CN110750853A - 基于方向约束的路网连续k近邻查询方法 - Google Patents

基于方向约束的路网连续k近邻查询方法 Download PDF

Info

Publication number
CN110750853A
CN110750853A CN201910807949.5A CN201910807949A CN110750853A CN 110750853 A CN110750853 A CN 110750853A CN 201910807949 A CN201910807949 A CN 201910807949A CN 110750853 A CN110750853 A CN 110750853A
Authority
CN
China
Prior art keywords
road network
query
time
distance
time period
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.)
Granted
Application number
CN201910807949.5A
Other languages
English (en)
Other versions
CN110750853B (zh
Inventor
董天阳
苑露露
尚跃辉
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910807949.5A priority Critical patent/CN110750853B/zh
Publication of CN110750853A publication Critical patent/CN110750853A/zh
Application granted granted Critical
Publication of CN110750853B publication Critical patent/CN110750853B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Navigation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明的基于方向约束的路网连续K近邻查询方法，首先基于路网扩展的同时，判定移动对象的运动方向是否朝向查询点，在此基础上，有效的设置路网的监测范围来监测候选对象，提高查询计算的性能。然后根据路网监测范围，高效地确定出指定时间段[ti,tj]内任意时刻朝向查询点运动的K个最近邻的移动对象。本发明的优点是：引入方向属性，使得查询结果都是朝向查询点运动，更加符合现实场景。然后使用监测范围监测候选对象，修剪了路网空间提高算法效率。

Description

基于方向约束的路网连续K近邻查询方法
技术领域
本发明涉及一种路网连续K近邻查询方法。
背景技术
K近邻查询问题在时空数据库中一直得到广泛了关注与研究，主要由于K近邻查询在我们日常生活得到了广泛的应用，比如查询距离最近的银行，加油站等。随着智能移动设备的广泛流行和基于位置服务的快速发展，K近邻查询针对的对象从静态转变为移动状态。这一转变使得连续跟踪运动对象的需要日益增长，越来越多的学者关注和研究连续K近邻查询(简称CKNN)来处理动态环境下的移动对象，常被用来说明CKNN的典型例子就是向在路上行走的行人提供一段时间之内距离他最近的K辆出租车，在这个场景下，顾客和出租车都是动态的对象，如果按照每一个时间片进行一次KNN查询，那么处理性能是非常低的，所以在空间数据库领域对连续K近邻查询问题进行了一定的研究。
早期的一些学者提出的连续K近邻查询方法是基于欧式空间的，在航空航海领域具有意义，但是在我们日常生活中，对象都是在路网的约束下进行移动的，因此K近邻应当是以路网距离来计算而并非欧式距离。后续的一些针对连续最近邻查询研究考虑到路网约束，并把路网距离作为近邻查找对象唯一标准。但是移动中的对象有可能是以远离查询点的方向运动的，比如，在大城市的单行道中查找距顾客最近的出租车，可能查找到的出租车的方向远离顾客方向，出租车需绕路才可到达顾客，所以不考虑方向所查找的近邻对象不一定能满足用户的需求。
发明内容
本发明要克服现有技术的上述缺点，提供一种准确高效查找朝向查询点运动的连续K近邻移动对象的方法。
本发明首先基于路网扩展的同时，判定移动对象的运动方向是否朝向查询点，在此基础上，有效的设置路网的监测范围来监测候选对象，提高查询计算的性能。然后根据路网监测范围，高效地确定出指定时间段[ti，tj]内任意时刻朝向查询点运动的K个最近邻的移动对象。
本发明的基于方向约束的路网连续K近邻查询方法，包括如下步骤：
1初始时刻K近邻查询；
初始时刻K近邻查询用于确定指定时间段[ti，tj]起始时刻朝向查询点运动的K个近邻对象。该阶段采用路网扩展的方式确定K近邻，并加入方向判定算法，保证这K个近邻都是朝向查询点运动的。具体包括：
11)采用路网扩展的方法。将查询点作为路网的一个节点加入到局部路网中，利用DijKstra算法预计算各个路网节点到查询点的单源最短路网距离，同时得到一个基于路网距离升序排列的路网节点扩展优先级队列。按照该优先级队列的次序依次进行路网节点的扩展，每扩展一个节点，就处理该节点所有未访问过的邻接边上的所有移动对象，直到获得最近的K个朝向查询点的移动对象。
12)移动对象方向判断。在上述的路网扩展过程中，每访问当前扩展节点的一条邻接边，就对该邻接边的移动对象进行一次判断。采用的方法是将当前扩展的节点也看成是“移动”的，它的移动方向是顺着路网扩展的方向。比如路网节点nodei扩展后，所访问的邻接边的对顶点是节点nodej，那么nodei的“移动”方向就是nodei指向nodej的方向。如果移动对象运动方向与扩展节点的运动方向不一致，那么就认为这个移动对象是朝向查询点移动的。
13)将前两步得到的K个朝向查询点运动的近邻对象加入结果集，假设由近及远K个对象为：p1，p2…pk，所以结果集为：Result＝{p1，p2…pk}，其中pk为最远近邻。
2获取需要监测的候选对象；
该阶段是为了获取连续查询的监测范围，如果针对全局路网进行监测，会有大量无效的计算增大了算法开销。本方法使用监测范围进行剪枝，过滤掉不可能是结果的移动对象，只有处于监测范围内的移动对象才有可能成为最终的连续K近邻查询结果。根据上一小节获取到的K个近邻计算出监测距离，然后构建局部路网，并在局部路网内获取到候选对象集合。具体包括：
21)计算监测距离(MD)。在指定的查询时间段内，只有距离查询点的路网距离小于MD的对象才有可能影响查询结果。MD的计算公式如下：
MDq(ti,tj)＝NDq,pk(ti)+q.s*(tj-ti)+AD (1)
AD＝max{e.s*(tj-ti)}(e∈E) (2)
式中ti,tj表示指定查询时间段的起始终止时刻，NDq,pk(ti)表示起始时刻查询到的K近邻中最远近邻pk到查询点的距离，q.s为查询点的运行速度，q.s*(tj-ti)表示该时间段内查询点的移动距离。前两项表示查询结果集中对象距查询点的最远距离，如果存在对象在时间段内到查询点的距离小于NDq,pk(ti)+q.s*(tj-ti)，则说明该对象有可能取代结果集中对象，应当监测该对象的移动。从查询点扩展NDq,pk(ti)+q.s*(tj-ti)长度的路网距离所到达的路段也就是候选对象有可能出现的路段集合，使用E表示。AD表示候选对象可能移动的最大距离。
22)获取候选对象。将距离查询点小于MD的路段定义为影响边，并参与构建局部路网，局部路网中包含了需要监测的对象信息，连续K近邻查询结果一定在局部路网之内。然后从查询点开始进行路网扩展，将距离查询点小于MD且朝向查询点运动的对象添加入候选对象集合，用于后续验证。
3验证候选对象，完成连续KNN查询；
候选对象有可能在[ti,tj]时间段内的某一时刻取代ti时刻的K近邻中的最远近邻pk，该阶段的目的是确定结果集改变的时间点，然后进行时间段划分并更新结果集，保证了每个子时间段内的任意时刻查询结果都是一样的。
31)第一次时间段划分。路网距离的计算与对象所在路段有关，根据候选对象到达路段节点的时刻进行时间段划分，保证每个时间段内所有对象都不会改变其所在路段，该步骤也确保路网距离计算的准确性。
32)第二次时间段划分。假设有一候选对象p′到查询点距离等于pk到查询点的距离，则p′有可能成为结果集中新的pk。针对每一个需要划分的时间片[tm,tn],起始时刻的结果集已知，通过等式NDq,pk(t)＝NDq,p′(t)可以得到p′取代pk的时间点t，若tm<t<tn，说明在时间段[tm,tn]之内结果集会发生变化。于是进行划分时间段并更新对应的结果集：[tm,t]：Result＝{p1，p2…pk}；[t，tn]:Result＝{p1,p2…p′}。
连续K近邻的查询为一个时间段对应一个结果集Res，表示该时间段内的任意时刻的K近邻结果都是Res。
本发明的优点是：引入方向属性，使得查询结果都是朝向查询点运动，更加符合现实场景。然后使用监测范围监测候选对象，修剪了路网空间提高算法效率。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合附图，进一步说明本发明的技术方案。
本发明的基于方向约束的路网连续K近邻查询方法，包括如下步骤：
1.初始时刻K近邻查询；
初始时刻K近邻查询用于确定指定时间段[ti，tj]起始时刻朝向查询点运动的K个近邻对象。该阶段采用路网扩展的方式确定K近邻，并加入方向判定算法，保证这K个近邻都是朝向查询点运动的。具体包括：
14)采用路网扩展的方法。将查询点作为路网的一个节点加入到局部路网中，利用DijKstra算法预计算各个路网节点到查询点的单源最短路网距离，同时得到一个基于路网距离升序排列的路网节点扩展优先级队列。按照该优先级队列的次序依次进行路网节点的扩展，每扩展一个节点，就处理该节点所有未访问过的邻接边上的所有移动对象，直到获得最近的K个朝向查询点的移动对象。
15)移动对象方向判断。在上述的路网扩展过程中，每访问当前扩展节点的一条邻接边，就对该邻接边的移动对象进行一次判断。采用的方法是将当前扩展的节点也看成是“移动”的，它的移动方向是顺着路网扩展的方向。比如路网节点nodei扩展后，所访问的邻接边的对顶点是节点nodej，那么nodei的“移动”方向就是nodei指向nodej的方向。如果移动对象运动方向与扩展节点的运动方向不一致，那么就认为这个移动对象是朝向查询点移动的。
16)将前两步得到的K个朝向查询点运动的近邻对象加入结果集，假设由近及远K个对象为：p1，p2…pk，所以结果集为：Result＝{p1，p2…pk}，其中pk为最远近邻。
2.获取需要监测的候选对象；
该阶段是为了获取连续查询的监测范围，如果针对全局路网进行监测，会有大量无效的计算增大了算法开销。本方法使用监测范围进行剪枝，过滤掉不可能是结果的移动对象，只有处于监测范围内的移动对象才有可能成为最终的连续K近邻查询结果。根据上一小节获取到的K个近邻计算出监测距离，然后构建局部路网，并在局部路网内获取到候选对象集合。具体包括：
23)计算监测距离(MD)。在指定的查询时间段内，只有距离查询点的路网距离小于MD的对象才有可能影响查询结果。MD的计算公式如下：
MDq(ti,tj)＝NDq,pk(ti)+q.s*(tj-ti)+AD (1)
AD＝max{e.s*(tj-ti)}(e∈E) (2)
式中ti,tj表示指定查询时间段的起始终止时刻，NDq，pk(ti)表示起始时刻查询到的K近邻中最远近邻pk到查询点的距离，q.s*
(tj-ti)表示该时间段内查询点的移动距离。前两项表示查询结果集中对象距查询点的最远距离，如果存在对象在时间段内到查询点的距离小于NDq,pk(ti)+q.s*(tj-ti)，则说明该对象有可能取代结果集中对象，应当监测该对象的移动。从查询点扩展NDq,pk(ti)+q.s*(tj-ti)长度的路网距离所到达的路段也就是候选对象有可能出现的路段集合，使用E表示。AD表示候选对象可能移动的最大距离。
24)获取候选对象。将距离查询点小于MD的路段定义为影响边，并参与构建局部路网，局部路网中包含了需要监测的对象信息，连续K近邻查询结果一定在局部路网之内。然后从查询点开始进行路网扩展，将距离查询点小于MD且朝向查询点运动的对象添加入候选对象集合，用于后续验证。
3.验证候选对象，完成连续KNN查询；
候选对象有可能在[ti，tj]时间段内的某一时刻取代ti时刻的K近邻中的最远近邻nnk，该阶段的目的是确定结果集改变的时间点，然后进行时间段划分并更新结果集，保证了每个子时间段内的任意时刻查询结果都是一样的。
33)第一次时间段划分。路网距离的计算与对象所在路段有关，根据候选对象到达路段节点的时刻进行时间段划分，保证每个时间段内所有对象都不会改变其所在路段，该步骤也确保路网距离计算的准确性。
34)第二次时间段划分。假设有一候选对象p′到查询点距离等于pk到查询点的距离，则p′有可能成为结果集中新的pk。针对每一个需要划分的时间片[tm，tn]，起始时刻的结果集已知，通过等式NDq，pk(t)＝NDq，p′(t)可以得到p′取代pk的时间点t，若tm<t<tn，说明在时间段[tm，tn]之内结果集会发生变化。于是进行划分时间段并更新对应的结果集：[tm，t]：Result＝{p1，p2…pk}；[t,tn]:Result＝{p1，p2…p′}。
连续K近邻的查询为一个时间段对应一个结果集Res，表示该时间段内的任意时刻的K近邻结果都是Res。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.基于方向约束的路网连续K近邻查询方法，包括如下步骤：
1初始时刻K近邻查询；
初始时刻K近邻查询用于确定指定时间段[ti，tj]起始时刻朝向查询点运动的K个近邻对象；该阶段采用路网扩展的方式确定K近邻，并加入方向判定算法，保证这K个近邻都是朝向查询点运动的；具体包括：
11)采用路网扩展的方法；将查询点作为路网的一个节点加入到局部路网中，利用DijKstra算法预计算各个路网节点到查询点的单源最短路网距离，同时得到一个基于路网距离升序排列的路网节点扩展优先级队列；按照该优先级队列的次序依次进行路网节点的扩展，每扩展一个节点，就处理该节点所有未访问过的邻接边上的所有移动对象，直到获得最近的K个朝向查询点的移动对象；
12)移动对象方向判断；在上述的路网扩展过程中，每访问当前扩展节点的一条邻接边，就对该邻接边的移动对象进行一次判断；采用的方法是将当前扩展的节点也看成是“移动”的，它的移动方向是顺着路网扩展的方向；比如路网节点nodei扩展后，所访问的邻接边的对顶点是节点nodej,那么nodei的“移动”方向就是nodei指向nodej的方向；如果移动对象运动方向与扩展节点的运动方向不一致，那么就认为这个移动对象是朝向查询点移动的；
13)将前两步得到的K个朝向查询点运动的近邻对象加入结果集，假设由近及远K个对象为：p1,p2…pk,所以结果集为：Result＝{p1,p2…pk},其中pk为最远近邻；
2获取需要监测的候选对象；
该阶段是为了获取连续查询的监测范围，如果针对全局路网进行监测，会有大量无效的计算增大了算法开销；本方法使用监测范围进行剪枝，过滤掉不可能是结果的移动对象，只有处于监测范围内的移动对象才有可能成为最终的连续K近邻查询结果；根据上一小节获取到的K个近邻计算出监测距离，然后构建局部路网，并在局部路网内获取到候选对象集合；具体包括：
21)计算监测距离(MD)；在指定的查询时间段内，只有距离查询点的路网距离小于MD的对象才有可能影响查询结果；MD的计算公式如下：
MDq(ti,tj)＝NDq,pk(ti)+q.s*(tj-ti)+AD (1)
AD＝max{e.s*(tj-ti)}(e∈E) (2)
式中ti,tj表示指定查询时间段的起始终止时刻，NDq,pk(ti)表示起始时刻查询到的K近邻中最远近邻pk到查询点的距离，q.s*(tj-ti)表示该时间段内查询点的移动距离；前两项表示查询结果集中对象距查询点的最远距离，如果存在对象在时间段内到查询点的距离小于NDq,pk(ti)+q.s*(tj-ti)，则说明该对象有可能取代结果集中对象，应当监测该对象的移动；从查询点扩展NDq,pk(ti)+q.s*(tj-ti)长度的路网距离所到达的路段也就是候选对象有可能出现的路段集合，使用E表示；AD表示候选对象可能移动的最大距离；
22)获取候选对象；将距离查询点小于MD的路段定义为影响边，并参与构建局部路网，局部路网中包含了需要监测的对象信息，连续K近邻查询结果一定在局部路网之内；然后从查询点开始进行路网扩展，将距离查询点小于MD且朝向查询点运动的对象添加入候选对象集合，用于后续验证；
3验证候选对象，完成连续KNN查询；
候选对象有可能在[ti，tj]时间段内的某一时刻取代ti时刻的K近邻中的最远近邻pk，该阶段的目的是确定结果集改变的时间点，然后进行时间段划分并更新结果集，保证了每个子时间段内的任意时刻查询结果都是一样的；
31)第一次时间段划分；路网距离的计算与对象所在路段有关，根据候选对象到达路段节点的时刻进行时间段划分，保证每个时间段内所有对象都不会改变其所在路段，该步骤也确保路网距离计算的准确性；
32)第二次时间段划分；假设有一候选对象p′到查询点距离等于pk到查询点的距离，则p′有可能成为结果集中新的pk；针对每一个需要划分的时间片[tm，tn]，起始时刻的结果集已知，通过等式NDq，pk(t)＝NDq，p′(t)可以得到p′取代pk的时间点t，若tm<t<tn，说明在时间段[tm,tn]之内结果集会发生变化；于是进行划分时间段并更新对应的结果集：[tm，t]：Result＝{p1，p2…pk}；[t，tn]:Result＝{p1，p2…p′}；
连续K近邻的查询为一个时间段对应一个结果集Res，表示该时间段内的任意时刻的K近邻结果都是Res。
CN201910807949.5A 2019-08-29 2019-08-29 基于方向约束的路网连续k近邻查询方法 Active CN110750853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910807949.5A CN110750853B (zh) 2019-08-29 2019-08-29 基于方向约束的路网连续k近邻查询方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910807949.5A CN110750853B (zh) 2019-08-29 2019-08-29 基于方向约束的路网连续k近邻查询方法

Publications (2)

Publication Number Publication Date
CN110750853A true CN110750853A (zh) 2020-02-04
CN110750853B CN110750853B (zh) 2024-03-29

Family

ID=69275926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910807949.5A Active CN110750853B (zh) 2019-08-29 2019-08-29 基于方向约束的路网连续k近邻查询方法

Country Status (1)

Country Link
CN (1) CN110750853B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183589A (zh) * 2020-09-14 2021-01-05 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
CN113377828A (zh) * 2021-05-07 2021-09-10 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
CN113507356A (zh) * 2021-07-08 2021-10-15 哈尔滨工业大学 一种密态最短路网距离计算方法、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271467A (zh) * 2018-08-30 2019-01-25 浙江工业大学 一种方向感知的路网移动对象k近邻查询方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271467A (zh) * 2018-08-30 2019-01-25 浙江工业大学 一种方向感知的路网移动对象k近邻查询方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183589A (zh) * 2020-09-14 2021-01-05 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
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
CN113377828A (zh) * 2021-05-07 2021-09-10 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
CN113507356A (zh) * 2021-07-08 2021-10-15 哈尔滨工业大学 一种密态最短路网距离计算方法、设备及存储介质

Also Published As

Publication number Publication date
CN110750853B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN110750853A (zh) 基于方向约束的路网连续k近邻查询方法
US8457880B1 (en) Telematics using personal mobile devices
Kriegel et al. Route skyline queries: A multi-preference path planning approach
US9062985B2 (en) Efficient K-nearest neighbor search in time-dependent spatial networks
Kanoulas et al. Finding fastest paths on a road network with speed patterns
Han et al. Neat: Road network aware trajectory clustering
JP5448367B2 (ja) ルート決定方法およびデバイス
Ceikute et al. Routing service quality--local driver behavior versus routing services
US10739152B2 (en) Dynamic reporting of location data for a vehicle based on a fitted history model
Ozdemir et al. A hybrid HMM model for travel path inference with sparse GPS samples
WO2008128133A1 (en) Location-based information determination
JP6090226B2 (ja) 経路生成装置および経路生成方法
JP2008039698A (ja) 逐次型マップマッチングシステム、逐次型マップマッチング方法及び逐次型マップマッチングプログラム
Knapen et al. Likelihood-based offline map matching of GPS recordings using global trace information
US20240142242A1 (en) Route deviation quantification and vehicular route learning based thereon
Anagnostopoulos et al. Intelligent trajectory classification for improved movement prediction
CN107917716A (zh) 固定线路导航方法、装置、终端及计算机可读存储介质
US20230137263A1 (en) Method and apparatus for generating structured trajectories from geospatial observations
Huang et al. Dynamic graph mining for multi-weight multi-destination route planning with deadlines constraints
KR101025360B1 (ko) 도로 네트워크 상에서 ｋ－최근접 이웃 검색을 위한 최단 경로 탐색 방법 및 장치
WO2012041732A1 (en) A method and means for acquiring path information on the basis of mobile terminal handover information
Chen et al. Mining object similarity for predicting next locations
JP6379943B2 (ja) 移動経路統合方法、装置、及びプログラム
Miao et al. On efficiently monitoring continuous aggregate k nearest neighbors in road networks
CN104408117B (zh) 基于路网连续聚合最近邻查询的最佳消费者实时查找方法

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