maritime IoT 产业中大规模船舶轨迹的 GPU 加速压缩与可视化
信号处理
2020-04-29 v1 分布式、并行与集群计算
摘要
自动识别系统 (AIS) 是一种自动船舶跟踪系统，已广泛应用于 maritime 物联网 (IoT) 产业中的智能交通管理与避碰服务。随着海运的快速发展，已收集到海量基于 AIS 的船舶轨迹数据，使得轨迹数据压缩势在必行且充满挑战。本文主要关注大规模船舶轨迹的压缩与可视化及其图形处理单元 (GPU) 加速实现。通过可视化来研究压缩对船舶轨迹数据质量的影响。特别地，分别用于轨迹压缩和可视化的 Douglas-Peucker (DP) 和核密度估计 (KDE) 算法，借助 GPU 架构的大规模并行计算能力得到显著加速。我们在从三个不同水域（即长江口南槽、成山头水域和舟山群岛）收集的记录船舶运动的大规模 AIS 数据上进行了轨迹压缩与可视化的综合实验。实验结果表明：(1) 所提出的基于 GPU 的并行实现框架能显著减少轨迹压缩与可视化的计算时间；(2) 若压缩阈值选择适当，压缩后的船舶轨迹对轨迹可视化的影响可忽略不计；(3) 与其他七种核函数相比，高斯核能够生成更合适的基于 KDE 的可视化性能。
引用
@article{arxiv.2004.13653,
title = {GPU-Accelerated Compression and Visualization of Large-Scale Vessel Trajectories in Maritime IoT Industries},
author = {Yu Huang and Yan Li and Zhaofeng Zhang and Ryan Wen Liu},
journal= {arXiv preprint arXiv:2004.13653},
year = {2020}
}
备注
19 pages, 21 figures