[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
درباره دانشکده::
مدیریت دانشکده::
اعضای هیات علمی ::
معرفی افراد::
امور آموزش::
امور پژوهشی::
آموزش الکترونیکی::
پردیس شماره 2::
اخبار و رویدادها::
فضاهای آموزشی و تحقیقاتی ::
تسهیلات پایگاه::
::
ورود به سایت دروس

AWT IMAGE

نام کاربری
کلمه عبور

AWT IMAGE
رمز ورود را فراموش کرده‌اید؟

..
دفاعیه کارشناسی ارشد

دفاعیه کارشناسی ارشد

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: امید اصفهانی علمداری ::
 | تاریخ ارسال: ۱۳۹۴/۱۲/۱۷ | 

AWT IMAGE

آقای امید اصفهانی علمداری دانشجوی کارشناسی ارشد آقایان دکتر حسن نادری و دکتر عین‌اله خنجری روز دوشنبه  94/12/17 ساعت 08:00 در اتاق سمینار واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان "ارائه‌ی روشی مبتنی بر شباهت برای کاهش داده‌ی خط‌ سیر اشیاء متحرک در شبکه‌های جاده‌ای" دفاع نمود.

چکیده

فراگیر شدن دستگاه‌های مکان‌یابی، شامل گوشی‌های هوشمند، برچسب‌هایRFID و سامانه‌های ناوبری وسایل نقلیه و پیشرفت فناوری‌های ارتباطی بی‌سیم، منجر به توسعه روزافزون خدمات اطلاعاتی مبتنی بر محل شده است. ردگیری اشیاء متحرک، در کاربردهای مختلف نظیر سامانه‌های مدیریت ترافیک، حمل‌ونقل، گردشگری و شبکه‌های اجتماعی مبتنی‌بر محل، باعث ایجاد حجم عظیمی از داده‌ها می‌شود. افزایش بی‌رویه حجم داده‌های خط‏سیر باعث ایجاد سربار ارتباطاتی و ذخیره‌سازی شده و پردازش پرس‌وجوهای مکانی-زمانی را با مشکل روبرو کرده است. با کاهش حجم داده‌های خط‏سیر می‌توان تا حدود زیادی بر این مشکلات غلبه کرد. فشرده‌سازی و کاهش داده‌ها بخش اساسی در مرحله‌ی پیش‌پردازش تحلیل داده‌های مکانی-زمانی به شمار می‌رود. البته چالش اصلی در این زمینه، حفظ کیفیت این داده‌ها متناسب با نیاز برنامه‌های کاربردی است.

بسیاری از روش‌های کاهش داده‌ی خط‌سیر، یک خط‌سیر را به‌عنوان ورودی گرفته و با بهره‌گیری از روش‌هایی مانند ساده‌سازی خط، تعداد نقاط موردنیاز برای نمایش آن را کاهش می‌دهند. درحالی‌که می‌توان با در نظر گرفتن چندین خط‌سیر، افزونگی‌ها را تشخیص داد و به کمک رفتارهای حرکتی مشابه، اقدام به کاهش داده‌ی خط‌سیرها نمود. بسیاری از این شباهت‌ها، در مورد خط‌سیرهای محدود به شبکه، به دلیل ویژگی‌های خاص حرکت اشیاء در شبکه‌های جاده‌ای، قابل توجیه هستند. همه‌ی این اشیاء متحرک، دارای مؤلفه‌ی مکانی مشترک می‌باشند و از طرف دیگر برخی از یال‌ها (دنباله‌ای از یال‌ها) دارای محبوبیت بیشتری در بین اشیاء متحرک هستند. در این پژوهش، با استفاده از یک روش خوشه‌بندی مبتنی بر شبکه جاده‌ای و بررسی بخشی از مجموعه داده به‌عنوان مجموعه‌ی آموزشی، این یال‌ها استخراج شده و از آن‌ها برای کاهش داده‌ی خط‌سیرهای کل مجموعه داده استفاده می‌شود. درنهایت، آزمایش‌های متعددی برای ارزیابی این روش انجام می‌شود که عملکرد قابل‌توجه این روش در فشرده‌سازی داده‌های خط‌سیر را نشان می‌دهد. همچنین، تأثیر این روش بر پرس‌وجوهای برنامه‌های کاربردی و روش‌های شاخص‌گذاری بررسی می‌شود.

واژه‌های کلیدی:  پایگاه داده‌های اشیاء متحرک، داده‌های خط‏سیر، خدمات مبتنی بر محل، کاهش داده‌های خط‏سیر، خوشه‌بندی داده‌های خط‌سیر

Abstract

The proliferation of positioning devices such as smart phones, RFID tags and vehicle navigation systems and development in wireless technologies have resulted in an increasing growth in location-based services. Tracking of moving in different applications like traffic and transportation management systems, tourism and location-based social networks has resulted in massive amounts of data. The exponential increase in the amount of such trajectory data has caused communicational and storage problems and it is difficult to run spatio-temporal queries. By reducing their volumes, one can overcome to these problems. But the main challenge regarding this solution is maintaining the quality of resulting data considering application requirements.

Most of the state-of-the-art methods reduce trajectory data individually. Such methods take one trajectory as input and reduce the number of points needed for its representation. But by considering multiple trajectories, redundancies can be obtained and a higher compression ratio can be achieved using this information. Some of this redundancies are justifiable because of special characteristics of road networks. The motion of moving objects in road networks is constrained by the edges of network. So all the moving objects share the common spatial component. In the other hand, trajectories are not evenly distributed within the road network and some edges (or sequence of edges) are very popular than the others. In this research, we used a road network based clustering technique and a training set to find such edges which are used to reduce network matched trajectory data.

Finally, multiple experiments are conducted in order to assess this method which shows the considerable performance of the method. Alongside, the effect of this compression on index methods and application queries are investigated.

Keywords: moving objects databases, trajectory data, location-based services, trajectory data reduction, trajectory data clustering.


دانشجو:

امید اصفهانی علمداری

   رشته مهندسی کامپیوتر – نرم‌افزار

استاد راهنما: دکتر حسن نادری – دکتر عین‌اله خنجری

استاد داور داخلی: دکتر بهروز مینایی بیدگلی

استاد داور خارجی: دکتر محمود نشاطی

  تاریخ دفاع: دوشنبه 17 اسفند ماه 94

  زمان:ساعت 08:00

 

  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق سمینار

 از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

 

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

 

 

 

 

 

 

دفعات مشاهده: 1373 بار   |   دفعات چاپ: 348 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
School of Computer Engineering
Persian site map - English site map - Created in 0.19 seconds with 965 queries by yektaweb 3525