A Novel Context-Aware Douglas–Peucker (CADP) Trajectory Compression Method
Notice bibliographique
Résumé
Most traditional trajectory compression methods, such as the Douglas–Peucker (DP) method, consider only spatial characteristics and disregard contextual factors, including environmental context. This paper proposes a new way of trajectory formulation by considering all spatial, internal, environmental, and semantic contexts to capture all contextual aspects of moving objects. Then, we propose the Context-Aware Douglas–Peucker (CADP) method for trajectory compression. These facts are confirmed by experiments with real AIS data showing that, while CADP preserves the same computational efficiency of DP (i.e., at O(n2)), it outperforms DP and two-stage Context-Aware Piecewise Linear Segmentation (two-stage CPLS) methods in preserving agent movement behavior, obtaining compressed trajectories that are closer to the original ones and that are much more useful in base analyses such as trajectory prediction. Specifically, the LSTM-based models trained on CADP-compressed trajectories have relatively lower RMSEs than others compressed by either DP or two-stage CPLS. Therefore, CADP is more scalable and efficient, thus making it more practical for large-scale engineering applications; with the improvement in trajectory analysis accuracy achieved by the suggested method, a wide range of critical engineering applications can be potentially improved, such as collision avoidance and route planning. Future work will focus on spatial auto-correlation and uncertainty to extend the robustness and applicability of the approach.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,009 |
| Science ouverte | 0,002 | 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 ».