基于张量分解的AoT序列数据有损压缩方法

作者：杨晨,高鸿,张丽莹,胡旭,俞肇元,李冬双

摘要：Array of Things (AoT)通过单一位置上的多传感器对城市系统进行连续动态观测。AoT观测数据量大且持续增长,使得如何利用有限的计算资源进行AoT序列数据的压缩传输成为其应用的关键瓶颈之一。本文提出了一种基于张量分解的AoT序列数据的有损压缩方法。面向其海量、高维且需在传感器端处理的需求,该方法首先将AoT序列数据组织成高维张量,利用算法复杂度较低的张量CANDECOMP/PARAFAC (CP)分解提取各维度上的特征主分量,而后利用张量重构实现特征保持的数据有损压缩。利用基于张量分解的有损压缩方法,针对美国芝加哥市区的24 h内感测的声光电磁数据进行了实验,讨论了不同压缩参数对压缩比、压缩误差、压缩精度、压缩时间、压缩过程运行内存占用和压缩结果内存占用之间的影响。实验结果表明该方法可实现AoT序列数据的有损压缩,其较小的内存占用能够支持传感器端数据压缩。并且与原始光场强度对比表明,压缩后的数据保持了原有时空分布特征。与传统矢量量化编码压缩方法相比,在相同压缩精度下,本文方法的压缩比约高27%~76%,压缩时间约节省46%~73%,压缩结果所占内存约节省17%~57%,因此本文方法具有更高的压缩比,更低的压缩时间和内存占用,可为Ao T这一类数据的大规模有损压缩提供借鉴意义。

发文机构：南京师范大学虚拟地理环境教育部重点实验室 江苏省地理环境演化国家重点实验室培育建设点 江苏省地理信息资源开发与利用协同创新中心 江苏省作物遗传生理国家重点实验室/江苏省作物栽培生理重点实验室 江苏省粮食作物现代产业技术协同创新中心

关键词：传感器时空序列AOT有损压缩多维张量张量分解CP分解张量重构sensorspatio-temporal sequenceArray of Things(AoT)lossy compressionmultidimensional tensortensor decompositionCANDECOMP/PARAFAC decompositiontensor reconstruction

分类号： TP3[自动化与计算机技术—计算机科学与技术]