CN110297874B - 基于Voronoi的多尺度道路网skyline查询方法 - Google Patents

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

基于Voronoi的多尺度道路网skyline查询方法

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，…，a_n)和(b₁，b₂，…，b_n)。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road_o和road_a分别为路网中的一条路，road_o的道路端点分别为n_i和n_j，road_a的道路端点分别为n_j和n_t，road_f是对road_o和road_a拟合后的道路，road_f的道路端点分别为n_i和n_t，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road_i，记

的两个路口端点分别为n_sn_j，寻找Roads集合中以n_j为起点的道路，记为

对

中的每一条路

根据公式1依次计算road_i与

的road_similarity，将最大的road_similarity记作road_similarity_max。若road_similarity_max≥α，拟合形成新路，将新路加入到道路网数据集中，并将road_i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n_q；并将用户所在的NVP记为NVP(n_q)，找到NVP(n_q)的相邻NVP，记为ANVP(n_q)，ANVP(n_q)＝{ANVP(n_q)₁，…，ANVP(n_q)_m}，其中m表示与NVP(n_q)相邻的NVP的个数。ANVP(n_q)_r表示具有点q到相邻的ANVP(n_q)_i(1≤i≤m)的路口节点与n_q的垂直平分线的最短距离的NVP，并将ANVP(n_q)_r的路口节点表示为n_r。d₁表示n_q与n_r之间的距离；d₂表示查询点q到n_q与n_r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(n_q，n_r) (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(n_q)和NVP(n_r)的公共边称为edge_c，过点n_q作线段n_qn_r的垂线交NVP(n_q)于点b_q1和点b_q2，线段b_q1b_q2将NVP(n_q)划分成两部分NVP¹(n_q)和NVP²(n_q)，其中NVP¹(n_q)是包含公共边的那部分区域，过点n_r作线段n_qn_r的垂线交NVP(n_r)于点b_r1和点b_r2，线段b_r1b_r2将NVP(n_r)划分成两部分NVP¹(n_r)和NVP²(n_r)，其中NVP¹(n_r)是包含公共边的那部分区域。合并NVP¹(n_q)和NVP¹(n_r)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(n_q)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。n_i︵n_j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n_i，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n_i，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n_q；并将用户所在的NVP记为NVP(n_q)，找到NVP(n_q)的相邻NVP，记为ANVP(n_q)，ANVP(n_q)＝{ANVP(n_q)₁，...，ANVP(n_q)_m}，其中m表示与NVP(n_q)相邻的NVP的个数；ANVP(n_q)_r表示具有点q到相邻的ANVP(n_q)_i的路口节点与n_q的垂直平分线的最短距离的NVP，1≤i≤m并将ANVP(n_q)_r的路口节点表示为n_r；d₁表示n_q与n_r之间的距离；d₂表示查询点q到n_q与n_r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(n_q，n_r) (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(n_q)和NVP(n_r)的公共边称为edge_c，过点n_q作线段n_qn_r的垂线交NVP(n_q)于点b_q1和点b_q2，线段b_q1b_q2将NVP(n_q)划分成两部分NVP¹(n_q)和NVP²(n_q)，其中NVP¹(n_q)是包含公共边的那部分区域，过点n_r作线段n_qn_r的垂线交NVP(n_r)于点b_r1和点b_r2，线段b_r1b_r2将NVP(n_r)划分成两部分NVP¹(n_r)和NVP²(n_r)，其中NVP¹(n_r)是包含公共边的那部分区域；合并NVP¹(n_q)和NVP¹(n_r)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road_o和road_a分别为路网中的一条路，road_o的道路端点分别为n_i和n_j，road_a的道路端点分别为n_j和n_t，road_f是对road_o和road_a拟合后的道路，road_f的道路端点分别为n_i和n_t，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road_i，记road_i的两个路口端点分别为n_s n_j，寻找Roads集合中以n_j为起点的道路，记为

对

中的每一条路

根据公式1依次计算road_i与

的road_similarity，将最大的road_similarity记作road_similarity_max；若road_similarity_max≥α，拟合形成新路，将新路加入到道路网数据集中，并将road_i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。

Images