近日，实验室博士生杨中的论文“Searching Activity Trajectories by Exemplar”被ACM Transactions on Data Science（ACM TDS）期刊收录。

随着移动互联网的快速发展，现代城市生活产生了大量的时空数据，如手机定位、交通数据、地理信息等。时空数据处理技术在当今移动互联的时代变得尤为重要，例如轨迹计算，它能够基于用户的轨迹信息，提供各种各样的服务，给人们的出行、交通带来更好的体验。轨迹计算在过去几年受到广泛地研究，主要有基于位置信息和时间信息的轨迹计算和基于位置信息和文本信息的轨迹计算。然而，不同于传统的轨迹数据，活动轨迹数据通常同时包含位置、时间和用户活动等多方面的信息，过去的研究很少同时考虑这3个维度，轨迹计算如何将这3个维度有机的结合在一起，仍然存在一些挑战。其次，传统的查询方式通常假设用户能够准确地描述查询对象的特征，但是在实际的应用中，用户不可能完全了解查询对象的所有的特征，在新的活动轨迹查询中，这种情况更为普遍。最近，有研究提出范例查询的方式，让不熟悉查询对象的用户，通过范例作为查询的起始。考虑到以上这些问题，文章提出了一种新的轨迹查询问题，活动轨迹的范例查询（Searching Activity Trajectories by Exemplar）。文章首先提出一种包含位置、时间和用户活动3个维度的轨迹相似度评估方法，然后设计了Active Grid-Tree对活动轨迹进行索引，再基于启发式的方法快速检索候选轨迹，最后利用多种剪枝方法和结果堆阈值方法快速终止算法。文章还提出了一种并行的方式，进一步提高算法效率。广泛的实验表明论文所提出的索引结构和查询算法具有较高的查询效率和可扩展性。