GeoMatch: Efficient Large-Scale Map Matching on Apache Spark

Ayman Zeidan, Eemil Lagerspetz, Kai Zhao, Petteri Nurmi, Sasu Tarkoma, Huy Vo

Tutkimustuotos: Artikkeli kirjassa/raportissa/konferenssijulkaisussaKonferenssiartikkeliTieteellinenvertaisarvioitu

Abstrakti

We contribute by developing GeoMatch as a
novel, scalable, and efficient big-data pipeline for large-scale
map matching on Apache Spark. GeoMatch improves ex-
isting spatial big data solutions by utilizing a novel spatial
partitioning scheme inspired by Hilbert space-filling curves.
Thanks to the partitioning scheme, GeoMatch can effectively
balance operations across different processing units and achieve
significant performance gains. We demonstrate the effectiveness
of GeoMatch through rigorous and extensive benchmarks that
consider data sets containing large-scale urban spatial data sets
ranging from 166, 253 to 3.78 billion location measurements.
Our results show over 17-fold performance improvements
compared to previous works while achieving better processing
accuracy than current solutions (97.48%).
Alkuperäiskielienglanti
OtsikkoProceedings of the 2018 IEEE International Conference on Big Data
ToimittajatN Abe, H Liu, C Pu, X Hu, N Ahmed, M Qiao, Y Song, D Kossmann, B Liu, K Lee, J Tang, J He, J Saltz
Sivumäärä8
JulkaisupaikkaNew York
KustantajaIEEE
Julkaisupäivä2019
Sivut384-391
ISBN (elektroninen)978-1-5386-5035-6
DOI - pysyväislinkit
TilaJulkaistu - 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE International Conference on Big Data - Seattle, Yhdysvallat (USA)
Kesto: 10 jouluk. 201813 jouluk. 2018

Julkaisusarja

NimiIEEE International Conference on Big Data
KustantajaIEEE
ISSN (elektroninen)2639-1589

Tieteenalat

  • 113 Tietojenkäsittely- ja informaatiotieteet

Siteeraa tätä