基于张量分解的AoT序列数据有损压缩方法

Array of Things (AoT)通过单一位置上的多传感器对城市系统进行连续动态观测。AoT观测数据量大且持续增长,使得如何利用有限的计算资源进行AoT序列数据的压缩传输成为其应用的关键瓶颈之一。本文提出了一种基于张量分解的AoT序列数据的有损压缩方法。面向其海量、高维且需在传感器端处理的需求,该方法首先将AoT序列数据组织成高维张量,利用算法复杂度较低的张量CANDECOMP/PARAFAC (CP)分解提取各维度上的特征主分量,而后利用张量重构实现特征保持的数据有损压缩。利用基于张量分解的有损压缩方法,针对美国芝加哥市区的24 h内感测的声光电磁数据进行了实验,讨论了不同压缩参数对压缩比、压缩误差、压缩精度、压缩时间、压缩过程运行内存占用和压缩结果内存占用之间的影响。实验结果表明该方法可实现AoT序列数据的有损压缩,其较小的内存占用能够支持传感器端数据压缩。并且与原始光场强度对比表明,压缩后的数据保持了原有时空分布特征。与传统矢量量化编码压缩方法相比,在相同压缩精度下,本文方法的压缩比约高27%~76%,压缩时间约节省46%~73%,压缩结果所占内存约节省17%~57%,因此本文方法具有更高的压缩比,更低的压缩时间和内存占用,可为AoT这一类数据的大规模有损压缩提供借鉴意义。     

基于时变网络的多粒度时空对象关系演化过程表达与建模

对空间事物的表达与研究模型主要针对多粒度时空数据本身的描述,而不是描述多粒度时空对象的相关性。多粒度时空对象是一种新的时空对象表达方法,其中时空对象关系的演化过程是一种抽象的复杂的网络的过程。本文在多粒度时空对象表达的基础上,对其演化过程进行形式化定义,提出以时变网络的方法构建初步的关系演化过程模型。通过对基于时间切片的退耕还林演化过程关系的描述与表达,形成动态实时变化的网络模型,从而抽象表达退耕还林过程中的对象关系的演化过程。应用时变网络明确多粒度时空对象关系的演化过程,并对演化过程进行初步的表达和建模,可以使对象关系变化更加清晰化,提高其层次性和效率性,为今后研究多粒度时空对象关系变化规律奠定基础。