Semantically Enriched Simplification of Trajectories
Notice bibliographique
Résumé
Abstract. Moving objects that are equipped with GPS devices generate huge volumes of spatio-temporal data. This spatial and temporal information is used in tracing the path travelled by the object, so called trajectory. It is often difficult to handle this massive data as it contains millions of raw data points. The number of points in a trajectory is reduced by trajectory simplification techniques. While most of the simplification algorithms use the distance offset as a criterion to eliminate the redundant points, temporal dimension in trajectories should also be considered in retaining the points which convey both the spatial and temporal characteristics of the trajectory. In addition to that the simplification process may result in losing the semantics associated with the intermediate points on the original trajectories. These intermediate points can contain attributes or characteristics depending on the application domain. For example, a trajectory of a moving vessel can contain information about distance travelled, bearing, and current speed. This paper involves implementing the Synchronized Euclidean Distance (SED) based simplification to consider the temporal dimension and building the Semantically Enriched Line simpliFication(SELF) data structure to preserve the semantic attributes associated to individual points on actual trajectories. The SED based simplification technique and the SELF data structure have been implemented in PostgreSQL 9.4 with PostGIS extension using PL/pgSQL to support dynamic lines. Extended experimental work has been carried out to better understand the impact of SED based simplification over conventional Douglas-Peucker algorithm to both synthetic and real trajectories. The efficiency of SELF structure in regard to semantic preservation has been tested at different levels of simplification.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».