Context-Based Moving Object Trajectory Uncertainty Reduction and Ranking in Road Network

摘要

到大量 GPS 数据从各种各样的动人的对象产生了的支持，后端服务器通常存储 low-sampling-rate 轨道。因此，没有精确位置信息能从后端服务者直接被获得，无常是时间空间的数据的一个固有的特征。怎么这样处理无常成为一个基本、挑战性的问题。很多研究坚硬地自己在一个动人的目标的无常上被进行了并且从它被导出的上下文孤立。然而，我们发现动人的目标的无常能高效地被减少并且有效地评价使用上下文知道的信息。在这篇论文，我们集中于 contextaware 信息并且建议一个综合框架，基于上下文的无常减小并且评价(发咕咕声) ，减少并且评价轨道的无常。明确地，给二连续采样，我们试图根据从上下文提取的信息推断并且评价可能的轨道。当一些上下文知道的信息能被用来评价无常时，自从一些，上下文知道的信息能被用来减少无常，到因此利用他们，自然地发咕咕声由二个阶段组成：补充对方的减小舞台和评价舞台。我们也实现一个原型系统验证我们的解决方案的有效性。广泛的实验被进行，评估结果表明效率和高精确性发咕咕声。