CN105512317A - 一种基于群组划分的不确定移动对象索引方法 - Google Patents

Abstract

本发明涉及一种基于群组划分的不确定移动对象索引方法，属于计算机空间数据库中的移动对象管理技术领域。本发明通过在传统不确定索引结构的基础上，增加群组划分策略以减少由频繁位置更新引起更新代价增加的问题。通过在大量移动对象集合中找到一些移动对象它们之间具有相似的运动轨迹。如果轨迹具有相似性，将它们划分为一个群组，对于同一个群组中的成员，因为移动对象彼此的位置信息相似，因此在进行位置更新时，只需要对一个移动对象进行位置更新，不需要实时显式更新每一个移动对象的位置信息。利用单个移动对象作为代表群组中具有相似运动轨迹的移动对象，基于这种更新策略，减少移动对象的更新次数，从而降低移动对象位置更新代价。

Description

一种基于群组划分的不确定移动对象索引方法

技术领域

本发明涉及一种基于群组划分的不确定移动对象索引方法，属于计算机空间数据库中的移动对象管理技术领域。

背景技术

传统数据库索引技术是为了存储精确数据而设计，其索引结构中存储着移动对象的精确位置。而由于移动对象的位置不确定性普遍存在，所以需要改进传统的索引结构来有效管理移动对象的不确定性。

为解决如何高效管理移动对象实时变化的精确位置信息的问题，学者提出了一系列的索引结构，从查询位置信息的时间角度可分为两类：一类是针对历史位置位置信息的索引；另一类是针对移动对象当前及未来位置信息的索引。如TPR*树^[1]、STAR^[2]树和R^EXP树^[3]都是基于参数化的索引方法对当前和未来位置信息进行管理。其中TPR树及其变种的TPR*树都是基于对R-tree的变形，其查询、插入和删除操作和R-tree相似，其自顶向下的更新模式会导致较大I/O代价，从而对于那些频繁进行位置更新的移动对象来说，难以满足更新要求；R^EXP树通过在节点上添加数据时间有效属性的策略，提高了失效数据的删除效率，从而提高更新性能；也有学者将移动对象的历史位置、当前位置和未来位置信息结合起来，提出PPFN^x树^[4]、R^PPF树^[5]等索引模型，打破了“多线”的限制。上述索引模型对于那些位置更新次数较少的移动对象的不确定性查询起到很好的查询效果，但是不能很好的处理移动对象频繁的位置更新问题。文献[6]提出了基于R-tree的自底向上的更新思想，其更新过程从树的叶子节点开始，节省了查询时间，从而提高动态更新的性能，但是不足之处在于其索引的维护需要耗费大量的内存资源，从而导致系统的稳定性不高，且不适合解决频繁位置变化范围大的移动对象的问题。

Tao[7]等人提出U-tree的索引模型，U-tree具有良好的动态结构使得数据的插入顺序可以任意改变和更新，而且对不确定数据本身的概率密度分布没有任何的限制。但是U-tree只适合于静态的移动对象不确定性索引。文献[8]提出了一种基于U-tree的高效率当前及未来不确定位置信息检索的TPU-tree，TPU-tree在基本的U-tree结构上增加记录移动对象不确定状态特征的数据结构，通过利用概率密度函数描述移动对象在不确定区域的位置分布，在保留原有位置记录的情况下加入时间特性，从而能对移动对象当前和未来位置信息进行检索。文献[9]在TPU-tree的基础上增加一个记录不确定移动对象状态特征的更新备忘录(UM)内存结构，提出一种支持频繁位置更新的不确定移动对象索引策略TPU²M树并提出了一种改进的基于备忘录(MMBU/I)的更新/插入算法。MMBU/I算法利用UM控制不确定移动对象的位置更新，在保留原有记录的情况下首先插入新记录，减少了查找时所需要的磁盘I/O，从而提高更新效率。但是TPU²M树需要额外的内存空间存放备忘录(UM)的信息，当UM中的记录个数逐渐增加时需要增加额外的空间清洗操作来保证较高的更新效率且当不确定移动对象个数较多时，更新后的叶子节点超过旧记录的MBR的概率会逐渐增加，因此更新效率会逐渐降低。

文献[10]提出一种基于B^x树的不确定移动对象索引策略AB^x树，该索引模型利用矩形框推论法则和蒙特卡洛模拟相结合的方法预测移动对象未来的位置信息，并提出了高效的概率范围查询和概率K最近邻查询，但是AB^x树的不足之处在于对于频繁更新的移动对象位置信息导致资源消耗严重，增加更新代价。

上文中提到的文献来源于如下的期刊：

[1]TaoY，PapadiasD，SunJ.TheTPR*-Tree：AnOptimizedSpatio-TemporalAccessMethodforPredictiveQueries[J].VLDB，2003：790-801.

[2]ProcopiucCM，AgarwalPK，Har-PeledS.STAR-Tree：AnEfficientSelf-AdjustingIndexforMovingObjects[M]//AlgorithmEngineeringandExperimentsSpringerBerlinHeidelberg，2002：178-193.

[3]SaltenisS，JensenCS，IndexingofMovingObjectsforLocation-BasedServices[C]//ICDE，2002：0463-0463.

[4]FangY，CaoJ，PengY，etal.EfficientIndexingofthePast，PresentandFuturePositionsofMovingObjectsonRoadNetwork[M]//Web-AgeInformationManagementSpringerBerlinHeidelberg，2013：223-235.

[5]PelanisM，SaltenisS，JensenCS.IndexingthePast，Present，andAnticipatedFuturePositionsofMovingObjects[J].ACMTransactionsonDatabaseSystems(TODS)，2006，31(1)：255-298.

[6]LeeML，HsuW，JensenCS，etal.SupportingFrequentUpdatesinR-Trees：ABottom-UpApproach[C]//Proceedingsofthe29thinternationalconferenceonVerylargedatabases-Volume29.VLDBEndowment，2003：608-619.

[7]TaoY，ChengR，XiaoX，etal.IndexingMulti-DimensionalUncertainDatawithArbitraryProbabilityDensityFunctions[C]//Proceedingsof31stInternationalConference，VLDB2005MorganKaufmannPublishers，Inc，2005：922-933.

[8]DingX，LuY，PanP，etal.U-TreeBasedIndexingMethodforUncertainMovingObjects[J].JournalofSoftware，2008，19(10)：2696-2705.

[9]DingX，JingH，PanP.IndexingofUncertainMovingObjectswithFrequentUpdates[J].ChineseJournalofComputers，2012，35(12)：2587-2597.

[10]ZhangM，ChenS，JensenCS，etal.EffectivelyIndexingUncertainMovingObjectsforPredictiveQueries[C]//VLDB，2009，2(1)：1198-1209.

发明内容

本发明为解决的技术问题：

本发明的目的是提出一种不确定移动对象索引结构。由于存在数据采集不精确，移动物体延迟更新和隐私保护等原因，移动对象的位置不确定性普遍存在。为了使数据库中查询提供更“靠谱”的数据，需要将查询结果的不精确性限定在一定的范围内。在索引结构中储存移动对象不确定性信息已成为时空数据库研究的热点。但是由于移动对象的位置随时间而变化，在传统空间索引结构中存储空间对象的具体位置无法适应大量空间对象的更新操作，因而不适合移动对象的存储与检索，但是已有的不确定移动对象索引结构只侧重于查询效率而忽略了更新代价问题，因此提出一种支持移动对象频繁位置更新而且减少更新代价的索引结构具有现实意义。

本发明为解决其技术问题采用如下技术方案：

一种基于群组划分的不确定移动对象索引方法，包括如下步骤：

(1)首先将移动对象的历史一段轨迹数据进行处理处理，分析移动对象轨迹的相对方向、速率比和空间距离等移动特性；

(2)利用相对方向、速率比和空间距离这三者间的结合得到空间轨迹相似度，根据空间轨迹相似度和最小空间相似度阈值的比较将移动对象之间的轨迹关系分为直接可达、相依度可达和连接；

(3)将移动对象集合中所有直接可达和相依度可达的移动对象划分为一个群组。然后将同一个群组中移动对象插入到GTPU-tree的同一个叶子节点，在进行位置更新时，只对同一个叶子节点的一个移动对象进行更新；

(4)周期性对群组进行更新，将那些偏离群组中的移动对象进行重新划分，从而保证同一个群组中的移动对象都具有较高的空间轨迹相似度。

其中确定移动对象轨迹的移动特性，包括：

首先基于历史轨迹，提取出相对方向、速率比和空间距离，然后根据这三者之间的结合得到空间轨迹相似度。其中相对方向，反映了两个移动对象运动方向的相似性，当两个移动对象的方向夹角越小，说明运动的方向越一直，从而相对方向的值越大；对于速率比反映了两者之间的速率差异，如果两者之间速率大小差异越大则速率比越大；空间距离反映了两个移动对象轨迹点所在空间位置的差异，其利用欧式空间距离算法进行计算。最后的空间轨迹相似度利用其三者之间的结合。两个移动对象轨迹越相似则空间轨迹相似度的值也就越大。

在进行群组划分时，还包括：

根据移动对象计算得到的空间轨迹相似度的值与提前设计好的最小阈值进行对比可以得到直接可达、相依度可达和连接三种关系，最后将移动对象集合中所有直接可达和相依可达的移动对象划分为一个群组。在进行插入操作的时候，对于同一个群组的所有移动对象插入到GTPU-tree的同一个叶子结点。

一种基于群组划分的不确定移动对象索引方法，包括以下步骤：

首先在已有的不确定移动对象索引结构TPU-tree的基础上，增加群组划分策略得到GTPU-tree；然后利用群组划分算法将不确定移动对象进行群组划分处理插入到GTPU-tree中；其次在进行位置更新时，对于同一个群组中的移动对象只需选一个作为代表群组更新的对象进行更新，而不需要显示更新群组中的所有移动对象，减少更新次数从而减少更新代价；最后为了保证同一个群组中移动对象轨迹具有较高的相似度，因此周期性对群组进行更新，将那些偏离群组的移动对象重新划分。

本发明采用以上技术方案与现有技术相比，具有以下有益效果：

(1)本发明基于群组划分算法对不确定移动对象索引结构进行了改进，提高了已有结构在移动对象频繁位置更新下更新代价巨大的问题。

(2)本发明将移动对象的轨迹进行了关联处理，改进了已有算法对在进行移动对象位置更新时只对单个移动对象进行处理的缺陷。

(3)本发明对于同一个群组中的移动对象选用一个移动对象进行更新，不需要将所有的移动对象进行更新，大大减少了更新次数，减少了更新代价；

(4)本发明周期性进行群组更新，将偏离群组轨迹的移动对象进行重新划分，从而保证了群组中的移动对象都具有较高的轨迹相似度，支持了算法的可靠性。

附图说明

图1是本发明的索引GTPU-tree的结构原理图。其中整个索引结构分为空间层、分组层和数据层三层。图中R₁-R₆为空间层中的节点，G₁-G₈是分组层的节点，M₁-M₇是移动对象的节点信息。

图2是不确定移动对象在t时刻的分布示意图，其中白色的圆心位置就是移动对象当前存放在数据库中的记录位置，而阴影部分是移动对象的不确定区域UR_i(t)，其中不确定区域的半径就是设定的阈值th，移动对象M_i可能分布在UR_i(t)中任意位置。

图3是T₁时刻移动对象M₀-M₉的群组划分示意图。其中(M₁，M₃，M₅，M₇，M₉)在T₁时刻划分为群组G₁，而(M₀，M₂，M₄，M₆，M₈)划分为群组G₂。

图4是T₂时刻移动对象M₀-M₉的群组划分示意图。其中原先(M₁，M₃，M₅，M₇，M₉)在T₁时刻划分为群组G₁，但是由于M₉偏离群组，所以将M₉重新划分成G₃，而(M₀，M₂，M₄，M₆，M₈)划分为群组G₂。

具体实施方式

下面结合附图对本发明创造做进一步详细说明。

随着移动计算和定位技术的不断发展，位置服务在日常生活中扮演着越发重要的角色。位置服务的质量依赖于对移动对象有效管理。由于存在数据采集不精确，移动物体延迟更新和隐私保护等原因，移动对象的位置不确定性普遍存在如图2所示为移动对象的不确定区域示意图。为了使数据库中查询提供更“靠谱”的数据，需要将查询结果的不精确性限定在一定的范围内。在索引结构中储存移动对象不确定性信息已成为时空数据库研究的热点。但是由于移动对象的位置随时间而变化，在传统空间索引结构中存储空间对象的具体位置无法适应大量空间对象的更新操作，因而不适合移动对象的存储与检索。频繁更新移动对象的位置信息会导致更新代价增加，而低频率的更新可能会导致查询结果返回“过时”的数据，与当下实际情况可能存在较大误差。已有的位置更新策略主要分为周期性更新和推测定位更新两种。本发明在已有不确定移动对象索引TPU-tree的结构基础上，增加群组划分策略得到GTPU-tree。

如图1所示GTPU-tree将整个索引结构分成空间层、分组层和数据层三层。空间层是用于描述移动对象所在空间的位置信息。空间层中节点的记录形式<flag，MBR，ptr>。其中flag，MBR，ptr分别作为叶子节点标记位，最小边界矩形和指向下一层的指针。对于叶子节点，ptr指向分组层的节点；分组层中GPTU-tree节点的记录形式<g_id，ptr_r，ptr_g，MBR，th，time_update>。其中g_id，ptr_r，ptr_g，MBR，th，time_update分别是群组标记位，空间层叶子指针，数据层指针，分组空间位置范围，位置更新阈值和下一次位置更新时间；在数据层中每个叶子节点的形式为<oid，ptr，PCR(p_i)，MBR，v，pdf_ptr，next_flag>。其中oid，ptr，PCR(P_i)，MBR，v，pdf_ptr，next_flag分别表示移动对象M_i的标记，指向分组层节点的指针，概率限定性区域，记录在数据库中的位置，速度向量，概率密度分布函数和是否存在下一个标记。

对于GTPU-tree在进行移动对象位置更新时，对于同一个群组中的移动对象只对其中一个对象作为代表进行更新，而不需要对所有对象进行，减少更新次数。另外为了保证移动对象群组划分的有效性，需要周期性检测群组划分，如图3所示在T₁时刻移动对象M₀-M₉的群组划分示意图。其中(M₁，M₃，M₅，M₇，M₉)在T₁时刻划分为群组G₁，而(M₀，M₂，M₄，M₆，M₈)划分为群组G₂。如图4所示，在T₂时刻移动对象M₀-M₉的群组划分示意图。其中原先(M₁，M₃，M₅，M₇，M₉)在T₁时刻划分为群组G₁，但是由于M₉偏离群组，所以将M₉重新划分成G₃，而(M₀，M₂，M₄，M₆，M₈)划分为群组G₂。

下面通过说明书附图对各实施例对本发明进行说明。

1)实施例一

本发明的实施例一介绍了一种移动对象群组划分算法的方法，具体步骤包括：

A、初始化顶点数组V和邻接矩阵E；

B、判断所有移动对象是否都取过，如果没有执行步骤C，反之则执行步骤E；

C、在凸多边形中任取两个移动对象，计算两个移动对象的空间相似度STS；

D、判断所得到的空间相似度STS与最小空间相似度STSMin的关系并写入E；

E、初始化一个群组；

F、遍历邻接矩阵E，找到所有相依度可达和直接可达的对象将其划分为一个群组。

2)实施例二

本发明的实施例二介绍GTPU-tree的更新算法，具体步骤如下：

A、找到GTPU-tree中需要更新的节点L；

B、删除节点L，调整GTPU-tree的结构；

C、根据更新后的移动对象M_i找到可以插入的位置L’；

D、判断L’是否有足够的空间进行插入，如果有进入E，反之执行F；

E、直接将M_i插入到L’，然后执行G；

F、分裂L’节点，将M_i插入然后调整GTPU-tree；

G、将更新后的GTPU-tree返回。

2)实施例三

本发明的实施例三如图3，4所示，展示了周期性进行群组更新算法，具体步骤如下所示：

A、获取当前系统的运行时间；

B、判断是否每个群组都已经判断，如果是执行G；

C、将系统时间与当前所判断的群组中记录的下一次更新时间对比；

D、如果时间相等，则利用群组划分算法执行群组划分操作；

E、判断重新划分后的群组和原先的群组是否相等，如果不相等执行F；

F、将新的群组划分情况插入到GTPU-tree；

G、返回群组重新划分后的GTPU-tree。

Claims (4)

1.一种基于群组划分的不确定移动对象索引方法，其特征在于包括如下步骤：

(1)首先在传统不确定移动对象索引TPU-tree的基础上，增加移动对象群组划分策略，将整个索引结构分成空间层、分组层和数据层三层；

(2)空间层是用于描述移动对象所在空间的位置信息。空间层中节点的记录形式<flag，MBR，ptr>。其中flag，MBR，ptr分别作为叶子节点标记位，最小边界矩形和指向下一层的指针。对于叶子节点，ptr指向分组层的节点；

(3)分组层中GPTU-tree节点的记录形式<g_id，ptr_r，ptr_g，MBR，th，time_update>。其中g_id，ptr_r，ptr_g，MBR，th，time_update分别是群组标记位，空间层叶子指针，数据层指针，分组空间位置范围，位置更新阈值和下一次位置更新时间；

(4)在数据层中每个GTPU-tree叶子节点的形式为<oid，ptr，PCR(p_i)，MBR，v，pdf_ptr，next_flag>。其中oid，ptr，PCR(p_i)，MBR，v，pdf_ptr，next_flag分别表示移动对象M_i的标记，指向分组层节点的指针，概率限定性区域，记录在数据库中的位置，速度向量，概率密度分布函数和是否存在下一个标记。

2.如权利要求1的一种基于群组划分的不确定移动对象索引方法，其特征要确定如何根据历史一段轨迹进行群组划分，包括：

首先基于根据移动对象的历史时间一段轨迹数据，提取轨迹的空间轨迹相似度。其中空间轨迹相似度主要参考相对方向、速率比、空间距离。然后通过判断两个移动对象之间的空间相似度与最小空间轨迹相似度的比较，将两个移动对象的轨迹划分为直接可达、相依度可达和连接三种关系。最后将所有直接可达和相依度可达的移动对象划分为同一个群组。

3.如权利要求2所述的一种基于群组划分的不确定移动对象索引方法，其特征在于进行群组更新时，还包括：

在空间层，采用预测定位更新方法进行更新，当移动对象的实际位置和索引树中记录的位置偏差超过阈值时，进行更新操作。空间层的索引结构是基于R-tree的基础上进行改进，更新方法与R-tree类似，按删除、插入两阶段来进行移动对象的位置更新。当进行群组更新时，如果有移动对象偏离群组就需要重新划分群组，如果没有移动对象偏离群组时，则可以维持原先的群组划分。

4.一种基于群组划分的不确定移动对象索引方法，其特征在于包括以下步骤：

(1)在TPU-tree结构的基础上将索引结构分为空间层、分组层和数据层三层，增加群组划分算法提出GTPU-tree；

(2)利用移动对象轨迹的空间相似度，将空间相似度大的移动对象划分为同一个群组，并保存在GTPU-tree同一个叶子节点中；

(3)由于移动对象具有不确定性，为了保证同一个群组中的移动对象具有相似的空间轨迹相似度。需要周期性对群组划分进行检测，将那些偏离群组的移动对象重新划分成一类，保证群组的有效性；

(4)在进行位置更新时对于同一个群组中的移动对象，只利用一个移动对象作为代表进行位置更新，不需要对所有的移动对象进行更新，通过减少移动对象位置更新的次数从而减少不确定移动对象由于频繁位置更新引起的更新代价巨大的问题。