CN107291963B - 一种路网移动环境下的knn查询方法及系统 - Google Patents
一种路网移动环境下的knn查询方法及系统 Download PDFInfo
- Publication number
- CN107291963B CN107291963B CN201710690023.3A CN201710690023A CN107291963B CN 107291963 B CN107291963 B CN 107291963B CN 201710690023 A CN201710690023 A CN 201710690023A CN 107291963 B CN107291963 B CN 107291963B
- Authority
- CN
- China
- Prior art keywords
- query
- mobile
- moving
- road network
- knn
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 21
- 238000013138 pruning Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000006855 networking Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000036962 time dependent Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 244000141353 Prunus domestica Species 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 244000089409 Erythrina poeppigiana Species 0.000 description 1
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal 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
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)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种路网移动环境下的KNN查询方法,包括:获取路网中移动对象和移动查询点之间的距离范围;根据距离范围在给定时间段内持续获取移动对象信息,得到第一候选集;将第一候选集中不可能成为移动查询点的KNN查询结果的移动对象信息过滤掉,得到第二候选集;根据第二候选集向第三方互联网地图服务商发送时空查询请求,并接收第三方互联网地图服务商返回的距离度量;基于距离度量生成移动查询点的KNN查询结果。同时,本发明还公开了一种路网移动环境下的KNN查询系统。本发明充分考虑了路网的高度动态性和不可预测性,能够反映出真实的路况信息,提供更准确的查询结果。
Description
技术领域
本发明涉及基于位置服务的信息查询技术领域,具体涉及一种路网移动环境下的KNN查询方法及系统。
背景技术
“车-路”信息系统一直是智能交通发展的重点领域。车联网是指利用先进传感技术、网络技术、计算技术、控制技术、智能技术,对道路和交通进行全面感知,实现多个系统间大范围、大容量数据的交互,对每一辆汽车进行交通全程控制,对每一条道路进行交通全时空控制,以提供交通效率和交通安全为主的网络与应用。可以说,车联网将是继互联网、物联网之后,成为未来智能城市的另一个标志。
在车联网这样一个移动环境中,(司机)用户常常需要访问跟他们所在的地理位置相关的数据和信息。比如通过互联网和无线接入技术(如蓝牙、WiFi、GPRS、3G、卫星技术等),用户希望能随时随地获得如交通运输信息、商贸信息、天气信息、公共设施的位置等信息。对这些位置相关信息的需求也促进了许多与位置相关的服务(Location BasedServices,LBS)的产生和发展,其中LBS的查询,也被称为位置相关查询(LocationDependent Queries,LDQ)就是位置相关服务的一个重要技术支持。位置相关查询的应用主要包括了范围查询、最近邻居查询、反向最近邻居查询等。LDQ是基于时空数据库上抽象查询的一种实际应用,比较典型的有范围查询(例如,查找给定区域里有多少辆车子)和k最近邻点查询(k-nearest-neighbor query)(例如,查找离我最近的加油站和5家饭店)。
传统时空查询的距离度量大部分都是基于两点之间的物理距离,即欧氏距离或者网络距离,但这种距离度量不会考虑到实际路况(比如交通拥塞和事故、道路施工等),因此离用户最近的不一定就是行驶时间最短的。图1是基于物理距离与基于行驶时间的查询结果对比图,如图1所示,在该示例中某一急诊病人需要查找离他最近的医院,传统的基于物理距离的最近邻查找算法会返回X医院。然而,基于行驶时间的最近邻查找算法会返回Y医院,因为开车到Y的时间远远低于开车到X的时间。所以说,行驶时间相比于传统的距离度量方式更可靠更切实际,基于行驶时间的时空查询也变得更有意义。
然而,相对于欧氏距离或者网络距离,行驶时间具有高度动态性,两点之间的行驶时间很难被实时而又准确预测到。例如,洛杉矶I-10上一段高速公路在上午8点半需要30分钟行驶时间而在上午9点半却只需要行驶18分钟,行驶时间减少了将近40%。提供行驶时间最佳的方式是实时监控道路的交通状况,如部署摄像头、传感器以及收集车辆GPS信息等。然而,并不是每一个LBS提供方都能够完成这种部署,因为这种部署不仅代价昂贵而且也容易涉及到用户隐私问题。
近年来,研究者们对位置相关查询(时空查询),特别是最近邻查询和反向最近邻查询进行了深入的研究,提出了许多的查询处理技术来有效地支持各种空间与时空对象的查询问题。但是,在最近邻查询方面,目前尚无人提出路网中可变速移动对象的连续最近邻查询算法。
欧氏空间下,对象与对象之间的距离只取决于对象的坐标值。而现实生活中,移动对象大多情况下是活动在网路环境下,如公路网、铁路网等,对象之间的距离由路网的连通性来决定。欧氏空间环境下的相关算法是不能通过简单的修改而应用到路网环境下的。
最近邻查询作为时空查询处理技术中最重要的类型之一,已经成为空间与时空数据库领域的一个研究重点与热点。研究者们对最近邻查询进行了广泛、深入地研究,许多最近邻查询算法已经被提出。
基于欧氏距离的静态对象静态最近邻查询算法首先由Roussopouls等人1995年提出。作者使用分枝界限的R树遍历算法,提出了三个启发式规则来过滤不包含最近邻的结点,从而减少结点访问个数,减少磁盘I/O代价,进而有效地提高查询性能。seidl等人提出了一种适合高维数据的最佳多步k近邻算法,该算法是迄今为止最好的采用过滤-精炼方式的高维k近邻算法,模拟实验证明他们提出的方法性能的优越性。
解决连续最近邻查询问题的方法主要分为两类:一类是基于抽样的;另一种是基于移动轨迹的。Song等人提出利用周期性采样技术以处理连续最近邻查询问题。当移动查询点的位置发生变化时,通过重新执行快照K最近邻(kNN,k-NearestNeighbor)算法查询来保持查询结果的持续有效性。但是,随着采样频率的提高和查询结果精确度的提高,计算代价不断增大。随后,Tao等人提出了TPKNN算法以有效地处理时间参数化k近邻查询,这种方法重复提交并且多次计算查询结果,从而使得查询处理代价变大。上述这几种方法局限于查询点可以移动而待查询对象是静止不动的,它们不能通过扩展以处理对象可以移动的情形。
随后人们将研究兴趣点转向移动对象的连续最近邻查询。Kollios等人提出基于动态对象的最近邻查询处理算法,该算法采用对偶变换将一维移动对象转换成其对偶空间中一个点的方法来处理此类查询。该方法的不足之处是,它只能得到一个时间间隔内的查询结果,却不能给出每个时间点的具体查询结果。Benetis等人提出了Find-NN算法以处理移动对象的最近邻查询问题,但是该方法只适合于K=1的情况。Glenn等人提出一种称为连续窗口kNN查询算法以处理该问题,这种方法是基于一个观察,即移动对象的窗口查询比kNN查询更容易处理。Mokbel等人首先提出了SINA框架处理连续kNN查询问题,通过一个共享执行模式来同时处理大量并发时空查询以提高算法的可扩展性。之后,Xiong等人提出了SEA-CNN(scalable evaluation ofcontinuous nearest neighbor)算法,通过引入搜索区域和共享查询执行的思想来处理连续kNN查询的更新操作,具有良好的可扩展性。
除了这些传统的最近邻查询之外,人们还提出了大量的最近邻查询变体,并展开了相关的研究工作。具体有受限最近邻查询(constrainedNearest Neighbor Query)、组最近邻查询(Group Nearest Neighbor Query)、聚集最近邻查询(Aggregate NearestNeighbor Query)、空间对象的全最近邻查询(All-Nearest-Neighbor Query)、障碍最近邻查询(obstructed Nearest Neighbor Query)和区域最近邻查询(Range NearestNeighborQuery)等等。
以上各算法均适应于欧氏空间,不适合路网中的时空查询处理。而在车联网的实际应用中,移动对象的运动总是局限于具体的路网结构,所以研究路网中时空查询算法是很有必要的。路网空间时空查询是近年来研究的一个热点课题。现有路网中时空查询处理算法可以分为两大类:时间无关路网中的查询算法和时间相关路网中查询处理算法。(1)时间无关路网:时间无关路网中基于位置的查询算法假定路网中各个路段的权值是固定不变的,其权值依赖于事先计算好物理距离或者行驶时间。(2)时间相关路网:在这类路网中,基于位置的查询算法考虑到路段权值和路网拓扑结构的动态性。时间扩展网络已被用来动态网络建模,这种方法需要付出高存储和计算量的代价,因为在不同的时间片需要复制整个网络。
根据调研结果,我们发现无论是时间无关路网还是时间相关路网,其行驶时间都是通过理论或者数学建模而计算得到。然而,考虑到路网的高度动态性和不可预测性,通过网络建模获取的行驶时间和路由信息不仅复杂度高而且也并不一定能反映出真实的路况信息。
综上所述,国内外相关研究虽然在时空查询处理及优化领域取得了许多成果,但是仍然尚缺乏从空间聚合角度出发实现基于行驶时间的时空查询处理及优化算法。因此,有必要对现有技术做进一步改进,使之能适用并真正服务于车联网。
发明内容
为了解决现有技术中存在的问题,本发明提供了一种路网移动环境下的KNN查询方法,具体技术方案如下:
一种路网移动环境下的KNN查询方法,包括如下步骤:
获取路网中移动对象和移动查询点之间的距离范围;
根据所述距离范围在给定时间段内持续获取所述移动对象信息,得到第一候选集;
将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,得到第二候选集;
根据所述第二候选集向第三方互联网地图服务商发送时空查询请求,并接收所述第三方互联网地图服务商返回的距离度量;
基于所述距离度量生成所述移动查询点的KNN查询结果。
进一步地,所述获取路网中移动对象和移动查询点之间的距离范围,包括:
获取路网中所述移动对象和所述移动查询点之间的最大距离;
获取路网中所述移动对象和所述移动查询点之间的最小距离;
根据所述最大距离和所述最小距离计算所述移动对象和所述移动查询点之间的距离范围。
进一步地,所述将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,包括:
采用修剪算法删减所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息。
进一步地,所述根据所述第二候选集向第三方互联网地图服务商发送时空查询请求,包括:
对所述第二候选集中的所述移动对象信息进行聚类,得到第一聚类结果,根据所述第一聚类结果向第三方互联网地图服务商发送时空查询请求;
或对所述时空查询请求进行聚类,得到第二聚类结果,并根据所述第二聚类结果向第三方互联网地图服务商发送时空查询请求。
进一步地,所述基于所述距离度量生成所述移动查询点的KNN查询结果,包括:
根据所述距离度量计算所述移动对象成为所述移动查询点的KNN查询结果的概率;
根据所述概率对所述移动对象进行降序排列,筛选前K个所述移动对象。
本发明还提供了一种路网移动环境下的KNN查询系统,具体技术方案如下:
一种路网移动环境下的KNN查询系统,包括如下模块:
第一获取模块,用于获取路网中移动对象和移动查询点之间的距离范围;
第一构建模块,用于根据所述距离范围在给定时间段内持续获取所述移动对象信息,得到第一候选集;
第二构建模块,用于将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,得到第二候选集;
查询模块,用于根据所述第二候选集向第三方互联网地图服务商发送时空查询请求,并接收所述第三方互联网地图服务商返回的距离度量;
生成模块,用于基于所述距离度量生成所述移动查询点的KNN查询结果。
进一步地,所述第一获取模块包括:
第二获取模块,用于获取路网中所述移动对象和所述移动查询点之间的最大距离;
第三获取模块,用于获取路网中所述移动对象和所述移动查询点之间的最小距离;
距离计算模块,用于根据所述最大距离和所述最小距离计算所述移动对象和所述移动查询点之间的距离范围。
进一步地,所述第二构建模块包括:
修剪模块,用于采用修剪算法删减所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息。
进一步地,所述查询模块包括:
第一聚类模块,用于对所述第二候选集中的所述移动对象信息进行聚类,得到第一聚类结果,根据所述第一聚类结果向第三方互联网地图服务商发送时空查询请求;
第二聚类模块,用于对所述时空查询请求进行聚类,得到第二聚类结果,并根据所述第二聚类结果向第三方互联网地图服务商发送时空查询请求。
进一步地,所述生成模块包括:
概率计算模块,用于根据所述距离度量计算所述移动对象成为所述移动查询点的KNN查询结果的概率;
筛选模块,用于根据所述概率对所述移动对象进行降序排列,筛选前K个所述移动对象。
目前绝大部分已有的路网连续最近邻查询算法都至少具有以下局限性之一:a)算法假定移动对象的速度是固定不变的,不能处理速度可变的情况。然而,实际生活中移动对象的速度不可能是固定不变的;b)算法假定对象的移动是离散的,在每个位置更新发生时根据对象位置的变化情况对查询结果进行修正,从而达到对查询结果进行连续监控的目的。而实际应用中,对象的运动应该是连续地,这样在连续时间点之间的查询结果有可能是不准确的。与现有技术相比,本发明的实施能够带来如下有益效果:
1、本发明提供的路网移动环境下的KNN查询方法及系统能满足以下条件的连续k近邻查询:a)所有的对象和查询点均在路网中运动,对象和查询点之间的距离是路网距离;b)对象和查询点的移动速度允许在一定范围内变化;c)能够给出查询监控的整个时间段内任意时刻的具体查询结果。
2、本发明提供的路网移动环境下的KNN查询方法及系统相对于现有技术提供的查询方法充分考虑了路网的高度动态性和不可预测性,能够反映出真实的路况信息,提供更准确的查询结果。
3、本发明提供的路网移动环境下的KNN查询方法及系统的实施能够为车联网环境下提供精细化的地理信息服务奠定基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是基于物理距离与基于行驶时间的查询结果对比图;
图2是本发明实施例提供的一种路网移动环境下的KNN查询方法的计算机终端的硬件结构框图;
图3是本发明实施例提供的计算机终端的结构框图;
图4是本发明实施例提供的一种路网移动环境下的KNN查询方法的流程图;
图5是本发明实施例提供的获取路网中移动对象和移动查询点之间的距离范围的方法的流程图;
图6是本发明实施例提供的一种路网移动环境下的KNN查询方法的流程图;
图7是本发明实施例提供的一种路网移动环境下的KNN查询系统的结构框图;
图8是本发明实施例提供的第一获取模块的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例可能涉及到的名词解释:
Web services:指一些使用可扩展标记语言(XML)和Internet上其他应用程序相互通信的软件组件的集合。
KNN:K最近邻算法,是采用测量不同特征值之间的距离方法进行分类的算法。其工作原理是:存在一个样本数据集合,也成训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一数据与所述分类的对应关系。输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前K个最相似的数据,这就是K最近邻算法中K的出处,最后,选择K个最相似数据中出现次数最多的分类,作为新数据的分类。
实施例1
本发明提供了一种路网移动环境下的KNN查询方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例,图2是根据本发明实施例的一种路网移动环境下的KNN查询方法的计算机终端的硬件结构框图。如图2所示,计算机终端100可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。本领域普通技术人员可以理解,图2所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端100还可包括比图3中所示更多或者更少的组件,或者具有与图2所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的一种路网移动环境下的KNN查询方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种路网移动环境下的KNN查询方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端100的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在上述运行环境下,本申请提供了如图4所示的一种路网移动环境下的KNN查询方法。该方法可以应用于计算机终端中,也可以应用于智能终端设备中,由智能终端设备中的处理器执行,智能终端设备可以是智能手机、平板电脑等。智能终端设备中安装有至少一个应用程序,本发明实施例并不限定应用程序的种类,可以为系统类应用程序,也可以为软件类应用程序。
图4是根据本发明一个实施例提供的一种路网移动环境下的KNN查询方法的流程图。如图4所示,该一种路网移动环境下的KNN查询方法的一种可选的方案包括如下步骤:
S101:获取路网中移动对象和移动查询点之间的距离范围;
在路网中,所述移动对象和所述移动查询点之间的距离由路网连通性决定,当它们都以不确定的速度在路网上移动时,很难求得所述移动对象和所述移动查询点之间的准确距离值,因此,本发明实施例采用了获取所述移动对象和所述移动查询点之间范围的方法来简化后续的计算工作。图5是根据本发明实施例提供的获取路网中移动对象和移动查询点之间的距离范围的方法的流程图,如图5所示,所述获取路网中移动对象和移动查询点之间的距离范围,包括如下步骤:
S1011:获取路网中所述移动对象和所述移动查询点之间的最大距离;
具体地,通过将所述移动查询点和所述移动对象分别所在的边的相对位置关系区分为不同的情形,获得最大距离函数MaxDq,o(t),最大距离函数MaxDq,o(t)用于计算t时刻所述移动查询点和所述移动对象之间的最大距离;
S1012:获取路网中所述移动对象和所述移动查询点之间的最小距离;
具体地,通过将所述移动查询点和所述移动对象分别所在的边的相对位置关系区分为不同的情形,获得最大距离函数MinDq,o(t),最大距离函数MinDq,o(t)用于计算t时刻所述移动查询点和所述移动对象之间的最小距离;
S1013:根据所述最大距离和所述最小距离计算所述移动对象和所述移动查询点之间的距离范围。
S102:根据所述距离范围在给定时间段内持续获取所述移动对象信息,得到第一候选集;
S103:将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,得到第二候选集;
具体地,所述将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,包括:
采用修剪算法删减所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息。通过定义恰当的修建策略,能够消除那些不能成为KNN查询结果的移动对象信息,从而缩小第一候选集范围,减少向第三方发送请求的次数,降低查询成本。
S104:对所述第二候选集中的所述移动对象信息进行聚类,得到聚类结果;
具体地,把具有相同时空特性的移动对象信息聚类执行,以减少向第三方互联网地图服务商发送请求的次数。
S105:根据所述聚类结果向第三方互联网地图服务商发送时空查询请求并接收所述第三方互联网地图服务商返回的距离度量;
S106:基于所述距离度量生成所述移动查询点的KNN查询结果。
具体地,所述基于所述距离度量生成所述移动查询点的KNN查询结果,包括:
根据所述距离度量计算所述移动对象成为所述移动查询点的KNN查询结果的概率;
根据所述概率对所述移动对象进行降序排列,筛选前K个所述移动对象。
实施本实施例具有以下有益效果:
1、本发明提供的路网移动环境下的KNN查询方法能满足以下条件的连续k近邻查询:a)所有的对象和查询点均在路网中运动,对象和查询点之间的距离是路网距离;b)对象和查询点的移动速度允许在一定范围内变化;c)能够给出查询监控的整个时间段内任意时刻的具体查询结果,适用范围广。
2、本发明提供的路网移动环境下的KNN查询方法相对于现有技术提供的查询方法充分考虑了路网的高度动态性和不可预测性,能够反映出真实的路况信息,提供更准确的查询结果。
3、本发明提供的路网移动环境下的KNN查询方法的实施能够为车联网环境下提供精细化的地理信息服务奠定基础。
实施例2
现有技术中无论是时间无关路网还是时间相关路网,其行驶时间都是通过理论或者数学建模而计算得到。然而,考虑到路网的高度动态性和不可预测性,通过网络建模获取的行驶时间和路由信息不仅复杂度高而且也并不一定能反映出真实的路况信息。因此,本发明实施例通过从第三方互联网地图服务商如谷歌地图和政府提供的地图代理等,获取距离度量来实现基于行驶时间的各项时空查询。由于现有时空查询处理算法大部分都是基于部分甚至完整网络图等信息,而第三方互联网地图服务商并不能提供如此复杂的信息。因此,通过第三方获取距离度量方式使得传统的时空查询处理算法并不再完全适用。
图6是根据本发明一个实施例提供的一种路网移动环境下的KNN查询方法的流程图。如图6所示,该一种路网移动环境下的KNN查询方法的一种可选的方案包括如下步骤:
S201:获取路网中移动对象和移动查询点之间的距离范围;
具体地,所述获取路网中移动对象和移动查询点之间的距离范围,包括:
获取路网中所述移动对象和所述移动查询点之间的最大距离;
获取路网中所述移动对象和所述移动查询点之间的最小距离;
根据所述最大距离和所述最小距离计算所述移动对象和所述移动查询点之间的距离范围。
S202:根据所述距离范围在给定时间段内持续获取所述移动对象信息,得到第一候选集;
S203:将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,得到第二候选集;
由于从第三方获取数据的代价,包括支付费用和响应时间,要远远高于本地数据,为了减少向第三方发送请求次数,一种广泛使用的技术是修剪(pruning)。该技术利用能够从本地获得的那种低代价属性来修剪整个查询目标集合,使修剪后的候选集中只包含那些不得不发送请求的查询目标。具体地,所述将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,包括:
采用修剪算法删减所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息。
S204:对所述时空查询请求进行聚类,根据聚类结果向第三方互联网地图服务商发送时空查询请求,并接收所述第三方互联网地图服务商返回的距离度量;
为减少向第三方互联网地图服务商发送请求的次数,还可以采用共享执行(shared execution)技术对时空查询进行优化。在一个实施例中,通过分组相似的请求并通过空间连接以组为单位处理请求,能够支持大规模的并发连续的范围查询和k最近邻查询请求;在一个实施例中,把具有相同时空特性的请求聚类执行,以减少向第三方互联网地图服务商发送请求的次数。
为降低响应时间,还可以将并行处理(parallel processing)技术应用到时空查询中。在一个实施例中,利用并行R-trees提高I/O性能以降低响应时间;在一个实施例中,基于EMA(Exponential MovingAverage)调度策略将多用户查询负载均衡到并行处理节点;在一个实施例中,通过使用Map Reduce并行地处理大规模的空间查询和空间数据。
S205:基于所述距离度量生成所述移动查询点的KNN查询结果。
具体地,所述基于所述距离度量生成所述移动查询点的KNN查询结果,包括:
根据所述距离度量计算所述移动对象成为所述移动查询点的KNN查询结果的概率;
根据所述概率对所述移动对象进行降序排列,筛选前K个所述移动对象。
本实施例具有以下有益效果:
1、本发明提供的路网移动环境下的KNN查询方法能满足以下条件的连续k近邻查询:a)所有的对象和查询点均在路网中运动,对象和查询点之间的距离是路网距离;b)对象和查询点的移动速度允许在一定范围内变化;c)能够给出查询监控的整个时间段内任意时刻的具体查询结果,适用范围广。
2、本发明提供的路网移动环境下的KNN查询方法相对于现有技术提供的查询方法充分考虑了路网的高度动态性和不可预测性,能够反映出真实的路况信息,提供更准确的查询结果。
3、本发明提供的路网移动环境下的KNN查询方法可用于为车联网环境下提供精细化的地理信息服务。
实施例3
本发明实施例提供了一种路网移动环境下的KNN查询系统,在编程语言和软件体系结构的选择上,该系统选用.Net的开发平台和web services作为系统的开发模式,并搭建了基于谷歌、必应和MapQuest地图的实验平台。图7是根据本发明实施例提供的一种路网移动环境下的KNN查询系统的结构框图。如图7所示,该一种路网移动环境下的KNN查询系统的一种可选的方案包括如下模块:
第一获取模块301,用于获取路网中移动对象和移动查询点之间的距离范围;
第一构建模块302,用于根据所述距离范围在给定时间段内持续获取所述移动对象信息,得到第一候选集;
第二构建模块303,用于将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,得到第二候选集;
查询模块304,用于根据所述第二候选集向第三方互联网地图服务商发送时空查询请求,并接收所述第三方互联网地图服务商返回的距离度量;
生成模块305,用于基于所述距离度量生成所述移动查询点的KNN查询结果。
图8是本发明实施例提供的第一获取模块的结构框图,如图8所示,所述第一获取模块301包括第二获取模块3011、第三获取模块3012和距离计算模块3013,所述第二获取模块3011用于获取路网中所述移动对象和所述移动查询点之间的最大距离;所述第三获取模块3012用于获取路网中所述移动对象和所述移动查询点之间的最小距离;所述距离计算模块3013用于根据所述最大距离和所述最小距离计算所述移动对象和所述移动查询点之间的距离范围。
具体地,所述第二构建模块302包括修剪模块,所述修剪模块用于采用修剪算法删减所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息。
在一个实施例中,所述查询模块304包括第一聚类模块,所述第一聚类模块用于对所述第二候选集中的所述移动对象信息进行聚类,得到第一聚类结果,根据所述第一聚类结果向第三方互联网地图服务商发送时空查询请求。
在一个实施例中,所述查询模块304包括第二聚类模块,所述第二聚类模块用于对所述时空查询请求进行聚类,得到第二聚类结果,并根据所述第二聚类结果向第三方互联网地图服务商发送时空查询请求。
具体地,所述生成模块305包括概率计算模块和筛选模块,所述概率计算模块用于根据所述距离度量计算所述移动对象成为所述移动查询点的KNN查询结果的概率;所述筛选模块用于根据所述概率对所述移动对象进行降序排列,筛选前K个所述移动对象。
本实施例具有以下有益效果:
1、本发明实施例提供的系统由微软开发的.Net平台建立并部署了web services,具有可扩展的体系结构和跨平台的信息表达和传递方式,能够无缝实现与各种信息终端的集成,从而构建一种全新的协同工作模式。
2、本发明提供的路网移动环境下的KNN查询系统能满足以下条件的连续k近邻查询:a)所有的对象和查询点均在路网中运动,对象和查询点之间的距离是路网距离;b)对象和查询点的移动速度允许在一定范围内变化;c)能够给出查询监控的整个时间段内任意时刻的具体查询结果,适用范围广。
3、本发明提供的路网移动环境下的KNN查询系统充分考虑了路网的高度动态性和不可预测性,能够反映出真实的路况信息,提供比现有技术更准确的查询结果。
4、本发明提供的路网移动环境下的KNN查询系统的实施能够为车联网环境下提供精细化的地理信息服务奠定基础。
实施例4
本发明还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例一种路网移动环境下的KNN查询方法所执行的程序代码。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
第一步,获取路网中移动对象和移动查询点之间的距离范围;
第二步,根据所述距离范围在给定时间段内持续获取所述移动对象信息,得到第一候选集;
第三步,将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,得到第二候选集;
第四步,根据所述第二候选集向第三方互联网地图服务商发送时空查询请求,并接收所述第三方互联网地图服务商返回的距离度量;
第五步,基于所述距离度量生成所述移动查询点的KNN查询结果。
可选地,本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
实施例5
本发明的实施例还提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。
可选地,图3是根据本发明实施例的计算机终端的结构框图。如图3所示,该计算机终端A可以包括:一个或多个(图中仅示出一个)处理器161和存储器163。
其中,存储器163可用于存储软件程序以及模块,如本发明实施例中的一种路网移动环境下的KNN查询方法对应的程序指令/模块,处理器161通过运行存储在存储器163内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种路网移动环境下的KNN查询程序。存储器163可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器163可进一步包括相对于处理器161远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端A。
其中,具体地,存储器163用于存储预设动作条件和预设权限用户的信息、以及应用程序。
处理器161可以通过传输装置调用存储器163存储的信息及应用程序,以执行下述步骤:
可选的,上述处理器161还可以执行如下步骤的程序代码:
第一步,获取路网中移动对象和移动查询点之间的距离范围;
第二步,根据所述距离范围在给定时间段内持续获取所述移动对象信息,得到第一候选集;
第三步,将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,得到第二候选集;
第四步,根据所述第二候选集向第三方互联网地图服务商发送时空查询请求,并接收所述第三方互联网地图服务商返回的距离度量;
第五步,基于所述距离度量生成所述移动查询点的KNN查询结果。
可选地,本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例,本实施例在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种路网移动环境下的KNN查询方法,其特征在于,包括:
获取路网中移动对象和移动查询点之间的距离范围;
根据所述距离范围在给定时间段内持续获取所述移动对象信息,得到第一候选集;
将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,得到第二候选集;
根据所述第二候选集向第三方互联网地图服务商发送时空查询请求,并接收所述第三方互联网地图服务商返回的距离度量;
基于所述距离度量生成所述移动查询点的KNN查询结果;
为减少向第三方互联网地图服务商发送请求的次数,采用共享执行技术对时空查询进行优化,通过分组相似的请求并通过空间连接以组为单位处理请求,能够支持大规模的并发连续的范围查询和k最近邻查询请求;
所述根据所述第二候选集向第三方互联网地图服务商发送时空查询请求,包括:
对所述第二候选集中的所述移动对象信息进行聚类,得到第一聚类结果,根据所述第一聚类结果向第三方互联网地图服务商发送时空查询请求;
或对所述时空查询请求进行聚类,得到第二聚类结果,并根据所述第二聚类结果向第三方互联网地图服务商发送时空查询请求。
2.根据权利要求1所述的方法,其特征在于,所述获取路网中移动对象和移动查询点之间的距离范围,包括:
获取路网中所述移动对象和所述移动查询点之间的最大距离;
获取路网中所述移动对象和所述移动查询点之间的最小距离;
根据所述最大距离和所述最小距离计算所述移动对象和所述移动查询点之间的距离范围。
3.根据权利要求1所述的方法,其特征在于,所述将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,包括:
采用修剪算法删减所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息。
4.根据权利要求1所述的方法,其特征在于,所述基于所述距离度量生成所述移动查询点的KNN查询结果,包括:
根据所述距离度量计算所述移动对象成为所述移动查询点的KNN查询结果的概率;
根据所述概率对所述移动对象进行降序排列,筛选前K个所述移动对象。
5.一种路网移动环境下的KNN查询系统,其特征在于,包括:
第一获取模块,用于获取路网中移动对象和移动查询点之间的距离范围;
第一构建模块,用于根据所述距离范围在给定时间段内持续获取所述移动对象信息,得到第一候选集;
第二构建模块,用于将所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息过滤掉,得到第二候选集;
查询模块,用于根据所述第二候选集向第三方互联网地图服务商发送时空查询请求,并接收所述第三方互联网地图服务商返回的距离度量;为减少向第三方互联网地图服务商发送请求的次数,采用共享执行技术对时空查询进行优化,通过分组相似的请求并通过空间连接以组为单位处理请求,能够支持大规模的并发连续的范围查询和k最近邻查询请求;
生成模块,用于基于所述距离度量生成所述移动查询点的KNN查询结果;
所述查询模块包括:
第一聚类模块,用于对所述第二候选集中的所述移动对象信息进行聚类,得到第一聚类结果,根据所述第一聚类结果向第三方互联网地图服务商发送时空查询请求;
第二聚类模块,用于对所述时空查询请求进行聚类,得到第二聚类结果,并根据所述第二聚类结果向第三方互联网地图服务商发送时空查询请求。
6.根据权利要求5所述的系统,其特征在于,所述第一获取模块包括:
第二获取模块,用于获取路网中所述移动对象和所述移动查询点之间的最大距离;
第三获取模块,用于获取路网中所述移动对象和所述移动查询点之间的最小距离;
距离计算模块,用于根据所述最大距离和所述最小距离计算所述移动对象和所述移动查询点之间的距离范围。
7.根据权利要求5所述的系统,其特征在于,所述第二构建模块包括:
修剪模块,用于采用修剪算法删减所述第一候选集中不可能成为所述移动查询点的KNN查询结果的所述移动对象信息。
8.根据权利要求5所述的系统,其特征在于,所述生成模块包括:
概率计算模块,用于根据所述距离度量计算所述移动对象成为所述移动查询点的KNN查询结果的概率;
筛选模块,用于根据所述概率对所述移动对象进行降序排列,筛选前K个所述移动对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710690023.3A CN107291963B (zh) | 2017-08-14 | 2017-08-14 | 一种路网移动环境下的knn查询方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710690023.3A CN107291963B (zh) | 2017-08-14 | 2017-08-14 | 一种路网移动环境下的knn查询方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107291963A CN107291963A (zh) | 2017-10-24 |
CN107291963B true CN107291963B (zh) | 2020-11-24 |
Family
ID=60105920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710690023.3A Expired - Fee Related CN107291963B (zh) | 2017-08-14 | 2017-08-14 | 一种路网移动环境下的knn查询方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107291963B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107917716B (zh) * | 2018-01-02 | 2021-07-06 | 广东工业大学 | 固定线路导航方法、装置、终端及计算机可读存储介质 |
CN110442624B (zh) * | 2019-08-09 | 2022-12-27 | 沈阳航空航天大学 | 一种时间依赖路网中服务时间受限的聚合近邻查询方法 |
CN112183589B (zh) * | 2020-09-14 | 2022-04-22 | 西北工业大学 | 一种低采样率下的实时车辆k近邻查询方法 |
CN113377828B (zh) * | 2021-05-07 | 2022-04-19 | 浙江工业大学 | 拥塞感知的路网移动对象连续k近邻查询方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331519A (zh) * | 2014-11-27 | 2015-02-04 | 无锡儒安科技有限公司 | 城市地图索引方法 |
CN104657424A (zh) * | 2015-01-21 | 2015-05-27 | 段炼 | 一种多时空特征融合下的兴趣点轨迹聚类方法 |
CN106095802A (zh) * | 2016-05-31 | 2016-11-09 | 南京邮电大学 | 城市路网上基于r树的全时态移动对象索引方法 |
CN106383868A (zh) * | 2016-09-05 | 2017-02-08 | 电子科技大学 | 一种基于道路网络的时空轨迹聚类方法 |
CN106570062A (zh) * | 2016-10-08 | 2017-04-19 | 中国人民解放军理工大学 | 一种路网轨迹不确定移动对象范围查询系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101479498B1 (ko) * | 2013-02-13 | 2015-01-09 | 아주대학교산학협력단 | 도로 네트워크에서 움직이는 k-최근접 질의를 위한 안전한 모니터링 기법 |
-
2017
- 2017-08-14 CN CN201710690023.3A patent/CN107291963B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331519A (zh) * | 2014-11-27 | 2015-02-04 | 无锡儒安科技有限公司 | 城市地图索引方法 |
CN104657424A (zh) * | 2015-01-21 | 2015-05-27 | 段炼 | 一种多时空特征融合下的兴趣点轨迹聚类方法 |
CN106095802A (zh) * | 2016-05-31 | 2016-11-09 | 南京邮电大学 | 城市路网上基于r树的全时态移动对象索引方法 |
CN106383868A (zh) * | 2016-09-05 | 2017-02-08 | 电子科技大学 | 一种基于道路网络的时空轨迹聚类方法 |
CN106570062A (zh) * | 2016-10-08 | 2017-04-19 | 中国人民解放军理工大学 | 一种路网轨迹不确定移动对象范围查询系统及方法 |
Non-Patent Citations (8)
Title |
---|
Continuous Clustering of Moving Objects;Christian S;《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》;20070930;全文 * |
Continuous Nearest Neighbor Monitoring in Road Networks;Kyriakos Mouratidis;《ACM VLDB Article》;20061231;全文 * |
k-Nearest Neighbors on Road Networks: A Journey in Experimentation and In-Memory Implementation;Tenindra Abeywickrama;《Technical Report》;20161231;全文 * |
Vague continuous K-nearest neighbor queries over moving objects with uncertain velocity in road networks;Fan Ping;《Information Systems》;20121231;全文 * |
移动对象及其最近邻查询算法研究;翟丹润;《中国优秀硕士学位论文全文数据库信息科技辑》;20110815;第4章 * |
路网中移动对象最近邻及反向最近邻查询处理研究;李艳红;《中国博士学位论文全文数据库信息科技辑》;20131231;全文 * |
路网中考虑运动状态的连续K近邻查询算法研究;范平;《中国博士学位论文全文数据库信息科技辑》;20130715;第4章 * |
道路网络空间中移动对象轨迹聚类算法的研究;王雅琳;《中国优秀硕士学位论文全文数据库信息科技辑》;20131231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107291963A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107291963B (zh) | 一种路网移动环境下的knn查询方法及系统 | |
Kellaris et al. | Map-matched trajectory compression | |
US20160189186A1 (en) | Analyzing Semantic Places and Related Data from a Plurality of Location Data Reports | |
CN104462190A (zh) | 一种基于海量空间轨迹挖掘的在线的位置预测方法 | |
CN113906716A (zh) | 雾节点资源的分配 | |
CN104380293A (zh) | 基于位置从地图历史提供关于相关元素的信息 | |
Hachem et al. | Service-oriented middleware for large-scale mobile participatory sensing | |
CN107679558A (zh) | 一种基于度量学习的用户轨迹相似性度量方法 | |
US9846736B2 (en) | Data processing method, data processing device, data collecting method and information providing method | |
CN102915346A (zh) | 面向物联网智能感知的数据索引建立与查询方法 | |
Ozdemir et al. | A hybrid HMM model for travel path inference with sparse GPS samples | |
CN102263800A (zh) | 基于云计算构建的地理信息物联网系统及应用 | |
Boulmakoul et al. | A system architecture for heterogeneous moving-object trajectory metamodel using generic sensors: Tracking airport security case study | |
Coscia et al. | Optimal spatial resolution for the analysis of human mobility | |
Marsit et al. | Query processing in mobile environments: A survey and open problems | |
CN104320848A (zh) | 基于云计算实现室内定位的系统及方法 | |
Lin et al. | Noise filtering, trajectory compression and trajectory segmentation on GPS data | |
Gupta et al. | Study of fuzzy logic and particle swarm methods in map matching algorithm | |
CN103260238A (zh) | 无线传感器网络中基于速度采样区的移动节点定位方法 | |
Jabeen et al. | Autonomous vehicle health monitoring based on cloud-fog computing | |
CN112381078B (zh) | 基于高架的道路识别方法、装置、计算机设备和存储介质 | |
Liao | [Retracted] Hot Spot Analysis of Tourist Attractions Based on Stay Point Spatial Clustering | |
Chandio et al. | An approach for map-matching strategy of GPS-trajectories based on the locality of road networks | |
Yu et al. | RePiDeM: A refined POI demand modeling based on multi-source data | |
Bordogna et al. | Managing uncertainty in location-based queries |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201124 |