CN106951519A - 基于网格划分的快速轨迹索引更新方法 - Google Patents

基于网格划分的快速轨迹索引更新方法 Download PDF

Info

Publication number
CN106951519A
CN106951519A CN201710164002.8A CN201710164002A CN106951519A CN 106951519 A CN106951519 A CN 106951519A CN 201710164002 A CN201710164002 A CN 201710164002A CN 106951519 A CN106951519 A CN 106951519A
Authority
CN
China
Prior art keywords
index
tree
track
node
index entry
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
Application number
CN201710164002.8A
Other languages
English (en)
Inventor
许建秋
黄火荣
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201710164002.8A priority Critical patent/CN106951519A/zh
Publication of CN106951519A publication Critical patent/CN106951519A/zh
Pending legal-status Critical Current

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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • 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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2272—Management thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于网格划分的快速轨迹索引更新方法，应用于移动对象数据库领域，用提高轨迹索引的更新效率。本发明所述的基于网格划分的快速轨迹索引更新方法是通过对新加入的移动对象的轨迹数据进行预处理，保存到数据库中，并生成轨迹的索引项。通过网格划分的方式，根据轨迹索引项中MBR的值，将轨迹索引项划分到不同的网格中，生成3D R‑tree索引节点。通过批处理方式，自底向上的构建3D R‑tree的索引子树。最后将新生成的3D R‑tree索引子树合并到原有3D R‑tree中，得到更新后的轨迹的3D R‑tree索引。

Description

基于网格划分的快速轨迹索引更新方法
一、技术领域
本发明是移动对象数据库中索引更新的技术，主要用于移动对象轨迹数据的索引的快速更新。
二、背景技术
随着移动对象的数据不断更新，需要将移动对象的数据添加到数据库中，同时更新移动对象轨迹的3D R-tree索引。移动对象的轨迹需要添加到数据库中原有移动对象轨迹数据中，并且更新轨迹的索引，使得更新后的移动对象数据与原有移动对象数据保持格式的一致，并且能够实现高效的移动对象连续距离查询。
R-tree更新的主要方法有逐个更新和批处理更新，其中逐个更新的方法每次插入移动对象轨迹的索引项时，需要访问多次磁盘，因此效率低；而批处理更新方法中，目前有基于Z曲线或者Hilbert曲线排序的批处理更新，然而，这两种方法都需要对插入到R-tree中更新的索引项进行空间的排序，至少需要花费O(nlogn)的排序时间，其中n为需要插入更新的索引项的数量。
对于本发明中的基于网格划分的快速轨迹索引更新方法，具有更好的R-tree批处理更新效率。
三、发明内容
【发明目的】
为了提高轨迹索引更新的效率，以及更新后移动对象数据库的连续距离查询效率不会降低，本发明提供了一种基于网格划分的快速轨迹索引更新方法，以解决现有轨迹索引更新的效率问题。
【技术方案】
本发明所述的基于网格划分的快速轨迹索引更新方法，是对需要更新的移动对象轨迹数据进行预处理，通过批处理方法建立轨迹索引的3D R-tree索引子树，然后将索引子树插入到原有轨迹索引的3D R-tree中，得到更新轨迹索引后的3D R-tree索引结构，主要包括轨迹数据预处理、建立轨迹索引子树和轨迹索引合并三个主要步骤。
(1)轨迹数据预处理
对于新添加的移动对象轨迹数据，需要保持与数据库中相同的格式，包括轨迹数据的存储格式，轨迹的存储长度，对轨迹数据进行格式化，通过批处理的方式。将轨迹数据分割成较小的轨迹段，添加到已有的数据库中。对新插入的数据进行轨迹分割处理并插入到原有数据表中。轨迹分割的大小与原数据库中的轨迹分割大小一致，以保持数据的一致。
(2)建立索引子树
建立索引子树，通过批处理的方式，将空间相近的轨迹数据的索引项添加到相同的叶子节点中。对于新插入的轨迹数据，使用批处理生成新的轨迹数据的3D R-tree索引子树。批处理方式建立3D R-tree将时空相近的轨迹组合成一个索引节点，将所有的轨迹数据组合成所有3D R-tree的叶子节点。在这些叶子节点上，将时空相近的叶子节点组合成内部节点，并且将所有的叶子节点组合成内部节点。以此类推，最后的节点组合得到一个3D R-tree根节点。通过这个根节点，可以索引到所有的轨迹数据。
(3)索引结构合并
生成的索引子树，需要插入到原有轨迹索引中，形成一个索引结构。将新生成的3DR-tree索引子树插入到数据库中原有3D R-tree索引中。判断索引子树的根节点的索引项数量，当索引项数量小于3D R-tree内部节点的最小索引项数量的时候，索引子树的根节点不能作为一个内部节点插入到数据库中原有3D R-tree中，此时需要将此索引子树的根节点的所有索引项分别插入到数据库中原有3D R-tree中。在插入的过程中，采用自顶向下搜索，找到最合适的插入节点，将索引项插入到该节点中，并且自底向上更新该节点及其父节点索引项的最小边框矩形(MBR)值。
合并后得到的索引结构即是轨迹索引插入更新后的索引结构。
【有益效果】
本发明所述的基于网格划分的快速轨迹索引更新方法用于快速更新轨迹的数据及其3D R-tree索引，使更新后的轨迹数据及索引依然支持高速的移动对象连续距离查询。与现有技术相比，基于网格划分的快速轨迹索引更新方法的有益效果表现在轨迹索引的更新效率方面。
在Intel(R)、Core(TM)、CPU为i3-2120、主频2.5GHz、内存4GB、Ubuntu14.0464位操作系统、C++语言编程环境下测试，测试数据为北京出租车轨迹数据和模拟地铁轨迹数据，如表1所示。在不同数据规模下，基于网格划分的快速轨迹索引更新方法与基于Z曲线排序更新方法进行比较，基于网格划分的快速轨迹索引更新方法具有更高的更新效率，如表2所示。由表2可以看出，基于网格划分的轨迹索引更新方法的效率比基于Z曲线排序的方法具有更好的效率。表3显示了不同方法更新后，对查询性能的影响。由表3可以看出，基于网格划分的方法更新后的查询效率比基于Z曲线排序方法更新后的查询效率更好。
表1
数据名称 移动对象数量 单元轨迹数量
TDrives 10，357 15，000，012
Trains 562 51，544
Trains15 126，450 11，597，400
表2
表3
因此，基于网格划分的轨迹索引更新方法具有较好的更新效率，并且更新后所支持的轨迹的连续距离查询效率比基于Z曲线排序的轨迹更新方法的查询效率更好。
四、附图说明
图1轨迹数据及索引更新
图2轨迹数据更新
图3自底向上生成3D R-tree
图4轨迹数据在网格中的位置
图5节点层结构
图6空间网格合并
图7 3D R-tree索引合并
五、具体实施方式
下面结合附图对本发明进一步说明。
本发明所述的基于网格划分的快速轨迹索引更新方法，对新添加的移动对象轨迹数据进行预处理，通过批处理方法建立轨迹索引的3D R-tree索引子树，然后将索引子树插入到原有轨迹索引的3D R-tree中，得到更新轨迹索引后的3D R-tree索引结构，并依然支持高效地连续距离查询，如图1所示，具体按以下步骤实施。
(1)轨迹数据预处理
对新加入的轨迹数据，添加到数据库中原有轨迹数据的表中。对于较长的轨迹，通过将轨迹分割成若干个较短的轨迹，分别添加到数据库中。如图2所示，新加入的轨迹数据包括对象标识Oid，以及轨迹数据，将这些数据作为一个元组，插入到表中，得到该记录在表中的位置Tid。例如图2中的(1，traj6)插入到轨迹数据表中，得到在轨迹数据表中的Tid为10。将Tid与轨迹MBR组合而成的3D R-tree索引项，作为下一步的输入，插入到3D R-tree中。
(2)基于网格划分方式批处理生成3D R-tree索引子树
在建立R-tree索引的方法中，批处理、自底向上建立R-tree索引的方式极为有效，建立R-tree所花费的时间短，且保持了R-tree的高效的空间索引能力。所有的轨迹索引项包含了轨迹在数据库中所在的位置和轨迹的时空范围MBR。这些轨迹的索引项插入到叶子节点层，当叶子节点层中的索引项的数量达到能组成一个叶子节点的最大索引项数量时，将叶子节点层中这些索引项组成一个3D R-tree的叶子节点，并且保存到3D R-tree索引文件中。将叶子节点在3D R-tree中所在的位置以及叶子节点的MBR组成一个3D R-tree内部节点的索引项，插入到上一层的内部节点层，如图3所示。
同样，在内部节点层，当内部节点的索引项达到组成一个内部节点的最大索引项的数量的时候，将这些内部节点的索引项组成一个内部节点，保存到3D R-tree索引文件中。将内部节点在3D R-tree中所在的位置以及内部节点的MBR组成一个3D R-tree内部节点的索引项，插入到上一层的内部节点层。直到所有的轨迹数据索引项插入完毕，最后生成一个3D R-tree根节点，这个根节点即为3D R-tree索引子树的根节点。
在每一个节点层，为了能够使时空距离相近的索引项组合在一起，形成一个3D R-tree节点，将所有的时空距离比较相近的索引项保存在相同的节点中。因此将时间和空间分为大小相同的网格，位置在网格中的索引项，加入到相同的索引节点中，能够尽量将时空相近的索引项加入到同一个节点中。如图4所示，根据轨迹traj的MBR在时间空间里的位置，将轨迹traj添加到最近的网格索引节点中。
每一个节点层的结构如图5所示，这里以二维空间为例。将空间分割为固定大小的网格，网格中存储了一个指针，指向一个桶的数据结构，这个桶中存放了索引项。在叶子节点层中，桶中存放轨迹数据的索引项，而在内部节点层中，桶中存放子节点的索引项。插入到该节点层的索引项数据包括(ID，MBR)，在叶子节点层，插入索引项中的ID为轨迹在数据库中关系表中的存储位置，MBR是轨迹数据的时空范围的最小边框矩形。而在内部节点层中，ID为下层子节点在R-tree中的存储位置，MBR为下层子节点的最小边框矩形。
当节点层中插入一个索引项时，通过索引项中的MBR计算该索引项的插入位置。将索引项添加到对应网格的索引项桶中。当桶中的数量达到R-tree节点的最大索引项数量时，将桶中的索引项插入到新的节点中，并保存到R-tree中。而新节点在R-tree中的位置，以及节点的MBR则作为新的索引项，插入到当前节点层的上一个节点层中。如算法1所示，将一个索引项entry插入到R-tree节点层rtreelevel，首先找到索引项entry.MBR最靠近的网格，将entry插入到网格对应的索引项桶中。当索引项桶中的数量大于等于R-tree节点的最大索引项数量的时候，将索引项桶中的索引项组成R-tree节点node，并保存到R-tree中。将node.MBR与node保存到R-tree中的位置rid组成newentry，并插入到当前R-tree节点层的上层节点层中。
算法1.InsertEntry(rtreelevel，entry)
输入：R-tree节点层rtreelevel
索引项entry
输出：R-tree节点层rtreelevel
1.获取entry.MBR所在空间网格的索引项桶；
2.将entry插入到索引项桶中；
3.IF索引项桶中的索引项数量大于等于节点最大索引项数量
4.将索引项桶中的索引项组成一个R-tree节点node，并清空索引项桶中的索引项；
5.newentry.MBR←node.MBR；
6.将node保存到R-tree中，并且的到node在R-tree中的位置rid；
7.newentry.rid←rid；
8.InsertEntry(rtreelevel.nextlevel，newentry)；
9.END IF
10.RETURN rtreelevel；
当所有的轨迹数据的索引项插入完毕，此时，节点层中还剩下索引项未能组合索引节点保存到R-tree中。在接下来的处理中，需要从下至上，将所有节点层中的索引项组合成节点，保存到R-tree中，并将该节点所生成的索引项插入到上一个节点层中。
如图6所示，将空间网格的大小扩大，由原先的2n个网格组成一个更大的网格，其中n为网格的空间维度，在2D R-tree中，n的值为2，在3D R-tree中，n的值为3。将这些网格中的索引项插入到新索引项桶中。同样，当新的索引项桶中索引项的数量达到R-tree节点的最大索引项的数量的时候，将桶中的索引项插入到新的节点中，并保存到R-tree中，并将该节点所生成的索引项插入到上一个节点层中。如此反复将空间网格扩大，直到将网格中的所有索引项组合成R-tree节点，保存到R-tree中，并插入到上一个节点层中。
当节点层从下至上一层一层将索引项组合保存到R-tree中，到了最顶层，所有节点的索引项数量小于索引节点的最大索引项数量时，将该层的所有索引项组合成一个节点，保存到R-tree中，作为R-tree的根节点。
对于非根节点层，当节点层中的索引项不足R-tree节点的最小索引项数量时，不能直接将节点层中剩余的索引项组合成一个节点保存到R-tree中。对于这些索引项，插入到R-tree中与当前节点层高相同的节点中。找到与当前节点层高相同，并且最适合插入的节点，使插入索引项后，节点的MBR增加最小。
将所有节点层中的索引项都插入到R-tree中，所得到的根节点即为批处理建立的R-tree的根节点，至此，基于网格的批处理方法的R-tree索引子树已经生成。
(3)索引合并。
将生成的3D R-tree，与数据库中原有的3D R-tree合并。在合并的同时，考虑到3DR-tree索引结构保持平衡的性质，以及保持3D R-tree的时间和空间的区分能力。
在合并3D R-tree的时候，需要考虑原有3D R-tree与新插入3D R-tree的层高。为了保持3D R-tree的结构平衡，以及减少3D R-tree的插入操作，将层高较低的3D R-tree插入到层高较高的3D R-tree中。如图7所示，R1是层数为2的3D R-tre，R2的层数为3，因此在插入的时候，将R1插入到R2中层高与R1相同的父节点中，在图7中，将R1插入到R2的根节点中。
在插入的时候，还要考虑到被插入3D R-tree的根节点的索引项的数量，因为将3DR-tree的根节点插入到另一个3D R-tree中时，有可能作为生成的3D R-tree中的一个内部节点。例如图7所示，R1插入到R2中，将R1的根节点作为R3中的一个内部节点存在，因此需要考虑R1根节点中索引项的数量。当R1根节点的索引项的数量小于内部节点索引项的最小数量时，需要将R1的根节点拆分，将R1根节点中所有索引项作为一个3D R-tree的子树插入到R2中。
考虑这两种情况，可以得到3D R-tree索引合并的算法，如算法2所示。其中smallrtree是高度较低的R-tree，而largertree是层高较高的R-tree。如果smallrtree的根节点的索引项的数量大于或者等于R-tree的内部节点的索引项数量的最小值，则将smallrtree的根节点作为一个索引项插入到largertree中层高与smallrtree相同的父节点中。如果smallrtree的根节点的索引项的数量小于R-tree的内部节点的索引项数量的最小值，则将smallrtree的根节点的所有索引项插入到与smallrtree层高相同的largertree的内部节点中。
算法2.RTreeInsert(smallrtree，largertree)
输入：较小3D R-tree索引smallrtree
较大3D R-tree索引largertree
输出：合并后的3D R-tree
1.IF(smallrtree.root的索引项数量大于或等于内部节点索引项数量的最小值)
2.将smallrtree.root作为一个索引项插入到largertree；
3.ELSE
4.FOR EACH entry IN smallrtree.root
5.将entry插入到largertree；
6.END FOR
7.END IF
8.RETURN largertree；
通过3D R-tree合并之后，得到更新后的轨迹数据的3D R-Tree索引，完成移动对象的轨迹索引的更新。

Claims (4)

1.基于网格划分的快速轨迹索引更新方法的总体特征是以移动对象的轨迹数据为输入，通过对新添加到数据库中的移动对象的轨迹数据做预处理，通过批处理方式，将新加入的轨迹数据，通过轨迹划分方式，自底向上构建3D R-tree索引子树，最后将索引子树合并到原有轨迹3D R-tree索引中，得到更新后的轨迹索引，从而提高轨迹索引更新效率。其过程由以下三部分构成：
(1)轨迹数据预处理：将新加入的轨迹数据格式化，保持与数据库中的轨迹数据相同的格式，对于较长的轨迹，通过轨迹分割，将轨迹分割为若干个较小的轨迹数据；
(2)建立索引子树：以(1)中生成的轨迹数据作为输入，通过网格划分方式，建立轨迹数据的3DR-Tree索引子树；
(3)索引结构合并：以(2)中建立的3D R-Tree索引子树为参数，合并到原有轨迹索引中，得到更新后的轨迹索引。
2.根据权利要求1所述的基于网格划分的快速轨迹索引更新方法，其特征在于步骤(1)中对新加入的轨迹数据，添加到数据库中原有轨迹数据的表中。对于较长的轨迹，通过将轨迹分割成若干个较短的轨迹，分别添加到数据库中。新加入的轨迹数据包括对象标识Oid，以及轨迹数据，将这些数据作为一个元组，插入到表中，得到该记录在表中的位置Tid。将Tid与轨迹MBR组合而成的3D R-tree索引项，作为下一步的输入，插入到3D R-tree中。
3.根据权利要求1所述的基于网格划分的快速轨迹索引更新方法，其特征在于步骤(2)中将3DR-tree自底向上分为叶子节点层、内部节点层和跟节点层。每个节点层通过网格划分，将时空划分为固定大小的子空间，每一个子空间对应一个索引项桶，用于存储MBR位于相同子空间的索引项。以步骤(1)生成的对象轨迹表中的Tid和MBR组成3D R-Tree的索引项为输入，当索引项桶中的索引项的数量达到3D R-tree中节点的最大索引项的数量的时候，将索引项桶中的索引项取出，并组成一个节点，保存到3D R-tree文件中，并将节点在3D R-tree中的位置以及节点的MBR组成的索引项插入到上层节点层中。通过批处理方式，将需要添加到数据库中的轨迹数据的索引项全部插入到节点层中，自底向上构建3D R-tree索引子树。
当轨迹数据更新完成，将节点层中索引项桶中索引项数据不足以组成节点的子空间组合成新的子空间，将所有的索引项放入新的索引项桶中，当索引项桶中的索引项数据达到节点的最大索引项数量的时候，将索引项桶中的索引项组成一个节点，保存到3D R-tree中，并将节点在3D R-tree中的位置以及节点的MBR组成的索引项插入到上层节点层中。如此反复，直到节点层中的索引项数量小于节点的最小索引项数量，不足以组成一个3D R-tree节点。
针对这些数量不足而无法组成节点的索引项，将其插入到3D R-tree中相同层高的最佳插入节点中。由此得到更新轨迹数据的3D R-tree索引。
4.根据权利要求1所述的基于网格划分的快速轨迹索引更新方法，其特征在于步骤(3)中以步骤(2)生成的轨迹数据的3D R-tree索引子树为输入，将该索引子树合并到原有3DR-tree索引中。在合并两个3D R-tree的时候，将层高小的3D R-tree合并到层高大的3D R-tree中，得到更新后的3D R-tree索引。
CN201710164002.8A 2017-03-13 2017-03-13 基于网格划分的快速轨迹索引更新方法 Pending CN106951519A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710164002.8A CN106951519A (zh) 2017-03-13 2017-03-13 基于网格划分的快速轨迹索引更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710164002.8A CN106951519A (zh) 2017-03-13 2017-03-13 基于网格划分的快速轨迹索引更新方法

Publications (1)

Publication Number Publication Date
CN106951519A true CN106951519A (zh) 2017-07-14

Family

ID=59473609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710164002.8A Pending CN106951519A (zh) 2017-03-13 2017-03-13 基于网格划分的快速轨迹索引更新方法

Country Status (1)

Country Link
CN (1) CN106951519A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165215A (zh) * 2018-07-27 2019-01-08 苏州视锐信息科技有限公司 一种云环境下时空索引的构建方法、装置及电子设备
CN110825250A (zh) * 2019-11-14 2020-02-21 珠海金山网络游戏科技有限公司 一种笔刷轨迹的优化方法及装置
CN112214645A (zh) * 2019-07-11 2021-01-12 杭州海康威视数字技术股份有限公司 一种存储轨迹数据的方法及装置
CN112579923A (zh) * 2020-12-29 2021-03-30 南京航空航天大学 基于欧式距离和相对方向的不确定移动对象轨迹分组方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165215A (zh) * 2018-07-27 2019-01-08 苏州视锐信息科技有限公司 一种云环境下时空索引的构建方法、装置及电子设备
CN112214645A (zh) * 2019-07-11 2021-01-12 杭州海康威视数字技术股份有限公司 一种存储轨迹数据的方法及装置
CN112214645B (zh) * 2019-07-11 2023-09-19 杭州海康威视数字技术股份有限公司 一种存储轨迹数据的方法及装置
CN110825250A (zh) * 2019-11-14 2020-02-21 珠海金山网络游戏科技有限公司 一种笔刷轨迹的优化方法及装置
CN110825250B (zh) * 2019-11-14 2024-02-23 珠海金山数字网络科技有限公司 一种笔刷轨迹的优化方法及装置
CN112579923A (zh) * 2020-12-29 2021-03-30 南京航空航天大学 基于欧式距离和相对方向的不确定移动对象轨迹分组方法

Similar Documents

Publication Publication Date Title
CN104199986B (zh) 基于hbase和geohash的矢量数据空间索引方法
CN106951519A (zh) 基于网格划分的快速轨迹索引更新方法
US20080228783A1 (en) Data Partitioning Systems
CN101241511A (zh) 一种基于时空数据的快速索引方法
CN106599040A (zh) 一种面向云存储的分层索引方法与检索方法
CN107491495B (zh) 空间属性优先的时空轨迹数据文件在辅助存储设备中的存储方法
CN102609490B (zh) 一种面向列存储dwms的b+树索引方法
CN106055621A (zh) 一种日志检索方法及装置
CN108509505B (zh) 一种基于分区双数组Trie的字符串检索方法及装置
CN108009265B (zh) 一种云计算环境下的空间数据索引方法
CN108549696B (zh) 一种基于内存计算的时间序列数据相似性查询方法
CN109840551B (zh) 一种用于机器学习模型训练的优化随机森林参数的方法
CN106372073A (zh) 一种数学公式检索方法与装置
Arge et al. Cache-oblivious data structures
CN106203494A (zh) 一种基于内存计算的并行化聚类方法
CN106339459A (zh) 基于关键词匹配进行中文网页预分类的方法
CN105138607B (zh) 一种基于混合粒度分布式内存网格索引的knn查询方法
CN104991741A (zh) 一种基于键值模型的情境适配电网大数据存储方法
CN102402540A (zh) 基于多层优化平衡树的数值与文本混合倒排索引算法
Ghanem et al. Bulk operations for space-partitioning trees
Roumelis et al. Bulk-loading and bulk-insertion algorithms for xBR^+-trees xBR+-trees in Solid State Drives
Hamdi et al. A pattern growth-based approach for mining spatiotemporal co-occurrence patterns
CN105677840B (zh) 一种基于多维渐增数据模型的数据查询方法
CN107273443A (zh) 一种基于大数据模型元数据的混合索引方法
US7991779B1 (en) Method and apparatus for populating an index table

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

Application publication date: 20170714

WD01 Invention patent application deemed withdrawn after publication