CN106844409A - 快速连续历史轨迹距离查询技术 - Google Patents
快速连续历史轨迹距离查询技术 Download PDFInfo
- Publication number
- CN106844409A CN106844409A CN201610451316.1A CN201610451316A CN106844409A CN 106844409 A CN106844409 A CN 106844409A CN 201610451316 A CN201610451316 A CN 201610451316A CN 106844409 A CN106844409 A CN 106844409A
- Authority
- CN
- China
- Prior art keywords
- track
- query
- mobile object
- distance
- data
- 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.)
- Pending
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种快速连续历史轨迹距离查询技术,应用于移动对象数据库领域,提高距离查询的性能。本发明所述的快速连续历史轨迹距离查询技术是通过对移动对象的运动轨迹的GPS位置数据进行预处理,保存到可扩充数据库系统SECONDO中,通过对移动对象的运动轨迹数据建立3D R‑Tree索引,并使用基于3D R‑Tree索引的过滤算法,过滤掉不可能为结果的轨迹集合,避免了不必要的轨迹距离计算,提高移动对象轨迹的连续历史轨迹距离查询效率。
Description
一、技术领域
本发明是移动对象数据库领域,用于快速查询移动对象历史轨迹的距离查询技术。
二、背景技术
近年来,随着智能移动设备的普及,无线通讯技术的不断发展,定位技术越来越精确和方便。移动对象的位置信息的采集、管理与查询,促进了各种基于移动对象数据库的应用的研究,如地理信息系统、交通管理、城市规划和大量基于定位的服务(LBS)。通过研究移动对的轨迹,可以发掘移动对象的行为模式,可以研究移动对象的社会关系,通过这些研究,可以为决策提供参考,例如车辆的行为模式,可以为交通管理提供参考。
查询操作作为数据库的基本操作,它的效率的高低决定着这个数据库是否能够提供高效的服务。因此,有一个高效的查询操作,能够返回用户的查询结果,是至关重要的。如何处理这种查询请求,最简单直接的方法是计算数据库中每个移动对象的轨迹与查询轨迹,在查询时间区间内,每个时刻所在位置之间的欧式距离。然后将每个移动对象与查询移动对象轨迹的距离在查询范围[d1,d2]内的点组成的轨迹作为查询结果返回。这种方法,计算量大,需要计算每条移动对象轨迹与查询轨迹之间的距离,其计算时间复杂度随着移动对象的数量的增加呈线性递增。所以必须要有一个索引机制来提高数据的访问效率,增大过滤过程的精度,减少轨迹数据的访问和轨迹距离的计算。
三、发明内容
【发明目的】
为了提高查询的效率,本发明提供了包含对移动对象轨迹的轨迹分割预处理和建立轨迹段的3D R-Tree索引的距离查询算法,以解决查询算法的高效问题,增加了查询效率。
【技术方案】
本发明所述的快速连续历史轨迹距离查询技术是通过对移动对象轨迹建立索引机制,在索引的基础上,通过过滤-精细计算阶段来实现移动对象历史轨迹的距离查询。基于移动对象索引的过滤算法,可以提高对结果轨迹集合的过滤精度,减少候选轨迹的集合,从而减少精确计算阶段磁盘I/O次数和CPU的计算量。主要步骤如下:
(1)数据预处理;
本发明处理移动对象轨迹,所有移动对象保存在数据库的表中。每一条对象记录有一个轨迹数据,保存了该对象的所有历史轨迹。轨迹由轨迹单元组成,每个轨迹单元在平面和时间的三维空间里表示一个线段,对象的轨迹由一系列前后相连的轨迹单元构成,在三维空间中形成一条折线,如图1。将轨迹段分割成较小的轨迹段,用于提高轨迹过滤的精度。计算每个轨迹段的最小边框盒子(Minimum Bounding Box),即最小包含轨迹的空间盒子。
(2)建立移动对象轨迹移动对象索引3D R-Tree;
完成轨迹的预处理之后,以每个轨迹段和轨迹段的最小边框盒子为R-Tree叶子节点,插入到3D R-Tree中,建立所有对象轨迹的索引。
(3)基于移动对象轨迹索引的距离查询;
基于移动对象轨迹索引的距离查询包括两个步骤:过滤阶段和精细计算阶段。在过滤阶段,通过遍历3D R-Tree,过滤不可能为结果的轨迹,留下较小的轨迹集合,用于计算轨迹之间的距离。在精细计算阶段,计算轨迹在时间上的距离函数,即计算时间与距离的映射,求得距离在查询范围内的时间区间,在这个时间区间内的轨迹,即为查询的结果。
【有益效果】
本发明所述快速连续历史轨迹距离查询技术通过对轨迹数据的预处理,建立移动对象索引3D R-Tree,在所建立的3D R-Tree索引上,实现对连续历史轨迹的距离查询。下面通过测试数据来说明本发明的有效性。实验环境为:Intel(R)、Xeon(R)、CPU为E5-2650v2、主频260GHz、内存1GB、Linux环境Ubuntu14.04、C++语言、可扩充移动对象数据库SECONDO,实验数据柏林地铁轨迹数据。
表1
表2
表1显示了数据集的信息,表2显示了本发明在距离查询操作时与普通距离查询算法在不同查询范围参数上的时间比较,分别是表明本算法的性能有较大的提高。
四、附图说明
图1移动对象轨迹在空间的表示图
图2连续历史轨迹距离查询示意图
图3轨迹分割
图4 3D R-Tree索引移动对象轨迹
图5过滤移动对象轨迹的三种情况
五、具体实施方式
下面结合附图对本发明进一步说明。
本发明所述的快速连续历史轨迹距离查询技术是通过将移动对象历史轨迹进行预处理,以图3的结构存储在数据库中。通过对移动对象历史轨迹建立3D R-Tree索引,提高移动对象轨迹数据的访问速度和过滤精度。主要步骤如下:
(1)移动对象轨迹数据预处理;
本发明将移动对象(例如出租车、人、地铁等)的运动GPS位置作为输入,保存到可扩充数据库系统SECONDO中。每一条对象记录有一个轨迹数据,保存了该对象的所有历史轨迹。轨迹由轨迹单元组成,每个轨迹单元在平面和时间的三维空间里表示一个线段,对象的轨迹由一系列前后相连的轨迹单元构成,在三维空间中形成一条折线,如图1所示。
通过对移动对象的轨迹分割,得到较小的轨迹段。轨迹段分割的大小根据数据范围大小设定。移动对象轨迹分割较小,会增加轨迹段的数量,降低查询效率;而分割过大的话,过滤的精度降低,增加轨迹距离的计算时间,降低查询性能。
在移动对象轨迹分割之后,以轨迹段的时间和空间范围,生成一个最小边框盒子,用来最小表示轨迹的时空范围。
在对移动对象轨迹数据预处理后,得到所有对象和轨迹的数据表。表的每个元组由三个属性组成,包括TID、OID、Trip和MBR,分别存储移动对象所在元组位置、移动对象ID、移动对象的轨迹以及移动对象轨迹在时间和空间所组成的三维空间中的最小边框盒子,如图4所示。表中Trip对应分割后的轨迹段,移动对象的轨迹由多个元组构成,它们的轨迹在时间和空间上是相连的。
(2)建立3D R-Tree索引;
以对象轨迹表中的TID和MBR组成3D R-Tree的叶子节点,插入到3D R-Tree的root节点中,完成对移动对象轨迹的索引的建立。3D R-Tree与移动对象轨迹表的关系如图4所示。
(3)快速连续历史轨迹距离查询;
快速连续历史轨迹距离查询包括两个步骤:1)过滤,2)精细计算。过滤阶段将过滤掉那些不可能为结果的移动对象轨迹,在精细计算阶段对留下的候选轨迹做轨迹距离计算,得到查询结果。
1)过滤:查找候选移动对象轨迹
在查找候选移动对象轨迹时,最基本的思想是去掉完全不可能的移动对象轨迹。使用最大距离-最小距离的过滤方法用于过滤这种完全不可能的移动对象轨迹,从而减少计算量。通过比较两个轨迹在相同时间范围内的空间距离,可以判断轨迹是否符合查询的条件,从而去掉其中不符合查询条件的轨迹,对剩下的轨迹再做精细的计算。在轨迹的空间距离的比较中,有三种情况,如图5所示:
情况一:如图5a和如图5b所示,o1轨迹的MBR到查询轨迹mq在[t1,t2]上的轨迹的MBR的最小距离大于查询距离范围[d1,d2],因此o1的轨迹不可能是查询结果,将o1的轨迹排除在结果之外。o2轨迹的MBR到查询轨迹mq在[t1,t2]上的轨迹的MBR的最大距离小于查询距离范围[d1,d2],因此o2的轨迹不可能是查询结果,将o2的轨迹排除在结果之外。
情况二:图5c所示,o3轨迹的MBR到查询轨迹mq在[t1,t2]上的轨迹的MBR的最小距离和最大距离在查询距离范围[d1,d2]内,因此o3的轨迹一定是查询结果,将o3的轨迹添加在结果集合中。
情况三:除了情况一和情况二之外的情况的移动对象,都为候选对象,需要进一步精细计算。
在过滤时,从3D R树的根节点开始,遍历所有的子节点,如果子节点的时间维度的时间间隔与查询的对象的时间间隔有重叠,则判断该子节点的空间分布的最小边框矩形(MBR)与查询轨迹的最小边框矩形之间的最大距离和最小距离,如果这个子节点中中不可能包含有查询结果的轨迹,则不再对该节点继续深入搜索,否则继续搜索该子节点的子节点,直到搜索到叶子节点。对于叶子节点的处理与内部节点相似,将不可能是查询结果的轨迹抛弃,将其他的轨迹加入到候选集合中,等待精确计算,具体算法如下所示:
2)精细计算:对过滤后的候选轨迹计算距离
过滤阶段会过滤掉一部分不可能是查询结果的移动对象轨迹。对剩下的候选轨迹,通过计算两条轨迹在每个时刻的距离,将符合查询条件的移动对象轨迹作为结果输出。有以下主要步骤:
1.移动轨迹的动态时间规整;
2.计算相同时间间隔内移动对象轨迹的最小“水平”距离;
3.获取在查询条件[d1,d2]内的轨迹;
移动轨迹的动态时间规整,将两条轨迹分割为同步时间的轨迹片段,在这个轨迹片段中,两个轨迹的开始时间和结束时间相同。规整过后的轨迹,计算两个相同时间间隔的轨迹片段的“水平”距离,即两条轨迹的在时间上的距离映射。通过扫描轨迹片段的“水平”距离,得到在查询范围[d1,d2]内的轨迹片段。这些轨迹片段的集合,即为查询的结果。
精细计算算法如下所示:
其中,计算两个对象轨迹的距离的算法如下:
算法Refine返回的Result即为查询的结果集合。
Claims (4)
1.快速连续历史轨迹距离查询技术的总体特征是通过对移动对象的轨迹数据做预处理,对所有的轨迹数据的时间和空间维度范围作为一个输入,构建3D R-Tree索引,并在距离查询操作中从3D R-Tree根节点开始遍历,利用最大最小距离对轨迹数据进行过滤,减少查询过程中对轨迹数据的访问数量和轨迹距离的计算。其过程由以下三部分构成:
(1)移动对象轨迹预处理:以出租车、人、地铁和公交车的GPS位置信息作为输入,转换成轨迹数据,分割并保存到移动对象数据库中;
(2)建立移动对象轨迹的3D R-Tree索引:以(1)中生成的轨迹数据作为输入,建立移动对象轨迹的3D R-Tree索引;
(3)实现快速连续历史轨迹距离查询:以(2)中建立的3D R-Tree为参数,从3D R-Tree的root节点开始,向下遍历所有子节点,过滤掉那些不可能含有查询结果的节点。计算留下来的候选轨迹与查询轨迹的距离,得到符合查询范围的轨迹。
2.根据权利要求1所述的快速连续历史轨迹距离查询技术,其特征在于步骤(1)中将出租车、人、地铁和公交车的GPS位置信息作为输入,转换成轨迹数据,分割并保存到移动对象数据库中。通过对移动对象的轨迹分割,得到较小的轨迹段。轨迹段分割的大小根据数据范围大小设定。移动对象轨迹分割较小,会增加轨迹段的数量,降低查询效率;而分割过大的话,过滤的精度降低,增加轨迹距离的计算时间,降低查询性能。在移动对象轨迹分割之后,以轨迹段的时间和空间范围,生成一个最小边框盒子,用来最小表示轨迹的时空范围。
在对移动对象轨迹数据预处理后,得到所有对象和轨迹的数据表。表的每个元组由三个属性组成,包括TID、OID、Trip和MBR,分别存储移动对象所在元组位置、移动对象ID、移动对象的轨迹以及移动对象轨迹在时间和空间所组成的三维空间中的最小边框盒子。
3.根据权利要求2所述的快速连续历史轨迹距离查询技术,其特征在于步骤(2)中以步骤(1)生成的对象轨迹表中的TID和MBR组成3D R-Tree的叶子节点,插入到3D R-Tree的root节点中,完成对移动对象轨迹的索引的建立。
4.根据权利要求3所述的快速连续历史轨迹距离查询技术,其特征在于步骤(3)中的快速连续历史轨迹距离查询,查询返回符合查询条件的轨迹。快速连续历史轨迹距离查询包括两个步骤:1)过滤,2)精细计算。过滤阶段将过滤掉那些不可能为结果的移动对象轨迹,在精细计算阶段对留下的候选轨迹做轨迹距离计算,得到查询结果。
1)过滤:查找候选移动对象轨迹
在查找候选移动对象轨迹时,最基本的思想是去掉完全不可能的移动对象轨迹。使用最大距离-最小距离的过滤方法用于过滤这种完全不可能的移动对象轨迹,从而减少计算量。通过比较两个轨迹在相同时间范围内的空间距离,可以判断轨迹是否符合查询的条件,从而去掉其中不符合查询条件的轨迹,对剩下的轨迹再做精细的计算。在轨迹的空间距离的比较中,有三种情况:
情况一:该轨迹数据的最小边框盒子到查询轨迹的最小距离大于查询值的最大值,或者最大距离小于查询值的最小值,此时这个轨迹数据的时间和空间范围已在查询范围之外,不可能为查询结果,因此舍弃该数据轨迹;
情况二:该轨迹数据的最小边框盒子到查询轨迹的最大距离小于查询值的最大值,且最小距离大于查询值的最小值,此时该轨迹数据必定在查询范围之内,该轨迹数据一定是查询结果,因此将该轨迹数据添加到结果集合中;
情况三:除了情况一和情况二之外的情况的轨迹数据,它们的轨迹数据有可能有部分是查询结果,因此作为候选对象,添加到候选对象队列中,需要进一步精细计算。
在过滤时,从3D R树的根节点开始,遍历所有的子节点,如果子节点的时间维度的时间间隔与查询的对象的时间间隔有重叠,则判断该子节点的空间分布的最小边框矩形(MBR)与查询轨迹的最小边框矩形之间的最大距离和最小距离,如果这个子节点中中不可能包含有查询结果的轨迹,则不再对该节点继续深入搜索,否则继续搜索该子节点的子节点,直到搜索到叶子节点。对于叶子节点的处理与内部节点相似,将不可能是查询结果的轨迹抛弃,将其他的轨迹加入到候选集合中,等待精确计算,具体算法如下所示:
2)精细计算:对过滤后的候选轨迹计算距离
过滤阶段会过滤掉一部分不可能是查询结果的移动对象轨迹。对剩下的候选轨迹,通过计算两条轨迹在每个时刻的距离,将符合查询条件的移动对象轨迹作为结果输出。有以下主要步骤:
a.移动轨迹的动态时间规整;
b.计算相同时间间隔内移动对象轨迹的最小“水平”距离;
c.获取在查询条件[d1,d2]内的轨迹;
移动轨迹的动态时间规整,将两条轨迹分割为同步时间的轨迹片段,在这个轨迹片段中,两个轨迹的开始时间和结束时间相同。规整过后的轨迹,计算两个相同时间间隔的轨迹片段的“水平”距离,即两条轨迹的在时间上的距离映射。通过扫描轨迹片段的“水平”距离,得到在查询范围[d1,d2]内的轨迹片段。这些轨迹片段的集合,即为查询的结果。
精细计算算法如下所示:
其中,计算两个对象轨迹的距离的算法如下:
算法Refine所返回的Result即为查询的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610451316.1A CN106844409A (zh) | 2016-06-16 | 2016-06-16 | 快速连续历史轨迹距离查询技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610451316.1A CN106844409A (zh) | 2016-06-16 | 2016-06-16 | 快速连续历史轨迹距离查询技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106844409A true CN106844409A (zh) | 2017-06-13 |
Family
ID=59145500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610451316.1A Pending CN106844409A (zh) | 2016-06-16 | 2016-06-16 | 快速连续历史轨迹距离查询技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106844409A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766407A (zh) * | 2017-08-29 | 2018-03-06 | 厦门理工学院 | 一种采用两阶段搜索的轨迹相似性连接查询方法 |
CN108280496A (zh) * | 2018-01-23 | 2018-07-13 | 四川精工伟达智能技术股份有限公司 | 基于rfid的时间同步方法、装置、介质及电子设备 |
CN108376273A (zh) * | 2018-01-23 | 2018-08-07 | 四川精工伟达智能技术股份有限公司 | 多目标定位跟踪方法、装置、计算机可读介质及电子设备 |
CN110555061A (zh) * | 2019-09-06 | 2019-12-10 | 北京百度网讯科技有限公司 | 轨迹相似度确定方法和装置 |
CN111914287A (zh) * | 2020-06-17 | 2020-11-10 | 西安交通大学 | 一种轨迹隐私保护的改进dtw度量方法、存储设备及设备 |
CN112597190A (zh) * | 2020-12-28 | 2021-04-02 | 京东城市(北京)数字科技有限公司 | 点近邻轨迹查询方法、装置、电子设备和可读存储介质 |
CN112948531A (zh) * | 2021-04-02 | 2021-06-11 | 方正国际软件(北京)有限公司 | 海量轨迹查询方法、检索服务器及系统 |
CN113051360A (zh) * | 2021-04-16 | 2021-06-29 | 深圳前海中电慧安科技有限公司 | 一种相似轨迹的确定方法、装置、计算机设备及存储介质 |
CN113220680A (zh) * | 2021-04-29 | 2021-08-06 | 北京理工大学珠海学院 | 疫情密切接触者轨迹确定方法、系统、装置及存储介质 |
WO2023005771A1 (zh) * | 2021-07-28 | 2023-02-02 | 阿里云计算有限公司 | 轨迹查询方法、设备、存储介质及计算机程序产品 |
CN115795115A (zh) * | 2023-02-11 | 2023-03-14 | 云南师范大学 | 一种基于图存储的多轨迹集合相似性搜索方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050096841A1 (en) * | 2003-11-03 | 2005-05-05 | Bugra Gedik | System and method for evaluating moving queries over moving objects |
CN102004771A (zh) * | 2010-11-12 | 2011-04-06 | 浙江大学 | 基于动态裁剪的移动对象反向近邻查询方法 |
CN102306166A (zh) * | 2011-08-22 | 2012-01-04 | 河南理工大学 | 一种移动地理信息空间索引方法 |
-
2016
- 2016-06-16 CN CN201610451316.1A patent/CN106844409A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050096841A1 (en) * | 2003-11-03 | 2005-05-05 | Bugra Gedik | System and method for evaluating moving queries over moving objects |
CN102004771A (zh) * | 2010-11-12 | 2011-04-06 | 浙江大学 | 基于动态裁剪的移动对象反向近邻查询方法 |
CN102306166A (zh) * | 2011-08-22 | 2012-01-04 | 河南理工大学 | 一种移动地理信息空间索引方法 |
Non-Patent Citations (4)
Title |
---|
ELIAS FRENTZOS 等: ""Algorithms for Nearest Neighbor Search on Moving Object Trajectories"", 《HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/220387830》 * |
张文杰 等: ""E3D_R_Tree_一种处理移动对象数据库历史查询的索引结构"", 《计算机科学》 * |
许佳捷 等: ""轨迹大数据:数据、应用与技术现状"", 《通信学报》 * |
郭晶 等: ""基于3D+-TPR-tree 的点目标全时段移动索引设计"", 《测绘学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766407A (zh) * | 2017-08-29 | 2018-03-06 | 厦门理工学院 | 一种采用两阶段搜索的轨迹相似性连接查询方法 |
CN108280496A (zh) * | 2018-01-23 | 2018-07-13 | 四川精工伟达智能技术股份有限公司 | 基于rfid的时间同步方法、装置、介质及电子设备 |
CN108376273A (zh) * | 2018-01-23 | 2018-08-07 | 四川精工伟达智能技术股份有限公司 | 多目标定位跟踪方法、装置、计算机可读介质及电子设备 |
CN110555061B (zh) * | 2019-09-06 | 2022-04-05 | 北京百度网讯科技有限公司 | 轨迹相似度确定方法和装置 |
CN110555061A (zh) * | 2019-09-06 | 2019-12-10 | 北京百度网讯科技有限公司 | 轨迹相似度确定方法和装置 |
CN111914287A (zh) * | 2020-06-17 | 2020-11-10 | 西安交通大学 | 一种轨迹隐私保护的改进dtw度量方法、存储设备及设备 |
CN111914287B (zh) * | 2020-06-17 | 2023-03-31 | 西安交通大学 | 一种轨迹隐私保护的改进dtw度量方法、存储设备及设备 |
CN112597190A (zh) * | 2020-12-28 | 2021-04-02 | 京东城市(北京)数字科技有限公司 | 点近邻轨迹查询方法、装置、电子设备和可读存储介质 |
CN112948531A (zh) * | 2021-04-02 | 2021-06-11 | 方正国际软件(北京)有限公司 | 海量轨迹查询方法、检索服务器及系统 |
CN112948531B (zh) * | 2021-04-02 | 2023-12-15 | 方正国际软件(北京)有限公司 | 海量轨迹查询方法、检索服务器及系统 |
CN113051360A (zh) * | 2021-04-16 | 2021-06-29 | 深圳前海中电慧安科技有限公司 | 一种相似轨迹的确定方法、装置、计算机设备及存储介质 |
CN113051360B (zh) * | 2021-04-16 | 2024-04-09 | 深圳前海中电慧安科技有限公司 | 一种相似轨迹的确定方法、装置、计算机设备及存储介质 |
CN113220680A (zh) * | 2021-04-29 | 2021-08-06 | 北京理工大学珠海学院 | 疫情密切接触者轨迹确定方法、系统、装置及存储介质 |
WO2023005771A1 (zh) * | 2021-07-28 | 2023-02-02 | 阿里云计算有限公司 | 轨迹查询方法、设备、存储介质及计算机程序产品 |
CN115795115A (zh) * | 2023-02-11 | 2023-03-14 | 云南师范大学 | 一种基于图存储的多轨迹集合相似性搜索方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106844409A (zh) | 快速连续历史轨迹距离查询技术 | |
Chon et al. | Storage and retrieval of moving objects | |
CN103198151B (zh) | 区域性城市公交车辆运行信息的索引查询系统及方法 | |
CN107038168A (zh) | 一种用户通勤轨迹管理方法、装置及系统 | |
CN106095802B (zh) | 城市路网上基于r树的全时态移动对象索引方法 | |
CN107818412A (zh) | 一种基于MapReduce的大规模公交乘客OD并行计算方法 | |
CN102289466A (zh) | 一种基于区域覆盖的k近邻查询方法 | |
CN105512344B (zh) | 一种室内移动对象相对位置的查询方法 | |
CN103092853A (zh) | 一种空间索引的建立方法、使用方法及装置 | |
Kim et al. | Fast indexing and updating method for moving objects on road networks | |
CN103072599A (zh) | 高速列车实时定位方法 | |
Du et al. | Spatio-temporal data index model of moving objects on fixed networks using hbase | |
CN111190891A (zh) | 一种多语义轨迹数据分段存储方法 | |
CN102867406B (zh) | 一种应用车辆探测资料的交通路网生成方法 | |
KR20130026258A (ko) | 도로망 기반의 빈번 차량 궤적 클러스터링 시스템 및 방법 | |
CN103500505B (zh) | 一种获取汽车在道路交叉路口等待红绿灯时间的方法 | |
CN105740878B (zh) | 地理信息系统的符号识别方法和装置 | |
Chen et al. | Indexing future trajectories of moving objects in a constrained network | |
CN103500165A (zh) | 一种结合聚类和双key值的高维向量检索方法 | |
Wu et al. | A spatiotemporal trajectory data index based on the Hilbert curve code | |
CN115344795B (zh) | 一种基于多路归并的地铁乘客轨迹相似性搜索方法 | |
CN114996380A (zh) | 路网交叉点提取方法、装置、设备及存储介质 | |
CN105608890B (zh) | 一种基于手机信号数据的人员出行参数统计方法 | |
CN110017842A (zh) | 货运车辆导航方法、终端设备及存储介质 | |
CN115795115B (zh) | 一种基于图存储的多轨迹集合相似性搜索方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170613 |