[論文レビュー] A Survey on Trajectory Data Management, Analytics, and Learning

Sheng Wang, Zhifeng Bao+2 more|arXiv (Cornell University)|Mar 25, 2020

Data Management and Algorithms参考文献 191被引用数 26

ひとこと要約

本調査では、トラジェクトリーデータ管理、分析、ディープラーニングについて包括的な概要を提供しており、前処理、保存、類似性検索、クラスタリング、リアルタイム応用をカバーしている。トラジェクトリーパンダチックスの統合フレームワークを提唱し、パrameterization、データ統合、スマートシティにおける自律走行トラジェクトリープロセッシングといった主な課題と今後の方向性を特定している。

ABSTRACT

Recent advances in sensor and mobile devices have enabled an unprecedented increase in the availability and collection of urban trajectory data, thus increasing the demand for more efficient ways to manage and analyze the data being produced. In this survey, we comprehensively review recent research trends in trajectory data management, ranging from trajectory pre-processing, storage, common trajectory analytic tools, such as querying spatial-only and spatial-textual trajectory data, and trajectory clustering. We also explore four closely related analytical tasks commonly used with trajectory data in interactive or real-time processing. Deep trajectory learning is also reviewed for the first time. Finally, we outline the essential qualities that a trajectory data management system should possess in order to maximize flexibility.

研究の動機と目的

• 都市応用を想定したトラジェクトリーデータ管理および分析の体系的レビューを提供すること。
• 類似性検索やクラスタリングといったトラジェクトリーパンダチックスタスクに共通するコアなコンponentsおよびオペレータを特定すること。
• スマートシティにおけるリアルタイムおよびインタラクティブな分析応用、特にモビリティ予測および公衆衛生監視を検討すること。
• ディープトラジェクトリーラーニングにおける新興トレンドおよび自律走行車両のデータを調査すること。
• パフォーマンスベンチマーク、パrameterization、データ統合の課題を含む、重要な研究ギャップを強調すること。

提案手法

• トラジェクトリーデータを空間のみの形式と空間的・テキスト的形態に分類し、点およびトラジェクトリの形式的定義を提示する。
• 前処理技術のレビュー、具体的にはノイズフィルタリング、トラジェクトリ圧縮、空間データベースおよびグラフデータベースとのデータ統合。
• 類似性検索のためのインデクス構造および距離測定法の分析を行い、効率性とプルーニング効果に注目する。
• 共通オペレータ（類似性検索、top-k検索、クラスタリング、クエリ処理）に基づくトラジェクトリーパンダチックスの統合フレームワークを提唱する。
• 表現学習、予測、オンライン推論を含むディープトラジェクトリーラーニングの研究アジェンダを提案する。
• 将来のトラジェクトリーマネジメントシステムに求められる要件を提示する。特に柔軟性、リアルタイム処理、および多様なデータソースのサポートを強調する。

実験結果

リサーチクエスチョン

• RQ1 トラジェクトリーデータ分析における基本的コンponentsおよび共有オペレータとは何か？
• RQ2 リアルタイム都市応用を想定したトラジェクトリーデータは、どのように効率的に管理・分析できるか？
• RQ3 大規模データセットにおけるトラジェクトリ類似性検索、クラスタリング、インデクシングの主な課題は何か？
• RQ4 ディープラーニングは、トラジェクトリ表現、予測、クエリ最適化にどのように活用できるか？
• RQ5 パフォーマンスベンチマーク、パrameterization、データ統合の面で、トラジェクトリーシステムにおける重要な研究ギャップは何か？

主な発見

• トラジェクトリーデータ管理には、空間的、テキスト的、時間的データの統合的サポートが必要であり、空間的・テキスト的トラジェクトリは応用においてますます一般的になっている。
• 類似性検索とクラスタリングは、多様な応用にわたって基盤的なオペレータであり、パフォーマンスはインデクス構造と距離測定法に強く依存する。
• ディープトラジェクトリーラーニングは、表現学習、モビリティ予測、合成データ生成の分野で有望であるが、クエリ最適化および学習済みインデックスの分野はまだ未開拓である。
• 自律走行車両は、高周波、短時間、レーンレベルのトラジェクトリを生成すると予想され、低遅延、ストリーミング分析ソリューションが求められる。
• 公衆衛生分野の応用、例えばCOVID-19のような流行時における感染制御は、リアルタイムトラジェクトリ分析および接触追跡の命を救う可能性を示している。
• 標準化されたパフォーマンスベンチマークおよび真値評価データの不足により、トラジェクトリアルゴリズム開発における公平な比較と進展が阻害されている。