移动轨迹大数据的压缩技术研究

In the foreseen years, the prevalence of wearable devices, drones and internet-of-things will bring another storm of data explosion in mobile trajectories. Under such a doomed context, we study the next-generation trajectory compression techniques to support an unprecedented scale of data volume generated by hundreds of millions of GPS devices. In particular, we explore how the sampled GPS data are sent to the backend servers in a lossless manner with the minimum communication overhead and how they are stored in disk with very high compression ratio and tolerable information loss. We will carry out the research from the following four aspects: lossless compression at the sensor side; the optimal communication scheme between sensors and servers; lossy compression at the server side and distributed compression techniques. Our system prototype will be eventually deployed on Spark system as a strong building block to support large-scale trajectory analysis and query processing in the future.

未来几年，可穿戴设备，无人机和物联网的盛行必将带来新一轮移动轨迹数据的大爆发。在此背景下，本课题探索如何设计新一代轨迹数据压缩系统来有效支持亿级别GPS传感器产生的数据存储问题，重点研究了GPS数据在传感器端采样后如何以最小的通讯代价无损地传送至服务器，以及最终如何以允许低失真率来换取超高的压缩率的方式进行分布式存储。围绕这两个关键问题，本课题将从4个方面开展研究：传感器端的无损压缩研究；传感器端的通讯机制研究；云端服务器的有损技术研究以及分布式压缩技术研究。最终的系统原型将实现在Spark平台上面，为将来基于轨迹大数据的分析和查询应用的研究工作奠定了一个良好的基础。

智能手机、可穿戴设备、无人机和物联网的盛行带来了新一轮移动轨迹数据的大爆发。在此背景下，本课题探索如何设计新一代轨迹数据压缩系统来有效支持亿级别GPS传感器产生的数据存储问题，重点研究了传感器端的无损压缩研究、传感器端的通讯机制研究、云端服务器的有损技术研究以及分布式压缩技术等核心技术问题，有效地将轨迹压缩与机器学习和云计算平台相结合，为轨迹大数据的分析和查询应用的研究工作奠定了一个良好的基础。依托本项目共发表了CCF A类长文13篇，CCF B类长文3篇，CCF C类长文2篇，并有两篇论文入选ESI高被引论文。