自适应轨迹压缩投影矩阵的确定性构造

压缩感知能够从少量测量中精确重构稀疏信号，在轨迹压缩方面具有巨大潜力。为了优化压缩效果，轨迹压缩算法需要根据轨迹的可压缩性自适应地调整压缩比。直观而言，物体在笔直道路上运动的轨迹比在蜿蜒道路上运动的轨迹更具可压缩性，因此前者可实现更高的压缩率。我们提出了一种基于支持向量回归理论的原位压缩技术，该技术可根据物体的平均速度准确预测轨迹的可压缩性，随后应用压缩感知使压缩适应轨迹的可压缩性。传统的压缩感知编码和解码过程使用预定义的字典与测量（或投影）矩阵对。然而，选择最优对既非平凡也需穷举，而随机选择一对并不能保证最佳压缩性能。本文提出了一种确定性的数据驱动投影矩阵构造方法，该方法通过对从数据集中学习到的稀疏化字典进行奇异值分解而获得。我们分析了行人和动物轨迹数据集的案例研究，包括来自 127 个主体的 GPS 轨迹数据。实验结果表明，所提出的结合了投影矩阵确定性构造的自适应压缩算法，相较于现有最先进替代方案，提供了显著更优的压缩性能。