CN103593435B - 不确定数据PT‑TopK查询近似处理系统和方法 - Google Patents

不确定数据PT‑TopK查询近似处理系统和方法 Download PDF

Info

Publication number
CN103593435B
CN103593435B CN201310561183.XA CN201310561183A CN103593435B CN 103593435 B CN103593435 B CN 103593435B CN 201310561183 A CN201310561183 A CN 201310561183A CN 103593435 B CN103593435 B CN 103593435B
Authority
CN
China
Prior art keywords
node
data
cluster
tuple
uncertain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201310561183.XA
Other languages
English (en)
Other versions
CN103593435A (zh
Inventor
毛莺池
王康
王久龙
朱沥沥
接青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Huaneng Group Technology Innovation Center Co Ltd
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201310561183.XA priority Critical patent/CN103593435B/zh
Publication of CN103593435A publication Critical patent/CN103593435A/zh
Application granted granted Critical
Publication of CN103593435B publication Critical patent/CN103593435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种面向水环境监测网络的不确定数据PT‑TopK查询近似处理系统和方法，通过建立x‑tuple规则元组的不确定元组模型，采用簇内和簇间两个阶段数据减枝与查询处理方法，在不影响最终查询结果的准确度情况下，减少数据通信开销，解决面向水环境监测网络系统的不确定数据查询处理问题；减少数据传输量与网络能耗，提高数据查询结果的可信度，降低水环境监测网络系统中数据管理的开发与部署成本。

Description

不确定数据PT-TopK查询近似处理系统和方法
技术领域
本发明涉及一种面向水环境监测网络的不确定数据PT-TopK查询近似处理系统和方法，属于水环境监测网络技术应用领域，主要应用于水环境监测网络系统，通过建立x-tuple规则元组的不确定元组模型，采用簇内和簇间两个阶段数据减枝与查询处理方法，在不影响最终查询结果的准确度情况下，减少数据通信开销，解决面向水环境监测网络系统的不确定数据查询处理问题。
背景技术
水环境监测是对地表水、地下水、大气降水、水体沉降物、生物、水污染等进行测量和分析评估，主要分为水量和水质监测两大类，包括了水位、流量、水温、降水、冰情、蒸发、污染源和污染物等监测内容。当前，水环境监测已发展成为自然水灾害预测预报、污染控制和治理，以及水环境规划管理的重要技术支撑。近年来，我国已投入大量资金建立了各种监测点、监测站和监测网络等基础设施，形成了以测站——遥测通信网络——中心站为主体的水环境监测体系。但是，仍然存在较难获取自然条件恶劣和人员较难到达区域的水环境信息，以及无法对紧急或突发的水环境事件进行快速和动态监测的问题。目前，无线传感器网络技术已成为信息获取技术的重要发展方向，并正在引起各研究和应用领域的广泛关注，将无线传感器网络技术引入到水环境监测系统中，是解决前述问题的重要技术途径。
在面向水环境监测网络系统中，传感器节点感知的数据普遍存在不确定性，主要原因有：（1）传感器节点的监测精度不高，感知数据本身就不精确；（2）传感器节点的能量是由电池提供的，由于电池能量的消耗，传感器经常会失效或废弃，因此会产生数据的缺失或不正确的信息。（3）在面向水环境监测网络系统中，节点在感知数据时，受到风、雨、雷、雾等自然环境的影响，从而导致感知数据的不精确。（4）在网络传输过程中，受到外界信号干扰，也会导致数据不确定性。传感数据的不确定性给水环境监测应用带来巨大阻碍，使得信息不可信，用户不能直接从中获取有用信息。所以，在面向水环境监测网络系统中，对不确定性数据的查询处理也变得越来越重要。
目前，对不确定性数据的研究主要集中在两类不确定性数据上，即属性值不精确性和元组不存在性。属性值不精确性是指若干元组及其模型已经被确定，单个属性的不确定性是通过一个概率密度函数，或者其他统计参数来确定的。元组不存在性是指数据库中的一个元组存在的概率，通常采用可能世界语义处理，使用生成规则，各元组的任一合法组合均构成一个可能世界实例（Possible Instance）。每个可能世界实例出现的概率值可以通过各个相关元组的取值概率计算得到。可能世界实例的数量是不确定性数据表中元组数量的指数倍，这是不确定性数据管理所面临的最大难点。本发明解决在面向水环境监测网络系统中，元组不存在性数据一类的不确定性数据处理。
在面向水环境监测网络应用中，不确定数据Top-k查询即是查询监测范围内的传感器节点采集到的数据中k个最大值或最小值。在确定性应用中，Top-k排序是根据一些排序函数确定的。然而，在不确定应用中，不确定数据表中元组存在概率的因素使得Top-k查询的估计变得非常复杂。不确定数据Top-k查询的结果集，不仅仅依赖于其属性值的大小，更对数据元组的存在性有着一定的要求。需要考虑两个排序指标：一个是元组属性值的排序；另一个是元组存在概率。因此，对不确定数据Top-k查询处理需要充分考虑元组属性值的排序和元组存在概率对Top-k查询结果的影响。
目前，不确定数据Top-k查询分为U-Topk、U-kRanks、PT-Topk和Pk-Topk查询四类。U-Topk查询和U-kRanks查询对查询结果的排列顺序有着严格要求，Pk-Topk查询对元组的Top-k概率顺序也有着一定的要求。而PT-Topk查询对结果顺序没有特定要求，但是对结果的可信度有一定的质量要求，对用户而言，只有PT-Topk查询才满足对不确定数据Top-k查询结果数据质量的要求。PT-Topk查询要求其查询元组在所有可能世界中成为Top-k的总概率大于p，排序在前k位的数据。因此，本发明解决在面向水环境监测网络系统中，不确定数据PT-Topk查询处理问题。
处理不确定数据PT-Topk查询最直接的方法，即算法，对所有可能世界，按照排序和概率关系求出查询结果。然而，由于可能世界数量级非常大，因此算法是一个低效率算法。Soliman等人提出基于Poisson分布的PT-Topk查询近似算法，此算法避免对所有可能世界数据进行查询，可以高效获得不确定元组Top-k概率，但是，此种算法只适合于集中式数据库。在水环境监测传感网络中，由于网络能量有限，将数据全部收集集中式处理方法必将消耗大量的网络能量，缩短网络生命周期。因此，基于Poisson分布的PT-Topk查询近似算法不能直接应用到水环境监测传感网络的分布式数据库中。
发明内容
发明目的：关于现有技术中存在的问题，本发明针对层次型水环境监测传感网络，提供一种面向水环境监测网络的不确定数据PT-TopK查询近似处理系统和方法，用于解决当前水环境监测网络应用中，传感数据的不确定造成数据查询结果不可用、传输数据量大、网络能耗高的问题。将构建层次式的水环境监测网络，采用簇内和簇间两个阶段数据查询处理的分布式不确定数据PT-Topk查询处理算法，实现高效的不确定数据PT-Topk查询处理。
定义1不确定元组数据表T中有n条数据元组，元组ti(1≤i≤n)的值域为[M]是一个正实数域，取值概率为pi，表示为空，即不存在，不存在概率为1-pi。则称此类数据元组为不确定元组。
定义2x-tuple规则元组不确定数据表T中有n个不确定元组，W表示T中所有不确定元组可构成的可能世界集合，w是一个可能世界实例，对于 (1≤i,j≤n)，如果存在ti∈w，而则称元组ti和tj具有相同x-tuple关系，此类元组称之为x-tuple规则元组，并使用τ表示。τ的存在概率为不存在的概率为
本发明所定义的x-tuple规则元组皆来自相同数据源节点。传感器节点每次感知数据时，可确定若干数据项，每个数据项都带有确定概率，且所有数据项概率和小于等于1。每个数据项及其概率对应一个元组。相同节点同时产生的多个元组即为x-tuple规则元组。
定义3等级顺序设不确定数据表T有由若干元组组成，即T＝{t1,t2,...,tn}。若T中所有元组的其在等级排序函数f上满足f(t1)≥f(t2)≥...≥f(ti)≥f(tj)...≥f(tn)，则称不确定数据表T是等级有序的，记为t1＜ft2...＜fti＜ftj...＜ftn。
本发明方法采用降序顺序排序，若存在f(ti)＝f(tj)，则元组概率大者排名顺序更前。
定义4支配集给定元组t∈T，T是不确定数据表，t'∈w，w是T上的一个可能世界，t'能否成为可能世界w上的Top-k，取决于w中排序在t'之前的元组数量是否小于k。因此，元组t的支配集可以表示为：
DSt＝{t|t∈T∧t＜ft′} (1)
定义5修剪上界存在一个有序不确定数据表T，T中有n个元组，ti∈T（1≤i≤n），μi为ti支配集的概率和，给定数据查询参数k和概率阈值p，当满足μi、k和p满足公式(2)时，ti为不确定数据集T上的修剪上界（Pruning Upper Bound，PUB）。
有序不确定数据表T中，排序在PUB之后的数据集合是不可能成为PT-Topk查询的结果，这些数据不需要转发到基站，减少网络数据传输开销。
定义6完备集给定不确定数据表T，若ti∈T，1≤i≤n，且PUB=ti，则不确定数据表T上的完备集(Complete Set,简称CS)可以表示为：
CS(T)＝{t|t＜fti∪t＝fti} (3)
定义7充足集下界给定不确定数据表T，A是T上完全集CS(T)，A中有n个元组，ti∈A，1≤i,j≤n，且tj≠ti。如果PTopk(A)＞k-p成立，且存在tj＜fti，则称元组ti为不确定数据表T上的充足集下界(Sufficient Set Lower Bound，简称SLB)，可以表示为：
SS(T)＝{t|t＝ftslb∪t＜ftslb} (4)
定义8必须集下界给定不确定数据表T，A是T上完全集CS(T)，A中有n个元组，ti∈A，1≤i,j≤n，且tj≠ti，如果PTopk(A)＞k-p不成立，且存在tj＜fti，则称元组ti为不确定数据表T上的必须集下界(Nexessary Set Lower Bound，简称NLB)，可以表示为：
NS(T)＝{t|t＝ftnlb∪t＜ftnlb} (5)
技术方案：一种不确定数据PT-TopK查询近似处理系统，包括监测节点端部分和用户终端部分。用户终端部分包括用户交互接口、网络初始化模块、查询任务启动模块和查询结果返回接口。监测节点端部分包括簇内查询处理模块、簇间查询处理模块和基站节点查询处理模块。
下面给出各个模块的具体说明：
（1）监测节点端部分
簇内查询处理模块：簇内成员节点接收从查询启动模块传输的查询任务，根据查询参数概率阈值p和排序数k，在其不确定数据表上执行PT-Topk查询。采用与其簇头节点两次数据交换策略，簇成员节点将本地不确定数据表上可能成为最终查询结果的数据传输给簇头节点，实现簇内数据修剪。相对于直接发送局部数据集上的完备集CS，使数据传输量大大减少。
簇间查询处理模块：由于不确定元组的存在概率大于等于不确定元组Top-k概率，对于排序比较低的不确定元组，即使其存在概率很大，最后得出的Top-k概率也可能会非常低，甚至不满足概率阈值p的要求。因此，簇头节点接收到所有簇内成员节点传输的数据，根据查询参数概率阈值p和排序数k，簇头节点与Sink基站节点通过行两次数据交换，确定其可能成为最终查询结果的数据传输给Sink基站节点，实现簇间减枝。簇间查询处理不仅能够保证最终查询结果的精确性，同时也能够减少网络通信消耗。
基站节点查询处理模块：基站节点对数据表Tsink中的所有元组按定义3降序顺序排序，根据查询任务的概率阈值p和排序数k，在不确定数据表Tsink上执行PT-Topk查询，并将查询结果数据进行封装，并返回给查询结果返回接口。
（2）用户终端部分
用户交互接口：以图形化界面的方式，接收用户的查询任务和查询参数，并向查询任务和参数转发至查询任务启动模块。
网络初始化模块：利用TEEN网络分簇算法构建层次式聚簇网络拓扑结构，将整个网络分成若干个簇，每个簇只有一个簇头节点，并负责与基站节点进行通信，簇头节点保存本簇内所有节点的信息。簇内节点之间可以相互通信，收集感知器感知的数据，保存在本地存储器中。
查询任务启动模块：根据水环境监测任务需求，用户发起查询请求，解析查询任务参数，确定查询任务的发布方式，并对查询数据进行封装。
查询结果返回接口：接收查询结果数据包，并根据封装格式，进行解包，得到查询结果以图形化的方式展示给用户。
一种不确定数据PT-TopK查询近似处理方法，包括以下七个方面：
（1）构建水环境监测网络系统：一个典型的水环境监测网络数据查询应用系统通过需要以下几个部件组成：水环境监测传感器节点、水环境监测网络基站、现场用户终端、以及远程监控中心。
（2）建立水环境监测网络的拓扑结构：水环境监测网络采用层次式聚簇网络拓扑结构，利用TEEN网络分簇算法，将整个网络分成若干个簇，每个簇只有一个簇头节点，并负责与基站节点进行通信，簇头节点保存本簇内所有节点的信息。簇内节点之间可以相互通信，收集感知器感知的数据，保存在本地存储器中。
（3）建立一个x-tuple规则元组的不确定元组模型：x-tuple规则元组由若干不确定元组构成，每个元组中都存在一个数据项，此数据项是节点感知数据，并且每个数据项都有一个存在概率。x-tuple规则元组中所有数据项存在概率之和小于等于1。
（4）对查询任务进行分析，确定用户查询参数和查询任务，启动查询任务：根据水环境监测任务需求，用户发起查询请求，提供查询任务参数，确定查询任务的发布方式，并对查询数据进行封装。
（5）簇内节点查询处理：簇内节点接收到查询请求，根据概率阈值p和排序数k在其不确定数据表上执行PT-Topk查询，当满足查询算法终止执行条件时，将最后查询到的不确定元组传输给簇首节点。簇首节点将收集到的所有不确定元组排序，找出排序最高的不确定元组作为硬阈值（hard threshold），并传输给簇内节点。簇内节点收到硬阈值，并将本地不确定数据表上大于此硬阈值的所有不确定元组传输给簇首节点。簇内节点查询处理方法采用两次数据请求策略，实现簇内数据修剪，排除多余的、不可能查询结果的数据，可以避免簇内节点传输过多的数据包，减少数据通信开销，但没有影响最终查询结果的准确度。
（6）簇间节点查询处理：簇首节点将收集到的所有不确定元组按降序排序，执行PT-Topk查询处理算法，计算出查询结果。将查询结果分为两类：受到影响查询结果和不受影响查询结果。查询结果排序最低元组的感知数据项作为查询结果下界，相应的可将查询结果下界分为受到影响查询结果下界和不受影响查询结果下界。在基站，分别计算所有受到影响查询结果下界的最小值和不受影响查询结果下界的最大值。然后比较此最小值和最大值，并将其中较大者记为全局下界，并广播全局下界给簇首节点，簇首节点将全局下界作为硬阈值，将感知数据项大于此硬阈值的不确定元组传输基站。
（7）基站节点查询处理：基站将收集的不确定元组按降序排序，并执行PT-Topk查询近似算法，得到最终查询结果。采用数据包对查询结果数据进行封装，通过基站节点返回到用户终端。
本发明采用的构建水环境监测网络系统具体描述如下：
水环境监测网络系统由水环境监测传感器节点水环境监测传感器节点、水环境监测网络基站、现场用户终端、以及远程监控中心组成。
①水环境监测传感器节点，是水环境监测网络的基础节点，具有独立的计算、数据采集、存储能力，水环境监测传感器节点配置多个不同精度或异质的水环境传感器，包括水文类传感器（水位、雨量、流量）、水质类传感器（PH值传感器、溶解氧传感器），而且水环境监测传感器节点配备无线通信模块，可以与周围的其他水环境监测传感器节点进行无线通信，传输各类采集到的数据和控制消息。
②水环境监测网络基站，是一个特殊的水环境监测传感器节点，具有持续的供电能力，计算能力、存储空间都大于一般的水环境监测传感器节点，提供了与水环境监测传感器节点进行无线通信的软硬件接口，以及与现场服务器终端进行无线有线通信的软硬件接口。
③现场用户终端，提供图形化的操作界面，用户在监测现场可以输入查询任务的各项参数；发起查询任务，将查询任务的各项参数封装成数据包发送到基站节点；解析查询结果的数据包，以图形化的方式展示给现场用户，并将结果存储在本地数据库中。
④远程监控中心：配备服务器和远程终端。服务器为面向水环境监测网络的各类具体业务应用提供基础应用支撑；用户也可以运程终端控制水环境监测网络并访问各类业务应用。
本发明采用的启动查询任务具体描述如下：
①根据水环境监测任务需求，明确查询的输入接口形式，查询接口以图形化界面的方式提供给用户使用。
②用户提供查询任务参数，查询参数包括查询的目标区域、查询的属性（水温、水位、流量等）、查询结果可信度（数据存在概率p）、以及查询结果的排序值（PT-Topk查询中的k值）。
③确定查询任务的发布方式，查询任务通过基于水环境监测网络系统采用规定的数据包格式下发到查询目标区域。基站节点将查询任务转发到各个簇头节点，然后由各个簇头节点再转发给其簇内成员节点。
④查询数据封装。采用TinyOS系统的数据包格式对查询任务的各项参数进行封装，再通过USB传送到基站，由基站发布查询任务转至各个监测传感节点。
本发明披露的簇内节点查询处理方法具体描述如下：
①根据查询任务的查询结果可信度阈值p和排序数k，簇内成员节点对本地存储的不确定数据表Tnode的元组按定义3，按降序顺序排序。
②根据定义5，簇内节点计算本节点存储的不确定数据表Tnode的局部修剪上界LPUB，并将结果LPUB传送给其簇头节点。
③簇头节点接收到所有其簇内成员的不确定数据表Tnode的局部修剪上界LPUB，选取排序第一的LPUB作为簇内全局修剪上界GPUB，即GPUB＝MAX(LPUB)。
④簇头节点将全局修剪上界GPUB发送给其簇内成员节点。
⑤簇内节点接收到修剪上界GPUB后，将其不确定数据表Tnode中排序在GPUB之前的元组发送给其簇头节点。
⑥簇头节点接收到其簇内成员节点传送的数据后，存储在自身簇头节点的不确定数据表Tcluster中。
本发明披露的簇间节点查询处理方法具体描述如下：
①根据定义7和定义8，簇头节点在其不确定数据集Tcluster上，计算Tcluster的必须集下界NLB和充足集下界SLB，并将计算结果发送给基站节点。
②基站节点接收到所有簇头节点发送的必须集下界NLB和充足集下界SLB，确定最小的必须集下界Min(NLB)和最大的充足集下界Max(SLB)，并且基站节点将选择两者之间的较大者，即Max{Min(NLB),Max(SLB)}作为全局下界（Global Bound,GB）。
③基站节点将全局下界GB发送给所有簇头节点。
④簇头节点接收到GB值后，将其不确定数据集Tcluster上排序高于GB的不确定数据元组传送给基站节点。
⑤基站节点接收到所有簇头节点发送的数据元组后，保存在基站的不确定数据表Tsink中。
本发明披露的基站节点查询处理方法具体描述如下：
①基站节点对数据表Tsink中的所有元组按定义3降序顺序排序。
②基站节点根据查询任务的概率阈值p和排序数k，在不确定数据表Tsink上执行PT-Topk查询，并将查询结果返回给用户终端。
③采用数据包对查询结果数据进行封装，通过基站节点返回到用户终端。
有益效果：与现有技术相比，本发明提供的不确定数据PT-TopK查询近似处理系统和方法，将构建层次式的水环境监测网络，采取簇内和簇间的两个阶段数据查询处理PT-Topk算法，减少数据传输量与网络能耗，提高数据查询结果的可信度，降低水环境监测网络系统中数据管理的开发与部署成本。
附图说明
图1为本发明实施例的不确定数据查询处理系统的体系结构图；
图2为本发明实施例的不确定数据查询处理系统应用部署示意图；
图3为本发明实施例的不确定数据查询处理系统用户终端处理流程图；
图4为本发明实施例的簇内查询处理过程的工作流程图；
图5为本发明实施例的簇间查询处理过程的工作流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
附图1给出了面向水环境监测网络的不确定数据查询处理系统的体系结构，该体系结构分为两大部分：监测节点端部分和用户终端部分。用户终端部分包括用户交互接口、网络初始化模块、查询任务启动模块和查询结果返回接口，操作过程见附图3。监测节点端部分包括簇内查询处理模块、簇间查询处理模块和基站节点查询处理模块。
下面给出各个模块的具体说明：
（1）监测节点端部分
簇内查询处理模块：簇内成员节点接收从查询启动模块传输的查询任务，根据查询参数概率阈值p和排序数k，在其不确定数据表上执行PT-Topk查询。采用与其簇头节点两次数据交换策略，簇成员节点将本地不确定数据表上可能成为最终查询结果的数据传输给簇头节点，实现簇内数据修剪。相对于直接发送局部数据集上的完备集CS，使数据传输量大大减少。
簇间查询处理模块：由于不确定元组的存在概率大于等于不确定元组Top-k概率，对于排序比较低的不确定元组，即使其存在概率很大，最后得出的Top-k概率也可能会非常低，甚至不满足概率阈值p的要求。因此，簇头节点接收到所有簇内成员节点传输的数据，根据查询参数概率阈值p和排序数k，簇头节点与Sink基站节点通过行两次数据交换，确定其可能成为最终查询结果的数据传输给Sink基站节点，实现簇间减枝。簇间查询处理不仅能够保证最终查询结果的精确性，同时也能够减少网络通信消耗。
基站节点查询处理模块：基站节点对数据表Tsink中的所有元组按定义3降序顺序排序，根据查询任务的概率阈值p和排序数k，在不确定数据表Tsink上执行PT-Topk查询，并将查询结果数据进行封装，并返回给查询结果返回接口。
（2）用户终端部分
用户交互接口：以图形化界面的方式，接收用户的查询任务和查询参数，并向查询任务和参数转发至查询任务启动模块。
网络初始化模块：利用TEEN网络分簇算法构建层次式聚簇网络拓扑结构，将整个网络分成若干个簇，每个簇只有一个簇头节点，并负责与基站节点进行通信，簇头节点保存本簇内所有节点的信息。簇内节点之间可以相互通信，收集感知器感知的数据，保存在本地存储器中。
查询任务启动模块：根据水环境监测任务需求，用户发起查询请求，解析查询任务参数，确定查询任务的发布方式，并对查询数据进行封装。
查询结果返回接口：接收查询结果数据包，并根据封装格式，进行解包，得到查询结果以图形化的方式展示给用户。
本发明实施过程具体如下：
步骤一：构建水环境监测网络系统。一个典型的水环境监测网络数据查询系统通过需要以下几个部件组成，如附图2所示：
（1）水环境监测传感器节点，是水环境监测网络的基础节点，具有独立的计算、数据采集、存储能力，水环境监测传感器节点配置多个不同精度或异质的水环境传感器，包括水文类传感器（水位、雨量、流量）、水质类传感器（PH值传感器、溶解氧传感器），而且水环境监测传感器节点配备无线通信模块，可以与周围的其他水环境监测传感器节点进行无线通信，传输各类采集到的数据和控制消息。
（2）水环境监测网络基站，是一个特殊的水环境监测传感器节点，具有持续的供电能力，计算能力、存储空间都大于一般的水环境监测传感器节点，提供了与水环境监测传感器节点进行无线通信的软硬件接口，以及与现场服务器终端进行无线有线通信的软硬件接口。
（3）现场用户终端，提供图形化的操作界面，用户在监测现场可以输入查询任务的各项参数；发起查询任务，将查询任务的各项参数封装成数据包发送到基站节点；解析查询结果的数据包，以图形化的方式展示给现场用户，并将结果存储在本地数据库中。
（4）远程监控中心：配备服务器和远程终端。服务器为面向水环境监测网络的各类具体业务应用提供基础应用支撑；用户也可以运程终端控制水环境监测网络并访问各类业务应用。
步骤二：建立水环境监测网络的拓扑结构。水环境监测网络采用层次式的网络拓扑结构，如附图1所示，利用现有的网络分簇算法TEEN，将整个网络分成若干个簇，每个簇有一个簇头节点负责与基站节点进行通信，簇头节点保存本簇内所有节点的信息。簇内节点之间可以相互通信，收集感知器感知的数据，保存在本地存储器中。
步骤三：对查询任务进行分析，确定用户查询参数和查询任务，启动查询任务，如图3所示，其具体实施步骤如下：
（1）根据水环境监测任务需求，明确查询的输入接口形式，查询接口以图形化界面的方式提供给用户使用。
（2）用户提供查询任务参数，查询参数包括查询的目标区域、查询的属性项（水温、水位、流量等）、查询结果可信度（数据存在概率p）、查询的结果排序值（PT-Topk查询中k值）。
（3）确定查询任务的发布方式，查询任务通过基于水环境监测网络系统采用规定的数据包格式下发到查询目标区域。基站节点将查询任务转发到各个簇头节点，然后由各个簇头节点再转发给其簇内成员节点。
（4）查询数据封装。基于水环境监测网络系统采用TinyOS系统，则采用TinyOS数据包格式对查询任务的各项参数进行封装，再通过USB传送到基站，由基站发布查询任务转至各个监测传感节点。
步骤四：簇内节点查询处理，本发明实施提供的簇内节点查询处理方法，如图4所示，其具体实施步骤如下：
（1）根据查询任务的概率阈值p和排序数k，簇内成员节点对本地存储的不确定数据表Tnode的元组按定义3降序顺序排序。
（2）根据定义5，簇内节点计算本节点存储的不确定数据表Tnode的局部修剪上界LPUB，并将结果LPUB传送给其簇头节点。
（3）簇头节点接收到所有其簇内成员的不确定数据表Tnode的局部修剪上界LPUB，选取排序第一的LPUB作为簇内全局修剪上界GPUB，即GPUB＝MAX(LPUB)。
（4）簇头节点将全局修剪上界GPUB发送给其簇内成员节点。
（5）簇内节点接收到修剪上界GPUB后，将其不确定数据表Tnode中排序在GPUB之前的元组传送给簇头节点。
（6）簇头节点接收到其簇内成员节点传送的数据后，存储在簇头的不确定数据表Tcluster中。
步骤五：簇间节点查询处理。本发明实施提供的簇间节点查询处理方法，如图5所示，其具体实施步骤如下：
（1）根据定义7和定义8，簇头节点在其不确定数据集Tcluster上，计算Tcluster的必须集下界NLB和充足集下界SLB，并将计算结果发送给基站节点。
（2）基站节点接收到所有簇头节点发给的必须集下界NLB和充足集下界SLB，确定最小的必须集下界Min(NLB)和最大的充足集下界Max(SLB)，并且基站节点将选择两者之间的较大者，即Max{Min(NLB),Max(SLB)}作为全局下界（Global Bound,GB）。
（3）基站节点将全局下界GB发送给所有簇头节点。
（4）簇头节点接收到GB值后，将其不确定数据集Tcluster上排序高于GB的不确定数据元组传送给基站节点。
（5）基站节点接收到所有簇头节点发送的数据元组后，保存在基站的不确定数据表Tsink中。
步骤六：基站节点查询处理，本发明实施提供的基站节点查询处理方法，其具体实施步骤如下：
（1）基站节点对数据表Tsink中的所有元组按定义3降序顺序排序。
（2）基站节点根据查询任务的概率阈值p和排序数k，在不确定数据表Tsink上执行PT-Topk查询，并将查询结果返回给用户终端。
步骤七：查询结果返回给用户终端。
（1）确定查询结果返回形式，查询结果仍然采用数据包对查询结果数据进行封装，通过基站节点返回到用户终端。
（2）用户终端对数据包进行解析后以图形化的界面展示给用户。
x-Tuple不确定元组模型
设某个传感器节点上有一个不确定数据表Tnode，其有四个属性，分别是Sensor_id、Time、Temperature以及Probability。其中，Temperature为感知数据，Probability为概率。为方便描述，在表Tnode中加入x-Tuple属性。通过观察可知，数据项20.1和19.8是传感器节点s1在时间Time1的感知数据，因此，两个数据项所对应的元组具有相同x-tuple规则，隶属于τ1。同理，数据项18.5和17.6所对应的元组也具有相同x-tuple规则，隶属于τ2。
表1：不确定数据表Tnode
x-Tuple Sensor_id Time Temperature Probability
τ1 s1 Time1 20.1 0.2
τ1 s1 Time1 19.8 0.7
τ2 s1 Time2 18.5 0.9
τ2 s1 Time2 17.6 0.1
不确定数据表T的所有可能世界集合用W表示，w∈W表示一个可能世界实例(Possible World或Possible Instance)。在根据可能世界实例生成规则，不确定数据表T中每个可能世界实例的存在概率为：
以数据表Tnode为例，根据可能世界实例生成规则以及可能世界实例存在概率计算公式，可求出Tnode的所有可能世界实例及其存在概率，如表2所示：
表2：不确定数据表Tnode的可能世界集
Possible world Probability
w1={20.1,18.5} 0.18
w2={20.1,17.6} 0.02
w3={19.8,18.5} 0.63
w4={19.8,17.6} 0.07
w5={18.5} 0.09
w6={17.6} 0.01
充足集下界
设簇C1中某一时间段收集的不确定数据存储在表TC1,如表3所示。Temperature是感知数据项，Probability是数据项的概率，加入Tuple_id和x-Tuple_id属性。其中，感知数据31.6和30.5是传感器节点S1.1.1在同一时间Time2收集的数据，因此，元组t2和t3属于同一x-tupleτ2。给定一个PT-Topk查询，k=2，p=0.5，TC1的充足集SS计算过程如下：
在不确定数据表TC1中，τ1和τ2成为Top-2的概率分别为0.6和1，其余元组成为Top-2的概率总和为0.4。不确定数据表TC1中仅存在Ptopk(τ1)=0.6>p和Ptopk(τ2)=1>p。那么，在TC1上的PT-Topk查询结果是τ1和τ2，而且Ptopk(τ1)+Ptopk(τ2)=1.6>k-p。所以，不确定数据表TC1具有充足集SS，其充足集下界tslb=t3，根据定义7中公式(4)可得出其充足集SS为{τ1,τ2={t2,t3}}。
表3：簇C1中不确定数据集TC1
x-tuple_id Tuple_id Sensor_id Time Temperature Probability
τ1 t1 S1.1 Time1 32.1 0.6
τ2 t2 S1.1.1 Time2 31.6 0.1
τ2 t3 S1.1.1 Time2 30.5 0.9
τ3 t4 S1.1.2 Time1 28.9 0.3
τ4 t5 S1.1.3 Time2 27.8 0.1
必须集下界
设簇C2某一时间段收集的不确定数据TC2，如表3-4所示。其中感知数据34.4和33.1是传感器节点1.2.1在同一时间Time1收集的数据，属于同一x-tupleτ2。给定一个PT-Topk查询，k=2，p=0.5，T2的必须集NS计算过程如下：
不确定数据表TC2中，元组τ5和τ6的Top-2概率都为0.7。通过计算可知，其余记录的Top-2概率总和小于0.5。因此，不确定数据表TC2中仅存在Ptopk(τ5)=0.7>p和Ptopk(τ6)=0.7>p。那么，在TC2上的PT-Topk查询结果是τ5和τ6，而且Ptopk(τ5)+Ptopk(τ6)=1.4<k-p。所以不确定数据表TC2具有必须集，其必须集下界tnlb=t8，根据定义8中公式(5)可得出其必须集NS为{τ5,τ6={t7,t8}}。
表4：簇C2中不确定数据集TC2
x-tuple_id Tuple_id Sensor_id Time Temperature Pro
τ5 t6 S1.2 Time2 35.2 0.7
τ6 t7 S1.2.1 Time1 34.4 0.3
τ6 t8 S1.2.1 Time1 33.1 0.4
τ7 t9 S1.2.2 Time1 29.5 0.5
τ8 t10 S1.2.3 Time2 28.9 0.5
τ9 t11 S1.2.4 Time1 27.7 0.5

Claims (8)

1.一种不确定数据PT-TopK查询近似处理方法，不确定数据PT-TopK查询近似处理系统包括监测节点端部分和用户终端部分；用户终端部分包括用户交互接口、网络初始化模块、查询任务启动模块和查询结果返回接口；监测节点端部分包括簇内查询处理模块、簇间查询处理模块和基站节点查询处理模块；
(1)监测节点端部分
簇内查询处理模块：簇内成员节点接收从查询启动模块传输的查询任务，根据查询参数概率阈值p和排序数k，在其不确定数据表上执行PT-Topk查询；采用与其簇头节点两次数据交换策略，簇成员节点将本地不确定数据表上可能成为最终查询结果的数据传输给簇头节点，实现簇内数据修剪；
簇间查询处理模块：由于不确定元组的存在概率大于等于不确定元组Top-k概率，对于排序比较低的不确定元组，即使其存在概率很大，最后得出的Top-k概率也可能会非常低，甚至不满足概率阈值p的要求；因此，簇头节点接收到所有簇内成员节点传输的数据，根据查询参数概率阈值p和排序数k，簇头节点与Sink基站节点通过行两次数据交换，确定其可能成为最终查询结果的数据传输给Sink基站节点，实现簇间减枝；
基站节点查询处理模块：基站节点对数据表Tsink中的所有元组按等级顺序定义的降序顺序排序，根据查询任务的概率阈值p和排序数k，在不确定数据表Tsink上执行PT-Topk查询，并将查询结果数据进行封装，返回给查询结果返回接口；
(2)用户终端部分
用户交互接口：以图形化界面的方式，接收用户的查询任务和查询参数，并向查询任务和参数转发至查询任务启动模块；
网络初始化模块：利用TEEN网络分簇算法构建层次式聚簇网络拓扑结构，将整个网络分成若干个簇，每个簇只有一个簇头节点，并负责与基站节点进行通信，簇头节点保存本簇内所有节点的信息；簇内节点之间可以相互通信，收集感知器感知的数据，保存在本地存储器中；
查询任务启动模块：根据水环境监测任务需求，用户发起查询请求，解析查询任务参数，确定查询任务的发布方式，并对查询数据进行封装；
查询结果返回接口：接收查询结果数据包，并根据封装格式，进行解包，得到查询结果以图形化的方式展示给用户；
其特征在于，方法包括以下步骤：
1)建立水环境监测网络的拓扑结构：水环境监测网络采用层次式聚簇网络拓扑结构，利用TEEN网络分簇算法，将整个网络分成若干个簇，每个簇只有一个簇头节点，并负责与基站节点进行通信，簇头节点保存本簇内所有节点的信息；簇内节点之间可以相互通信，收集感知器感知的数据，保存在本地存储器中；
2)每个簇内节点建立x-tuple规则元组的不确定元组模型：x-tuple规则元组由若干不确定元组构成，每个元组中都存在一个数据项，数据项是节点感知数据，并且每个数据项都有一个存在概率；x-tuple规则元组中所有数据项存在概率之和小于等于1；
3)簇内节点查询处理：簇内节点接收到查询请求，根据概率阈值p和排序数k在其不确定数据表上执行PT-Topk查询，当满足查询算法终止执行条件时，将最后查询到的不确定元组传输给簇首节点；簇首节点将收集到的所有不确定元组排序，找出排序最高的不确定元组作为硬阈值，并传输给簇内节点；簇内节点收到硬阈值，并将本地不确定数据表上大于此硬阈值的所有不确定元组传输给簇首节点；
4)簇间节点查询处理：簇首节点将收集到的所有不确定元组按降序排序，执行PT-Topk查询处理算法，计算出查询结果；将查询结果分为两类：受到影响查询结果和不受影响查询结果；查询结果排序最低元组的感知数据项作为查询结果下界，相应的可将查询结果下界分为受到影响查询结果下界和不受影响查询结果下界；在基站，分别计算所有受到影响查询结果下界的最小值和不受影响查询结果下界的最大值；然后比较此最小值和最大值，并将其中较大者记为全局下界，并广播全局下界给簇首节点，簇首节点将全局下界作为硬阈值，将感知数据项大于此硬阈值的不确定元组传输基站；
5)基站节点查询处理：基站将收集的不确定元组按降序排序，并执行PT-Topk查询近似算法，得到最终查询结果；采用数据包对查询结果数据进行封装，通过基站节点返回到用户终端。
2.根据权利要求1所述的不确定数据PT-TopK查询近似处理方法，其特征在于，所述步骤2)建立x-tuple规则元组的不确定元组模型可定义为：
x-tuple规则元组不确定数据表T中有n个不确定元组，W表示T中所有不确定元组可构成的可能世界集合，w是一个可能世界实例，对于 (1≤i,j≤n)，如果存在ti∈w，而则称元组ti和tj具有相同x-tuple关系，此类元组称之为x-tuple规则元组，并使用τ表示；τ的存在概率为不存在的概率为
x-tuple规则元组皆来自相同数据源节点；传感器节点每次感知数据时，可确定若干数据项，每个数据项都带有确定概率，且所有数据项概率和小于等于1；每个数据项及其概率对应一个元组；相同节点同时产生的多个元组即为x-tuple规则元组。
3.根据权利要求1所述的不确定数据PT-TopK查询近似处理方法，其特征在于，所述步骤3)进一步包含以下步骤：
3.1)根据查询任务的查询结果概率阈值p和排序数k，簇内成员节点对本地存储的不确定数据表Tnode的元组按等级顺序定义，按降序顺序排序；
3.2)根据修剪上界定义，簇内节点计算本节点存储的不确定数据表Tnode的局部修剪上界LPUB，并将结果LPUB传送给其簇头节点；
3.3)簇头节点接收到所有其簇内成员的不确定数据表Tnode的局部修剪上界LPUB，选取排序第一的LPUB作为簇内全局修剪上界GPUB，即GPUB＝MAX(LPUB)；
3.4)簇头节点将全局修剪上界GPUB发送给其簇内成员节点；
3.5)簇内节点接收到修剪上界GPUB后，将其不确定数据表Tnode中排序在GPUB之前的元组发送给其簇头节点；
3.6)簇头节点接收到其簇内成员节点传送的数据后，存储在自身簇头节点的不确定数据表Tcluster中。
4.根据权利要求3所述的不确定数据PT-TopK查询近似处理方法，其特征在于，所述步骤3.1)进一步包含等级顺序定义：
等级顺序设不确定数据表T有由若干元组组成，即T＝{t1,t2,...,tn}；若T中所有元组的其在等级排序函数f上满足f(t1)≥f(t2)≥...≥f(ti)≥f(tj)...≥f(tn)，则称不确定数据表T是等级有序的，记为t1＜f t2...＜f ti＜f tj...＜f tn；
采用降序顺序排序，若存在f(ti)＝f(tj)，则元组概率大者排名顺序更前。
5.根据权利要求3所述的不确定数据PT-TopK查询近似处理方法，其特征在于，所述步骤3.2)进一步包含支配集和修剪上界定义：
支配集给定元组t∈T，T是不确定数据表，t'∈w，w是T上的一个可能世界，t'能否成为可能世界w上的Top-k，取决于w中排序在t'之前的元组数量是否小于k；因此，元组t的支配集可以表示为：DSt＝{t|t∈T∧t＜f t'}；
修剪上界存在一个有序不确定数据表T，T中有n个元组，ti∈T(1≤i≤n)，μi为ti支配集的概率和，给定数据查询参数k和概率阈值p，当满足μi、k和p满足时，ti为不确定数据集T上的修剪上界；有序不确定数据表T中，排序在PUB之后的数据集合是不可能成为PT-Topk查询的结果，这些数据不需要转发到基站，减少网络数据传输开销。
6.根据权利要求5所述的不确定数据PT-TopK查询近似处理方法，其特征在于，所述步骤4)进一步包含以下步骤：
4.1)根据充足集下界和必须集下界定义，簇头节点在其不确定数据集Tcluster上，计算Tcluster的必须集下界NLB和充足集下界SLB，并将计算结果发送给基站节点；
4.2)基站节点接收到所有簇头节点发送的必须集下界NLB和充足集下界SLB，确定最小的必须集下界Min(NLB)和最大的充足集下界Max(SLB)，并且基站节点将选择两者之间的较大者，即Max{Min(NLB),Max(SLB)}作为全局下界GB；
4.3)基站节点将全局下界GB发送给所有簇头节点；
4.4)簇头节点接收到GB值后，将其不确定数据集Tcluster上排序高于GB的不确定数据元组传送给基站节点；
4.5)基站节点接收到所有簇头节点发送的数据元组后，保存在基站的不确定数据表Tsink中。
7.根据权利要求6所述的不确定数据PT-TopK查询近似处理方法，其特征在于，所述步骤4.1)进一步包含充足集下界和必须集下界定义：
充足集下界给定不确定数据表T，A是T上完全集CS(T)，A中有n个元组，ti∈A，1≤i,j≤n，且tj≠ti；如果PTopk(A)＞k-p成立，且存在tj＜f ti，则称元组ti为不确定数据表T上的充足集下界(Sufficient Set Lower Bound，简称SLB)，可以表示为：SS(T)＝{t|t＝ftslb∪t＜f tslb}；
必须集下界给定不确定数据表T，A是T上完全集CS(T)，A中有n个元组，ti∈A，1≤i,j≤n，且tj≠ti，如果PTopk(A)＞k-p不成立，且存在tj＜fti，则称元组ti为不确定数据表T上的必须集下界，可以表示为：
NS(T)＝{t|t＝f tnlb∪t＜f tnlb}。
8.根据权利要求7所述的不确定数据PT-TopK查询近似处理方法，其特征在于，所述步骤5)进一步包含以下步骤：
5.1)基站节点对数据表Tsink中的所有元组按降序顺序排序；
5.2)基站节点根据查询任务的概率阈值p和排序数k，在不确定数据表Tsink上执行PT-Topk查询，并将查询结果返回给用户终端；
5.3)采用数据包对查询结果数据进行封装，通过基站节点返回到用户终端。
CN201310561183.XA 2013-11-12 2013-11-12 不确定数据PT‑TopK查询近似处理系统和方法 Active CN103593435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310561183.XA CN103593435B (zh) 2013-11-12 2013-11-12 不确定数据PT‑TopK查询近似处理系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310561183.XA CN103593435B (zh) 2013-11-12 2013-11-12 不确定数据PT‑TopK查询近似处理系统和方法

Publications (2)

Publication Number Publication Date
CN103593435A CN103593435A (zh) 2014-02-19
CN103593435B true CN103593435B (zh) 2017-02-22

Family

ID=50083576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310561183.XA Active CN103593435B (zh) 2013-11-12 2013-11-12 不确定数据PT‑TopK查询近似处理系统和方法

Country Status (1)

Country Link
CN (1) CN103593435B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150347508A1 (en) * 2014-06-02 2015-12-03 Microsoft Corporation Partial result classification
CN104915424A (zh) * 2015-06-12 2015-09-16 华东师范大学 一种非确定数据库下的Top-k查询及执行方法
CN106599095B (zh) * 2016-11-24 2020-07-14 上海交通大学 基于完整历史记录的减枝方法
CN106897373B (zh) * 2017-01-19 2020-01-21 浙江大学 一种基于PostgreSQL和众包的不完整数据查询处理方法
CN111026784B (zh) * 2019-11-13 2022-05-03 浙江大学 一种不确定数据流概率求和阈值查询方法
CN111444736B (zh) * 2020-03-24 2021-07-13 中山大学 基于分簇竞争的防碰撞方法、移动阅读器、可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102457411A (zh) * 2011-10-14 2012-05-16 中国人民解放军国防科学技术大学 基于不确定数据的网络安全态势模糊评估方法
CN102651028A (zh) * 2012-04-09 2012-08-29 云南大学 基于d-s证据理论的不确定性数据世系查询处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8234295B2 (en) * 2009-06-03 2012-07-31 International Business Machines Corporation Managing uncertain data using Monte Carlo techniques

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102457411A (zh) * 2011-10-14 2012-05-16 中国人民解放军国防科学技术大学 基于不确定数据的网络安全态势模糊评估方法
CN102651028A (zh) * 2012-04-09 2012-08-29 云南大学 基于d-s证据理论的不确定性数据世系查询处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"HPDBSCAN：高效的不确定数据处理算法";胡春安等;《计算机工程与设计》;20130331;第34卷(第3期);全文 *
"不确定性数据管理技术研究综述";周傲英;《计算机学报》;20090131;第32卷(第1期);全文 *

Also Published As

Publication number Publication date
CN103593435A (zh) 2014-02-19

Similar Documents

Publication Publication Date Title
CN103593435B (zh) 不确定数据PT‑TopK查询近似处理系统和方法
CN107547633B (zh) 一种用户常驻点的处理方法、装置和存储介质
CN110191148B (zh) 一种面向边缘计算的统计函数分布式执行方法及系统
CN106557942A (zh) 一种用户关系的识别方法和装置
CN111078818B (zh) 地址分析方法、装置、电子设备及存储介质
CN103052130A (zh) 一种基于粗糙集的无线多媒体传感器网络数据融合方法
CN102665253B (zh) 一种基于无线传感网络的事件检测方法
CN104778231A (zh) 一种地理区域的特征识别方法和装置
CN102263800A (zh) 基于云计算构建的地理信息物联网系统及应用
Wang et al. Optimizing quality-of-information in cost-sensitive sensor data fusion
CN112131216A (zh) 一种基于物模型的输电线路自适应数据库创建方法及装置
CN103001874B (zh) 一种基于节点标签集的延迟容忍移动社会网络路由方法
Hu et al. A comprehensive survey of recommendation system based on taxi GPS trajectory
CN115658742B (zh) 一种现场级主动标识载体的标识解析方法及系统
CN113553613B (zh) 一种基于深度强化学习和区块链的空间众包方法
Chandio et al. Towards adaptable and tunable cloud-based map-matching strategy for GPS trajectories
Lv et al. A node coverage algorithm for a wireless-sensor-network-based water resources monitoring system
Gupta et al. An energy-efficient hierarchical data fusion approach in IoT
CN112003733B (zh) 一种智慧园区物联网综合管理方法及管理平台
Ghahramani et al. Analysis of mobile phone data under a cloud computing framework
CN107038239A (zh) 一种农产品产业信息的地图化呈现方法
US9706414B2 (en) Method and apparatus for determining data flow rate on service access port
CN102868548B (zh) 应用性能受影响的用户分布检测方法及系统
Benzing et al. Multilevel predictions for the aggregation of data in global sensor networks
CN115208949B (zh) 一种遥感影像数据管理分发方法、装置、系统和设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Mao Yingchi

Inventor after: Lu Ji

Inventor after: Chen Hao

Inventor after: Wang Xiaogang

Inventor after: Yu Jiyuan

Inventor after: Wang Kang

Inventor after: Wang Jiulong

Inventor before: Mao Yingchi

Inventor before: Wang Kang

Inventor before: Wang Jiulong

Inventor before: Zhu Lili

Inventor before: Jieqing

CB03 Change of inventor or designer information
TR01 Transfer of patent right

Effective date of registration: 20171013

Address after: Nanjing City, Jiangsu province 210098 Xikang Road No. 1

Co-patentee after: HUANENG LANCANG RIVER HYDROPOWER Inc.

Patentee after: HOHAI University

Co-patentee after: TECHNOLOGY INNOVATION CENTER OF CHINA HUANENG Group

Address before: Nanjing City, Jiangsu province 210098 Xikang Road No. 1

Patentee before: HOHAI University

TR01 Transfer of patent right