NEIST: A Neural-Enhanced Index for Spatio-Temporal Queries
NEIST: A Neural-Enhanced Index for Spatio-Temporal Queries（TKDE2022）
在本文中，我们提出了一种神经增强索引NEIST，通过智能地利用运动对象之间的运动模式来提高处理时空查询的效率和准确性。NEIST应用递归神经网络(RNN)模型根据观察到的轨迹来预测运动物体的未来位置。为了减少预测开销，进一步构建后缀树来索引具有相似后缀的轨迹，从而将给定相似性范围内的相似对象分组在一起以共享相同的预测结果。NEIST的预测结果表示一组运动对象在接下来的t个时隙中的可能位置。在每个时隙内，采用传统的线性预测模型，构建TPR-Tree，支持时空查询。我们使用新加坡和波尔图出租车轨迹数据集来评估NEIST。与以前的方法相比，NEIST实现了更高效的查询性能，并且能够产生大约70%以上的准确性结果。
1.模型
NEIST主要由三个部分组成:轨迹预测模型、轨迹后缀树索引和基于时隙的tpr树(TS-TPR)。1)它的现有轨迹被用作神经模型的输入，神经模型将生成对轨迹的预测。
2)后缀树索引了共享相似轨迹的移动对象的预测结果。如果一个新对象与由后缀树索引的对象具有相似的轨迹,我们直接返回预测结果，这大大减少了预测开销
3)将神经模型或后缀树索引生成的预测结果插入到TS-TPR中，以回答预测的时空查询。
2.具体模型扩展
轨迹预测模型由三部分组成:编码器、上下文感知层和解码器。
3.数据集
第一个是新加坡出租车轨迹数据集，收集于2008年8月的整个月。该数据集包含超过15000辆出租车和1.4亿个轨迹。
第二个数据2描述了从2013年7月1日到2014年6月30日在波尔图运行的所有442辆出租车的大约100万条轨迹
总结：这篇论文的想法很明显：神经网络预测+轨迹索引实现时空轨迹查询。三个关键点：1）是神经网络轨迹预测 2）大规模轨迹管理（后缀树）3）返回时空轨迹查询结果。