[논문 리뷰] Prediction-based Online Trajectory Compression

Arlei Silva, Ramya Raghavendra외 2명|arXiv (Cornell University)|2016. 01. 23.

Data Management and Algorithms참고 문헌 27인용 수 3

한 줄 요약

ONTRAC은 공간(마르코프 모델) 및 시간(QP-EM) 성분에 대한 예측 모델을 사용하여 궤적 데이터베이스의 중복 업데이트를 억제하는 새로운 온라인 궤적 압축 프레임워크이다. 이는 이동 시간 데이터에 대해 최대 21배 높은 압축률을 달성하며, 4분의 업데이트 지연 조건에서도 최신 기술의 오프라인 방법을 능가하는 데이터베이스 확장성 향상을 이룬다.

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.

연구 동기 및 목표

• 스마트 시티 및 라이드셰어링과 같은 애플리케이션을 위한 실시간 공간-시간 데이터 처리에서의 확장성 및 실시간성 도전 과제를 해결한다.
• 낮은 지연 시간을 요구하는 스트리밍 궤적 데이터를 처리할 수 없는 기존 오프라인 궤적 압축 기법의 한계를 극복한다.
• 실시간으로 정확한 압축 궤적 표현을 유지하면서 효율적인 쿼리 처리를 지원하는 프레임워크를 개발한다.
• 도로 구간과 이동 시간에 대한 학습된 모델을 활용해 예측 가능한 업데이트를 억제함으로써 효율적인 데이터베이스 작업을 가능하게 한다.
• 기존 관계형 DBMS와의 호환성을 확보하기 위해 부분 복원 기능을 지원하는 쿼리 호환 압축 데이터 스키마를 설계한다.

제안 방법

• 최근 이력 기반으로 다음 도로 구간을 예측하는 마르코프 모델을 사용하여, 예상되는 업데이트가 저장되지 않도록 억제한다.
• 이동 시간 예측 모델을 위한 가우시안 기반 모델을 학습하기 위해 이차계획법과 기대값 최대화 기법을 적용한다.
• 희박하고 노이즈가 많은 GPS 업데이트를 처리하기 위해 시간적 궤적 추론을 최대우도추정 문제로 모델링한다.
• 쿼리 시점에 전체 궤적 재구성 가능성을 위해 예측 오차(잔차)와 예측 모델만 저장한다.
• 성능 오버헤드를 최소화하면서 정확도를 유지하기 위해 쿼리 중 부분 복원을 지원한다.
• 표준 관계형 데이터베이스와 압축된 데이터 스키마를 통합하여 색인 및 효율적인 쿼리 처리를 가능하게 한다.

실험 결과

연구 질문

• RQ1 예측 기반 궤적 업데이트 억제 기법이 실시간 시스템에서 온라인 압축 성능을 향상시킬 수 있는가?
• RQ2 실제 지연 조건 하에서 예측 기반 온라인 프레임워크의 압축 비율은 최신 기술의 오프라인 방법과 비교해 어떻게 되는가?
• RQ3 도로 구간과 이동 시간에 대한 예측 모델이 온라인 궤적 처리에서 데이터베이스 삽입 횟수를 얼마나 줄일 수 있는가?
• RQ4 압축 궤적 프레임워크에서 부분 복원을 사용할 경우 쿼리 처리의 성능 오버헤드는 어느 정도인가?
• RQ5 입력 궤적 업데이트의 볼륨을 줄임으로써 데이터베이스 작업의 확장성을 향상시킬 수 있으며, 이때 쿼리 정확도를 손상시키지 않는가?

주요 결과

• ONTRAC은 4분의 업데이트 지연 조건에서도 최신 기술의 오프라인 방법 대비 이동 시간 데이터에 대해 최대 21배 높은 압축 비율을 달성한다.
• 비압축 기준 대비 베이징 데이터셋 기준으로 데이터베이스 삽입 레이트가 최대 11.7배 향상된다.
• ONTRAC-PT(부분 복원)는 전체 비압축 시스템 대비 오직 25–38%의 오버헤드만을 유발하여 실시간 워크로드에 실용적이다.
• 데이터 볼륨 감소와 삽입 빈도 감소로 인해 데이터베이스 확장성이 최대 한 계단(10배) 향상된다.
• 실생활 궤적에서 도로 구간 예측을 위한 마르코프 모델과 이동 시간 모델링을 위한 QP-EM은 약 95%의 업데이트를 정확하게 억제할 수 있다.
• 지연된 업데이트 조건에서도 ONTRAC은 오프라인 방법을 능가하는 압축 비율을 확보하여 온라인 환경에서의 효과성을 입증한다.