دانلود مقاله انگلیسی رایگان:کارایی بالا تطبیق مسیر مکانی و مکانی در منابع داده ناهمگن - سایپرز ، باشگاه دانش - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • High-performance spatiotemporal trajectory matching across heterogeneous data sources High-performance spatiotemporal trajectory matching across heterogeneous data sources
    High-performance spatiotemporal trajectory matching across heterogeneous data sources

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    High-performance spatiotemporal trajectory matching across heterogeneous data sources


    ترجمه فارسی عنوان مقاله:

    کارایی بالا تطبیق مسیر مکانی و مکانی در منابع داده ناهمگن - سایپرز ، باشگاه دانش


    منبع:

    Sciencedirect - Elsevier - Future Generation Computer Systems, 105 (2020) 148-161: doi:10:1016/j:future:2019:11:027


    نویسنده:

    Xuri Gong, Zhou Huang ∗, Yaoli Wang, Lun Wu, Yu Liu


    چکیده انگلیسی:

    In the era of big data, the movement of the same object or person can be recorded by different devices with different measurement accuracies and sampling rates. Matching and conflating these heterogeneous trajectories help to enhance trajectory semantics, describe user portraits, and discover specified groups from human mobility. In this paper, we proposed a high-performance approach for matching spatiotemporal trajectories across heterogeneous massive datasets. Two indicators, i.e., Time Weighted Similarity (TWS) and Space Weighted Similarity (SWS), are proposed to measure the similarity of spatiotemporal trajectories. The core idea is that trajectories are more similar if they stay close in a longer time and distance. A distributed computing framework based on Spark is built for efficient trajectory matching among massive datasets. In the framework, the trajectory segments are partitioned into 3-dimensional space–time cells for parallel processing, and a novel method of segment reference point is designed to avoid duplicated computation. We conducted extensive matching experiments on real-world and synthetic trajectory datasets. The experimental results illustrate that the proposed approach outperforms other similarity metrics in accuracy, and the Spark-based framework greatly improves the efficiency in spatiotemporal trajectory matching.
    Keywords: Distributed computing | Spatiotemporal big data | Trajectory similarity | Trajectory matching


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 14
    حجم فایل: 1217 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi