[論文レビュー] COL-Trees: Efficient Hierarchical Object Search in Road Networks

Tenindra Abeywickrama, Muhammad Aamir Cheema+1 more|arXiv (Cornell University)|Jan 28, 2026

Data Management and Algorithms被引用数 0

ひとこと要約

COL-Trees は Compacted Object-Landmark Tree インデックスと補助的な Subgraph-Landmark Tree を導入し、道路ネットワーク上の POI の階層的探索を効率化する。A k NN および k FN クエリの大幅なスピードアップを、控えめな前処理で実現する。

ABSTRACT

Location-based services rely heavily on efficient methods that search for relevant points-of-interest (POIs) near a given location. A k Nearest Neighbor (kNN) query is one such example that finds the k closest POIs from an agent's location. While most existing techniques focus on retrieving nearby POIs for a single agent, these search heuristics do not translate to many other applications. For example, Aggregate k Nearest Neighbor (AkNN) queries require POIs that are close to multiple agents. k Farthest Neighbor (kFN) queries require POIs that are the antithesis of nearest. Such problems naturally benefit from a hierarchical approach, but existing methods rely on Euclidean-based heuristics, which have diminished effectiveness in graphs such as road networks. We propose a novel data structure, COL-Tree (Compacted Object-Landmark Tree), to address this gap by enabling efficient hierarchical graph traversal using a more accurate landmark-based heuristic. We then present query algorithms that utilize COL-Trees to efficiently answer AkNN, kFN, and other queries. In our experiments on real-world and synthetic datasets, we demonstrate that our techniques significantly outperform existing approaches, achieving up to 4 orders of magnitude improvement. Moreover, this comes at a small pre-processing overhead in both theory and practice.

研究の動機と目的

• 道路ネットワークにおける POI の効率的探索を、単一エージェント kNN クエリを超えて動機づける。
• COL-Tree を開発し landmark ベースの下限を用いた高速 A k NN、k FN、範囲クエリを可能にする。
• SUL-Trees により前処理のオーバーヘッドを削減しつつ、高品質な下限を提供。
• 凸性の性質を利用したモノトーン集合の効率的探索アルゴリズムを提供。
• 実世界データと合成データで実質的な経験的性能向上を示す。

提案手法

• 道路ネットワークの階層的 POI 探索のための COL-Tree（Compacted Object Landmark Tree）を提案。
• COL-Tree の構築を高速化しサブグラフ・ランドマークデータを提供する SUL-Tree（Subgraph-Landmark Tree）を導入。
• 三角不等式を用いたランドマークに基づく下限・上限を活用して探索を削減。
• 葉の ODL（Object Distance Lists）内での候補取得を可能にする、累積的取得を実現する凸性保存性を持つ集約関数（和・最大）の特性を活用。
• COL-Tree を下限で巡回し、ODL から候補を二分探索で選択して取得する A k NN クエリアルゴリズム（補足 Lemma 2/3）。
• k FN および範囲クエリを扱う拡張を提示し、上限ベースの pruning とルート/サブグラフランドマークの lookup を含む。

実験結果

リサーチクエスチョン

• RQ1 COL-Trees は既存の道路ネットワーク法よりも効率的に A k NN、k FN、範囲クエリに答えられるか？
• RQ2 ランドマーク基づく下限をサブグラフ構造で拡張して pruning と精度を改善できるか？
• RQ3 COL-Trees を現実的なオーバーヘッドで動かす前処理戦略（SUL-Trees）は何か？
• RQ4 凸性を持つ一般的な集約（和、最大）によって葉ノード内の候補取得が如何に効率化されるか？
• RQ5 実世界および合成データセットで観測される性能向上はどの程度か？

主な発見

• COL-Trees はクエリ効率で既存手法を最大 4 オーダーオブ magnitude の向上を示す。
• SUL-Trees は COL-Tree の構築を大幅に加速し、前処理コストは理論的・経験的に有利である。
• 本手法は A k NN、k FN、および範囲クエリをサポートし、後者の二つは本拡張で導入。
• 凸性を活用して葉ノードからの候補 POI の段階的取得を実現し、候補評価を削減。
• 実世界データと合成データセットで強い改善を示しつつ、前処理のオーバーヘッドは小さい。