[论文解读] Spatial Data Generators

Tin Vu, Sara Migliorini+2 more|arXiv (Cornell University)|Jul 17, 2021

Soil Geostatistics and Mapping参考文献 3被引用 9

一句话总结

本文提出了一套标准化框架，用于使用六种明确定义的概率分布（均匀分布、对角分布、正态分布、谢尔宾斯基分布、位图分布和地块分布）生成合成空间数据集，从而在空间数据库与GIS研究中实现可复现的基准测试。该方法采用数据集描述符，包含分布ID、模型参数和仿射变换矩阵，可通过参考实现和基于Web的工具（Spider Web）精确重现数据集，显著提升了实验的可复现性。

ABSTRACT

This gem describes a standard method for generating synthetic spatial data that can be used in benchmarking and scalability tests. The goal is to improve the reproducibility and increase the trust in experiments on synthetic data by using standard widely acceptable dataset distributions. In addition, this article describes how to assign a unique identifier to each synthetic dataset that can be shared in papers for reproducibility of results. Finally, this gem provides a supplementary material that gives a reference implementation for all the provided distributions.

研究动机与目标

• 解决由于合成数据生成方法不一致而导致的空间数据基准测试缺乏可复现性的问题。
• 提供一种标准化、可扩展且文档齐全的合成空间数据集生成方法，具备可控的特征。
• 使研究人员能够通过基于描述符的系统唯一标识并重现数据集，从而提升已发表实验的可复现性。
• 通过提供参考实现和基于Web的工具（Spider Web），减轻研究人员的负担，实现便捷的数据集生成。

提出的方法

• 该框架使用由分布ID、模型参数和仿射变换矩阵组成的描述符向量，唯一标识每个合成数据集。
• 定义了六种合成数据生成器——均匀分布、对角分布、正态分布、谢尔宾斯基分布、位图分布和地块分布——每种均由基数、维度和分布特异性参数进行参数化。
• 每个生成器使用标准随机数生成器生成点或矩形，其中矩形由点的中心推导得出。
• 通过3×3变换矩阵对所有几何对象应用仿射变换，支持旋转、缩放和平移，同时保持矩形的正交性。
• 通过连接多个简单数据集的描述符，生成复合数据集，从而通过组合实现复杂的空间模式。
• 基于Web的工具Spider Web提供用户友好的界面，用于选择分布、参数和变换，支持实时可视化，并可将数据集以标准格式（如CSV、WKT、GeoJSON）下载。

实验结果

研究问题

• RQ1 如何生成合成空间数据集，以确保在不同研究中实现完全可复现？
• RQ2 哪些标准化分布及其参数最适用于空间数据结构和查询处理算法的基准测试？
• RQ3 如何为每个合成数据集分配唯一且可引用的标识符，以使其他研究人员能够精确重现？
• RQ4 哪些设计模式能够支持可扩展性并实现与Spark等大数据系统集成？
• RQ5 如何通过基于Web的界面提升非程序员用户在合成空间数据生成方面的可访问性和可用性？

主要发现

• 所提出的框架通过标准化描述符实现了对合成空间数据集的精确重现，显著提升了空间研究中的可复现性。
• 所定义的六种生成器（均匀分布、对角分布、正态分布、谢尔宾斯基分布、位图分布和地块分布）生成的数据集具有多样的空间特征，适用于基准测试。
• 采用仿射变换可灵活实现空间自定义（如旋转、缩放），而无需修改核心生成器。
• Spider Web平台支持实时可视化，并可将数据集以CSV、WKT和GeoJSON格式下载，显著提升了研究人员的可用性。
• 参考实现和Web工具支持与现有研究工作流的集成，并可通过唯一描述符引用特定数据集配置，实现可引用性。
• 该方法已在先前研究中成功应用于索引构建、查询处理、空间划分和成本模型的评估。