هوش مصنوعی و کاربرد در آن مسیریابی- ترجمه آی اس آی هوش مصنوعی- خدمات ترجمه لبخند
کلمات کلیدی و معادل انگلیسی
  • افزايش نمايي
  • exponential growth
  • خط ‏سير
  • trajectory
  • پرس‌وجو
  • query
  • شبکه‌هاي موبايلي
  • mobile networks
  • شبکه‌هاي ماهواره‌اي
  • satellite networks
  • مقیاس‌پذیر
  • scalable
  • بازيابي
  • retrieve
  • اطلاعات مکانی-زماني
  • spatial-temporal information
  • روش توزيع شده
  • distributed method
  • شاخصگذاري
  • indexing
  • ساختار درخت بازه
  • structure of interval trees
  • اشياي متحرک
  • moving objects
  • شبکه‌ي جاده‌اي
  • road network
  • برچسب‌هاي RFI
  • RFID tags
  • سامانه‌هاي ناوبري
  • navigation systems
  • فناوري‌هاي ارتباطي بي‌سيم
  • wireless communication technology
  • پيگيري اشياء متحرک
  • tracking moving objects
  • پردازش اطلاعات مکاني
  • processing spatial information
  • حمل‌ونقل هوشمند
  • smart transportation
  • شبکه‌هاي اجتماعي
  • social networks
  • بسط دادن افقي
  • horizontal expansion
  • مدلهاي توزيع شده
  • distributed models
لوگو فارسیامروزه افزايش نمايي حجم داده‌هاي خط‏سير باعث چالش‌هایی نظیر ذخيره‌سازي، انجام محاسبات بسيار پرهزينه برای پاسخ به پرس‌وجوها و زمان‌بر و پرهزينه شدن ارسال اطلاعات از طريق شبکه‌هاي موبايلي و ماهواره‌اي، شده است. حل این مشکلات نیازمند راه‌کارهایی مقیاس‌پذیر و کارآمد است که بسط دادن افقي و استفاده از مدل‌هاي توزيع شده براي ذخيره و بازيابي اطلاعات مکانی-زماني یکی از این راه‌کارها مي‌باشد. در این مقاله روشي توزيع شده با نام DIM براي شاخصگذاري، دخیره‌سازی و پاسخ به پرس‌وجوهای داده‌هاي خط سیر اشیاء متحرک ارائه شده است. در این روش با در نظر گرفتن پرس‌وجوها و همچنين استفاده از داده ساختار درخت بازه، علاوه بر اینکه عامل زمان را نیز به شاخص‌گذاری داده‌ها اضافه کرده، ذخيره داده‌هاي مکانی-زماني مربوط به خط‌سير اشياي متحرک در شبکه‌ي جاده‌اي را به صورت توزيع‌شده انجام می‌دهد. در انتها تاثیر روش DIM بر ساخت شاخص و همچنین پاسخ به پرسوجوی‌های Time Interval، Spatial Range، Spatial/Temporal Range و kNN در آزمایش‌ها موردبررسی قرار داده است. نتایج و مقایسه‌‌های انجام شده در آزمایش‌های تجربی، نشان از کارایی بالای این ساختار شاخص‌گذاری دارد. با فراگير شدن دستگاه‌هاي مکان‌يابي دقيق نظير GPS، AIS، گوشي‌هاي هوشمند، برچسب‌هايRFID و سامانه‌هاي ناوبري وسايل نقليه و همچنین هزينه‌ي کم به‌کارگيري آن‌ها، در کنار پيشرفت فناوري‌هاي ارتباطي بي‌سيم، منجر به توسعه روزافزون خدمات اطلاعاتي مبتني بر مکان شده است. در نتیجه نياز به پيگيري اشياء متحرک روزبه‌روز در حال افزايش بوده و طيف وسیعی از کاربردها، نياز به ذخيره‌سازي و پردازش اطلاعات مکاني داشته تا بتوانند الگوهاي مفيدی را از اين داده‌ها استخراج کرده و به پرس‌وجوهاي مکاني زماني پاسخ دهند. از جمله این کاربردها می‌توان به سامانه‌هاي مديريت ترافيک، حمل‌ونقل هوشمند، گردشگري و شبکه‌هاي اجتماعي مبتني‌بر مکان و حتي بازي‌ها اشاره داشت. در نتيجهي اين فرايند حجم عظيمي از داده‌ها توليد شده است. ذخيره‌سازي و پردازش اين حجم داده زمان و منابع زيادي طلب ميکند که نياز به داشتن روشهاي مقياس پذير و کارا براي ذخيرهسازي و پاسخ به پرس‌وجوها را بيش از پيش نمايان ميکند. راهحل مناسبي که در چندسال اخير توجه زيادي را در زمينههاي مختلف به خود جلب کرده است، بسط دادن افقي و استفاده از مدلهاي توزيع شده براي ذخيره و بازيابي اطلاعات مکانی-زماني مي‌باشد.
لوگو انگلیسیThe exponential growth of trajectory data volume has created challenges like storage, costly query computations, and increase in the costs and time of transferring information via mobile and satellite networks. Dealing with such issues needs scalable and effective solutions and one of them is horizontal expansion and utilization of distributed models to store and retrieve spatial-temporal information. The present paper proposes a distributed method known as distributed indexing method (DIM) for indexing, storing, and responding to queries about the trajectory data of moving objects. Taking into account queries and using the data structure of interval trees, not only the factor of time is added to data indexing by DIM, but also the storage process of spatial-temporal data of moving objects trajectory on road network is performed in a distributed manner. The effects of DIM method on creating index and responding to time interval, spatial range, spatial/temporal range, and kNN queries were examined. The results of comparisons performed on the empirical tests indicated high performance of the indexing structure. An ever-increasing development of location-based services has been witnessed along with expansion of accurate positioning devices like GPS, AIS, smart phones, RFID tags, navigation systems, and vehicles and given the decrease of prices accelerated by wireless communication technology. Consequently, the necessity of tracking moving objects is growing on daily bases. A wide range of applications needs storing and processing spatial information for extracting useful models from the data and respond to spatial-temporal queries. Among these applications, traffic management systems, smart transportation, tourism, location based social networks, and even computer games are notable. This trend has led to generation of an immense volume of data and storing and processing it needs considerable time and resources. This demand highlights the necessity of scalable and efficient methods for storing and responding to queries. A proper solution that has drawn a great deal of attention over the last few years is horizontal expansion and distributed models for storing and retrieving spatial-temporal information.
کانال تلگرام ترجمه لبخند برای مطالعه بیشتر در مورد نگارش آکادمیک و نکات مهم به کانال تلگرامی ما مراجعه کنید.