CN112395467A - 一种基于时隙的时空索引方法 - Google Patents

一种基于时隙的时空索引方法 Download PDF

Info

Publication number
CN112395467A
CN112395467A CN202011362738.4A CN202011362738A CN112395467A CN 112395467 A CN112395467 A CN 112395467A CN 202011362738 A CN202011362738 A CN 202011362738A CN 112395467 A CN112395467 A CN 112395467A
Authority
CN
China
Prior art keywords
time
tpr
tree
track
moving object
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
Application number
CN202011362738.4A
Other languages
English (en)
Inventor
陈刚
庞志飞
鲁鹏
伍赛
姚畅
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.)
Institute Of Computer Innovation Technology Zhejiang University
Original Assignee
Institute Of Computer Innovation Technology Zhejiang University
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 Institute Of Computer Innovation Technology Zhejiang University filed Critical Institute Of Computer Innovation Technology Zhejiang University
Priority to CN202011362738.4A priority Critical patent/CN112395467A/zh
Publication of CN112395467A publication Critical patent/CN112395467A/zh
Pending legal-status Critical Current

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9027—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
    • G06F16/29—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
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location

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)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Remote Sensing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于时隙的时空索引方法。根据运动对象的轨迹，构建TS‑TPR索引结构，将实时获得的预测轨迹插入到TS‑TPR中对应的TPR树中；批量更新TS‑TPR索引结构中的轨迹数据；以分而治之方式使用TS‑TPR回答预测性时空查询。通过本发明的索引能索引预测轨迹，可以索引连续轨迹，完成有关的预测性查询，提升了预测性查询的准确率。

Description

一种基于时隙的时空索引方法
技术领域
本发明涉及数据库领域中的时空索引技术，具体涉及到一种基于时隙的时空索引技术。
背景技术
在时空数据库中，预测性时空查询被广泛用于回答诸如“10分钟后返回1平方公里以内的对象”之类的问题。这类时空查询可以表示为三元组<ts，te，R>，其中ts是查询开始的时间，te是查询结束时间，R是多维多边形(Multi-dimensional Polygon)。为了回答这类查询，研究人员们提出了一系列具有时间参数的索引。这些索引针对未来[tc，tc+H]的预测性时空查询进行了优化，其中tc是当前时间，而参数H则称为“视野(Horizon)”，表示将来索引可以“看到”未来多远。
TPR(Time Parameterized Tree)树是使用最广泛的一种的时空索引。TPR树中的移动模型是由线性函数来表示的。传统TPR树回答的预测性查询只是依赖当前对象的速度以及位置，并应用线性模型来预测未来某一个时刻的位置。例如，假设r是TPR树在时间t被索引的运动对象。r的当前位置为rl，速度为rv。根据线性运动模型来计算，该对象在任何将来时间tf的位置为rl+(tf-t)×rv。
近年来，人工智能迅速发展，越来越多的模型可以准确的预测运动对象最近一段时间内的运动轨迹。例如，给定某个移动物体的过去10分钟的轨迹，预测模型可以给出未来10分钟该对象每分钟的位置坐标。智能模型对轨迹的预测准确率远远高于仅应用直线运动模型的准确率。因此当使用智能模型来替换TPR树中的直线运动模型将会极大地提高预测性查询的准确性。然而，传统的TPR树无法索引利用这些预测的轨迹信息，即无法索引未来一段时间的轨迹，只能保存当前时间点位置和速度。
发明内容
针对现有技术的不足，为了解决背景技术中存在的问题，本发明的目的在于提供了一种基于时隙的时空索引(TS-TPR，Time-slot based TPR)以及相关的构建、更新以及查询方法。
本发明所采用的技术方案如下：
1)根据运动对象的轨迹，构建TS-TPR索引结构，将实时获得的预测轨迹插入到TS-TPR中对应的TPR树中；
2)批量更新TS-TPR索引结构中的轨迹数据；
3)以分而治之方式使用TS-TPR回答预测性时空查询。
所述步骤1)中，
1.1)根据预测轨迹，确定TS-TPR索引结构的关键参数，关键参数是时隙的长度Δt；按照以下公式处理确定时隙的长度Δt：
Δt＝H/m
其中，m表示TS-TPR索引结构中建立的TPR树的数量，H表示TS-TPR索引结构的预测性查询最长时间；
1.2)TS-TPR索引结构由若干TPR树(Time-Parameterized Tree)组成，若干TPR树之间按照时序排列，相邻TPR树之间具有时间间隔，且时间间隔相等作为时隙；各个TPR树存储有运动对象的轨迹中各个时刻的位置和速度信息，同一TPR树存储有各个运动对象在同一时刻的位置坐标和速度信息，不同TPR树存储有各个运动对象在不同时刻的位置和速度信息。
对于新采集获得的预测轨迹Ts＝(s1，...，sm)，预测轨迹是由运动对象所产生的位置坐标沿时间顺序所构成的序列，sm表示第m个时刻的位置坐标，除最后一个位置坐标之外的每个位置坐标插入到对应时刻的TPR树
Figure BDA0002804465680000021
中，在第i个TPR树
Figure BDA0002804465680000022
中，运动对象的位置坐标为si-1，速度由公式vi＝(si-si-1)/时隙计算获得，1≤i≤m，存储信息由(si-1，vi)二元组来表示。
所述步骤2)具体为：
TS-TPR索引结构中将位于时序最前的TPR树删除，并根据最新实时采集获得的运动对象的位置和速度信息构建位于时序最后的新的TPR树，并将预测轨迹的信息数据插入到新的TPR树中；同时设置有缓冲区，缓冲区收集存储两个连续时隙之间的所有最新实时采集的位置和速度信息，在时间经过一个时隙时，取出缓冲区中的位置和速度信息进行更新处理；
所述步骤3)具体为：
当查询的时间窗口在一个时隙内，查询由对应的一个TPR树回答反馈；
当查询的时间窗口跨越多个时隙时，查询按照所跨越的多个时隙拆分成若干子查询，各个子查询被分配到各自对应时隙的TPR树回答反馈单独处理，最后再将反馈结果合并。
本发明构建的时空索引结构由若干TPR树组成，每一个TPR树代表了不同时刻的轨迹状态，TPR树之间的时间间隔是相等的，称之为时隙。
本发明具有的有益效果是：
通过本发明的索引能索引预测轨迹，可以索引连续轨迹，完成有关的预测性查询，提升了预测性查询的准确率。
附图说明
图1是基于时隙的时空索引结构示意图。
具体实施方式
现结合具体实施和示例对本发明的技术方案作进一步说明。
本发明具体实施例及其实施过程如下：
1)根据运动对象的轨迹，构建TS-TPR索引结构，将实时获得的预测轨迹插入到TS-TPR中对应的TPR树中，TPR树中的节点存储运动对象的位置和速度；
预测轨迹是由采集的已知历史轨迹通过神经网络模型等处理预测获得，每经过一个时刻，神经网络模型利用最新时刻的位置坐标和速度信息叠加到以前的历史轨迹上再更新处理获得最新的预测轨迹。
1.1)根据预测轨迹，确定TS-TPR索引结构的关键参数，关键参数是时隙的长度Δt；通过预测模型获得的预测轨迹为Ts＝(s1，...，sm)，其中，轨迹长度为m，(s1，...，sm)分别对应未来时刻(t1，...，tm)对运动对象的预测坐标，时隙为相邻时间点的时间差且所有时隙均相等。按照以下公式处理确定时隙的长度Δt：
Δt＝H/m
其中，m表示TS-TPR索引结构中建立的TPR树的数量，即轨迹长度，有多少时刻就有多少TPR树，H表示TS-TPR索引结构的预测性查询最长时间；当H＝10分钟时，TS-TPR索引结构准确回答未来10分钟以内的预测性查询。实际应用中，时隙一般不超过3分钟。
当Δt越小，则需要TPR树的数量就越多，查询质量高；反之，则TPR数目越少，查询准确率低。在城市车辆的预测查询场景中，Δt的取值一般不会超过3分钟。
1.2)TS-TPR索引结构由若干TPR树(Time-Parameterized Tree)组成，用于索引轨迹信息；若干TPR树之间按照时序排列，相邻TPR树之间具有时间间隔，且时间间隔相等作为时隙；各个TPR树存储有运动对象的轨迹中各个时刻的位置和速度信息，同一TPR树存储有各个运动对象在同一时刻的位置坐标和速度信息，不同TPR树存储有各个运动对象在不同时刻的位置和速度信息；
运动对象在不同时刻的位置和速度信息是通过GPS、北斗等定位系统采集的轨迹提取获得。
对于新采集获得的预测轨迹Ts＝(s1，...，sm)，预测轨迹是由运动对象所产生的位置坐标沿时间顺序所构成的序列，sm表示第m个时刻的位置坐标，除最后一个位置坐标之外的每个位置坐标插入到对应时刻的TPR树
Figure BDA0002804465680000041
中，不同的TPR树代表了不同的时间时刻；
s0表示当前时刻t0下运动对象的最新位置，在第i个TPR树
Figure BDA00028044656800000424
中，运动对象的位置坐标为si-1，速度由公式vi＝(si-si-1)/时隙计算获得，1≤i≤m，存储信息由(si-1，vi)二元组来表示；
例如，假设一个运动对象的预测轨迹为Ts＝[(1,3),(6,8),(5,3)]，当前时刻位置坐标为s0＝(1,1)，每个时隙的间隔为Δt＝2。当前的TS-TPR由三个TPR树
Figure BDA00028044656800000425
组成。
在第1个TPR树
Figure BDA00028044656800000426
中，运动对象的位置坐标表示为s0＝(1,1)，速度为v1＝[(1,3)-(1,1)]/2＝(0,1)。作为结果，二元组由位置坐标和速度拼接构成，第一个时刻的二元组(1,1,0,1)将被插入第1个TPR树
Figure BDA00028044656800000427
中，将第二个时刻的二元组(1,3,2.5,2.5)插入第2个TPR树
Figure BDA00028044656800000428
以及将第三个时刻的二元组(6,8,-0.5,-2.5)插入第3个TPR树
Figure BDA00028044656800000429
2)批量更新TS-TPR索引结构中的轨迹数据；
TS-TPR索引结构中将位于时序最前的TPR树删除，并根据最新实时采集获得的运动对象的位置和速度信息构建位于时序最后的新的TPR树，并将预测轨迹的信息数据插入到新的TPR树中；同时设置有缓冲区，缓冲区收集存储两个连续时隙之间的所有最新实时采集的位置和速度信息，在时间经过一个时隙时，取出缓冲区中的位置和速度信息进行更新处理；这样能批量更新轨迹以提高效率。
如图1所示，当时间到t1时，结合运动对象新的位置坐标，预测模型会生成新的预测轨迹T′s＝(s′2，...，s′m+1)。使用T′s更新当前的TS-TPR。删除第一个TPR树
Figure BDA00028044656800000430
并构建新的TPR树
Figure BDA00028044656800000431
运动对象不断地向预测模型发送更新后的位置信息，预测模型不断地产生新的轨迹。但是TS-TPR不会即时更新。
如图1所示，TS-TPR维护一个缓冲区以收集两个连续时隙之间的所有更新数据。当时间到下一个时隙时，TS-TPR删除最近一颗TPR树，并批量更新轨迹以提高效率。在TS-TPR处于正在更新轨迹的期间，有关轨迹的预测性查询请求全部由旧的索引来回答，当更新完全结束之后，查询由新的索引接管。
3)以分而治之方式使用TS-TPR回答预测性时空查询；
当查询的时间窗口在一个时隙内，查询由对应的一个TPR树回答反馈；
当查询的时间窗口跨越多个时隙时，查询按照所跨越的多个时隙拆分成若干子查询，各个子查询被分配到各自对应时隙的TPR树回答反馈单独处理，最后再将反馈结果合并。
由图1所示查询
Figure BDA0002804465680000051
跨越了两个时隙。TS-TPR将该查询拆分成
Figure BDA0002804465680000052
和
Figure BDA0002804465680000053
两个子查询会分别被指派到
Figure BDA0002804465680000054
和
Figure BDA0002804465680000055
处理，最终两棵树的结果会被合并，返回查询的最终结果。

Claims (4)

1.一种基于时隙的时空索引方法，其特征在于包含以下步骤：
1)根据运动对象的轨迹，构建TS-TPR索引结构，将实时获得的预测轨迹插入到TS-TPR中对应的TPR树中；
2)批量更新TS-TPR索引结构中的轨迹数据；
3)以分而治之方式使用TS-TPR回答预测性时空查询。
2.根据权利要求1所述的一种基于时隙的时空索引方法，其特征在于：
所述步骤1)具体为：
1.1)根据预测轨迹，确定TS-TPR索引结构的关键参数，关键参数是时隙的长度Δt；按照以下公式处理确定时隙的长度Δt：
Δt＝H/m
其中，m表示TS-TPR索引结构中建立的TPR树的数量，H表示TS-TPR索引结构的预测性查询最长时间；
1.2)TS-TPR索引结构由若干TPR树(Time-Parameterized Tree)组成，若干TPR树之间按照时序排列，相邻TPR树之间具有时间间隔，且时间间隔相等作为时隙；各个TPR树存储有运动对象的轨迹中各个时刻的位置和速度信息，同一TPR树存储有各个运动对象在同一时刻的位置坐标和速度信息，不同TPR树存储有各个运动对象在不同时刻的位置和速度信息。
3.根据权利要求1所述的一种基于时隙的时空索引方法，其特征在于：
所述步骤2)具体为：TS-TPR索引结构中将位于时序最前的TPR树删除，并根据最新实时采集获得的运动对象的位置和速度信息构建位于时序最后的新的TPR树，并将预测轨迹的信息数据插入到新的TPR树中；同时设置有缓冲区，缓冲区收集存储两个连续时隙之间的所有最新实时采集的位置和速度信息，在时间经过一个时隙时，取出缓冲区中的位置和速度信息进行更新处理。
4.根据权利要求1所述的一种基于时隙的时空索引方法，其特征在于：
所述步骤3)具体为：当查询的时间窗口在一个时隙内，查询由对应的一个TPR树回答反馈；
当查询的时间窗口跨越多个时隙时，查询按照所跨越的多个时隙拆分成若干子查询，各个子查询被分配到各自对应时隙的TPR树回答反馈单独处理，最后再将反馈结果合并。
CN202011362738.4A 2020-11-27 2020-11-27 一种基于时隙的时空索引方法 Pending CN112395467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011362738.4A CN112395467A (zh) 2020-11-27 2020-11-27 一种基于时隙的时空索引方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011362738.4A CN112395467A (zh) 2020-11-27 2020-11-27 一种基于时隙的时空索引方法

Publications (1)

Publication Number Publication Date
CN112395467A true CN112395467A (zh) 2021-02-23

Family

ID=74604696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011362738.4A Pending CN112395467A (zh) 2020-11-27 2020-11-27 一种基于时隙的时空索引方法

Country Status (1)

Country Link
CN (1) CN112395467A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060093243A (ko) * 2005-02-21 2006-08-24 엘지전자 주식회사 티피알 트리의 통계치 갱신방법
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060093243A (ko) * 2005-02-21 2006-08-24 엘지전자 주식회사 티피알 트리의 통계치 갱신방법
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 (1)

* Cited by examiner, † Cited by third party
Title
SAI WU, ZHIFEI PANG, ET AL.: "NEIST: A Neural-Enhanced Index for Spatio-Temporal Queries", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》, 31 December 2019 (2019-12-31), pages 1 *

Similar Documents

Publication Publication Date Title
CN108648457B (zh) 一种速度预测的方法、装置和计算机可读存储介质
CN103106280B (zh) 一种道路网络环境下不确定时空轨迹数据的范围查询方法
CN103731916B (zh) 一种基于无线网络的用户位置预测系统和方法
CN108492568B (zh) 一种基于时空特性分析的短时交通流预测方法
CN108153867B (zh) 基于时间规律性的用户轨迹预测方法和装置
CN116013087B (zh) 一种基于城市运动车辆检测的车流量统计方法
CN110909909A (zh) 基于深度学习和多层时空特征图的短时交通流预测方法
CN109241227B (zh) 基于stacking集成学习算法的时空数据预测建模方法
CN111583648B (zh) 融合gps数据和卡口流量数据的城市交通流量预测方法
CN111325976A (zh) 一种短时交通流预测方法及系统
CN113034545A (zh) 一种基于CenterNet多目标跟踪算法的车辆跟踪方法
CN111506835A (zh) 一种融合用户时间特征和个性特征的数据特征提取方法
CN108229435B (zh) 一种用于行人识别的方法
CN115049009A (zh) 基于语义融合表征的轨迹预测方法
CN115345076A (zh) 一种风速订正处理方法及装置
CN114239971A (zh) 基于Transformer注意力机制的日降水量预测方法
CN114967680A (zh) 基于蚁群算法和卷积神经网络的移动机器人路径规划方法
CN112395467A (zh) 一种基于时隙的时空索引方法
CN114161419A (zh) 一种情景记忆引导的机器人操作技能高效学习方法
CN110490365A (zh) 一种基于多源数据融合预测网约车订单量的方法
CN115344795B (zh) 一种基于多路归并的地铁乘客轨迹相似性搜索方法
CN115564223A (zh) 一种车间流水线最短生产时间规划方法
CN107894971B (zh) 一种可扩展的基于神经网络的序列标注方法
CN113657533B (zh) 一种面向时空场景构建的多元时间序列分割聚类方法
CN113868465B (zh) 一种基于二维时间格网的可定位视频检索方法

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