torchtrajectory

T-Torch: Mencari lintasan dengan cepat

• T-Torch adalah mesin pencari pertama di dunia untuk data lintasan, yang dibangun di atas makalah penelitian kami di bawah ini:

 Sheng Wang, Zhifeng Bao, J. Shane Culpepper, Zizhe Xie, Qizhi Liu, Xiaolin Qin: Torch: A Search Engine for 
Trajectory Data. SIGIR 2018: 535-544

• Kami juga memiliki sistem analisis lalu lintas berdasarkan t-torch: http://47.75.79.142:8080/ttorchserver/.

Pertanyaan yang didukung

T-Torch dapat secara efisien menjawab dua jenis kueri yang khas sekarang:

• Pencarian Boolean
  • Kueri jangkauan
  • Kueri jalur
  • Kueri jalur yang ketat
• Pencarian kesamaan Top-K, kami mendukung daftar langkah-langkah kesamaan:
  • Dynamic Time Wrapping (DTW)
  • Sub-urutan umum terpanjang (LCSS)
  • Edit jarak dengan penalti asli (EDR)
  • Jarak hausdorff
  • Jarak fréchet diskrit
  • Segmen Jalan Terpanjang Terpanjang (LORS)

Fitur kerangka kerja

• T-Torch melakukan pencarian lintasan di atas lintasan yang dipetakan.
  • Algoritma pencocokan peta yang dioptimalkan melalui graphhopper
  • Penyimpanan Data Ligtweight
• Pencarian cepat dengan
  • Indeks yang dapat dikompres
  • Berbagai ukuran kesamaan
• Visualisasi lintasan di jaringan jalan nyata
  • http://115.146.93.77:8080/ttorchserver/

Memulai

0. Unduh Dataset Porto

Dataset lintasan kami yang dikumpulkan di Porto tersedia. Dataset disesuaikan dengan peta dan diindeks. Silakan unduh di https://drive.google.com/open?id=110U9RaQXHXWS_TN0IJI-A1N71ELRIYBM dan masukkan ke dalam direktori root proyek.

1. Ketergantungan

Kami mengelola perpustakaan dependen dengan Maven. Anda dapat dengan mudah menginstal perangkat lunak yang diperlukan dalam file pom.xml.

2. Menjalankan Program Sampel

Kami menyediakan kasus penggunaan untuk kueri jalur. Metode utama () ada di kelas uji.

   1. Engine engine = Engine.getBuilder().build();
   2. List<List<TrajEntry>> queries = read();
   3. QueryResult result = engine.findOnPath(queries.get(0));

T-Torch menyediakan mesin kelas tingkat tinggi yang berisi API sederhana untuk pemrosesan kueri.

• Baris 1 memuat/membangun struktur indeks dari dataset, dienkapsulasi oleh kelas mesin.
• Baris 2 memuat kueri sampel yang disediakan oleh kami.
• Baris 3 memanggil API dari kueri jalur. API untuk jenis kueri yang didukung lainnya dijelaskan di bagian selanjutnya

3. Jenis kueri

1) Kueri jangkauan

   QueryResult ret = engine.findInRange(50, 50, 50);

Kueri rentang digunakan untuk mengambil lintasan yang melewati area persegi panjang tertentu. Untuk mendefinisikan area persegi panjang, diperlukan tiga argumen. Lintang dan bujur menentukan titik tengah, dengan jari -jari (dalam meter) bersama -sama mewakili area persegi panjang.

2) kueri jalur

   QueryResult ret = engine.findOnPath(query);

Path Query ² digunakan untuk mengambil lintasan yang memiliki setidaknya satu tepi umum dengan kueri. Argumen yang dibutuhkan adalah "jalur" yang diwakili oleh daftar koordinat .

3) Kueri Jalur yang Ketat

   QueryResult ret = engine.findOnStrictPath(query)

Query Path yang ^ketat digunakan untuk mengambil lintasan secara ketat melewati seluruh kueri dari awal hingga akhir. Argumen yang dibutuhkan adalah "jalur" yang diwakili oleh daftar koordinat .

4) Pencarian Kesamaan Lintasan Top-K

   QueryResult ret = engine.findTopK(query, 3);

Kueri Kueri Top mengembalikan K lintasan peringkat tertinggi berdasarkan ukuran kesamaan yang ditentukan. Argumen pertama adalah "lintasan kueri" yang diwakili oleh daftar koordinat , dan yang kedua adalah jumlah hasil teratas untuk dikembalikan.

4. QueryResult

   if (ret.mappingSucceed){
      List<Trajectory<TrajEntry>> l = ret.getResultTrajectory();
      String mapVformat = ret.getMapVFormat();
   }else{
       //do something
   }

Setelah kueri diproses, objek tipe QueryResult dikembalikan secara seragam. Ini berisi lintasan kueri dalam bentuk mentah, lintasan kueri yang cocok dengan peta, dan semua lintasan yang diambil. Anda juga dapat memproyeksikan ini di MAPV ³ untuk tujuan visualisasi.

3. Gunakan dataset Anda sendiri

Jika Anda ingin mencari di atas dataset Anda sendiri, silakan ikuti langkah -langkah ini untuk preprocessing data:

1. Unduh data peta dari OpenStreetMap di mana data lintasan dikumpulkan, itu harus dalam format *.osm.pbf dan Anda perlu memasukkannya ke direktori sumber daya.

2. Preprocess dataset Anda ke dalam format yang didukung oleh program kami. Pencocokan peta adalah teknik untuk memproyeksikan lintasan mentah ke jaringan jalan nyata. Argumen pertama adalah URI dari data lintasan mentah, sedangkan argumen kedua "Resources/porto.osm.pbf" harus menjadi URI ke file PBF Anda ¹ setelah pengaturan, call start () metode untuk mengonversi lintasan mentah menjadi lintasan yang dipetakan. Setelah MapMatching, jalankan program Main () di kelas Torch.base.db.dbManager untuk membangun indeks terbalik pada disk. Harap ambil dataset Porto kami sebagai contoh.

   MapMatching mm = MapMatching.getBuilder().build("Resources/porto_raw_trajectory.txt","Resources/porto.osm.pbf");
   mm.start();

Catatan:

   trajectoryID [[latitude1,longtitude1],[latitude2,longtitude2],...]

1. Format data lintasan harus sama dengan yang ada di set data sampel, dan ada karakter yang memisahkan ID lintasan dan kontennya
2. Jika menggunakan dataset Anda sendiri, harap preprocess data Anda dengan benar. Lintasan berkualitas rendah mengarah pada laju proyeksi rendah, dan lintasan panjang tinggi (lebih dari 200) dapat memengaruhi waktu kueri.

Kontributor utama

• Yunzhuang Shen
• Zizhe Xie
• Sheng Wang (beranda: https://sites.google.com/site/shengwangcs/)

Mengutip kertas

Jika Anda menggunakan kode ini untuk karya ilmiah Anda, silakan kutipnya sebagai:

 Sheng Wang, Zhifeng Bao, J. Shane Culpepper, Zizhe Xie, Qizhi Liu, Xiaolin Qin: Torch: A Search Engine for 
Trajectory Data. SIGIR 2018: 535-544

 @inproceedings{wang2018torch,
  author          = {{Wang}, Sheng and {Bao}, Zhifeng and {Culpepper}, J. Shane and {Xie}, Zizhe and {Liu}, Qizhi and {Qin}, Xiaolin},
  title           = "{Torch: {A} Search Engine for Trajectory Data}",
  booktitle       = {Proceedings of the 41th International ACM SIGIR Conference on Research & Development in Information Retrieval},
  organization    = {ACM},
  pages     = {535--544},
  year            = 2018,
}