[論文レビュー] A Novel Framework for Online Amnesic Trajectory Compression in Resource-constrained Environments

Jiajun Liu, Kun Zhao+5 more|arXiv (Cornell University)|May 8, 2016

Data Management and Algorithms参考文献 32被引用数 3

ひとこと要約

本稿では、リソース制限環境における誤差上限付き軌道圧縮のためのオンラインで定数時間計算量のフレームワーク、アムネシックバウンドドクアントシステム（ABQS）を提案する。凸包に基づくバウンドドクアントシステム（BQS）を用い、プログレッシブで高速なバージョンを組み合わせることで、反復的な誤差計算を必要とせず、誤差の上限が保証されたリアルタイム圧縮を実現する。同時に、データの年齢に応じて重要性を低下させる知的なデータアーキビングにより、ハードウェア上のデータ損失を防ぎ、極度のストレージ制限下でもベースライン比最大400倍の低い誤差を達成する。

ABSTRACT

State-of-the-art trajectory compression methods usually involve high space-time complexity or yield unsatisfactory compression rates, leading to rapid exhaustion of memory, computation, storage and energy resources. Their ability is commonly limited when operating in a resource-constrained environment especially when the data volume (even when compressed) far exceeds the storage limit. Hence we propose a novel online framework for error-bounded trajectory compression and ageing called the Amnesic Bounded Quadrant System (ABQS), whose core is the Bounded Quadrant System (BQS) algorithm family that includes a normal version (BQS), Fast version (FBQS), and a Progressive version (PBQS). ABQS intelligently manages a given storage and compresses the trajectories with different error tolerances subject to their ages. In the experiments, we conduct comprehensive evaluations for the BQS algorithm family and the ABQS framework. Using empirical GPS traces from flying foxes and cars, and synthetic data from simulation, we demonstrate the effectiveness of the standalone BQS algorithms in significantly reducing the time and space complexity of trajectory compression, while greatly improving the compression rates of the state-of-the-art algorithms (up to 45%). We also show that the operational time of the target resource-constrained hardware platform can be prolonged by up to 41%. We then verify that with ABQS, given data volumes that are far greater than storage space, ABQS is able to achieve 15 to 400 times smaller errors than the baselines. We also show that the algorithm is robust to extreme trajectory shapes.

研究の動機と目的

• メモリ、エネルギー、ストレージが制限されたデバイス（例：4 KB RAM および 1 MB ストレージを備えた野生動物追跡センサー）におけるリアルタイム軌道圧縮の課題に対処すること。
• 時間・空間計算量が高くなる（例：O(n log n) や O(n²)）か、全データをバッファリングする必要がある既存のオンライン圧縮アルゴリズムの限界を克服すること。
• ストレージ容量を超えるデータ量が発生しても、ハードウェア上のデータ損失を避けるために、知的にデータの年齢管理を行うことで、時間経過に伴う劣化を滑らかに処理するフレームワークを設計すること。
• 事前にデータサイズを予測できない長期間にわたる運用環境においても、高い圧縮効率と低い誤差率を維持すること。
• 埋め込み型および低消費電力プラットフォームに適した、スケーラブルでオンラインなソリューションを提供し、1点あたり定数時間計算量（O(1)）の空間計算量と O(n) 時間計算量を維持すること。

提案手法

• バウンディングボックスと角度制約からなる凸包を用いて、繰り返しの誤差計算を必要とせず、誤差の上限が保証された高速な圧縮意思決定を可能にする、新しいオンライン圧縮アルゴリズム「バウンドドクアントシステム（BQS）」を提案する。
• 標準BQS、O(1) 空間計算量と O(n) 時間計算量を達成する「ファストBQS（FBQS）」、および不確実性ベクトルを組み込んで時間経過に伴う圧縮の適応的制御を可能にする「プログレッシブBQS（PBQS）」の3つのバージョンを導入する。
• 固定ストレージ予算を管理するためのフレームワークとして、アムネシック関数を適用して時間の経過に従い古いデータポイントの重要性を低下させる「アムネシックバウンドドクアントシステム（ABQS）」を設計する。
• データの年齢に応じて誤差許容範囲を動的に調整する重要度関数を用い、ABQSが最近のデータを優先し、ハードウェア上の上書きを避ける一方で、最近の軌道の高精度を維持できるようにする。
• 圧縮意思決定を凸包から導かれる幾何的境界に基づいて行うことで、完全なバッファスキャンや最大偏差の計算を不要とする、誤差を制限するバウンデッドエラー機構を実装する。
• PBQSのコンponentsをABQSに統合し、圧縮の段階的精錬を可能にすることで、システムが時間経過に伴い精度とストレージ使用量のバランスを適応的に調整できるようにする。

実験結果

リサーチクエスチョン

• RQ1 リアルタイムストリーミング環境において、O(1) 空間計算量と O(n) 時間計算量を達成しながらも、誤差の上限を保証できる軌道圧縮アルゴリズムは実現可能か？
• RQ2 ストレージ容量を超えるデータ量が発生する長期運用において、ハードウェア上のデータ損失を避けるために、どのようにして限られたストレージを管理できるか？
• RQ3 リソース制限下において、ABQSフレームワークは既存のオンライン圧縮手法に比べ、圧縮誤差と運用寿命の両面でどれほど優れているか？
• RQ4 実世界および合成データにおいて、極端な軌道形状や変動する誤差許容範囲に対して、BQSファミリーはどれほど頑健か？
• RQ5 データ量が事前に不明な状況下で、PBQSのプログレッシブ圧縮機能が、固定許容範囲を持つアルゴリズムに比べ、より優れた長期的性能を発揮できるか？

主な発見

• ABQSは最先端のアルゴリズムに比べ、最大45%高い圧縮率を達成し、リソース制限環境におけるストレージおよびエネルギー消費を顕著に削減する。
• 効率的な圧縮によるメモリおよび計算負荷の低減のおかげで、ターゲットハードウェアプラットフォームの運用時間が最大41%延長される。
• ストレージ容量をはるかに超えるデータ量が発生する状況下でも、FBQS や DP といったベースライン手法に比べ、同期誤差が15〜400倍小さくなる。
• 入力サイズが10,000〜80,000ポイントの間で変動しても、ABQSは一貫した性能を維持し、同期誤差は約1.5 km、偏差は200 m程度に保たれる。
• 極端な軌道形状や誤差許容範囲の変動（10m〜80m）に対しても、ABQSは最小限の性能低下を示し、頑健である。
• カットオフ点（約27,000ポイント）以降、FBQS や DP はハードウェア上のデータ損失により誤差が急激に増大（80m から100kmに）するのに対し、ABQSは安定的かつ低誤差を維持し、顕著に優れた性能を示す。