CN107895022A - 融合哈希的频繁更新不确定移动对象索引方法 - Google Patents
融合哈希的频繁更新不确定移动对象索引方法 Download PDFInfo
- Publication number
- CN107895022A CN107895022A CN201711133735.1A CN201711133735A CN107895022A CN 107895022 A CN107895022 A CN 107895022A CN 201711133735 A CN201711133735 A CN 201711133735A CN 107895022 A CN107895022 A CN 107895022A
- Authority
- CN
- China
- Prior art keywords
- mobile object
- cluster
- track
- tree
- hgtpu
- 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
- 238000000034 method Methods 0.000 claims description 9
- 238000011524 similarity measure Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000005266 casting Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000002776 aggregation Effects 0.000 abstract 1
- 238000004220 aggregation Methods 0.000 abstract 1
- 238000005304 joining Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
- G06F16/2255—Hash tables
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
本发明提供一种融合哈希的频繁更新不确定移动对象索引方法,属于移动对象数据库领域。本发明主要解决的是不确定移动对象更新代价问题,设计了融合哈希算法的自底向上TPU‑tree索引结构以及移动对象相似簇聚集策略,实现自底向上查询,给出了一种适用于频繁更新的索引结构HGTPU‑tree。在此基础上设计了移动对象轨迹空间相似算法SIP、移动对象相似簇生成算法MTSG和不确定移动对象相似簇更新算法。HGTPU‑tree通过结合哈希表的自底向上的更新策略,省略相似移动对象更新位置数据,降低磁盘I/O次数,从而降低更新代价,减少内存开销,增加系统的稳定性。
Description
1技术领域
本发明涉及融合哈希的频繁更新不确定移动对象索引方法,属于计算机移动对象数据库领域。
2背景技术
数据索引是为了数据处理的高效性而设计,传统的索引都是针对确定的数据类型,然而,由于定位系统和服务器延迟等问题,数据的不确定性普遍存在,那么适用于不确定移动对象位置数据的索引问题是亟需解决的。
移动对象的位置信息数实时改变的,我们可以根据时间的角度进行分析,现有的索引结构主要分为两大类,一类是针对历史数据的,一类是针对实时更新和对未来的预测。R树是最基础的索引结构,TPR树,STAR树等都是基于R提出的,R树是自顶向下更新的,会产生较大的I/O代价,不适合做位置频繁更新的移动对象索引。REXP树在节点添加时间属性,及时的将无效的位置数据进行删除,大大提高了效率。有学者提出多维度索引,提出PPFNx树、RPPF树等索引模型,不限于某一时段的位置数据,综合考虑当前位置的前期数据和后期数据,能够更好的处理数据的查询问题。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。
位置频繁更新的移动对象数据信息需要的索引需要有任意改变的特性,例如U-tree的索引模型,U-tree是一种动态结构,可以做到与插入顺序无关,而且可以适应移动对象位置数据的不确定性,限制较少,但是移动对象本身是随着时间变化的,但是U-tree只适合于静态的移动对象不确定性索引。TPU-tree是基于U-tree基础上提出的,解决了其针对静态数据的问题,并且可以支持预测未来的数据的查询。TPU-tree增加了移动对象不确定状态属性,结合概率密度函数描述移动对象在不确定区域的位置分布,同时保留时间属性,所以对移动对象的时间特性能够进行敏感检索。之后,有学者提出TPU2M树,将移动对象的不确定性属性单独提出来并设计更新记录文件,同时给出相应的更新算法,TPU2M树利用记录文件控制移动位置的更新,在记录不变的情况下插入新记录,减少了查找时所需要的磁盘I/O,从而减少更新的代价。但是TPU2M树需要额外的内存空间存放记录文件,所以当记录个数缓存过大时,需要额外的空间清洗操作保证索引跟新的效率,当不确定移动对象个数较多时,更新效率会逐渐降低。
索引结构一直是移动对象数据库的热点,通过以上的介绍,可知对于频繁位置更新的移动对象,更新代价是首要考虑的问题。移动对象的变化是连续的,其有序的位置点可以组成轨迹,移动对象轨迹之间的相似性可以判断其移动对象的相似性,然而上述的索引结构,忽略了移动对象的相似性,另外大部分的不确定移动对象索引结构都采用传统的自顶向下的方式,具有较大的磁盘I/O代价,即使部分索引结构已有自底向上的更新思想但是需要牺牲大量的内存资源,导致系统的稳定性不高。
2发明内容
3.1发明目的
移动对象的位置随着时间再不断变化,移动对象数据库需要实时更新,但是随着数据的增多,数据库的更新代价成为棘手的问题,亟需解决。建立移动对象索引是减少数据库跟新代价最为直接有效的方式。目前我们采集移动对象位置信息是通过定位设备获取固定时刻移动对象的位置信息,但是由于采集设备信号的不稳定等现实因素,造成我们所能得到的移动对象位置信息的不确定性,不确定移动对象不能再用位置点来表示,而是一块概率区域,当移动对象的实际位置和数据库中记录的位置超过一定的阈值(Threshold)就对移动对象的位置信息进行一次更新,所以研究支持不确定性移动对象更新索引具有现实意义。
移动对象是有一定关联关系的,例如一条道路上,由于道路的限制,移动对象的移动方向是一致的,团体的出行大多数具有相同的行动路线;有社会关系的人群往往有相同的兴趣爱好,类似的行为方式。利用移动对象相似性的原理可以将其归类,形成相似簇,采用轮询的方式对簇进行更新,在索引结构中,不必更新所有的成员位置信息,将大大减少I/O操作。传统的索引更新采用自顶向下的更新方式需要从根节点逐层向下访问到叶子节点需要较高的节点访问次数,而基于自底向上方法可以节省查询时间,减少I/O代价,所以基于自底向上的哈希索引方法在不确定移动对象位置更新中起到很好地作用。
3.2技术方案
本发明为解决其技术问题采用如下技术方案:具体包含以下几个步骤:
步骤一:设计多空间适应的不确定移动对象轨迹相似算法SIP(Spatial localityIn-between Polygon of indoor),利用轨迹投影技术使得轨迹相似性计算可在室内空间、障碍空间以及室外空间等多区域进行,并通过轨迹相交计算提升轨迹相似性计算精确度。
步骤二:通过实时定位移动对象并由其有序定位数据形成不确定移动对象轨迹,通过SIP算法计算得到相似轨迹并进行以聚类中心为原点的聚类,聚类后获得移动对象信息同时取为一簇,同簇移动对象位置更新数据同时进行。
步骤三:通过利用哈希表作为初级索引,当移动对象进行位置更新时,先利用哈希函数查询哈希表,利用移动对象所在的簇编号找到该移动对象所在的叶子节点直接进行定位,缩短查询时间,减少更新代价。
步骤四:不确定移动对象采用概率分布原理进行推测定位,采用轮询的方式进行移动对象位置更新。
上述步骤一中,轨迹的相似性利用投影高度、投影相交面积、轨迹长度等多因素进行度量,其投影高度取相交面积区域内投影高度均值,投影相交面积取近似圆形区域面积,利用非相邻位置点连接取均值获取,其轨迹长度由采样点数量决定。上述步骤一中,轨迹线段表示为T={L1,L2...,Lm},R={L1,L2...,Ln},轨迹T’为轨迹T在轨迹R所在二维平面的投影轨迹,轨迹相交点表示为I={I1,I2,...,Iq},投影后轨迹T’与轨迹R相交点个数表示为k,当k>1时,高度距离hi(0≤i<k)为投影后相邻相交点之间轨迹所围成的封闭多边形内投影高度平均值,轨迹相交面积Areai(0≤i<k)为投影后相邻相交点之间轨迹所围成的封闭多边形的面积;当k<=1时,不存在相交封闭多边形,高度距离hi(0≤i≤k)为整条轨迹投影高度平均值,轨迹相交面积Areai(0≤i≤k)为轨迹T’与轨迹R的首尾端点所围成封闭多边形面积,即相交面积取为最大值。当k>1时,lengthT和lengthR分别表示移动轨迹T和R的轨迹长度,即轨迹特征点个数,lengthT(Ii,Ii+1)和lengthR(Ii,Ii+1)分别表示封闭多边形Areai(0≤i<k)内移动轨迹T和R的轨迹长度,则权重系数的计算公式为:
其中0≤i<k;当k<=1时,不存在相交封闭多边形,记权重系数ωi为最大值1.轨迹相似值为投影高度、相交面积、权重系数三者之积并取倒数。
步骤二中,算法需在计算每条轨迹与其他轨迹的相似度时根据阈值判定所在簇,若其不能够归类,那么就定义为新的聚类中心,并以母本的身份进行接下来的轨迹相似性聚类计算。聚类后的移动对象连续存放于HGTPU-tree的叶子节点。HGTPU-tree中将历史一段时间内具有相似运动轨迹的移动对象划分为一个簇,然后将同一分簇中的移动对象存放在HGTPU-tree中同一个叶子节点。关于移动对象簇划分,提出了基于轨迹相似度的移动对象分簇算法MTSG,MTSG算法的目标是将所有相依度可达的移动对象划分为同一个簇,然后存放于HGTPU-tree中同一个叶子节点,在进行位置更新时,对同一个簇中的移动对象只需对一个节点进行位置更新,而不需要对全体成员都进行位置更新,减少更新次数,降低移动对象位置更新的代价。
上述步骤三中,HGTPU-tree借助零级索引哈希表实现自底向上的更新,整个索引结构划分成3层。当移动对象进行位置更新时,对HGTPU-tree和哈希表进行同步更新,保证哈希表中每个簇在HGTPU-tree所对应的内存空间具有实时性,相比于传统自底向上的更新算法,HGTPU-tree借助哈希表实现自底向上查询。移动对象进行位置更新时,先查询哈希表找到该移动对象所在簇的地址,然后直接定位于该叶子节点,通过判断更新后的位置是否超过所在叶节点的MBR范围之内,若未超出范围,则直接更新叶节点,否则更新过程等价于在HGTPU-tree中删除和插入新记录。哈希函数以移动对象的簇编号作为输入,哈希表中的记录包含2部分,一部分是哈希函数的输出值,剩下的部分是该簇编号Gi对应的地址。传统的自底向上的更新策略,通常需要保留旧记录,随着记录个数的增加,查询效率降低且需要较大的内存开销,特别在移动对象数量较大时,系统的稳定性降低。HGTPU-tree中哈希表通过采用与叶子节点同步更新的方式,保证哈希表中实时记录簇对象的地址。不需要保留旧记录,减少了内存开销,增加了系统的稳定性。
上述步骤四中,不确定移动对象的分布采用高斯分布,并由其概率分布函数计算不确定移动对象推测定位,同时采用轮询的方式对移动对象簇进行更新,确保移动对象簇随时时间的变化得到相应的更新。
3.3有益效果
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)设计多空间适应的移动对象轨迹相似算法SIP(Spatial locality In-betweenPolygon of indoor),利用轨迹投影技术使得轨迹相似性计算可在室内空间、障碍空间以及室外空间等多区域进行,并通过轨迹相交计算提升轨迹相似性计算精确度。通过实时定位移动对象并由其有序定位数据形成不确定移动对象轨迹,通过SIP算法计算得到相似轨迹并进行以聚类中心为原点的聚类,聚类后获得移动对象信息同时取为一簇,同簇移动对象位置更新数据同时进行。
2)本发明提出一种融合哈希结构的自底向上更新不确定移动对象位置索引结构HGTRU-tree。HGTPU-tree基于移动对象簇划分,通过减少位置更新的次数,能有效减少因移动对象频繁位置更新带来的巨大更新代价;利用哈希表作为初级索引结构支持HGTPU-tree自底向上的查询,缩短查询时间减少更新代价。
3)不确定移动对象采用概率分布原理进行推测定位,采用轮询的方式进行移动对象位置更新。当移动对象进行位置更新时,对HGTPU-tree和哈希表进行同步更新,保证哈希表中每个簇在HGTPU-tree所对应的内存空间具有实时性,相比于传统自底向上的更新算法,不需要保留旧记录,减少了内存开销,增加了系统的稳定性。
4附图说明
图1是移动对象轨迹相似性计算示意图
图2是本发明的HGTPU-tree索引结构图
5具体实施方式
以下结合附图和实施例对本发明的技术方案做进一步详细说明:
实施例一
HGTPU-tree基于不确定移动对象轨迹相似性对移动对象进行分簇,如图1所示,轨迹线段表示为T={L1,L2...,Lm},R={L1,L2...,Ln},轨迹T’为轨迹T在轨迹R所在二维平面的投影轨迹,轨迹相交点表示为I={I1,I2,...,Iq},投影后轨迹T’与轨迹R相交点个数表示为k,当k>1时,高度距离hi(0≤i<k)为投影后相邻相交点之间轨迹所围成的封闭多边形内投影高度平均值,轨迹相交面积Areai(0≤i<k)为投影后相邻相交点之间轨迹所围成的封闭多边形的面积;当k<=1时,不存在相交封闭多边形,高度距离hi(0≤i≤k)为整条轨迹投影高度平均值,轨迹相交面积Areai(0≤i≤k)为轨迹T’与轨迹R的首尾端点所围成封闭多边形面积,即相交面积取为最大值。当k>1时,lengthT和lengthR分别表示移动轨迹T和R的轨迹长度,即轨迹特征点个数,lengthT(Ii,Ii+1)和lengthR(Ii,Ii+1)分别表示封闭多边形Areai(0≤i<k)内移动轨迹T和R的轨迹长度,则权重系数ωi的计算为封闭多边形轨迹长度和与轨迹总长度和的比值,当k<=1时,不存在相交封闭多边形,记权重系数ωi为最大值1,那么轨迹相似度计算方式为高度距离hi,轨迹相交面积Areai与权重系数ωi三者之积,轨迹距离值越大,轨迹相似度越小。
实施例二
如图3所示,为了使索引结构支持移动对象簇划分且能够支持自底向上的更新,从而在移动对象位置更新时,缩短叶子节点的查询时间,并通过同簇对象只更新一个的方式,减少更新次数,从而降低更新代价。HGTPU-tree借助零级索引哈希表实现自底向上的更新,整个索引结构划分成3层。HGTPU-tree包含空间层、分簇层和数据层。下面着重介绍零级索引哈希表和HGTPU-tree的三层结构。HGTPU-tree借助哈希表实现自底向上查询。移动对象进行位置更新时,先查询哈希表找到该移动对象所在簇的地址,然后直接定位于该叶子节点,通过判断更新后的位置是否超过所在叶节点的MBR范围之内,若未超出范围,则直接更新叶节点,否则更新过程等价于在HGTPU-tree中删除和插入新记录。哈希函数以移动对象的簇编号作为输入,哈希表中的记录包含2部分,一部分是哈希函数的输出值,剩下的部分是该簇编号Gi对应的地址。传统的自底向上的更新策略,通常需要保留旧记录,随着记录个数的增加,查询效率降低且需要较大的内存开销,特别在移动对象数量较大时,系统的稳定性降低。HGTPU-tree中哈希表通过采用与叶子节点同步更新的方式,保证哈希表中实时记录簇对象的地址。从而不必保留旧记录,减少了内存消耗,增加了系统的稳定性。
HGTPU-tree更新:当移动对象发出位置更新请求时,新的记录信息要插入到HGTPU-tree中,且需要将过时的位置信息删除。HGTPU-tree借助哈希表实现自底向上的查询,缩短查询时间减少更新代价。已有的自底向上索引借助的额外的内存结构,需要保存旧记录,需要维持较大的内存开销,当移动对象个数较大时,系统的稳定性降低。HGTPU-tree通过哈希表与空间层同步更新机制,保证哈希表中实时存放最新的簇地址信息,无需保存旧记录,减少内存消耗,增加系统稳定性。
另外HGTPU-tree分为空间层,分簇层和数据层三层,在进行更新时每层数据都需要更新。其中分簇层主要包含一些记录簇成员的信息和位置信息,在进行更新时主要是进行指针重定位操作和赋值操作。空间层和数据层的更新操作比较复杂,着重介绍这两层的更新算法。
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HGTPU-tree中记录的位置偏差超过阈值th时,进行更新操作。HGTPU-tree空间层的索引结构是基于R-tree的基础上进行改进,借助哈希表自底向上进行更新。
算法主要分为3个步骤:1.根据移动对象Mi的簇编号代入哈希函数得到哈希表中存放该簇的地址2.判断更新后的位置是否超过所在叶节点的MBR范围之内,若未超出范围,则直接更新叶节点,否则更新过程等价于在HGTPU-tree中删除和插入新记录3.在空间层数据更新后同步将Mi所在簇的地址写回哈希表中。
Claims (1)
1.融合哈希的频繁更新不确定移动对象索引方法,其特征在于包括如下步骤:
步骤一:设计多空间适应的不确定移动对象轨迹相似算法SIP(Spatial locality In-between Polygon of indoor),利用轨迹投影技术使得轨迹相似性计算可在室内空间、障碍空间以及室外空间等多区域进行,并通过轨迹相交计算提升轨迹相似性计算精确度。
步骤二:通过实时定位移动对象并由其有序定位数据形成不确定移动对象轨迹,通过SIP算法计算得到相似轨迹并进行以聚类中心为原点的聚类,聚类后获得移动对象信息同时取为一簇,同簇移动对象位置更新数据同时进行。
步骤三:通过利用哈希表作为初级索引,当移动对象进行位置更新时,先利用哈希函数查询哈希表,利用移动对象所在的簇编号找到该移动对象所在的叶子节点直接进行定位,缩短查询时间,减少更新代价。
步骤四:不确定移动对象采用概率分布原理进行推测定位,采用轮询的方式进行移动对象位置更新。
上述步骤一中,轨迹的相似性利用投影高度、投影相交面积、轨迹长度等多因素进行度量,其投影高度取相交面积区域内投影高度均值,投影相交面积取近似圆形区域面积,利用非相邻位置点连接取均值获取,其轨迹长度由采样点数量决定。
步骤二中,算法需在计算每条轨迹与其他轨迹的相似度时根据阈值判定所在簇,若其不能够归类,那么就定义为新的聚类中心,并以母本的身份进行接下来的轨迹相似性聚类计算。聚类后的移动对象连续存放于HGTPU-tree的叶子节点。
上述步骤三中,当移动对象进行位置更新时,对HGTPU-tree和哈希表进行同步更新,保证哈希表中每个簇在HGTPU-tree所对应的内存空间具有实时性,相比于传统自底向上的更新算法,不需要保留旧记录,减少了内存开销,增加了系统的稳定性。
上述步骤四中,不确定移动对象的分布采用高斯分布,并由其概率分布函数计算不确定移动对象推测定位,同时采用轮询的方式对移动对象簇进行更新,确保移动对象簇随时时间的变化得到相应的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711133735.1A CN107895022A (zh) | 2017-11-10 | 2017-11-10 | 融合哈希的频繁更新不确定移动对象索引方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711133735.1A CN107895022A (zh) | 2017-11-10 | 2017-11-10 | 融合哈希的频繁更新不确定移动对象索引方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107895022A true CN107895022A (zh) | 2018-04-10 |
Family
ID=61805561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711133735.1A Pending CN107895022A (zh) | 2017-11-10 | 2017-11-10 | 融合哈希的频繁更新不确定移动对象索引方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107895022A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858517A (zh) * | 2018-12-25 | 2019-06-07 | 中国石油大学(华东) | 一种以运动方向为主导的轨迹相似性度量方法 |
CN110413215A (zh) * | 2018-04-28 | 2019-11-05 | 伊姆西Ip控股有限责任公司 | 用于获取访问权限的方法、设备和计算机程序产品 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512317A (zh) * | 2015-12-17 | 2016-04-20 | 南京航空航天大学 | 一种基于群组划分的不确定移动对象索引方法 |
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 |
-
2017
- 2017-11-10 CN CN201711133735.1A patent/CN107895022A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512317A (zh) * | 2015-12-17 | 2016-04-20 | 南京航空航天大学 | 一种基于群组划分的不确定移动对象索引方法 |
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 |
Non-Patent Citations (4)
Title |
---|
DING X等: "Indexing of Uncertain Moving Objects with Frequent Updates", CHINESE JOURNAL OF COMPUTERS, vol. 35, no. 12, pages 2587 - 2597 * |
丁晓锋等: "支持频繁位置更新的不确定移动对象索引策略", 计算机学报, vol. 35, no. 12, pages 2587 - 2597 * |
张潮等: "面向频繁位置更新的不确定移动对象索引策略", 计算机科学与探索, vol. 11, no. 10, pages 1532 - 1544 * |
贲婷婷: "室内移动对象索引技术研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 07 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413215A (zh) * | 2018-04-28 | 2019-11-05 | 伊姆西Ip控股有限责任公司 | 用于获取访问权限的方法、设备和计算机程序产品 |
CN110413215B (zh) * | 2018-04-28 | 2023-11-07 | 伊姆西Ip控股有限责任公司 | 用于获取访问权限的方法、设备和计算机程序产品 |
CN109858517A (zh) * | 2018-12-25 | 2019-06-07 | 中国石油大学(华东) | 一种以运动方向为主导的轨迹相似性度量方法 |
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 |
---|---|---|
CN107423368A (zh) | 一种非关系数据库中的时空数据索引方法 | |
CN107423422B (zh) | 基于网格的空间数据分布式存储及检索方法和系统 | |
CN108600321A (zh) | 一种基于分布式内存云的图数据存储方法和系统 | |
CN107895022A (zh) | 融合哈希的频繁更新不确定移动对象索引方法 | |
CN105320719B (zh) | 一种基于项目标签和图形关系的众筹网站项目推荐方法 | |
CN102810118B (zh) | 一种变权网k近邻搜索方法 | |
CN102289466B (zh) | 一种基于区域覆盖的k近邻查询方法 | |
CN105512317B (zh) | 一种基于群组划分的不确定移动对象索引方法 | |
CN109299113B (zh) | 具有存储感知的混合索引的范围查询方法 | |
CN106201916B (zh) | 一种面向ssd的非易失缓存方法 | |
CN106095907A (zh) | 基于八叉树与三维r星树集成的激光点云数据管理方法 | |
CN106095802B (zh) | 城市路网上基于r树的全时态移动对象索引方法 | |
CN104346444B (zh) | 一种基于路网反空间关键字查询的最佳选址方法 | |
CN103617199B (zh) | 一种操作数据的方法和系统 | |
CN107092978B (zh) | 一种面向虚拟地球的最短路径分层规划方法 | |
CN110070121A (zh) | 一种基于树策略与平衡k均值聚类的快速近似k近邻方法 | |
CN103617163B (zh) | 基于聚类分析的目标快速关联方法 | |
CN107590226A (zh) | 一种基于瓦片的矢量地图渲染方法 | |
CN106294772A (zh) | 分布式内存列式数据库的缓存管理方法 | |
CN106528793A (zh) | 一种分布式空间数据库的时空分片存储方法 | |
Shi et al. | Visual localization using sparse semantic 3D map | |
CN107870970A (zh) | 一种数据存储查询方法及系统 | |
CN110292773A (zh) | 一种角色运动跟随方法及装置、计算设备及存储介质 | |
Cai et al. | Vector-based trajectory storage and query for intelligent transport system | |
CN104021223A (zh) | 一种集群数据库测点的访问方法及装置 |
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 |