[论文解读] 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 3

一句话总结

本文提出了一种名为遗忘有界象限系统（Amnesic Bounded Quadrant System, ABQS）的在线、常数复杂度框架，用于在资源受限环境中的误差有界轨迹压缩。通过利用基于凸包的有界象限系统（Bounded Quadrant System, BQS）及其渐进式和快速变体，ABQS 实现了实时压缩并保证误差边界，同时通过智能老化机制防止数据硬丢失，在极端存储约束下，误差相比基线方法降低高达 400 倍。

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.

研究动机与目标

• 解决在内存、能耗和存储受限设备（如仅配备 4 KB RAM 和 1 MB 存储的野生动物追踪传感器）中实时轨迹压缩的挑战。
• 克服现有在线压缩算法在时间/空间复杂度方面存在的局限性（例如 O(n log n) 或 O(n²)），或需要完整数据缓冲的问题。
• 设计一种框架，通过智能管理数据老化实现随时间的渐进式退化，即使总数据量超过存储容量，也能避免硬数据丢失。
• 在数据大小无法预先估算的未知或长期运行时长下，实现高效率压缩和低误差率。
• 开发一种可扩展的在线解决方案，每数据点保持恒定的 O(1) 空间和 O(n) 时间复杂度，适用于嵌入式和低功耗平台。

提出的方法

• 提出有界象限系统（Bounded Quadrant System, BQS），一种新颖的在线压缩算法，利用由边界框和角度约束构成的凸包，实现无需迭代误差计算的快速、误差有保证的压缩决策。
• 引入三种变体：标准 BQS、用于实现 O(1) 空间和 O(n) 时间复杂度的快速 BQS（Fast BQS, FBQS），以及结合不确定性向量以实现时间自适应压缩的渐进式 BQS（Progressive BQS, PBQS）。
• 设计遗忘有界象限系统（Amnesic Bounded Quadrant System, ABQS）作为框架，通过应用遗忘函数来管理固定存储预算，随时间降低旧数据点的重要性。
• 使用显著性函数动态调整误差容限，使 ABQS 能够优先处理近期数据，避免硬覆盖，同时保持近期轨迹的高保真度。
• 实现一种有界误差机制，通过从凸包导出的几何边界进行压缩决策，无需完整缓冲区扫描或最大偏差计算。
• 将 PBQS 组件集成到 ABQS 中，以支持压缩的渐进式优化，使系统能够随时间自适应地权衡精度与存储使用。

实验结果

研究问题

• RQ1 轨迹压缩算法是否能在实时流式场景中实现恒定的空间和时间复杂度（O(1) 空间，O(n) 时间），同时保持误差边界？
• RQ2 当总数据量超过可用空间时，系统如何在长时间运行中管理有限存储，避免硬数据丢失？
• RQ3 在资源受限条件下，ABQS 框架相较于现有在线压缩方法，在压缩误差和运行寿命方面优势有多大？
• RQ4 BQS 家族在真实世界和合成数据中对极端轨迹形状和不同误差容限设置的鲁棒性如何？
• RQ5 当数据量未知时，PBQS 的渐进式压缩能力是否能实现优于固定容限算法的长期性能？

主要发现

• ABQS 的压缩率比最先进算法高出最多 45%，显著降低了资源受限环境中的存储和能耗。
• 由于高效压缩带来的内存和计算负载降低，目标硬件平台的运行时间延长了最多 41%。
• 在数据量远超存储容量的情况下，ABQS 的同步误差比基线方法（如 FBQS 和 DP）小 15 至 400 倍。
• 无论输入数据量从 10,000 到 80,000 个点，ABQS 在各种数据大小下均保持一致性能，同步误差稳定在约 1.5 公里，偏差为 200 米。
• 该框架对极端轨迹形状和误差容限设置具有鲁棒性，即使容限从 10 米变化到 80 米，性能下降也极小。
• 在超过约 27,000 个点的截止点后，ABQS 显著优于 FBQS 和 DP，后两者因硬数据丢失导致误差急剧上升（从 80 米飙升至 100 公里），而 ABQS 始终保持稳定且低水平的误差。