基于深度学习的分布式时空数据快速真值推理方法

针对移动群众分布式感知中真值推理缺乏有效的真值基准数据和参与者可信度信息的问题,提出了基于深度学习的分布式时空数据快速真值推理方法(DLFTI),构建了金牌真值数据(来自无人机)、银牌真值数据(来自高可信参与者)和铜牌真值数据(来自深度矩阵分解)三级真值基准数据框架,实现了对参与者的快速可信度计算,同时设计了三级估计真值数据并成功实现了移动群众感知的快速且精确的真值推理。仿真实验结果表明:本文方法与传统算法相比,在参与者识别和真值发现方面,性能得到显著提升。

分布式时空数据库去中心化负载均衡方法

目前,分布式时空数据库已经成为主流的时空数据存储方式,是存储多源异构数据和海量时空数据的必需手段,但是,在数据存储时存在着海量数据存储困难及多用户高并发读写能力有待提升的问题。负载均衡是解决上述难题的重要方法之一,因此一直是分布式存储技术中的研究热点。本文首次提出将环状模型应用在存储的时空数据中,实现动态管理,在多用户高并发的情况下,可以实现各个分布式节点的负载均衡。