Modelling and Analysis of Semantically Enriched Simplified Trajectories Using Graph Databases
Notice bibliographique
Résumé
Abstract. Geospatial databases are utilized in modelling the huge volume of spatial-temporal data generated by tracking moving objects equipped with positioning devices. This data can be used in performing trajectory analysis such as optimum path finding or identification of collision risk. At the same time, this massive data becomes difficult to handle using traditional databases as raw trajectories contain a lot of unnecessary data points. Thus, trajectory simplification techniques are applied to reduce the number of vertices representing a trajectory. However, elimination of intermediate points by simplification process leads to a loss of semantics associated with the trajectories. These semantics are dependent on the application domain. For example, a trajectory of a moving vessel can convey information about time, distances travelled, bearing, or velocity. This research proposes a graph data model that enriches the simplified geometry of trajectories with the semantics lost in the simplification process. Raw trajectories, initially modelled and stored in a PostgreSQL/PostGIS database, are simplified according to both their spatial and temporal characteristics using the Synchronized Euclidean Distance (SED), while the Semantically Enriched Line simpliFication (SELF) data structure is adopted to preserve the semantics of the vertices eliminated in the simplification process. Then, enriched simplified trajectories are transferred to a Neo4j database and modelled in terms of nodes and edges using graphs. Trajectories can then be further processed using Cypher query language and Neo4j spatial procedures. A visualization tool has been developed on top of Neo4j graph database to support the semantic retrieval and visualization of trajectories.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».