CN111913965A - 一种面向空间大数据缓冲区分析的方法 - Google Patents
一种面向空间大数据缓冲区分析的方法 Download PDFInfo
- Publication number
- CN111913965A CN111913965A CN202010770242.4A CN202010770242A CN111913965A CN 111913965 A CN111913965 A CN 111913965A CN 202010770242 A CN202010770242 A CN 202010770242A CN 111913965 A CN111913965 A CN 111913965A
- Authority
- CN
- China
- Prior art keywords
- spatial
- data set
- buffer area
- data
- range
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000005520 cutting process Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000003139 buffering effect Effects 0.000 abstract description 9
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000002360 explosive Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009966 trimming Methods 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
- G06F16/22—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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向空间大数据缓冲区分析的方法,涉及数据分析技术领域,该方法包括:对空间数据集进行划分,获得各子空间数据集;对所述子空间数据集进行缓冲区分析,获得初始缓冲区范围;获取所述子空间数据集的空间边界,根据所述空间边界对所述初始缓冲区范围进行裁切,获得中间缓冲区范围;将所述中间缓冲区范围进行合并,获得目标缓冲区范围;将所述目标缓冲区范围作为缓冲区分析结果。本发明通过对空间数据集进行划分,对划分后的子空间数据集单独进行缓冲区分析,降低了缓冲区分析的运算压力。在对子空间数据进行归并时,在各子空间内实现缓冲结果的归并,不与其它子空间缓冲区结果产生关联,进一步降低了运算压力。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种面向空间大数据缓冲区分析的方法。
背景技术
缓冲区是围绕地理要素(点、线、面)一定宽度的区域,用于分析地理要素与周围要素之间的空间邻近性。随着空间数据的爆炸式增长,现有的空间数据缓冲区分析方法在对缓冲区分析结果的归并时,面临巨大的运算压力,导致缓冲区计算分析的效率较低。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种面向空间大数据缓冲区分析的方法,旨在解决现有技术中对分支云进行分组以优化空间数据的缓冲区分析过程的技术问题。
为实现上述目的,本发明提供一种面向空间大数据缓冲区分析的方法,所述面向空间大数据缓冲区分析的方法包括以下步骤:
对空间数据集进行划分,获得各子空间数据集;
对所述子空间数据集进行缓冲区分析,获得初始缓冲区范围;
获取所述子空间数据集的空间边界,根据所述空间边界对所述初始缓冲区范围进行裁切,获得中间缓冲区范围;
将所述中间缓冲区范围进行合并,获得目标缓冲区范围;
将所述目标缓冲区范围作为缓冲区分析结果。
优选的,所述对空间数据集进行划分,获得各子空间数据集的步骤,具体包括:
获取空间数据集的空间范围;
根据所述空间范围和所述空间数据集创建目标非线性空间四叉树;
将所述目标非线性空间四叉树中各叶子节点对应的数据集作为各子空间数据集。
优选的,所述根据所述空间范围和所述空间数据集创建目标非线性空间四叉树的步骤,具体包括:
根据预设样本参数和概率密度函数从所述空间数据集中提取样本数据;
根据所述空间范围和所述样本数据创建初始非线性空间四叉树;
根据所述空间数据集和所述初始非线性空间四叉树创建目标非线性空间四叉树。
优选的,所述根据所述空间数据集和所述初始非线性空间四叉树创建目标非线性空间四叉树的步骤,具体包括:
删除所述初始非线性空间四叉树中各叶子节点中的样本数据,获得中间非线性空间四叉树;
将所述空间数据集插入至所述中间非线性空间四叉树的各叶子节点中,获得目标非线性空间四叉树。
优选的,所述将所述空间数据集插入至所述中间非线性空间四叉树的各叶子节点中,获得目标非线性空间四叉树的步骤,具体包括:
将所述空间数据集插入至所述中间非线性空间四叉树的各叶子节点中;
获取各叶子节点对应的子数据集及所述子数据集对应的数据容量,并将所述数据容量与预设阈值进行比较;
在所述数据容量中存在大于所述预设阈值的异常数据容量时,将所述异常数据容量对应的叶子节点作为支节点,并创建所述支节点对应的补充叶子节点,并将所述异常数据容量对应的子数据集插入至所述补充叶子节点;
返回所述获取各叶子节点对应的子数据集及所述子数据集对应的数据容量,并将所述数据容量与预设阈值进行比较的步骤,直至所述数据容量中不存在大于所述预设阈值的异常数据容量,获得目标非线性空间四叉树。
优选的,所述获取所述子空间数据集的空间边界,根据所述空间边界对所述初始缓冲区范围进行裁切,获得中间缓冲区范围的步骤,具体包括:
获取所述子空间数据集的空间边界;
将所述初始缓冲区范围与所述空间边界进行比较;
在所述初始缓冲区范围中存在超出所述空间边界的外延范围时,将所述外延范围裁切,获得中间缓冲区范围。
优选的,所述将所述中间缓冲区范围进行合并,获得目标缓冲区范围的步骤,具体包括:
根据所述中间缓冲区范围对各子空间数据集内的空间对象进行拓扑合并,获得各子空间缓冲区范围;
将所述子空间缓冲区范围进行合并,获得目标缓冲区范围。
此外,为实现上述目的,本发明还提出一种空间数据的缓冲区分析装置,所述空间数据的缓冲区分析装置包括:
数据划分模块,用于对空间数据集进行划分,获得各子空间数据集;
缓冲区分析模块,用于对所述子空间数据集进行缓冲区分析,获得初始缓冲区范围;
裁切模块,用于获取所述子空间数据集的空间边界,根据所述空间边界对所述初始缓冲区范围进行裁切,获得中间缓冲区范围;
合并模块,用于将所述中间缓冲区范围进行合并,获得目标缓冲区范围;
所述合并模块,还用于将所述目标缓冲区范围作为缓冲区分析结果。
本发明中,通过对空间数据集进行划分,对划分后的子空间数据集单独进行缓冲区分析,降低了缓冲区分析的运算压力。此外,在对子空间数据进行归并时,在各子空间内实现缓冲结果的归并,不与其它子空间缓冲区结果产生关联,进一步降低了运算压力。并且,本发明可适用于点、线、面所有空间要素的缓冲区分析,适用的范围广泛。
附图说明
图1为本发明面向空间大数据缓冲区分析的方法第一实施例的流程示意图;
图2为第一实施例空间要素的缓存区分析过程示意图;
图3为第一实施例空间要素的裁切过程示意图;
图4为第一实施例空间要素的合并过程示意图;
图5为本发明面向空间大数据缓冲区分析的方法第二实施例的流程示意图;
图6为本发明空间数据的缓冲区分析装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明面向空间大数据缓冲区分析的方法第一实施例的流程示意图,提出本发明面向空间大数据缓冲区分析的方法第一实施例。
在第一实施例中,所述面向空间大数据缓冲区分析的方法包括以下步骤:
步骤S10:对空间数据集进行划分,获得各子空间数据集。
可以理解的是,本实施例的执行主体是空间数据的缓冲区分析设备,该空间数据的缓冲区分析设备可以为PC终端或者服务器,本实施例对此不作限制。
可以理解的是,空间数据又称几何数据,它用来表示物体的位置、形态、大小分布等各方面的信息,是对现世界中存在的具有定位意义的事物和现象的定量描述。根据在计算机系统中对地图是对现实教想的存储组织、处理方法的不同,以及空间数据本身的几何特征,空间数据又可分为图形数据和图像数据。
需要说明的是,空间数据集是指包含多种地理要素(如点、线、面)的数据集合,空间数据集内包括多个空间对象,空间对象是由点、线或面组成的客观世界中存在的实体或现象。
步骤S20:对所述子空间数据集进行缓冲区分析,获得初始缓冲区范围。
可以理解的是,为了减少进行缓冲区分析的数据压力,需要对空间数据集进行划分,得到各子空间数据集,再对子空间数据集进行缓冲区分析。在具体实现中,可通过并行计算架构或分布式架构分别对各子空间数据集进行缓存区分析。
需要说明的是,缓冲区是围绕空间要素(点、线、面)一定宽度(缓冲距离)的区域,用于分析空间要素与周围要素之间的空间邻近性。在本实施例中,缓存区分析首先针对各子空间数据集中的个空间要素进行。
参照图2,图2为第一实施例空间要素的缓存区分析过程示意图。
需要说明的是,a1、a2、a3和a4为四个子空间数据集,由于在数据进行划分过程中,可能会将一个空间要素进行划分,本实施例以一个空间要素划分至4个子空间数据集为例进行说明。在实际中,也可能会被划分成5或6个子空间数据集,或者更多、更多,也可能不被划分。
图2中的线条表示一个空间要素,该空间要素经过缓存区分析后得到右侧b1、b2、b3和b4四个子空间数据集。相应地,也得到了在每个子空间数据集中的初始缓冲区范围。
步骤S30:获取所述子空间数据集的空间边界,根据所述空间边界对所述初始缓冲区范围进行裁切,获得中间缓冲区范围。
需要说明的是,空间边界是指子空间数据集所包含的空间范围,其对应于现实场景中的地理坐标。具体地,可通过求取子空间数据集对应的最小包围盒来确定空间边界;或者先获取空间数据集的最小包围盒范围,在对空间数据集进行划分的最小包围盒范围进行划分,得到子空间数据集的空间边界,该划分过程与上文中对空间数据集的划分过程相对应。
需要说明的是,由于分别对各子空间数据进行缓存区分析,因此,自然会出现超出子空间数据集的空间边界的区域。而该超出部分的区域在后续合并过程中会出现重叠,因此,需要进行裁切处理。
参照图3,图3为第一实施例空间要素的裁切过程示意图。
在本实施例中,所述获取所述子空间数据集的空间边界,根据所述空间边界对所述初始缓冲区范围进行裁切,获得中间缓冲区范围的步骤,具体包括:获取所述子空间数据集的空间边界;将所述初始缓冲区范围与所述空间边界进行比较;在所述初始缓冲区范围中存在超出所述空间边界的外延范围时,将所述外延范围裁切,获得中间缓冲区范围。
如图3所示,在裁切过程中,将超出b1、b2、b3和b4四个子空间数据集空间边界的外延范围进行切除,得到如c1、c2、c3和c4四个子空间数据集;相应地,也得到了在每个子空间数据集中的中间缓冲区范围。
步骤S40:将所述中间缓冲区范围进行合并,获得目标缓冲区范围。
可以理解的是,中间缓冲区范围仅是个子空间数据集内各空间要素的缓冲区范围,为了进一步分析空间要素之间的关系,需要对子空间数据集进行合并。
在本实施例中,所述将所述中间缓冲区范围进行合并,获得目标缓冲区范围的步骤,具体包括:根据所述中间缓冲区范围对各子空间数据集内的空间对象进行拓扑合并,获得各子空间缓冲区范围;将所述子空间缓冲区范围进行合并,获得目标缓冲区范围。
需要说明的是,合并的过程分为两部分,由于子空间数据集内存在多个子空间数据集,且相互之间存在空间重叠关系,因此,首先要对子空间数据集内的空间对象进行拓扑合并。其次,由于空间要素可能被分割至多个子空间数据集中,因此需要在对各子空间数据集进行合并。
参照图4,图4为第一实施例空间要素的合并过程示意图。
如图4所示,c1、c2、c3和c4四个子空间数据集中均包括了部分空间要素,在将各子空间数据集进行合并后,空间要素能够实现无缝对接。且缓冲区范围没有重叠区域。
步骤S50:将所述目标缓冲区范围作为缓冲区分析结果。
可以理解的是,目标缓冲区范围为各子空间数据集合并后的缓冲区范围,即空间数据集的缓冲区范围,也就是本实施例所需要的缓冲区分析结果,至此,完成了对空间数据集的缓冲区分析结果。
在第一实施例中,通过对空间数据集进行划分,对划分后的子空间数据集单独进行缓冲区分析,降低了缓冲区分析的运算压力。此外,在对子空间数据进行归并时,在各子空间内实现缓冲结果的归并,不与其它子空间缓冲区结果产生关联,进一步降低了运算压力。并且,该方法可适用于点、线、面所有空间要素的缓冲区分析,适用的范围广泛。
参照图5,图5为本发明面向空间大数据缓冲区分析的方法第二实施例的流程示意图,基于上述图1所示的第一实施例,提出本发明面向空间大数据缓冲区分析的方法的第二实施例。
在第二实施例中,所述步骤S10,具体包括:
步骤S101:获取空间数据集的空间范围。
需要说明的是,所述空间范围对应于现实场景中的地理坐标范围,空间数据集内的空间范围需要覆盖空间数据集内的所有空间要素。具体地,可通过求取空间数据集的最小包围盒来确定空间范围。
步骤S102:根据所述空间范围和所述空间数据集创建目标非线性空间四叉树。
需要说明的是,非线性空间四叉树的根节点对应空间数据集和空间数据集的空间范围,通过对空间数据集和空间数据集的空间范围进行逐步划分,以得到其余节点。直到各叶子节点中的数据量满足预设数量量时,则完成创建。
需要说明的是,非线性空间四叉树中各叶子节点的深度不是相同的,其具体深度需要考虑在相应空间范围内的空间要素数量。若在空间数据集的空间范围中某个子空间范围内,存在较多空间要素,即与该子空间范围对应的节点深度则会较深。
在具体实现中,所述根据所述空间范围和所述空间数据集创建目标非线性空间四叉树的步骤,具体包括:根据预设样本参数和概率密度函数从所述空间数据集中提取样本数据;根据所述空间范围和所述样本数据创建初始非线性空间四叉树;根据所述空间数据集和所述初始非线性空间四叉树创建目标非线性空间四叉树。
需要说明的是,由于空间数据集所包含的数量很大,在创建非线性空间四叉树时,计算量较大。为降低创建非线性空间四叉树时的运算压力,本实施例通过采用样本数据创建非线性空间四叉树。
需要说明的是,为了使根据样本数据创建非线性空间四叉树能够适用于空间数据集,即叶子节点深度和数量能够使得空间数据集划分后的子空间数据集能够具有合理的数据量,本实施例采用概率密度函数从空间数据集提取样本数据。具体的,概率密度函数可采用伯努利二次分布式函数,通过伯努利二次分布式函数对空间数据集进行分析,使得提取后的样本数据在空间范围内分布模型接近空间数据集空间范围内分布模型,从而创建的非线性空间四叉树的叶子节点深度和数量能够合理的对空间数据集进行划分。
在具体实现中,所述根据所述空间数据集和所述初始非线性空间四叉树创建目标非线性空间四叉树的步骤,具体包括:删除所述初始非线性空间四叉树中各叶子节点中的样本数据,获得中间非线性空间四叉树;将所述空间数据集插入至所述中间非线性空间四叉树的各叶子节点中,获得目标非线性空间四叉树。
可以理解的是,初始非线性空间四叉树中各叶子节点中包含了样本数据,为了利用初始非线性空间四叉树对空间数据进行划分,需要删除初始非线性空间四叉树中各叶子节点中的样本数据,再将空间数据集插入至各叶子节点中。
在具体实现中,所述将所述空间数据集插入至所述中间非线性空间四叉树的各叶子节点中,获得目标非线性空间四叉树的步骤,具体包括:将所述空间数据集插入至所述中间非线性空间四叉树的各叶子节点中;获取各叶子节点对应的子数据集及所述子数据集对应的数据容量,并将所述数据容量与预设阈值进行比较;在所述数据容量中存在大于所述预设阈值的异常数据容量时,将所述异常数据容量对应的叶子节点作为支节点,并创建所述支节点对应的补充叶子节点,并将所述异常数据容量对应的子数据集插入至所述补充叶子节点;返回所述获取各叶子节点对应的子数据集及所述子数据集对应的数据容量,并将所述数据容量与预设阈值进行比较的步骤,直至所述数据容量中不存在大于所述预设阈值的异常数据容量,获得目标非线性空间四叉树。
需要说明的是,由于空间数据集内的数据量大于样本数据的数据量,因此在将空间数据集插入至中间非线性空间四叉树后,仍可能存在数据量较大的叶子节点。因此,本实施例在空间数据集插入至中间非线性空间四叉树后,判断个叶子节点中的数据量是否过大;若是,则将该叶子节点做支节点,做进一步划分。
步骤S103:将所述目标非线性空间四叉树中各叶子节点对应的数据集作为各子空间数据集。
可以理解的是,通过非线性空间四叉树对空间数据集进行划分后,空间数据集内的空间要素仅存在于叶子节点中,因此将目标非线性空间四叉树中各叶子节点对应的数据集作为各子空间数据集。
在第二实施例中,利用样本数据创建非线性空间四叉树,降低了非线性空间四叉树创建过程的运算压力。在提取样本数据时,通过概率密度函数对空间数据集进行计算,使得提取的样本数据在空间范围内的分布模型与空间数据集在空间范围内的分布模型一致,保证了非线性空间四叉树具有合理的叶子节点的深度和数量,使得各子空间数据集的数据量处于合理范围,进一步降低后续缓冲区分析的运算压力。
此外,参照图6,本发明实施例还提出一种空间数据的缓冲区分析装置,所述空间数据的缓冲区分析装置包括:
数据划分模块10,用于对空间数据集进行划分,获得各子空间数据集;
缓冲区分析模块20,用于对所述子空间数据集进行缓冲区分析,获得初始缓冲区范围;
裁切模块30,用于获取所述子空间数据集的空间边界,根据所述空间边界对所述初始缓冲区范围进行裁切,获得中间缓冲区范围;
合并模块40,用于将所述中间缓冲区范围进行合并,获得目标缓冲区范围;
所述合并模块40,还用于将所述目标缓冲区范围作为缓冲区分析结果。
在本实施例中,通过对空间数据集进行划分,对划分后的子空间数据集单独进行缓冲区分析,降低了缓冲区分析的运算压力。此外,在对子空间数据进行归并时,在各子空间内实现缓冲结果的归并,不与其它子空间缓冲区结果产生关联,进一步降低了运算压力。并且,该方法可适用于点、线、面所有空间要素的缓冲区分析,适用的范围广泛。
本发明所述空间数据的缓冲区分析装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
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。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种面向空间大数据缓冲区分析的方法,其特征在于,所述面向空间大数据缓冲区分析的方法包括以下步骤:
对空间数据集进行划分,获得各子空间数据集;
对所述子空间数据集进行缓冲区分析,获得初始缓冲区范围;
获取所述子空间数据集的空间边界,根据所述空间边界对所述初始缓冲区范围进行裁切,获得中间缓冲区范围;
将所述中间缓冲区范围进行合并,获得目标缓冲区范围;
将所述目标缓冲区范围作为缓冲区分析结果。
2.如权利要求1所述的面向空间大数据缓冲区分析的方法,其特征在于,所述对空间数据集进行划分,获得各子空间数据集的步骤,具体包括:
获取空间数据集的空间范围;
根据所述空间范围和所述空间数据集创建目标非线性空间四叉树;
将所述目标非线性空间四叉树中各叶子节点对应的数据集作为各子空间数据集。
3.如权利要求2所述的面向空间大数据缓冲区分析的方法,其特征在于,所述根据所述空间范围和所述空间数据集创建目标非线性空间四叉树的步骤,具体包括:
根据预设样本参数和概率密度函数从所述空间数据集中提取样本数据;
根据所述空间范围和所述样本数据创建初始非线性空间四叉树;
根据所述空间数据集和所述初始非线性空间四叉树创建目标非线性空间四叉树。
4.如权利要求3所述的面向空间大数据缓冲区分析的方法,其特征在于,所述根据所述空间数据集和所述初始非线性空间四叉树创建目标非线性空间四叉树的步骤,具体包括:
删除所述初始非线性空间四叉树中各叶子节点中的样本数据,获得中间非线性空间四叉树;
将所述空间数据集插入至所述中间非线性空间四叉树的各叶子节点中,获得目标非线性空间四叉树。
5.如权利要求4所述的面向空间大数据缓冲区分析的方法,其特征在于,所述将所述空间数据集插入至所述中间非线性空间四叉树的各叶子节点中,获得目标非线性空间四叉树的步骤,具体包括:
将所述空间数据集插入至所述中间非线性空间四叉树的各叶子节点中;
获取各叶子节点对应的子数据集及所述子数据集对应的数据容量,并将所述数据容量与预设阈值进行比较;
在所述数据容量中存在大于所述预设阈值的异常数据容量时,将所述异常数据容量对应的叶子节点作为支节点,并创建所述支节点对应的补充叶子节点,并将所述异常数据容量对应的子数据集插入至所述补充叶子节点;
返回所述获取各叶子节点对应的子数据集及所述子数据集对应的数据容量,并将所述数据容量与预设阈值进行比较的步骤,直至所述数据容量中不存在大于所述预设阈值的异常数据容量,获得目标非线性空间四叉树。
6.如权利要求1-5任一项所述的面向空间大数据缓冲区分析的方法,其特征在于,所述获取所述子空间数据集的空间边界,根据所述空间边界对所述初始缓冲区范围进行裁切,获得中间缓冲区范围的步骤,具体包括:
获取所述子空间数据集的空间边界;
将所述初始缓冲区范围与所述空间边界进行比较;
在所述初始缓冲区范围中存在超出所述空间边界的外延范围时,将所述外延范围裁切,获得中间缓冲区范围。
7.如权利要求1-5任一项所述的面向空间大数据缓冲区分析的方法,其特征在于,所述将所述中间缓冲区范围进行合并,获得目标缓冲区范围的步骤,具体包括:
根据所述中间缓冲区范围对各子空间数据集内的空间对象进行拓扑合并,获得各子空间缓冲区范围;
将所述子空间缓冲区范围进行合并,获得目标缓冲区范围。
8.一种空间数据的缓冲区分析装置,其特征在于,所述空间数据的缓冲区分析装置包括:
数据划分模块,用于对空间数据集进行划分,获得各子空间数据集;
缓冲区分析模块,用于对所述子空间数据集进行缓冲区分析,获得初始缓冲区范围;
裁切模块,用于获取所述子空间数据集的空间边界,根据所述空间边界对所述初始缓冲区范围进行裁切,获得中间缓冲区范围;
合并模块,用于将所述中间缓冲区范围进行合并,获得目标缓冲区范围;
所述合并模块,还用于将所述目标缓冲区范围作为缓冲区分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770242.4A CN111913965B (zh) | 2020-08-03 | 2020-08-03 | 一种面向空间大数据缓冲区分析的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770242.4A CN111913965B (zh) | 2020-08-03 | 2020-08-03 | 一种面向空间大数据缓冲区分析的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111913965A true CN111913965A (zh) | 2020-11-10 |
CN111913965B CN111913965B (zh) | 2024-02-27 |
Family
ID=73287109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010770242.4A Active CN111913965B (zh) | 2020-08-03 | 2020-08-03 | 一种面向空间大数据缓冲区分析的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111913965B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303260A (zh) * | 2023-05-19 | 2023-06-23 | 航天宏图信息技术股份有限公司 | 一种基于r树连续索引的缓冲区融合并行方法和装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050278324A1 (en) * | 2004-05-31 | 2005-12-15 | Ibm Corporation | Systems and methods for subspace clustering |
CN101916432A (zh) * | 2010-07-29 | 2010-12-15 | 武汉大学 | 一种均值漂移图像分割算法的并行化方法 |
CN104239470A (zh) * | 2014-09-03 | 2014-12-24 | 河海大学 | 一种面向分布式环境的空间数据复合处理系统和方法 |
CN106528773A (zh) * | 2016-11-07 | 2017-03-22 | 山东首讯信息技术有限公司 | 一种基于Spark平台支持空间数据管理的图计算系统及方法 |
EP3258333A1 (en) * | 2016-06-17 | 2017-12-20 | Siemens Aktiengesellschaft | Method and system for monitoring sensor data of rotating equipment |
CN108776691A (zh) * | 2018-06-05 | 2018-11-09 | 四川凯普顿信息技术股份有限公司 | 一种空间图形聚集的优化方法与系统 |
WO2019086115A1 (en) * | 2017-11-02 | 2019-05-09 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | Real-time potentially visible set for streaming rendering |
CN109947889A (zh) * | 2019-03-21 | 2019-06-28 | 佳都新太科技股份有限公司 | 空间数据管理方法、装置、设备和存储介质 |
CN110517575A (zh) * | 2019-08-21 | 2019-11-29 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
CN110597935A (zh) * | 2019-08-05 | 2019-12-20 | 北京云和时空科技有限公司 | 一种空间分析方法和装置 |
US20200005015A1 (en) * | 2017-02-08 | 2020-01-02 | The Research Foundation For The State University Of New York | System and method associated with progressive spatial analysis of prodigious 3d data including complex structures |
CN110727746A (zh) * | 2019-08-23 | 2020-01-24 | 中国地质大学(武汉) | 基于二次任务划分策略的缓冲分析并行调度方法及装置 |
CN111131081A (zh) * | 2019-12-31 | 2020-05-08 | 武汉绿色网络信息服务有限责任公司 | 一种支持多进程的高性能单向传输的方法和装置 |
-
2020
- 2020-08-03 CN CN202010770242.4A patent/CN111913965B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050278324A1 (en) * | 2004-05-31 | 2005-12-15 | Ibm Corporation | Systems and methods for subspace clustering |
CN101916432A (zh) * | 2010-07-29 | 2010-12-15 | 武汉大学 | 一种均值漂移图像分割算法的并行化方法 |
CN104239470A (zh) * | 2014-09-03 | 2014-12-24 | 河海大学 | 一种面向分布式环境的空间数据复合处理系统和方法 |
EP3258333A1 (en) * | 2016-06-17 | 2017-12-20 | Siemens Aktiengesellschaft | Method and system for monitoring sensor data of rotating equipment |
CN106528773A (zh) * | 2016-11-07 | 2017-03-22 | 山东首讯信息技术有限公司 | 一种基于Spark平台支持空间数据管理的图计算系统及方法 |
US20200005015A1 (en) * | 2017-02-08 | 2020-01-02 | The Research Foundation For The State University Of New York | System and method associated with progressive spatial analysis of prodigious 3d data including complex structures |
WO2019086115A1 (en) * | 2017-11-02 | 2019-05-09 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | Real-time potentially visible set for streaming rendering |
CN108776691A (zh) * | 2018-06-05 | 2018-11-09 | 四川凯普顿信息技术股份有限公司 | 一种空间图形聚集的优化方法与系统 |
CN109947889A (zh) * | 2019-03-21 | 2019-06-28 | 佳都新太科技股份有限公司 | 空间数据管理方法、装置、设备和存储介质 |
CN110597935A (zh) * | 2019-08-05 | 2019-12-20 | 北京云和时空科技有限公司 | 一种空间分析方法和装置 |
CN110517575A (zh) * | 2019-08-21 | 2019-11-29 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
CN110727746A (zh) * | 2019-08-23 | 2020-01-24 | 中国地质大学(武汉) | 基于二次任务划分策略的缓冲分析并行调度方法及装置 |
CN111131081A (zh) * | 2019-12-31 | 2020-05-08 | 武汉绿色网络信息服务有限责任公司 | 一种支持多进程的高性能单向传输的方法和装置 |
Non-Patent Citations (3)
Title |
---|
史杏荣等: "基于固定网格划分和面向类对象的四分树空间索引机制", 小型微型计算机系统, vol. 19, no. 10, pages 24 - 31 * |
袁辉: "面向时间地理分析的轨迹大数据建模与时空邻近性分析研究", 中国博士学位论文全文数据库基础科学辑, no. 7, pages 008 - 3 * |
魏海涛;杜云艳;许开辉;吴笛;易嘉伟;莫洋;刘张;: "基于密度的线数据分组算法研究", 地球信息科学学报, no. 05, pages 38 - 46 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303260A (zh) * | 2023-05-19 | 2023-06-23 | 航天宏图信息技术股份有限公司 | 一种基于r树连续索引的缓冲区融合并行方法和装置 |
CN116303260B (zh) * | 2023-05-19 | 2023-08-11 | 航天宏图信息技术股份有限公司 | 一种基于r树连续索引的缓冲区融合并行方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111913965B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6032467B2 (ja) | 時空間データ管理システム、時空間データ管理方法、及びそのプログラム | |
US8576229B2 (en) | Meteorology and oceanography geospatial analysis toolset | |
US11875513B2 (en) | Self-adaptive point cloud stripe division method | |
CN110544298B (zh) | 变电站建模方法、装置、计算机设备和存储介质 | |
JPWO2003012740A1 (ja) | 三次元構造物形状の自動生成装置、自動生成方法、そのプログラム、及びそのプログラムを記録した記録媒体 | |
CN112669463A (zh) | 三维点云的曲面重建方法、计算机设备和计算机可读存储介质 | |
US9406169B2 (en) | System and method for data compression and grid regeneration | |
CN110544308B (zh) | 变电站建模方法、装置、计算机设备和存储介质 | |
CN109522852B (zh) | 基于光学遥感影像的人造目标检测方法、装置及设备 | |
JP3050184B2 (ja) | 四面体格子の生成方式およびそのプログラムを記録した記録媒体 | |
CN109033295B (zh) | 超大数据集的合并方法及装置 | |
CN110647596A (zh) | 地图数据处理方法和装置 | |
Tienaah et al. | Contextual douglas-peucker simplification | |
CN111913965B (zh) | 一种面向空间大数据缓冲区分析的方法 | |
CN108573510B (zh) | 一种栅格地图矢量化方法及设备 | |
Azri et al. | Review of spatial indexing techniques for large urban data management | |
CN111583268B (zh) | 点云虚拟选择与裁切方法、装置及设备 | |
CN114119939A (zh) | 数据轻量化处理方法、装置、存储介质及电子设备 | |
CN112883130A (zh) | 基于空间数据库输出地图高程数据的方法及设备、介质 | |
CN116070321A (zh) | 乡村景观设计方法、装置、设备及存储介质 | |
US11449566B2 (en) | Methods and systems for processing geospatial data | |
JP6880962B2 (ja) | プログラム分析装置、プログラム分析方法および分析プログラム | |
CN110826488B (zh) | 一种针对电子文档的图像识别方法、装置及存储设备 | |
CN110135080B (zh) | 水污染的模拟方法及装置 | |
JP7056452B2 (ja) | シミュレーション装置、シミュレーション方法およびシミュレーションプログラム |
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 |