CN110297874B - 基于Voronoi的多尺度道路网skyline查询方法 - Google Patents
基于Voronoi的多尺度道路网skyline查询方法 Download PDFInfo
- Publication number
- CN110297874B CN110297874B CN201910268910.0A CN201910268910A CN110297874B CN 110297874 B CN110297874 B CN 110297874B CN 201910268910 A CN201910268910 A CN 201910268910A CN 110297874 B CN110297874 B CN 110297874B
- Authority
- CN
- China
- Prior art keywords
- road
- nvp
- point
- query
- user
- 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.)
- Active
Links
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
- G06F16/90—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
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)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于Voronoi的多尺度道路网skyline查询方法,该方法基于Voronoi建立各路口节点支配范围,并在当前尺度上对用户所在位置的Voronoi区域进行检索,如果能在该尺度上检索到skyline结果集,则返回给用户;否则通过设置聚合网格参数gridSize及道路拟合参数α减少路口节点,再对剩余路口节点重新划分支配区域,以扩大用户所在区域的检索尺度继续检索,直到能够返回给用户满足要求的skyline结果集为止。同时在查询用户所在的区域的方法中,本发明中提出了一种优化用户检索区域的方法。
Description
技术领域
本发明属于信息检索领域,涉及一种基于Voronoi的路网环境中的skyline查询方法。
背景技术
Skyline查询最早由Borzonyi等人提出,是一种典型的多目标决策问题,用于返回兴趣集中所有不被其他点支配的点的集合。给定两个兴趣对象点p1、p2,其分别具有n维属性(a1,a2,…,an)和(b1,b2,…,bn)。那么,p1支配p2当且仅当p1在任意维属性上都不差于p2,且至少在某一维上优于p2。Skyline查询处理技术最初应用于数据库查询等领域,查询的多维属性为静态属性。
随着基于位置的服务兴起和智能终端的普及,传统的skyline查询已不能满足用户的需求,路网中skyline查询作为最基本位置服务中最重要的支持性技术之一,引起了学者的广泛关注。然而,路网中的skyline查询与传统skyline查询不同,它不仅继承了传统skyline查询的静态属性,还包括空间属性。当用户在路网中进行基于距离的连续skyline查询时,查询结果在一定的距离范围内有效,一旦超出这个距离时,skyline查询结果将会发生改变。路网中的skyline查询分为两种情况,一种用户指定检索范围,在给定检索范围内进行skyline查询;而另一种用户没有提供检索范围,此时应该返回距离用户距离较近的skyline检索结果。当用户没有指定检索范围时,应该在距离用户位置较近的范围内进行检索,如果能在该范围内检索到一定数量符合要求的兴趣点(POIs,Points of Interest),则返回相应skyline结果集,否则扩大检索范围继续进行检索,直至满足一定的条件停止检索。
查询范围对skyline结果具有重要影响,范围过大将导致返回的skyline结果过多,不具有代表性;范围过小将不能返回合适的skyline结果集。因此当用户在道路网进行连续skyline关键词查询时,如何给定初始查询范围及实现查询范围的更新是路网中连续skyline查询的关键。本发明首先通过Voronoi划分各路口支配范围,对所有POIs点建立索引,当用户进行基于位置的skyline查询时,如果能在该位置所在的索引内找到满足条件的POIs,返回POIs的skyline结果集;如果不能,通过对路口节点聚合及道路进行拟合扩大查询范围,直至能够返回给用户较优的结果集为止。同时本发明提出了一种优化检索查询范围方法,该方法通过控制范围更新频率来提高skyline的查询效果。
发明内容
本发明的目的在于提供一种基于Voronoi的多尺度道路网skyline查询方法,该方法基于Voronoi建立各路口节点支配范围,并在当前尺度上对用户所在位置的Voronoi区域进行检索,如果能在该尺度上检索到skyline结果集,则返回给用户;否则通过设置聚合网格参数gridSize及道路拟合参数α减少路口节点,再对剩余路口节点重新划分支配区域,以扩大用户所在区域的检索尺度继续检索,直到能够返回给用户满足要求的skyline结果集为止。同时在查询用户所在的区域的方法中,本发明中提出了一种优化用户检索区域的方法。
基于Voronoi的多尺度道路网skyline查询方法,该方法的实现步骤如下:
步骤1:使用Voronoi,建立各路口节点的支配区域(NVP,Network VoronoiPolygon),并将所有映射到对应的NVP区域中。
步骤1.1:收集并整理数据集,构建数据关系。数据集含有所有路口节点和所有的POIs。
步骤1.2:使用Voronoi,生成各路口节点的NVP。
步骤1.3:遍历所有POIs,对于每一个POI,找到支配该POI所在区域的路口节点,最后生成一个路口节点和多个POIs的一对多关系。
步骤2:设置聚合网格参数gridSize,将距离较近的路口节点进行聚合。
步骤2.1:依次遍历所有路口节点,计算该点的外接正方形,若此点的外接正方形与现有聚合点的外接正方形不相交,则新建聚合点,若相交就把该点加到距离最近的聚合点中。
步骤2.2:将所有聚合点作为新的路口节点数据。
步骤3:对聚合后的路口节点重塑道路网。
步骤3.1:依次遍历路网中的每一条道路,若道路的路口节点属于被聚合点,则将该路中的被聚合点使用聚合点替换;若被替换后道路的路口节点值不同,则形成新路,并删除原始道路,最后返回被重塑的路网数据。
步骤4:设置道路拟合参数α,对满足拟合条件的道路进行拟合,进一步降低路口节点数量。
步骤4.1:公式1用于判断道路的相似系数,其中roado和roada分别为路网中的一条路,roado的道路端点分别为ni和nj,roada的道路端点分别为nj和nt,roadf是对roado和roada拟合后的道路,roadf的道路端点分别为ni和nt,dis(.)表示道路距离。若road_similarity≥α,说明两条路能够被拟合;否则说明两条路不能被拟合。
步骤4.2:针对路网Roads中的每一条路roadi,记的两个路口端点分别为nsnj,寻找Roads集合中以nj为起点的道路,记为对中的每一条路根据公式1依次计算roadi与的road_similarity,将最大的road_similarity记作road_similaritymax。若road_similaritymax≥α,拟合形成新路,将新路加入到道路网数据集中,并将roadi与在道路网络数据集中删除。
步骤4.3:依次遍历所有的路口节点,若不存在由该路口节点组成的路网道路,则将该路口节点从路口节点数据集中删除。
步骤5:根据用户所在位置,判断是否需要对用户所在的查询区域进行优化。
步骤5.1:根据用户位置q确定用户所在查询区域的路口节点,记为nq;并将用户所在的NVP记为NVP(nq),找到NVP(nq)的相邻NVP,记为ANVP(nq),ANVP(nq)={ANVP(nq)1,…,ANVP(nq)m},其中m表示与NVP(nq)相邻的NVP的个数。ANVP(nq)r表示具有点q到相邻的ANVP(nq)i(1≤i≤m)的路口节点与nq的垂直平分线的最短距离的NVP,并将ANVP(nq)r的路口节点表示为nr。d1表示nq与nr之间的距离;d2表示查询点q到nq与nr的垂直平分线的距离,公式2和公式3分别给出了d1,d2的计算方法。
d1=dis(nq,nr) (2)
步骤5.2:若d1,d2之间的关系满足公式4,则对用户的查询区域进行优化,查询区域的优化方法为,NVP(nq)和NVP(nr)的公共边称为edgec,过点nq作线段nqnr的垂线交NVP(nq)于点bq1和点bq2,线段bq1bq2将NVP(nq)划分成两部分NVP1(nq)和NVP2(nq),其中NVP1(nq)是包含公共边的那部分区域,过点nr作线段nqnr的垂线交NVP(nr)于点br1和点br2,线段br1br2将NVP(nr)划分成两部分NVP1(nr)和NVP2(nr),其中NVP1(nr)是包含公共边的那部分区域。合并NVP1(nq)和NVP1(nr)区域,并将该部分区域作为新的查询区域。在该部分区域中所有POIs作为新查询区域中的所有查询的POIs。
步骤6:查找所有POIs节点,在各POIs的静态属性以及查询点q到各POIs之间的距离作为动态属性进行skyline查询,并返回skyline查询结果。
综上,基于Voronoi的多尺度道路网skyline查询方法实现的具体步骤如下:
1)基于Voronoi划分路网中所有兴趣点,建立各路口节点支配区域;
2)通过用户所在位置q,判断是否需要对查询区域进行优化,若不需要对查询区域进行优化,返回NVP(nq)中的POIs,转4;
3)根据用户所在位置q对查询区域进行优化,返回优化后查询区域中的POIs
4)判断skyline查询是否满足用户需求,若满足需求,转9;
5)对距离较近的路口节点进行聚合;
6)对聚合后的路口节点重塑道路网;
7)对满足拟合条件的道路进行拟合;
8)对拟合后的道路和剩余的路网节点,以及所有的POIs点,执行步骤1;
9)对skyline候选集进行skyline查询,返回给用户skyline查询结果集;
此时返回的skyline结果集即为用户需要查询的skyline结果集。与现有技术相比较,本发明具有如下有益效果:
1)能够实现多尺度的检索skyline结果,直至满足用户需要的skyline结果;
2)能够降低skyline查询频率
附图说明
图1为本发明的实施流程图。
图2为路口节点示意图。
图3为路网示意图。
具体实施方式
下面结合相关附图对本发明进行解释和阐述:
本发明在实例中假设POIs含有2维静态属性,分别为价格和等级。假设用户需要查询skyline候选集个数>3个的skyline结果集。
步骤1:基于Voronoi建立各路口节点的支配区域,并将所有POIs映射到对应的NVP区域中。
步骤1.1:如图2所示,n={n1,n2,…,n10}为10个路口节点,点q为用户所在的查询位置,图中的各个多边形为各路口节点形成的NVP区域。p={p1,p2,p3,p4,p5}为POIs点。其中各POI点的价格和等级如表1所示。ni︵nj表示道路网中的边,10个路口节点形成的道路网边为 路网如图3所示。
表1各兴趣点的属性
步骤1.2:图2中各路口节点所围成的Voronoi多边形即各路口节点的支配区域。
步骤1.3:n10点的支配区域中含有p1,p2点;n3点的支配区域中含有p3点;n2点的支配区域中含有p4,p5点。
步骤2:根据q点所在位置判断q点的查询区域是否需要进行优化
步骤2.1:用户所在的位置点q在n10形成的路口节点的支配区域中,其中与n10点形成的支配区域相邻的支配区域为ANVP(q)={NVP(n1),NVP(n2),NVP(n3),NVP(n4),NVP(n5),NVP(n6)},分别计算点q到n10与ni,i={1,2,3,4,5,6}的垂直平分线的距离。其中点q到n10与n3之间的垂直平分线的距离最短,即 d1=dis(n10,n3),且
步骤2.2:由于因此需要优化q点的查询区域。如图2所示,线段b5b6是NVP(n10)和NVP(n3)的公共边,过点n10作线段n10,n3的垂线,交n10所在的NVP于点b1,b2。线段b1b2将NVP(n10)分成两部分NVP1(n10)和NVP2(n10),其中NVP1(n10)包含公共边b5b6,NVP1(n10)不包含公共边b5b6。过点n3作n10n3的垂线,交NVP(n3)于点b3,b4,其中b3,b4将n3所在的NVP分成两部分NVP1(n3)和NVP2(n3),其中NVP1(n3)包含公共边b5b6,NVP2(n3)不包含公共边b5b6。将将含有b5b6的两部分区域NVP1(n10)和NVP1(n3)合并作为新的查询区域,将新查询区域中所有的POIs作为点q的查询的所有POIs点。
步骤3:在静态与动态的属性上,且在当前尺度下检索进行skyline查询。由于当前尺度下查询点q所在区域内含有p2,p3两个POI点,因此不满足查询条件。因此需要扩大查询尺度,继续查询。
步骤4:将距离较近的路口节点进行聚合;
步骤4.1:设置gridSize参数为0.5,各节点的gridSize所围成的正方形如图所示。依次遍历n1到n10十个路口节点。如图4所示,首先n1,n2,n3点成为聚合点,n4点所围成的正方形和n3点所围成的正方形相交,因此n4点被n3点聚合,n5点所围成的正方形不与n1,n2,n3点所围成的正方形相交。因此,n5点也成为一个聚合点。同理,n7点也成为一个聚合点,n8点围成的正方形与n5点围成的正方形相交,因此n8点被n5点聚合,n9点被n6点聚合,由于n10点所围成的正方形与n2和n3点所围成的正方形都相交,但是n10与n2点之间的距离更近,因此n10点被n2点聚合。
步骤4.2:将所有聚合点作为新的路口节点,即新的路口节点为{n1,n2,n3,n5,n6,n7}
步骤5:对聚合后的路口节点重塑道路网;
步骤5.1:遍历所有的路,将道路中含有的被聚合点n10用聚合点n2点替换,n4点用n3点替换,n8点用n5点替换,n6点用n9点替换。将替换后的两个路口节点不一致的两个点将成为新路。最后形成的路为如图5所示,其中的边为新形成的边。
步骤6:设道路拟合参数α=0.9,对满足拟合条件的道路进行拟合;
步骤6.1:算法首先选择一条边然后选择一条包含n5节点的边形成新的路根据公式1得到 其中且road_similarity>α,所以备选边成为新边,同时删除边 同理,依次遍历其他几条道路,根据公式1,都不满足拟合条件,因此最后路网中边为拟合后的边如图6所示。其中图6中边为本步骤中心形成的边。
步骤6.2:由于步骤4.1中拟合后形成的道路网中已经不含有节点n5所包含的边。因此,最后路网中节点为{n1,n2,n3,n6,n7}
步骤7:基于Voronoi建立{n1,n2,n3,n6,n7}5个路口节点的支配区域,并将所有POIs映射到对应的NVP区域中。
步骤7.1:路口节点数据为{n1,n2,n3,n6,n7},POIs数据见表1。
步骤7.2:剩余的路网中各节点形成的支配区域,如图7所示。
步骤8:根据p点所在位置判断q点的查询区域是否需要进行优化
步骤8.1:如图7所示,用户所在的位置点q在n2形成的路口节点的支配区域中,其中与n2点形成的支配区域相邻的支配区域为ANVP(q)={NVP(n1),NVP(n3),NVP(n6),NVP(n7)},分别计算点q到n2与ni,i={1,3,6,7}的垂直平分线的距离。其中点q到n2与n3之间的垂直平分线的距离最短,即d1=dis(n2,n3),
步骤8.2:由于因此更新查询区域。方法为:线段b5b6是NVP(n2)和NVP(n3)的公共边,过点n2作线段n2,n3的垂线,交n2所在的NVP于点b1,b2。线段b1b2将NVP(n2)分成两部分NVP1(n2)和NVP2(n2),其中NVP1(n2)包含公共边b5b6,NVP1(n2)不包含公共边b5b6。过点n3作n2n3的垂线,交NVP(n2)于点b3,b4,其中b3,b4将n3所在的NVP分成两部分NVP1(n3)和NVP2(n3),其中NVP1(n3)包含公共边b5b6,NVP2(n3)不包含公共边b5b6。将将含有b5b6的两部分区域NVP1(n2)和NVP1(n3)合并作为新的查询区域,将新查询区域中所有的POIs作为点q的查询的所有POIs点。
步骤9:在静态与动态的属性上,且在当前尺度下检索进行skyline查询。skyline查询结果为p2p5,并将skyline查询结果返回给用户。
Claims (1)
1.基于Voronoi的多尺度道路网skyline查询方法,其特征在于:该方法的实现步骤如下,
步骤1:使用Voronoi,建立各路口节点的支配区域NVP,并将所有POIs映射到对应的NVP区域中;
步骤1.1:收集并整理数据集,构建数据关系;数据集含有所有路口节点和所有的POIs;
步骤1.2:使用Voronoi,生成各路口节点的NVP;
步骤1.3:遍历所有POIs,对于每一个POI,找到支配该POI所在区域的路口节点,最后生成一个路口节点和多个POIs的一对多关系;
步骤2:根据用户所在位置,判断是否需要对用户所在的查询区域进行优化;
步骤2.1:根据用户位置q确定用户所在查询区域的路口节点,记为nq;并将用户所在的NVP记为NVP(nq),找到NVP(nq)的相邻NVP,记为ANVP(nq),ANVP(nq)={ANVP(nq)1,...,ANVP(nq)m},其中m表示与NVP(nq)相邻的NVP的个数;ANVP(nq)r表示具有点q到相邻的ANVP(nq)i的路口节点与nq的垂直平分线的最短距离的NVP,1≤i≤m并将ANVP(nq)r的路口节点表示为nr;d1表示nq与nr之间的距离;d2表示查询点q到nq与nr的垂直平分线的距离,公式2和公式3分别给出了d1,d2的计算方法;
d1=dis(nq,nr) (2)
步骤2.2:若d1,d2之间的关系满足公式4,则对用户的查询区域进行优化,查询区域的优化方法为,NVP(nq)和NVP(nr)的公共边称为edgec,过点nq作线段nqnr的垂线交NVP(nq)于点bq1和点bq2,线段bq1bq2将NVP(nq)划分成两部分NVP1(nq)和NVP2(nq),其中NVP1(nq)是包含公共边的那部分区域,过点nr作线段nqnr的垂线交NVP(nr)于点br1和点br2,线段br1br2将NVP(nr)划分成两部分NVP1(nr)和NVP2(nr),其中NVP1(nr)是包含公共边的那部分区域;合并NVP1(nq)和NVP1(nr)区域,并将该部分区域作为新的查询区域;在该部分区域中所有POIs作为新查询区域中的所有查询的POIs;
步骤3,判断skyline查询是否满足用户需求,若满足需求,执行步骤7;若不满足,需要扩大查询尺度,继续查询执行步骤4;
步骤4:设置聚合网格参数gridSize,将距离较近的路口节点进行聚合;
步骤4.1:依次遍历所有路口节点,计算该点的外接正方形,若此点的外接正方形与现有聚合点的外接正方形不相交,则新建聚合点,若相交就把该点加到距离最近的聚合点中;
步骤4.2:将所有聚合点作为新的路口节点数据;
步骤5:对聚合后的路口节点重塑道路网;
步骤5.1:依次遍历路网中的每一条道路,若道路的路口节点属于被聚合点,则将该路中的被聚合点使用聚合点替换;若被替换后道路的路口节点值不同,则形成新路,并删除原始道路,最后返回被重塑的路网数据;
步骤6:设置道路拟合参数α,对满足拟合条件的道路进行拟合,进一步降低路口节点数量;
步骤6.1:公式1用于判断道路的相似系数,其中roado和roada分别为路网中的一条路,roado的道路端点分别为ni和nj,roada的道路端点分别为nj和nt,roadf是对roado和roada拟合后的道路,roadf的道路端点分别为ni和nt,dis(.)表示道路距离;若road_similarity≥α,说明两条路能够被拟合;否则说明两条路不能被拟合;
步骤6.2:针对路网Roads中的每一条路roadi,记roadi的两个路口端点分别为ns nj,寻找Roads集合中以nj为起点的道路,记为对中的每一条路根据公式1依次计算roadi与的road_similarity,将最大的road_similarity记作road_similaritymax;若road_similaritymax≥α,拟合形成新路,将新路加入到道路网数据集中,并将roadi与在道路网络数据集中删除;
步骤6.3:依次遍历所有的路口节点,若不存在由该路口节点组成的路网道路,则将该路口节点从路口节点数据集中删除;
步骤7:在静态与动态的属性上,且在当前尺度下检索进行skyline查询;skyline查询结果为p2p5,并将skyline查询结果返回给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910268910.0A CN110297874B (zh) | 2019-04-04 | 2019-04-04 | 基于Voronoi的多尺度道路网skyline查询方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910268910.0A CN110297874B (zh) | 2019-04-04 | 2019-04-04 | 基于Voronoi的多尺度道路网skyline查询方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110297874A CN110297874A (zh) | 2019-10-01 |
CN110297874B true CN110297874B (zh) | 2021-06-25 |
Family
ID=68026490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910268910.0A Active CN110297874B (zh) | 2019-04-04 | 2019-04-04 | 基于Voronoi的多尺度道路网skyline查询方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110297874B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112328877B (zh) * | 2020-11-03 | 2022-03-25 | 南京航空航天大学 | 时间依赖路网上多用户的skyline查询的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446227A (zh) * | 2016-09-30 | 2017-02-22 | 南京航空航天大学 | 一种结合加权Voronoi图索引的多偏好有序路径Skyline查询处理机制 |
CN108257678B (zh) * | 2018-01-22 | 2020-01-17 | 大连大学 | 建立用于移动医疗服务的分布式时空多维索引方法 |
-
2019
- 2019-04-04 CN CN201910268910.0A patent/CN110297874B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110297874A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Effectively learning spatial indices | |
KR100656528B1 (ko) | 영역-합 질의를 위한 동적 업데이트 큐브와 하이브리드질의 검색방법 | |
Beckmann et al. | A revised R*-tree in comparison with related index structures | |
KR101015324B1 (ko) | 데이터 맵핑 방법과 md 데이터 객체 검색을 위한 컴퓨터로 구현되는 방법, 컴퓨터로 구현되는 시스템 및 컴퓨터 판독가능 기록매체 | |
CN105975587B (zh) | 一种高性能的内存数据库索引组织与访问方法 | |
Chun et al. | Dynamic update cube for range-sum queries | |
CN110334290B (zh) | 一种基于MF-Octree的时空数据快速检索方法 | |
WO2022241813A1 (zh) | 一种基于图压缩的图数据库构建方法、装置及相关组件 | |
CN107741982A (zh) | 一种坐标与行政区域匹配系统及方法 | |
CN110297874B (zh) | 基于Voronoi的多尺度道路网skyline查询方法 | |
CN112395288A (zh) | 基于希尔伯特曲线的r树索引合并更新方法、装置及介质 | |
CN113704248B (zh) | 一种基于外置索引的区块链查询优化方法 | |
CN112162986B (zh) | 一种并行top-k范围skyline查询方法和系统 | |
CN113722274A (zh) | 一种高效的R-tree索引遥感数据存储模型 | |
CN114201480A (zh) | 一种基于nlp技术的多源poi融合方法、装置及可读存储介质 | |
CN110263108B (zh) | 一种基于道路网的关键词Skyline模糊查询方法及系统 | |
CN101447030A (zh) | 散乱点云局部型面参考数据的快速查询方法 | |
Xiao et al. | Rank-regret minimization | |
CN116071455A (zh) | 一种基于同尺度相似关系的道路网stroke生成方法 | |
CN113407669B (zh) | 一种基于活动影响力的语义轨迹查询方法 | |
Ganti et al. | MP-trie: Fast spatial queries on moving objects | |
CN107273464B (zh) | 一种基于发布/订阅模式的分布式度量相似查询处理方法 | |
WO2019024348A1 (zh) | 基于兴趣区域的轨迹查询的匀速搜索算法 | |
Rslan et al. | An efficient hybridized index technique for moving object database | |
Srividhya et al. | Comparative analysis of r-tree and r-tree in spatial database |
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 |