Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Re-thinking Human Activity Recognition with Hierarchy-Aware Label Relationship Modeling Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Distributional Kernel: An Effective and Efficient Means for Trajectory Retrieval

verfasst von : Yuanyi Shang, Kai Ming Ting, Zijing Wang, Yufan Wang

Erschienen in: Advances in Knowledge Discovery and Data Mining

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we propose a new and powerful way to represent trajectories and measure the distance between them using a distributional kernel. Our method has two unique properties: (i) the identity property which ensures that dissimilar trajectories have no short distances, and (ii) a runtime orders of magnitude faster than that of existing distance measures. An extensive evaluation on several large real-world trajectory datasets confirms that our method is more effective and efficient in trajectory retrieval tasks than traditional and deep learning-based distance measures.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Mask Adaptive Spatial-Temporal Recurrent Neural Network for Traffic Forecasting
Nächstes Kapitel Multi-agent Reinforcement Learning for Online Placement of Mobile EV Charging Stations
Literatur
1.
Aronov, B., Har-Peled, S., Knauer, C., Wang, Y., Wenk, C.: Fréchet distance for curves, revisited. In: Azar, Y., Erlebach, T. (eds.) Algorithms - ESA 2006. Lecture Notes in Computer Science, vol. 4168, pp. 52–63. Springer, Berlin (2006). https://​doi.​org/​10.​1007/​11841036_​8CrossRef
2.
Beecks, C., Uysal, M.S., Seidl, T.: Signature quadratic form distance. In: Proceedings of the ACM International Conference on Image and Video Retrieval, pp. 438–445 (2010)
3.
Chen, H., Liu, Y., Hu, C., Zhang, X.: Vulnerable road user trajectory prediction for autonomous driving using a data-driven integrated approach. IEEE Trans. Intell. Transp. Syst. 24(7), 7306–7317 (2023)CrossRef
4.
Deng, L., Sun, H., Sun, R., Zhao, Y., Su, H.: Efficient and effective similar subtrajectory search: a spatial-aware comprehension approach. ACM Trans. Intell. Syst. Technol. 13(3), 1–22 (2022)CrossRef
5.
Gold, O., Sharir, M.: Dynamic time warping and geometric edit distance: breaking the quadratic barrier. ACM Trans. Algorithms 14(4), 1–17 (2018)MathSciNetCrossRef
6.
Gupta, V., Bedathur, S., De, A.: Learning temporal point processes for efficient retrieval of continuous time event sequences. In: Proceedings of the AAAI Conference on Artificial Intelligence,
7.
Levandowsky, M., Winter, D.: Distance between sets. Nature 234(5323), 34–35 (1971)CrossRef
8.
Li, X., Zhao, K., Cong, G., Jensen, C.S., Wei, W.: Deep representation learning for trajectory similarity computation. In: Proceedings of the 34th International Conference on Data Engineering, pp. 617–628. IEEE (2018)
9.
Muandet, K., et al.: Kernel mean embedding of distributions: a review and beyond. Found. Trends® Mach. Learn. 10(1-2), 1–141 (2017)
10.
Muandet, K., Fukumizu, K., Sriperumbudur, B., Schölkopf, B.: Kernel mean embedding of distributions: a review and beyond. Found. Trends Mach. Learn. 10(1–2), 1–141 (2017)CrossRef
11.
Omohundro, S.M.: Five Balltree Construction Algorithms. International Computer Science Institute Berkeley, Berkeley (1989)
12.
Su, H., Liu, S., Zheng, B., Zhou, X., Zheng, K.: A survey of trajectory distance measures and performance evaluation. VLDB J. 29, 3–32 (2020)CrossRef
13.
Taha, A.A., Hanbury, A.: An efficient algorithm for calculating the exact Hausdorff distance. IEEE Trans. Pattern Anal. Mach. Intell. 37(11), 2153–2163 (2015)CrossRef
14.
Tavenard, R., Malinowski, S., Chapel, L., Bailly, A., Sanchez, H., Bustos, B.: Efficient temporal kernels between feature sets for time series classification. In: Ceci, M., Hollmen, J., Todorovski, L., Vens, C., Dzeroski, S. (eds.) Machine Learning and Knowledge Discovery in Databases. Lecture Notes in Computer Science(), vol. 10535, pp. 528–543. Springer, Cham (2017). https://​doi.​org/​10.​1007/​978-3-319-71246-8_​32CrossRef
15.
Ting, K.M., Xu, B.C., Washio, T., Zhou, Z.H.: Isolation distributional kernel: a new tool for kernel based anomaly detection. In: Proceedings of the ACM SIGKDD Conference on Knowledge Discovery & Data Mining, pp. 198–206 (2020)
16.
Ting, K.M., Zhu, Y., Zhou, Z.H.: Isolation Kernel and its effect on SVM. In: Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp. 2329–2337 (2018)
17.
Wang, Z., Long, C., Cong, G., Liu, Y.: Efficient and effective similar subtrajectory search with deep reinforcement learning. Proc. VLDB Endowment 13(12), 2312–2325 (2020)CrossRef
18.
Yang, W., Wang, S., Sun, Y., Peng, Z.: Fast dataset search with earth mover’s distance. Proc. VLDB Endowment 15(11), 2517–2529 (2022)CrossRef
19.
Yao, D., Cong, G., Zhang, C., Bi, J.: Computing trajectory similarity in linear time: a generic seed-guided neural metric learning approach. In: IEEE International Conference on Data Engineering, pp. 1358–1369. IEEE (2019)
20.
Yao, D., Hu, H., Du, L., Cong, G., Han, S., Bi, J.: TrajGAT: a graph-based long-term dependency modeling approach for trajectory similarity computation. In: Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery & Data Mining, pp. 2275–2285 (2022)
21.
Yi, B.K., Jagadish, H.V., Faloutsos, C.: Efficient retrieval of similar time sequences under time warping. In: Proceedings of the 14th International Conference on Data Engineering, pp. 201–208. IEEE (1998)
Metadaten
Titel
Distributional Kernel: An Effective and Efficient Means for Trajectory Retrieval
verfasst von
Yuanyi Shang
Kai Ming Ting
Zijing Wang
Yufan Wang
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Advances in Knowledge Discovery and Data Mining

Print ISBN: 978-981-9722-64-8

Electronic ISBN: 978-981-9722-62-4

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-97-2262-4_22

Premium Partner

    Bildnachweise