[論文レビュー] Prediction-based Online Trajectory Compression

Arlei Silva, Ramya Raghavendra+2 more|arXiv (Cornell University)|Jan 23, 2016

Data Management and Algorithms参考文献 27被引用数 3

ひとこと要約

ONTRAC は、空間的（マルコフモデル）および時間的（QP-EM）成分の予測モデルを用いて、軌跡データベースへの冗長な更新を抑える画期的なオンライン軌跡圧縮フレームワークである。移動時間に関して最大 21× の高い圧縮率を達成し、4分の更新遅延がある状況でも、最新のオフライン手法を上回る性能を示し、データベースのスケーラビリティを10倍向上する。

ABSTRACT

Recent spatio-temporal data applications, such as car-shar\-ing and smart cities, impose new challenges regarding the scalability and timeliness of data processing systems. Trajectory compression is a promising approach for scaling up spatio-temporal databases. However, existing techniques fail to address the online setting, in which a compressed version of a trajectory stream has to be maintained over time. In this paper, we introduce ONTRAC, a new framework for map-matched online trajectory compression. ONTRAC learns prediction models for suppressing updates to a trajectory database using training data. Two prediction schemes are proposed, one for road segments via a Markov model and another for travel-times by combining Quadratic Programming and Expectation Maximization. Experiments show that ONTRAC outperforms the state-of-the-art offline technique even when long update delays (4 mininutes) are allowed and achieves up to 21 times higher compression ratio for travel-times. Moreover, our approach increases database scalability by up to one order of magnitude.

研究の動機と目的

• スマートシティやライドシェアリングなどのアプリケーションにおける、リアルタイムの空間的・時間的データ処理におけるスケーラビリティとタイムリー性の課題に対処する。
• 低レイテンシを要するストリーミング軌跡データを処理できない、従来のオフライン軌跡圧縮技術の限界を克服する。
• リアルタイムで正確な圧縮された軌跡表現を維持するとともに、効率的なクエリ処理を可能にするフレームワークを開発する。
• 道路セグメントと移動時間の学習済みモデルを用いて予測可能な更新を抑えることで、効率的なデータベース操作を実現する。
• 部分的分解能をサポートするクエリ互換性のある圧縮データスキーマを設計することで、既存のリレーショナルDBMSとの互換性を確保する。

提案手法

• 最近の履歴に基づいて次に訪れる道路セグメントを予測するマルコフモデルを用い、予測が妥当な更新は保存を抑制する。
• 二次計画法（QP）と期待値最大化（EM）を用いて、移動時間のガウスベース予測モデルを学習し、時間的圧縮を実現する。
• 疎でノイズの多いGPS更新に対応するため、時間的軌跡推定を最尤推定問題として定式化する。
• 完全な軌跡再構築をクエリ時に可能にするために、予測誤差（残差）と予測モデルのみを格納する。
• クエリ時に部分的分解能をサポートすることで、パフォーマンスオーバーヘッドを最小限に抑えつつ、精度を維持する。
• 標準的なリレーショナルデータベースと圧縮データスキーマを統合し、インデキシングと効率的なクエリ処理を可能にする。

実験結果

リサーチクエスチョン

• RQ1 予測に基づく軌跡更新の抑制は、リアルタイムシステムにおけるオンライン圧縮性能を向上させ得るか？
• RQ2 現実的な遅延制約下で、オンライン予測ベースのフレームワークの圧縮比は、最新のオフライン手法と比べてどの程度優れているか？
• RQ3 道路セグメントと移動時間の予測モデルは、オンライン軌跡処理におけるデータベース挿入回数をどの程度削減できるか？
• RQ4 圧縮軌跡フレームワークで部分的分解能を用いた場合、クエリ処理のパフォーマンスオーバーヘッドはどの程度か？
• RQ5 入ってくる軌跡更新のボリュームを減らすことで、データベースの操作をスケーリング可能にするか、クエリの正確性を損なわずに行えるか？

主な発見

• ONTRAC は、4分の更新遅延がある状況でも、最新のオフライン手法と比較して移動時間データの圧縮比が最大21倍に達する。
• 北京データセットでは、圧縮されていないベースラインと比較して、データベースの挿入レートが最大11.7倍に向上する。
• ONTRAC-PT（部分的分解能）は、完全な圧縮されていないシステムと比較して、わずか25–38%のオーバーヘッドに抑えられ、リアルタイムワークロードに実用的である。
• データ量と挿入頻度の削減のおかげで、データベースのスケーラビリティが最大10倍向上する。
• 道路セグメント予測のマルコフモデルと移動時間モデリングのQP-EMにより、実世界の軌跡で95%の更新を正確に抑制できる。
• 更新が遅れても、ONTRAC はオフライン手法を上回る圧縮比を示し、オンライン環境における有効性を実証している。