محاسبه می کنیم .
روش ما از دو روش دیگر در نرخ فشرده سازی کوچکتر است. دلیل آن این است که روش مبتنی بر المان محدود نیاز به حل معادلات دارد، در حالی که دو روش دیگر فقط نقطه به نقطه فیلتر می کنند. میانگین نرخ فشرده سازی FMT نشان داده شده در جدول 1 243.056 کیلوبیت در ثانیه است که می تواند نیازهای سناریوهای کاربردی واقعی را که بعدا توضیح داده شد، برآورده کند ( بخش 4.2.5 ). فناوری خدمات همزمان و حافظه پنهان در برنامه های مدرن نیز کمبود نرخ فشرده سازی را جبران می کند.
4.2.2. تأثیر درصد و عامل تنش بر نسبت تراکم و نرخ تراکم
دو مجموعه داده با پارامترهای مختلف فشرده شده اند و شکل 5 نتایج را نشان می دهد.
شکل 5 نشان می دهد که نسبت تراکم با افزایش ضریب نیروی خارجی و با کاهش صدک افزایش می یابد. تأثیر صدک بر نرخ تراکم آشکارتر است. هنگامی که ضریب تنش بدون تغییر باقی می ماند، افزایش صدک می تواند نسبت تراکم را تا 0.68 افزایش دهد.
شکل 6 اثر پارامترهای مختلف را بر نرخ تراکم نشان می دهد. متفاوت از نسبت تراکم، نسبت تراکم تحت تأثیر ضریب تنش و صدک قرار می گیرد و زمانی که مقدار ضریب تنش 0.6 باشد به حداکثر مقدار نزدیک است.
4.2.3. نسبت فشرده سازی و خطای فشرده سازی
ما از الگوریتم DTW [ 40 ] برای محاسبه فاصله مسیر قبل و بعد از فشرده سازی استفاده می کنیم که میزان خطای فشرده سازی را منعکس می کند. فاصله نرمال شده را می توان به عنوان نسبت خطای نسبی که در اثر فشرده سازی ایجاد می شود در نظر گرفت. نسبت خطای نسبی نسبت هر فاصله DTW به حداکثر فاصله DTW است. این آزمایش تأثیر پارامترهای مختلف را بر خطای فشرده سازی نشان می دهد، همانطور که در شکل 7 نشان داده شده است.
شکل 7 نشان می دهد که نسبت خطا با افزایش صدک ها افزایش می یابد. رابطه بین نرخ تراکم و نسبت خطا مشاهده شد. همانطور که در شکل 8 نشان داده شده است، ضریب تنش روی 0.6 ثابت شد تا تغییر نرخ خطا با نرخ تراکم مشاهده شود . به ازای هر 1٪ افزایش در نسبت تراکم، میزان خطا 0.47٪ افزایش می یابد.
4.2.4. تأثیر پارامترهای مختلف بر سایر شاخص ها
ما تأثیر الگوریتم را بر نسبت طول و نسبت انحنا مطالعه می کنیم. در آزمایش، ضریب تنش را 0.6 ثابت کردیم و نتایج در شکل 9 نشان داده شده است.
با کاهش نسبت تراکم، نسبت طول و نسبت انحنا افزایش می یابد. در نسبت تراکم [20٪، 40٪]، نسبت طول و نسبت انحنا نیز در سطح بالایی حفظ می شود که با اهمیت هندسی ساده سازی مطابقت دارد [ 46 ]. همچنین می توان مشاهده کرد که حتی اگر نسبت تراکم ناچیز باشد، نسبت طول و نسبت انحنا در سطح بالایی حفظ می شود و اعوجاج منحنی واکنش در محدوده معقولی قرار دارد.
4.2.5. سناریوهای کاربردی
ما یک سرویس شبح مستقل را توسعه می‌دهیم که مسئولیت مدیریت داده‌های فضایی چند منبعی، از جمله مسیر کشتی، مسیر وسیله نقلیه، RFID را بر عهده دارد و رابط‌های جستجوی داده را برای چندین برنامه شخص ثالث فراهم می‌کند. این برنامه‌های شخص ثالث شامل سیستم‌های مدیریت آنلاین، سیستم‌های هشدار اولیه ایمنی، سیستم‌های مدیریت آبراه، و غیره می‌شوند. سرویس جستجوی داده‌ها باید عمومی و مستقل از برنامه باشد. شکل 10 سیستم کلی را نشان می دهد.
سرویس فشرده‌سازی مسیر یکی از هسته‌های سیستم است که پردازش همزمان را انجام می‌دهد و مسیر فشرده‌شده را برای عملکرد بر اساس LRU در حافظه پنهان قرار می‌دهد.
این برنامه‌ها شناسه شی متحرک، دوره زمانی و دقت مسیر (بین 0-1) را ارسال می‌کنند و سرویس مسیر مورد نیاز را برمی‌گرداند. دقت در اینجا به عنوان دقت روش ما تعبیر می‌شود، یعنی مسیر فشرده‌ای که فقط از نقطه شروع و پایان مسیر خام تشکیل شده است، حداقل دقت را دارد و مسیر خام بالاترین دقت را دارد. از طریق آزمایش‌های قبلی، می‌توانیم پارامترهای فشرده‌سازی مربوطه را برای هر بازه دقت به‌دست آوریم تا بتوانیم پارامترهای مناسب را برای اجرای فرآیند فشرده‌سازی انتخاب کنیم. شکل 11نتایج نمونه ای از یک مسیر مشابه را با دقت متفاوت در کاربردهای مختلف نشان می دهد. (A) مسیری با نسبت تراکم 0.53 در مقیاس نقشه 1:200 است، (B) مسیری با نسبت تراکم 0.26 در مقیاس 1:500 است (برای یکسان شدن تا 1:200 زوم شده است. اندازه (A)). هرچه مقیاس نمایشگر بزرگتر باشد، نسبت فشرده سازی کوچکتر است و جزئیات بیشتری را می توان نشان داد.

5. بحث

اگرچه الگوریتم می تواند نیازهای کاربرد فوق را برآورده کند، اما الگوریتم مشکلات نامشخصی نیز دارد، مهمترین آنها این است که در واقع یک استراتژی فشرده سازی فازی است و به طور دقیق تعیین نمی کند که آیا هر نقطه نویز است یا خیر. بنابراین، بدون اثبات نظری دقیق نمی توان آن را در منطقه بحرانی ایمنی اعمال کرد. مشکل دیگر این است که بدون سرعت و داده های شبکه جاده فقط جهت اصلی را در نظر می گیرد. در جزئیات اجرا، تنش هر عنصر مثلثی یکسان است و جهت همیشه به مرکز هندسی مسیر اشاره دارد. مشخص نیست که اگر اندازه تنش و جهت با چگالی توزیع نقطه تغییر کند، نتیجه متفاوت است یا خیر. همه اینها در آینده نیاز به مطالعه بیشتر دارند.

6. نتیجه گیری

در این کار، یک الگوریتم فشرده‌سازی مسیر جدید که مبتنی بر روش اجزای محدود است، پیشنهاد می‌شود که در آن مسیر به عنوان یک الاستومری در نظر گرفته می‌شود که تحت نیروهای خارجی تغییر شکل می‌دهد و مسیر با تئوری الاستیسیته فشرده می‌شود. الگوریتم تقسیم‌بندی جهت اصلی برای دستیابی به فشرده‌سازی با حفظ اطلاعات موقعیت کلیدی ترکیب می‌شود. آزمایش‌ها نشان می‌دهند که روش ما می‌تواند یک نسبت فشرده‌سازی پایدارتر و مستقل از داده‌ها را تحت پارامترهای تنش داده شده ارائه دهد.
دقت تنها مبنای انتخاب پارامتر الگوریتم فشرده سازی فعلی است که برای کاربردهای عملی غنی کافی نیست. الگوریتم فشرده سازی مجموعه ای که مبتنی بر المان محدود است تنها یک تلاش اولیه برای تحقق سرویس فشرده سازی پویا است و ارائه یک مسیر سفارشی به جای روش فشرده سازی ثابت باید به یک جهت تحقیقاتی مهم در زمینه های مرتبط تبدیل شود.

منابع

  1. سادون، ب. البیاری، O. ترکیب و کاربردهای فناوری LBS و GIS. در مجموعه مقالات کنفرانس بین المللی IEEE/ACS در مورد سیستم ها و برنامه های کامپیوتری، امان، اردن، 13-16 مه 2007. [ Google Scholar ]
  2. فنگ، ز. زو، ی. نظرسنجی در مسیر داده کاوی: تکنیک ها و کاربردها. دسترسی IEEE 2017 ، 4 ، 2056–2067. [ Google Scholar ] [ CrossRef ]
  3. چن، سی. دینگ، ی. Xie، X. ژانگ، اس. وانگ، ز. Feng, L. TrajCompressor: چارچوب فشرده‌سازی مسیر مبتنی بر تطبیق نقشه‌های آنلاین که جهت و تغییر مسیر خودرو را تحت تأثیر قرار می‌دهد. IEEE Trans. هوشمند ترانسپ سیستم 2020 ، 21 ، 2012–2028. [ Google Scholar ] [ CrossRef ]
  4. کلاریس، جی. پلکیس، ن. تئودوریدیس، Y. فشرده سازی مسیر مطابق با نقشه. جی. سیست. نرم افزار 2013 ، 86 ، 1566-1579. [ Google Scholar ] [ CrossRef ]
  5. Zuo، YM; Lin، XL; Shuai، MA; جیانگ، JH Road Network Aware Online Trajective Compression. جی. سافتو. 2018 ، 29 ، 734-755. [ Google Scholar ]
  6. فیکیوریس، جی. پاترومپاس، ک. Artikis، A. بهینه سازی فشرده سازی مسیر کشتی. در مجموعه مقالات بیست و یکمین کنفرانس بین‌المللی IEEE در مورد مدیریت داده‌های تلفن همراه (MDM) 2020، ورسای، فرانسه، 30 ژوئن تا 3 ژوئیه 2020؛ ص 281-286. [ Google Scholar ] [ CrossRef ]
  7. شنگ، ک. لیو، ز. ژو، دی. او، ا. Feng, C. تحقیق در مورد طبقه بندی کشتی بر اساس ویژگی های مسیر. جی. ناویگ. 2017 ، 71 ، 1-17. [ Google Scholar ] [ CrossRef ]
  8. آهنگ، X. Zhu، ZL; گائو، YP; چانگ، الگوریتم فشرده سازی آنلاین مسیر AIS کشتی DF با ترکیب آستانه دینامیک و بهینه سازی جهانی. محاسبه کنید. علمی 2019 ، 46 ، 333-338. [ Google Scholar ]
  9. لیو، جی. لی، اچ. یانگ، ز. وو، ک. لیو، ی. الگوریتم تطبیقی ​​داگلاس-پوکر لیو، RW با آستانه گذاری خودکار برای فشرده سازی مسیر کشتی مبتنی بر AIS. دسترسی IEEE 2019 ، 7 ، 150677–150692. [ Google Scholar ] [ CrossRef ]
  10. سان، پ. شیا، اس. یوان، جی. لی، دی. مروری بر الگوریتم‌های فشرده‌سازی مسیر شی متحرک. ریاضی. مشکل مهندس کاربرد روش‌های تئوری 2016 , 2016 , 6587309.1. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. ماکل، جی. اولسن، PW; هوانگ، جی اچ. لاوسون، سی تی. راوی، SS فشرده سازی داده های مسیر: ارزیابی جامع و رویکرد جدید. Geoinformatica 2014 ، 18 ، 435-460. [ Google Scholar ] [ CrossRef ]
  12. ماکل، جی. هوانگ، جی اچ. لاوسون، سی تی. Ravi، الگوریتم‌های SS برای فشرده‌سازی داده‌های مسیر GPS: یک ارزیابی تجربی. ACM 2010 . [ Google Scholar ] [ CrossRef ]
  13. داگلاس، دی اچ. الگوریتم‌های Peucker، TK برای کاهش تعداد نقاط مورد نیاز برای نمایش یک خط دیجیتالی یا کاریکاتور آن. می توان. کارتوگر. 2006 ، 10 ، 112-122. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. دینگ، ی. یانگ، ایکس. Kavs، AJ; Li, J. یک تقسیم بندی خطی تکه ای جدید برای سری های زمانی. در مجموعه مقالات کنفرانس بین المللی مهندسی کامپیوتر و اتوماسیون، سنگاپور، 26-28 فوریه 2010. [ Google Scholar ]
  15. مراتنیا، ن. توسط، R. تکنیک های فشرده سازی مکانی-زمانی برای اجسام نقطه متحرک. در مجموعه مقالات کنفرانس بین المللی پیشرفت در فناوری پایگاه داده-Edbt، Heraklion، یونان، 14-18 مارس 2004. [ Google Scholar ]
  16. بریسابوا، NR; گیگی، تی. گومزبراندون، آ. ناوارو، جی. Paramá, J. فشرده سازی کارآمد و نمایه سازی مسیرها . Springer: Cham، سوئیس، 2017. [ Google Scholar ]
  17. لین، ایکس. ما، س. ژانگ، اچ. وو، تی. Huai, J. ساده سازی مسیر محدود شده با خطای یک گذر. Proc. Vldb Enddow. 2017 ، 10 ، 841-852. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. بانرجی، پ. رانو، اس. رغوان، اس. استنتاج مسیرهای نامشخص از مشاهدات جزئی. در مجموعه مقالات کنفرانس بین المللی IEEE 2014 در مورد داده کاوی، شنژن، چین، 14 تا 17 دسامبر 2014. [ Google Scholar ]
  19. کیوگ، ای. چو، اس. هارت، دی. پازانی، ام. الگوریتم آنلاین برای تقسیم بندی سری های زمانی. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2001 در مورد داده کاوی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 29 نوامبر تا 2 دسامبر 2002. [ Google Scholar ]
  20. Kolesnikov، A. الگوریتم های آنلاین کارآمد برای تقریب چند ضلعی داده های مسیر. در مجموعه مقالات دوازدهمین کنفرانس بین المللی IEEE در مدیریت داده های تلفن همراه، MDM 2011، Luleå، سوئد، 6-9 ژوئن 2011. جلد 1. [ Google Scholar ]
  21. دنگ، ز. وی، اچ. وانگ، ال. رنجان، ر. Zomaya، AY; Wei, J. یک رویکرد فشرده سازی آنلاین کارآمد برای حفظ مسیر برای داده های جریان. ژنرال آینده. محاسبه کنید. سیستم 2017 ، 68 ، 150-162. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. چن، ام. خو، ام. FRnti، P. A Fast O ( N ) الگوریتم تقریب چند ضلعی چند ضلعی برای ساده سازی مسیر GPS. IEEE Trans. فرآیند تصویر 2012 ، 21 ، 2770-2785. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. لیو، جی. ژائو، ک. سامر، پی. شانگ، اس. کوسی، بی. لی، جی جی; جورداک، آر. چارچوبی جدید برای فشرده سازی مسیر فراموشی آنلاین در محیط های محدود به منابع. IEEE Trans. بدانید. مهندسی داده 2016 ، 28 ، 2827-2841. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. جیا-گائو، WU; لیو، ام. وی، جی. لیو، LF الگوریتم فشرده سازی داده مسیر بهبودیافته پنجره کشویی. محاسبه کنید. تکنولوژی توسعه دهنده 2015 ، 12 ، 47-51. [ Google Scholar ]
  25. نیبالی، ع. او، Z. Trajic: یک سیستم فشرده سازی موثر برای داده ها%8

مقالات داخلی و بین المللی

مطالب مرتبط ...

دیدگاه ها غیرفعال است.