CN105512344A - 一种室内移动对象相对位置的查询方法 - Google Patents

Abstract

本发明提供一种室内移动对象相对位置的查询方法，包括：建立室内层次语义位置模型HiSeLoMo；根据所述层次语义位置模型中细粒度层、粗粒度层和移动对象层的位置节点数据，将移动对象的实时位置与最近的所述位置节点进行映射，确定所述移动对象之间的路径；对所述移动对象之间的可达路径距离进行初始计算，并在初始计算过程中进行网络扩展，获取初始查询结果；根据查询点位置的变化将所述初始查询结果更新为第一查询结果；根据所述移动对象位置的变化将第一查询结果更新为第二查询结果，如此，通过层次网络扩展的方法能够有效支持参考点和目标点同时移动的行人连续相对位置查询，算法复杂度低、查询效率高。

Description

一种室内移动对象相对位置的查询方法

技术领域

本发明属于室内定位导航与位置服务技术领域，尤其涉及一种室内移动对象相对位置的查询方法。

背景技术

人们绝大部分时间都处在室内空间，如办公楼、购物中心、机场、车站等，获得准确可靠的室内位置信息成为许多移动应用的关键。

现有室内行人位置感知研究大多以获取行人自身绝对位置，实现导航为目的。然而，随着智能手机、平板电脑等智能终端设备的普及，以及移动社交网络等移动互联网应用的流行，人们对位置信息的需求呈现出日益多样化的趋势。在室内移动社交网络等移动应用中，行人等移动对象的位置在实时发生变化，人们不仅关注自身的实时位置，同样关注与周边移动对象的连续相对位置，例如好友相会定位、好友相互追踪、周边好友查询等。

现有基于无线传感网络的移动设备相对位置感知方法往往通过信号传播来计算移动设备之间的二维平面相对距离，以此构建移动设备的相对位置拓扑图，再结合部分移动设备的已知绝对位置，将相对位置图转化为绝对位置图，支持粗略的相对位置感知应用。

但由于室内空间具有空间封闭性、约束性、垂直重叠性等特点，导致室内行人相对位置感知与室外位置感知方法存在较大差异。近年来出现了一些以室内距离感知为核心的相对位置计算方法。这些方法只给出了参考点和目标点之一移动的连续范围查询计算方法，无法满足移动社交等应用需要，且核心空间层所采用的细粒度网格图模型，节点数量庞大，处理效率低，不适用于智能手机等资源受限的移动终端。

基于此，目前亟需一种可以支持室内参考点和目标点同时移动的高效行人相对位置查询方法。

发明内容

针对现有技术存在的问题，本发明实施例提供了一种，用于解决现有技术中的查询方法只支持参考点和目标点之一移动，且节点数量庞大，处理效率低的技术问题。

本发明提供一种室内移动对象相对位置的查询方法，所述方法包括：

建立室内层次语义位置模型(HiSeLoMo，HierarchicalSemanticLocationModel)；

根据所述层次语义位置模型中细粒度层、粗粒度层和移动对象层的位置节点数据，将移动对象的实时位置与最近的所述位置节点进行映射，确定所述移动对象之间的路径；

对所述移动对象之间的可达路径距离进行初始计算，并在初始计算过程中进行网络扩展，获取初始查询结果；

根据查询点位置的变化将所述初始查询结果更新为第一查询结果；根据所述移动对象位置的变化将第一查询结果更新为第二查询结果。

上述方案中，所述建立室内层次语义位置模型具体包括：

根据室内空间特点和行人运动特征，基于室内楼层平面图构建所述层次语义位置模型HiSeLoMo的细粒度层AEGVG(AdaptiveExtendedGVG)图，确定室内空间对象的几何位置、符号位置、拓扑关系及时空关系语义信息；

构建位置层次模型；

构建出口层次模型；

构建所述层次语义位置模型HiSeLoMo的移动对象层模型；

确定所述层次语义位置模型HiSeLoMo的层间关系。

上述方案中，所述HiSeLoMo的细粒度层AEGVG图包括：室内空间狭长区域一维Voronoi图及开阔区域二维规则覆盖网格图。

上述方案中，所述HiSeLoMo的细粒度层AEGVG图的生成具体包括：

根据所述室内楼层平面图提取出一维骨架，形成Voronoi图；

将所述开阔区域以预设边长进行网格划分形成网格图，将所述网格图添加到所述Voronoi图中；

以行人的平均步长为采样间隔进行采样节点，生成所述AEGVG图。

上述方案中，所述构建位置层次模型包括：

根据所述细粒度层AEGVG图中的符号位置确定所述粗粒度层的位置节点；

根据所述位置节点之间的邻接、连通关系生成所述位置层次模型。

上述方案中，所述构建出口层次模型包括：

根据所述细粒度层AEGVG图中的出口位置确定所述粗粒度层的出口节点；

将相邻位置之间的可达路径作为边构建所述出口层次模型。

上述方案中，所述移动对象为：<MovingObjID,(x,y,t),objsemantic>；其中，

所述MovingObjID为所述移动对象的编号，所述(x,y,t)为t时刻所述移动对象的位置坐标，所述objsemantic为所述移动对象的语义信息。

上述方案中，所述对所述移动对象之间的可达路径距离进行初始计算，并在初始计算过程中进行网络搜索树扩展，获取初始查询结果包括：

步骤a，对所述查询点当前所在的空间单元搜索所述移动对象，若所述当前空间单元内有K个所述移动对象，则记录所扩展节点距离根节点的最大距离maxDistance值；

步骤b，以所述查询点当前所在的空间单元为最小空间单元，以所述最小空间单元的各个出口节点到所述查询点的距离为堆排序条件，若所述距离小于所述maxDistance值，则搜索当前出口节点所在的空间单元；

步骤c，重复步骤a～b，直到所述堆为空；

步骤d，根据所述maxDistance值为距离阈值，对所有搜索过的空间单元进行网络扩展，获取初始查询结果。

上述方案中，若所述当前空间单元内小于K个所述移动对象时，所述方法还包括；

继续搜索所述移动对象，当搜索到新的所述移动对象后，确定当前所述移动对象与所述查询点之间的距离小于所述maxDistance值时，则将当前所述移动对象与所述查询点之间的距离更新为所述maxDistance值。

上述方案中，所述根据查询点位置的变化将所述初始查询结果更新为第一查询结果包括：

当确定所述查询点在网络扩展树中移动，且确定所述查询点在所述当前空间单元内时，更新所述出口层的根节点及所述根节点到子树的距离；

根据所述根节点到子树的距离更新maxDistance值，根据所述maxDistance值进行网络扩展形成网络扩展树，获取第一查询结果。

本发明提供了一种室内移动对象相对位置的查询方法，所述方法包括：建立室内层次语义位置模型HiSeLoMo；根据所述层次语义位置模型中细粒度层、粗粒度层和移动对象层的位置节点数据，将移动对象的实时位置与最近的所述位置节点进行映射，确定所述移动对象之间的路径；对所述移动对象之间的可达路径距离进行初始计算，并在初始计算过程中进行网络扩展，获取初始查询结果；根据查询点位置的变化将所述初始查询结果更新为第一查询结果；根据所述移动对象位置的变化将第一查询结果更新为第二查询结果；如此，所述室内层次语义位置模型采用多粒度多层次适应性扩展图的表达方式，有效降低了模型节点数量和复杂性，在兼顾位置精度和效率的同时，能够有效表达室内对象的几何、符号、动态拓扑、时空距离及社交关系等语义信息；并通过层次网络扩展的方法能够有效支持参考点和目标点同时移动的行人连续相对位置查询，算法复杂度低、查询效率高。

附图说明

图1为本发明实施例提供的移动对象相对位置查询方法的流程示意图；

图2为本发明实施例提供的层次语义位置模型HiSeLoMo框架结构图；

图3为本发明实施例提供的室内平面图的一维骨架图；

图4为本发明实施例提供的所述HiSeLoMo的细粒度层AEGVG图；

图5为本发明实施例提供的粗粒度层中位置层次位置模型示意图；

图6为本发明实施例提供的粗粒度层中出口层次位置模型示意图；

图7为本发明实施例提供的移动对象动态拓扑关系示意图；

图8为本发明实施例提供的层次语义位置模型HiSeLoMo层间关系示意图

图9为本发明实施例提供的层次语义位置模型HiSeLoMo各层之间属性关联关系示意图。

具体实施方式

为了可以支持室内参考点和目标点同时移动，并可以提高查询效率，本发明提供了一种室内移动对象相对位置的查询方法，所述方法包括：建立室内层次语义位置模型HiSeLoMo；根据所述层次语义位置模型中细粒度层、粗粒度层和移动对象层的位置节点数据，将移动对象的实时位置与最近的所述位置节点进行映射，确定所述移动对象之间的路径；对所述移动对象之间的可达路径距离进行初始计算，并在初始计算过程中进行网络扩展，获取初始查询结果；根据查询点位置的变化将所述初始查询结果更新为第一查询结果；根据所述移动对象位置的变化将第一查询结果更新为第二查询结果。

下面通过附图及具体实施例对本发明的技术方案做进一步的详细说明。

本实施例提供一种室内移动对象相对位置的查询方法，如图1所示，所述方法包括主要包括以下步骤：

步骤110，建立室内层次语义位置模型HiSeLoMo。

本步骤中，根据室内空间特点和行人运动特征，基于室内楼层平面图构建所述层次语义位置模型HiSeLoMo的细粒度层AEGVG图，确定室内空间对象的几何位置、符号位置、拓扑关系及时空关系语义信息。其中，所述语义信息可以具体为：房间与走廊的连通关系、房间之间的邻近关系、移动对象的几何坐标、符号位置(房间编号)、功能、时空约束等属性。其中，所述室内层次语义位置模型HiSeLoMo的框架如图2所示。

具体地，所述HiSeLoMo的细粒度层AEGVG图包括：室内空间狭长区域一维Voronoi图及开阔区域二维规则覆盖网格图。通常，室内空间狭长区域通过一维Voronoi图来表达，而开阔区域则利用网格图进行表达。其中，当室内空间单元的宽度小于等于一定值(如3m)区域称为狭长区域，例如走廊等；当室内空间单元的宽度大于一定值(如3m)的区域为开阔区域，例如大厅等。

这里，所述HiSeLoMo的细粒度层AEGVG图的生成具体包括：

首先，根据所述室内楼层平面图提取出一维骨架，形成Voronoi图，所述一维骨架如图3所示；将开阔区域以预设边长进行网格划分形成网格图，将所述网格图添加到所述Voronoi图中；以行人的平均步长为采样间隔进行采样节点，创建所述AEGVG图，所述AEGVG图如图4所示。其中，以行人的平均步长作为边长进行采样节点，符合行人的运动特征，能够最大程度减少模型中的节点数量，所述行人步长为1m左右。同时，考虑到人行走的步长在1m左右。因此，对开阔区域则以边长为1m的正方形网格进行划分，以此为基础构建开阔区域图模型。

这里，所述HiSeLoMo的细粒度层AEGVG图模型可以根据公式(1)进行形式化定义：

G_fine＝(V_fine,E_fine)(1)

在公式(1)中，V_fine＝{v_i}，是所述AEGVG图中节点的集合；是所述AEGVG图中边的集合；每条边由两个节点构成，由公式(2)所示。

e＝(V_i,V_j)(2)

其中，每个节点每个节点描述了室内空间的某一离散位置，具有位置坐标、状态、标签等属性；通常，所述节点的属性信息可以通过<v_id,x_v,y_v,c_v,s_v,l_v,f_v,b_v>来表示。所述v_id是所述节点的编号ID；所述(x_v,y_v)为节点的几何坐标；所述c_v为所述节点的空间类型，所述c_v∈{room,corridor,door,vertical,passage}；所述s_v为所述节点的物理状态，所述s_v∈{free,occpuied}，所述l_v为节点的标签属性，所述f_v为所述节点所处楼层标识，所述b_v为所述节点所处建筑物标识。

进一步地，所述边e∈E_fine，表达了AEGVG图中各个节点的连通关系，边的属性为<e_id,v_i,v_j,f_e,b_e,w_e>，其中，v_i,v_j表示边的两个端节点，f_e和b_e表示边的符号位置属性，即边所对应的楼层和建筑物信息。边有可能存在一对多的从属关系，即一条边经过了多个功能空间单元。所述w_e表示边的权重，通常将两个节点的欧式距离作为权重值。

其次，构建位置层次模型；具体地，在细粒度层AEGVG图模型基础上抽象出粗粒度的位置层次模型。这里，位置层次通过一种层次的组织方式，来表达对象之间的拓扑关系(如邻接、包含关系)及时空关系(时空距离、时空约束等)等语义信息。通常，将位置分为三大类：房间(Room)、垂直升降空间(VerticalPassage)，包括楼梯、电梯等；走廊(Corridor)。这里的层次是指位置之间的邻接可达顺序关系，如：从某个入口位置依次经过哪几个邻接的位置，这些邻接位置作为层次图中入口位置的子节点；或者是位置之间的空间包含关系，如：某楼层包含哪些位置，这些位置作为层次图的子节点。

基于细粒度层的AEGVG图模型，将具有相同标签属性l_v的节点聚合为一个符号位置。根据所述符号位置确定所述粗粒度层的位置节点；在形成粗粒度层中的位置节点之后，根据位置节点之间的邻接、连通关系，就可形成粗粒度层中完整的位置层次模型。位置层次模型通常以节点代表符号位置，边表示位置邻接或包含关系的层次图模型，可以如公式(3)所示。

G_loc＝(V_loc,E_loc)(3)

在公式(3)中，V_loc＝{v_i}，表示所有符号位置的集合；表示AEGVG图中位置邻接或包含关系的集合；每条边e_loc＝(v_i,v_j∈E_ioc)。同时，每个符号位置v_i＝<loc_id,c_loc,l_loc,f_loc,b_loc,adj_loc>，所述loc_id为抽象位置空间的编号，c_loc为抽象位置空间的类别，所述c_loc∈{room,corridor,verticalpassage}，l_loc表示抽象位置空间的符号语义信息；f_loc表示抽象位置空间所处楼层；b_loc表示抽象位置空间的建筑物；同时，是与抽象位置具有相邻关系的所有位置集合。

实际中，以某工程楼四楼为例，对四楼细粒度层AEGVG图进行抽象形成位置节点，如图5所示，房间位置用圆形节点表示，垂直升降空间位置由方形节点表示，走廊则由三角形节点表示。例如，细粒度层中的垂直空间VP2、走廊段HW4和房间RM12中的细粒度节点分别抽象成粗粒度层中的位置节点VP2、HW4和RM12。在形成粗粒度层中的位置节点之后，根据位置节点之间的关系，形成位置层次，如图5左下方所示。例如位置节点VP2与走廊段节点HW4相连通，HW4与走廊节点HW5相连通，HW5与RM14、HW6等位置节点相连通或者邻接。通过位置节点之间的邻接、连通关系，就可形成粗粒度层中完整的位置层次模型。

然后，根据所述细粒度层AEGVG图中的出口位置确定所述粗粒度层的出口节点；将相邻位置之间的可达路径作为边构建所述出口层次模型。

具体地，结合HiSeLoMo粗粒度层的位置层次模型，为了支持粗粒度的位置之间距离和拓扑表达，在细粒度层模型基础上抽象出粗粒度的出口层次模型。这里，出口层次通过一种层次的组织方式，表达出口位置之间的拓扑关系(如连通关系、顺序关系)、距离、约束等语义信息。其中，出口指连通室内两个可达位置空间的连接点，包括实际出口和虚拟出口两类。实际出口是两个空间单元的可达出入口，通常为房间门；而虚拟出口是根据子空间单元之间的连通关系而人为定义的出入口，在室内结构中并不存在。一个出口只能连通两个位置空间，一个空间单元可包含多个出口，出口是连接不同空间单元的唯一途径。而层次则指出口之间的连通关系(如某个出口位置连通了两个空间位置)，或者指到达某出口位置过程中所经过出口的顺序关系(如从某楼层出口到达某个位置出口所经过的出口的顺序关系)。

出口层次对应细粒度层中连通不同空间单元之间的出口节点集合，该集合根据细粒度层AEGVG模型中空间的类别属性c_v为出口的节点提取得到。出口节点根据空间的邻接关系(抵达顺序)形成层次结构，其中最顶层节点表示进入该空间的入口，从顶层节点往下，不同层的节点表示可达的层次顺序关系。如图6所示，某工程楼四楼平面图中VP2区域对应的出口节点DR57为顶层节点，可到达DR55与DR20两个出口，因此DR55和DR20两个出口节点作为DR57的子节点。

通过将位置出口抽象为粗粒度的出口节点，相邻位置之间的可达路径作为边，构建出口层次模型。所述出口层次模型可由公式(4)表示。

G_exit＝(V_exit,E_exit)(4)

在公式(4)中，V_exit＝{v_i}是所有出口节点的集合，所述出口节点可以由公式(5)表示。

v_i＝<ex_id,l_ex,loc_i,loc_j,parent_ex>(5)

在公式(5)中，ex_id表示出口节点的编号，与细粒度层空间类型为door的节点编号保持一致，l_ex表示出口节点的语义位置信息，如节点所表示空间的功能属性。出口位置通常连接了两个连通的位置，两个连通的位置通过(loc_i,loc_j)表示。loc_i和loc_j分别对应位置层次中的两个位置，所述两个位置指位置层次中任意两个节点。所述parent_ex表示出口节点在出口层次树结构中的父节点编号，而E_exit＝V_exit×V_exit是所有可达路径的集合，每条路径可通过公式(6)表示：

e_exit＝v_i×v_i(6)

其中，e_exit∈E_exit。

进一步地，构建所述层次语义位置模型HiSeLoMo的移动对象层模型。具体地，因在移动计算环境中，存在大量的移动对象(如人员、移动资产等)。为了描述方便，可将所述移动对象表示为<MovingObjID,(x,y,t),objsemantic>；其中，

所述MovingObjID为所述移动对象的编号，所述(x,y,t)为t时刻移动对象的位置坐标，所述objsemantic为移动对象的语义信息。

这里，设Σobjsemantic＝{Σperson∪Σasset}，

则objsemantic∈Σobjsemantic＝{person_id,asset_id}。

为了简化移动对象之间的动态拓扑关系，基于HiSeLoMo细粒度层的拓扑图G_fine，将移动对象MovingObject在某时刻t的拓扑关系映射到细粒度层的拓扑图G_fine-sub，如图7所示。具体的表达方式为：根据所述移动对象MovingObject在某时刻t的位置(x,y)，在细粒度层拓扑图G_fine中查询距离该位置最近的节点NearestNode；所述移动对象MovingObject在时刻t的拓扑关系即可表示为NearestNode所在的细粒度层拓扑子图其中，则MovingObject_i,t与NaerestNode_i相映射，映射关系可由公式(7)表示。

f:MovingObject_i,t→NearestNode_i(7)

最后，确定所述层次语义位置模型HiSeLoMo的层间关系。

具体地，粗粒度层中位置层次模型可从细粒度层中聚合得到，出口层次模型可从细粒度层中导出来，位置层次和出口层次之间也可以相互导出来，如图8所示。由于一个出口连接了两个相邻的空间，在位置层次和出口层次中包含了这种连通或邻近关系，所以出口层和位置层之间可以相互导出。细粒度层与位置层次和出口层次中的属性关系如图9所示，出口层和位置层中的节点、边的属性都是从细粒度层中导出来的。

步骤111，根据所述层次语义位置模型中细粒度层、粗粒度层和移动对象层的位置节点数据，将移动对象的实时位置与最近的所述位置节点进行映射，确定所述移动对象之间的路径。

本步骤中，当所述层次语义位置模型HiSeLoMo建立好之后，根据所述层次语义位置模型中细粒度层、粗粒度层和移动对象层的位置节点数据，将移动对象的实时位置与最近的所述位置节点进行映射，确定所述移动对象之间的路径。

步骤112，对所述移动对象之间的可达路径距离进行初始计算，并在初始计算过程中进行网络扩展，获取初始查询结果。

本步骤中，当所述述移动对象之间的可达路径距离确定之后，对所述移动对象之间的可达路径距离进行初始计算，并采用基于距离约束的网络扩展方法进行网络扩展。

具体地，包括以下步骤：

步骤a，对所述查询点当前所在的空间单元搜索所述移动对象，若所述当前空间单元内有K个所述移动对象，则记录所扩展节点距离根节点的最大距离maxDistance值；若所述当前空间单元内没有K个所述移动对象，则继续搜索满足要求的移动对象。当搜索到满足要求的移动对象后，判断当前所述移动对象与所述查询点之间的距离是否小于所述maxDistance值，若小于，则将当前所述移动对象与所述查询点之间的距离更新为所述maxDistance值。若不小于，则舍弃该移动对象。

步骤b，以所述查询点当前所在的空间单元为最小空间单元，以所述最小空间单元的各个出口节点到所述查询点的距离为堆排序条件，每次从堆中取出距离最近的出口节点所在的空间单元进行搜索，对所述距离最近的出口节点所在的空间单元进行搜索时，判断当前的出口节点与查询点之间的距离是否小于所述maxDistance值，若小于，则搜索当前出口节点所在的空间单元；若不小于，则舍弃该空间单元。

步骤c，搜索完毕之后，将最小空间单元中所有尚未被搜索的出口节点添加进堆中，重复步骤a～b，直到所述堆为空。

步骤d，根据所述maxDistance值为距离阈值，对所有搜索过的空间单元进行网络扩展，将距离阈值内可达的网络节点添加进网络扩展树中，获取初始查询结果。

步骤113，根据查询点位置的变化将所述初始查询结果更新为第一查询结果；根据所述移动对象位置的变化将第一查询结果更新为第二查询结果。

本步骤中，初始计算后，获取初始计算以后的每一个时间戳的查询点和移动对象位置变化信息，先根据查询点位置的变化更新查询结果，后根据移动对象位置的变化更新查询结果。

具体地，判断查询点是否还在网络扩展树中移动，如果查询点移出了所述网络扩展树，则需要重新计算。如果查询点在网络扩展树中移动，则判断所述查询点是否在当前空间单元内移动，如果确定所述查询点在所述当前空间单元内时，更新所述出口层的根节点及所述根节点到子树的距离；并更新根节点下的细粒度层子树，同时根据所述根节点到子树的距离更新maxDistance值，根据所述maxDistance值进行网络扩展形成网络扩展树，将新扩展的节点上的移动对象添加进候选对象中，最后更新maxDistance值，进行网络扩展，获取第一查询结果。

进一步地，当确定所述查询点移出所述当前空间单元时，留下有效的子树，，更新子树上的移动对象的距离，然后对其余部分进行网络扩展。

具体地，当确定所述查询点移出所述当前空间单元时，判断移出网络扩展树及进入网络扩展树移动对象的数量，如果进入所述网络扩展树中所述移动对象的数量不小于离开所述网络扩展树中的所述移动对象的数量，则对所述网络扩展树进行收缩；当确定进入所述网络扩展树中所述移动对象的数量小于离开所述网络扩展树中的所述移动对象的数量时，则对所述网络扩展树进行扩展，获取第二查询结果。

本发明提供的室内移动对象相对位置的查询方法，基于HiSeLoMo模型采用多粒度多层次适应性扩展图的表达方式，有效降低了模型节点数量和复杂性，在兼顾位置精度和效率的同时，能够有效表达室内对象的几何、符号、动态拓扑、时空距离及社交关系等语义信息；基于HiSeLoMo模型并通过层次网络扩展的方法能够有效支持参考点和目标点同时移动的行人连续相对位置查询，并且算法复杂度低、查询效率高。同时解决了参考点、目标点同时移动的行人连续位置感知查询问题，可推广应用于室内移动社交、连续位置服务应用中。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种室内移动对象相对位置的查询方法，其特征在于，所述方法包括：

建立室内层次语义位置模型HiSeLoMo；

根据所述层次语义位置模型中细粒度层、粗粒度层和移动对象层的位置节点数据，将移动对象的实时位置与最近的所述位置节点进行映射，确定所述移动对象之间的路径；

对所述移动对象之间的可达路径距离进行初始计算，并在初始计算过程中进行网络扩展，获取初始查询结果；

根据查询点位置的变化将所述初始查询结果更新为第一查询结果；根据所述移动对象位置的变化将第一查询结果更新为第二查询结果。

2.如权利要求1所述的方法，其特征在于，所述建立室内层次语义位置模型具体包括：

根据室内空间特点和行人运动特征，基于室内楼层平面图构建所述层次语义位置模型HiSeLoMo的细粒度层AEGVG图，确定室内空间对象的几何位置、符号位置、拓扑关系及时空关系语义信息；

构建位置层次模型；

构建出口层次模型；

构建所述层次语义位置模型HiSeLoMo的移动对象层模型；

确定所述层次语义位置模型HiSeLoMo的层间关系。

3.如权利要求2所述的方法，其特征在于，所述HiSeLoMo的细粒度层AEGVG图包括：室内空间狭长区域一维Voronoi图及开阔区域二维规则覆盖网格图。

4.如权利要求3所述的方法，其特征在于，所述HiSeLoMo的细粒度层AEGVG图的生成具体包括：

根据所述室内楼层平面图提取出一维骨架，形成Voronoi图；

将所述开阔区域以预设边长进行网格划分形成网格图，将所述网格图添加到所述Voronoi图中；

以行人的平均步长为采样间隔进行采样节点，生成所述AEGVG图。

5.如权利要求2所述的方法，其特征在于，所述构建位置层次模型包括：

根据所述细粒度层AEGVG图中的符号位置确定所述粗粒度层的位置节点；

根据所述位置节点之间的邻接、连通关系生成所述位置层次模型。

6.如权利要求2所述的方法，其特征在于，所述构建出口层次模型包括：

根据所述细粒度层AEGVG图中的出口位置确定所述粗粒度层的出口节点；

将相邻位置之间的可达路径作为边构建所述出口层次模型。

7.如权利要求2所述的方法，其特征在于，所述移动对象为：<MovingObjID,(x,y,t),objsemantic>；其中，

所述MovingObjID为所述移动对象的编号，所述(x,y,t)为t时刻所述移动对象的位置坐标，所述objsemantic为所述移动对象的语义信息。

8.如权利要求1所述的方法，其特征在于，所述对所述移动对象之间的可达路径距离进行初始计算，并在初始计算过程中进行网络搜索树扩展，获取初始查询结果包括：

步骤a，对所述查询点当前所在的空间单元搜索所述移动对象，若所述当前空间单元内有K个所述移动对象，则记录所扩展节点距离根节点的最大距离maxDistance值；

步骤b，以所述查询点当前所在的空间单元为最小空间单元，以所述最小空间单元的各个出口节点到所述查询点的距离为堆排序条件，若所述距离小于所述maxDistance值，则搜索当前出口节点所在的空间单元；

步骤c，重复步骤a～b，直到所述堆为空；

步骤d，根据所述maxDistance值为距离阈值，对所有搜索过的空间单元进行网络扩展，获取初始查询结果。

9.如权利要求8所述的方法，其特征在于，若所述当前空间单元内小于K个所述移动对象时，所述方法还包括；

继续搜索所述移动对象，当搜索到新的所述移动对象后，确定当前所述移动对象与所述查询点之间的距离小于所述maxDistance值时，则将当前所述移动对象与所述查询点之间的距离更新为所述maxDistance值。

10.如权利要求1所述的方法，其特征在于，所述根据查询点位置的变化将所述初始查询结果更新为第一查询结果包括：

当确定所述查询点在网络扩展树中移动，且确定所述查询点在所述当前空间单元内时，更新所述出口层的根节点及所述根节点到子树的距离；

根据所述根节点到子树的距离更新maxDistance值，根据所述maxDistance值进行网络扩展形成网络扩展树，获取第一查询结果。