Kollektive Vereinfachung von Trajektorien in einer Datenbank: Ein ansatz basierend auf der Abfragegenauigkeit

Es sammeln sich zunehmend massive Mengen an Trajektoriendaten, die für verschiedene Anwendungen genutzt werden können, wie das Mining beliebter Routen oder die Identifizierung von Fahrgemeinschaftskandidaten. Da das Speichern und Abfragen massiver Trajektoriendaten kostspielig ist, wurden Techniken zur Trajektorienvereinfachung eingeführt, die intuitiv darauf abzielen, die Größen der Trajektorien zu reduzieren, um so den Speicherbedarf zu verringern und die Abfragegeschwindigkeit zu erhöhen, während so viele Informationen wie möglich erhalten bleiben. Bestehende Techniken stützen sich hauptsächlich auf manuell entwickelte Fehlermessungen, um zu entscheiden, welcher Punkt bei der Vereinfachung einer Trajektorie fallen gelassen werden soll. Während die Hoffnung bestehen mag, dass eine solche Vereinfachung die anschließende Nutzbarkeit der Daten nur minimal beeinträchtigt, bleibt die Nutzbarkeit der vereinfachten Daten weitgehend unerforscht. Anstatt Fehlermessungen zu verwenden, die indirekt in gewissem Maße vereinfachte Trajektorien mit hoher Nutzbarkeit ergeben können, verfolgen wir einen direkten Ansatz zur Vereinfachung und präsentieren die erste Studie zur traiektorienvereinfachung, die auf der Abfragegenauigkeit basiert, wobei das direkte Ziel darin besteht, eine vereinfachte Trajektoriedatenbank zu erreichen, die die Abfragegenauigkeit der Originaldatenbank so gut wie möglich bewahrt. Insbesondere schlagen wir eine auf multi-agenten verstärkendem Lernen basierende Lösung vor, bei der zwei Agenten kooperativ zusammenarbeiten, um Trajektorien in einer Datenbank kollektiv zu vereinfachen und gleichzeitig die Abfragebenutzbarkeit zu optimieren. Umfangreiche Experimente mit vier realen Trajektoriendatensätzen zeigen, dass die Lösung in der Lage ist, bestehende Lösungen über verschiedene Abfragearten und Dynamiken hinweg konstant zu übertreffen.