[论文解读] 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 26

一句话总结

本综述全面概述了轨迹数据管理、分析与深度学习，涵盖预处理、存储、相似性搜索、聚类及实时应用。它提出了一套统一的轨迹分析框架，并识别出关键挑战与未来方向，包括参数化、数据集成以及面向智慧城市自动驾驶轨迹处理。

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.

研究动机与目标

• 为城市应用中的轨迹数据管理与分析提供系统性综述。
• 识别出相似性搜索与聚类等轨迹分析任务中共享的核心组件与操作符。
• 考察智慧城市中实时与交互式分析应用，包括移动性预测与公共卫生监测。
• 探索深度轨迹学习的新兴趋势及自动驾驶车辆数据。
• 突出关键研究空白，包括性能基准、参数化与数据集成挑战。

提出的方法

• 将轨迹数据分类为仅空间型与空间-文本型，并对点与轨迹提供形式化定义。
• 综述轨迹预处理技术，包括噪声过滤、轨迹压缩，以及与空间数据库和图数据库的数据集成。
• 分析相似性搜索的索引结构与距离度量，强调效率与剪枝能力。
• 基于通用操作符（相似性搜索、top-k 搜索、聚类与查询处理）提出统一的轨迹分析框架。
• 提出深度轨迹学习的研究议程，包括表征学习、预测与在线推理。
• 概述未来轨迹管理系统的需求，强调灵活性、实时处理能力以及对异构数据源的支持。

实验结果

研究问题

• RQ1 轨迹数据分析中的基本组件与共享操作符是什么？
• RQ2 如何高效管理与分析轨迹数据以支持实时城市应用？
• RQ3 大规模数据集下，轨迹相似性搜索、聚类与索引的关键挑战是什么？
• RQ4 如何利用深度学习实现轨迹表征学习、预测与查询优化？
• RQ5 轨迹系统在性能基准、参数化与数据集成方面存在哪些关键研究空白？

主要发现

• 轨迹数据管理需要对空间、文本与时间数据提供一体化支持，其中空间-文本轨迹在应用中正变得日益普遍。
• 相似性搜索与聚类是跨多种应用的基础操作符，其性能高度依赖于索引结构与距离度量。
• 深度轨迹学习在表征学习、移动性预测与合成数据生成方面展现出巨大潜力，但查询优化与学习索引仍处于研究不足状态。
• 自动驾驶车辆预计将生成高频、短时长、车道级的轨迹，这对低延迟流式分析解决方案提出高要求。
• 公共卫生应用（如新冠疫情等疫情中的疾病控制）展示了实时轨迹分析与接触追踪在拯救生命方面的巨大潜力。
• 缺乏标准化的性能基准与真实数据评估集，阻碍了轨迹算法开发的公平比较与进展。