Цифра › Софт1 мин чтения

В Бэйханском университете разработали кластерный метод оценки федеративных траекторных данных

Инженеры предложили алгоритм ускоренного расчета вектора Шепли для распределенных систем геоданных на основе центров кластеров.

Beihang University proposes clustering framework for federated trajectory data valuation
Фото: Michael Darter, Wikimedia Commons, CC BY-SA 4.0 · Лицензия: CC BY-SA 4.0

Исследовательская группа под руководством профессора Юнсиня Туна из Бэйханского университета разработала алгоритмический фреймворк для оценки распределенных траекторных данных в федеративных системах, сообщает EurekAlert eurekalert.orgEurekAlerteurekalert.orgОткрыть источник ↗. Разработка направлена на устранение разрозненности хранилищ информации путем справедливого распределения компенсаций между владельцами баз данных.

В реальных условиях массивы траекторий принадлежат независимым операторам, неохотно передающим записи без точной оценки их вклада. Классические методы вычисления вектора Шепли, применяемые для честного распределения полезности в теории кооперативных игр, сталкиваются с высокой вычислительной сложностью при масштабировании на крупные распределенные массивы пространственно-временных координат.

Декомпозиция пространственно-временных единиц

Для оптимизации нагрузки инженеры применили свойство декомпозиции общей функции полезности по дискретным парам «участок дороги — временной интервал». За счет этого глобальная задача оценки траекторий разделяется на множество независимых расчетных блоков, отражающих перемещения на конкретных отрезках сети.

Кластеризация и перенос значений

Алгоритм кластеризации группирует пары дорожных отрезков и временных отметок со схожим профилем покрытия маршрутов, выявляя вычислительную избыточность eurekalert.orgEurekAlerteurekalert.orgОткрыть источник ↗. Вектор Шепли рассчитывается строго для центрального элемента каждого сформированного кластера, после чего полученное значение экстраполируется на всех участников этой группы. По данным авторов, испытания на реальных наборах данных подтвердили прирост скорости вычислений и точности оценки по сравнению с базовыми методами.

Источники · 1

Нашли ошибку?
  1. ↩

Читайте также

Далее

Следующая статья откроется сама

Ещё
Мы в соцсетях

Введите хотя бы две буквы — результаты появятся сразу

↑↓выбрать↵открытьescзакрыть