CN113377828A - 拥塞感知的路网移动对象连续k近邻查询方法 - Google Patents
拥塞感知的路网移动对象连续k近邻查询方法 Download PDFInfo
- Publication number
- CN113377828A CN113377828A CN202110494786.7A CN202110494786A CN113377828A CN 113377828 A CN113377828 A CN 113377828A CN 202110494786 A CN202110494786 A CN 202110494786A CN 113377828 A CN113377828 A CN 113377828A
- Authority
- CN
- China
- Prior art keywords
- query
- road network
- road
- congestion
- distance
- 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
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明的拥塞感知的路网移动对象连续K近邻查询方法,首先基于拥塞感知的路网扩展方式,感知出每条道路的拥塞性,以拥塞权重的路网距离作为移动对象和查询点之间的距离衡量标准。然后设置合理的监测范围构建局部路网,高效地查询出时间段[ti,tj]内任意时刻K个距离查询点带权路网距离最近邻的移动对象。本发明的优点是:引入道路的拥塞性,以拥塞权重的路网距离作为移动对象和查询点之间的距离衡量标准,提高在了现实应用中的准确性和适用性,使连续K近邻查询结果更接近真实路网环境下的最优解。然后使用合理的监测范围构建局部路网,提高了算法的查询效率。
Description
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
随着无线通信和GPS等定位技术的快速发展,以及移动通信设备的大规模普及,用户可以更加轻松获取到自己的位置信息。基于移动设备位置信息的移动端应用程序也越来越多,这些应用程序中几乎都用到了K近邻查询技术。例如,在地图导航软件中,用户希望找到周围最近的几家工商银行;在导游应用中,游客在西湖游玩时可能会寻找几个最近的“杭帮菜餐厅”。在上述查询场景中,用户查询的对象都是空间中的静态对象,所以K近邻技术还能有效地满足这类查询需求。当查询的对象处于移动状态时,例如,用户使用打车软件搜寻离他最近的3辆出租车。由于出租车位置信息在不断在发生改变,系统需要重复进行多次K近邻查询,计算代价太大。由此可以看出K近邻查询技术不能满足类似于打车这类场景下的查询需求,存在一定的局限性。然而,连续K近邻查询技术可以有效地解决这类问题。连续K近邻查询是K近邻查询的扩展,K近邻查询是查询某一时刻的K个近邻的对象,而连续K近邻查询是在某一段时间内连续查询K个近邻的对象,返回的结果集是连续动态监测的查询结果。
现有的连续K近邻查询方法中主要关注距离因素,很少关注道路拥塞对路网下的K近邻查询结果的影响。然而,在真实路网中道路拥堵情况对查询结果的影响很大。比如用户在呼叫一辆网约车时,该用户有急事必须尽快到达目的地。若系统在给用户分派车辆时只考虑了距离因素,分派的车辆是距离用户最近的,但是如果该车辆处在严重拥堵路段,那么这样的查询结果对用户而言不是一个最优解决方案。将道路的拥塞性也作为一个影响查询结果的因素添加到路网环境下的连续K近邻查询中,有助于提高在现实应用中的准确性和适用性。
发明内容
本发明要克服现有技术的上述缺点,提出一种拥塞感知的路网移动对象连续K近邻查询方法。
本发明首先在路网扩展过程中利用基于道路交通流特征参数设计的道路拥塞判断算法感知出道路的拥塞状态;接着根据拥塞系数对道路长度进行加权处理,以拥塞权重的路网距离作为移动对象和查询点之间的距离衡量标准;然后在局部路网内进行连续K近邻查询,以提高查询效率;最后按照带权路网距离由近到远的顺序,查询出在时间段[ti,tj]内任意时刻距离查询点最近的K个移动对象,其中ti为连续K近邻查询开始时刻,tj为结束时刻。
本发明的拥塞感知的路网移动对象连续K近邻查询方法,包括如下步骤:
1初始时刻拥塞感知的K近邻查询;
初始时刻拥塞感知的K近邻查询用于获得在连续查询时间段[ti,tj]开始时刻ti距离查询点带权路网距离最近的K个移动对象。该阶段采用基于拥塞感知的增量式路网扩展策略。在路网扩展的同时判断出道路的拥塞性,确定道路拥塞性系数,对道路长度进行加权处理。具体包括:
11)根据车辆面积密度对道路的拥塞性进行判断。本发明利用了一种基于道路交通流特征参数设计道路拥堵判断方法,具体为基于车辆面积密度Φ的道路拥堵判断方法。以路口划分出路网中的每条道路,将道路上汽车总占地面积和道路面积之比定义为车辆面积密度Φ。根据Φ划分了四种拥堵级别,以及对应的道路拥塞系数ω,即道路长度加权系数。当Φ<0.3时,该路段运行畅通,拥塞系数ω设为1;当0.3≤Φ<0.41时,该路段处于轻度拥堵状态,汽车通过该路段的时间大约比畅通时多花一半的时间,所以ω设为1.5;当0.41≤Φ≤0.53时,该路段处于中度拥堵状态,汽车通过该路段的时间大约比畅通时多花一倍的时间,所以ω设为2;当Φ>0.53时,该路段处于重度拥堵状态,通过性很差,车辆通过该路段要花费很长的时间,所以ω设为5。
12)根据拥塞系数ω对每条道路的长度进行加权处理。使用DijKstra算法预计算各个路网节点到查询点的单源最短带权路网距离。在路网的扩展过程中,会维持一个优先队列决定路网节点扩展优先级。优先队列中存储的是路网节点距查询点的最短带权路网距离,权重代表道路的拥塞性。距离查询点路网距离更近的路网节点的邻接边会被先进行扩展,直到获得距离查询点带权路网距离最近的的K个移动对象才停止路网扩展。
13)将得到的K个距离查询点带权路网距离最近的的移动对象加入结果集。假设按照距离查询点带权路网距离由近到远排序的K个移动对象为:p1,p2,…,pk,其中p1为距离查询点带权路网距离最近的对象,p2为距离查询点带权路网距离第二近的对象,pk为距离查询点带权路网距离最远的对象。初始时刻拥塞感知的K近邻查询结果集为:P={p1,p2,…,pk}。
2获取需要监测的候选对象;
该阶段是为了获取构建或扩展局部路网所需的监测范围,并在局部路网内监测候选移动对象。如果对整个路网进行监测查询,那么计算成本太高,查询效率会很低。本方法以监测范围为基础进行局部路网的构建和扩展,筛选掉大量不满足查询条件的移动对象。首先利用初始时刻拥塞感知的K近邻查询结果确定局部路网的监测范围;然后在查询点进行局部路网的构建与扩展,并在局部路网内进行移动对象距离查询点最短带权路网距离的计算;最后以带权路网距离为标准进行候选移动对象的筛选,进而获得满足条件的候选移动对象集合。具体包括:
21)计算监测范围。只有距离查询点最短带权路网距离小于监测范围的移动对象才有可能被加入到结果集中。连续查询时间区间[ti,tj],查询点q的监测范围记为MDq(ti,tj),计算公式如下:
MDq(ti,tj)=NDq,pk(ti)+vq*(tj-ti)*ω(q)+addDist (1)
addDist=max{ei.maxV*(tj-ti)*ω(i)}(ei∈E) (3)
式中ti,tj表示连续查询时间区间的起始终止时刻,Length(i)表示每条道路的长度,ω(i)表示每条道路的拥塞系数,E表示路网中所有边的集合。NDq,pk(ti)表示在连续查询时间区间[ti,tj]开始时刻ti,此时查询结果集P={p1,p2,…,pk}中距离查询点最远的带权路网距离,即pk的带权路网距离;vq为查询点的运动速度,vq*(tj-ti)*ω(q)表示的是在连续查询时间区间[ti,tj]内查询点移动的带权路网距离;addDist表示额外监测距离,目的是保证查结果的准确性,避免漏掉可能影响查询结果的移动对象。假设此时的监测范围MDq(ti,tj)=NDq,pk(ti)+vq*(tj-ti)*ω(q),查询点划定监测范围落在边ei上。边ei上某个移动对象正以边ei上限定的最大运动速度maxV向监测范围内移动。该移动对象有可能在时间区间[ti,tj]内行驶足够影响查询结果的距离,成为一个候选结果对象。
因此,为了使查询结果更加准确,需要设定一个额外监测距离作为监测范围的补充。
22)获取候选对象。以距离查询点带权路网距离小于监测范围的节点的邻接边为基础构建局部路网,局部路网内包含了所有可能是连续K近邻查询结果的候选移动对象;然后以查询点为中心开始进行路网扩展,将距离查询点带权路网距离小于监测范围的移动对象添加到候选移动对象集合中,用于后续验证。
3验证候选对象,完成连续K近邻查询;
由于候选对象在不断运动,位置信息在不断发生改变。候选移动对象可能在连续查询时间[ti,tj]内的某一时刻取代ti时刻的结果集P={p1,p2,…,pk}中最远的移动对象pk。该阶段的目的就是确定结果集P每次发生更新的时刻,然后将续查询时间[ti,tj]划分成多个子查询时间区间[ti,ti+1],[ti+1,ti+2]…,[tj-1,tj],保证在每个子查询时间段内任意时刻查询结果都是相同的。
31)第一次连续查询时间段划分。由于每条道路的拥塞性和距离长度可能会不一样,候选移动对象经过路网节点时,带权路网距离也会发生改变。因此,根据局部路网内所有候选移动对象到达路网节点的时刻划分多个子查询时间区间,不仅保证每个子查询时间区间内所有对象都在同一条路段上,还可以使带权路网距离的计算更加准确。
32)第二次连续查询时间段划分。当候选移动对象p′到查询点的带权路网距离小于结果集中最大带权路网距离时,结果集会发生更新,用p′替换pk。将步骤31)中划分的子查询时间区间记为[tm,tn],通过等式NDq,p′(t)=NDq,p(t)确定结果集发生更新的时刻t。在此基础上将[tm,tn]进一步划分并将结果集进行更新:[tm,t]:Res={p1,p2,…,pk};[t,tn]:Res={p1,p2,…,p′}。
33)返回连续K近邻查询结果集。完成验证后返回查询结果集,连续查询一段时间[ti,tj]内距离查询点最近的K个移动对象返回的结果集为<[ti,ti+1],{p1,p2,…,pk}>,<[ti+1,ti+2],{pk+1,pk+2,…,p2k},…,<[tj-1,tj],{pn,pn+1,…,pn+k-1}>。
本发明的优点是:引入道路的拥塞性,以拥塞权重的路网距离作为移动对象和查询点之间的距离衡量标准,提高在了现实应用中的准确性和适用性,使连续K近邻查询结果更接近真实路网环境下的最优解。然后使用合理的监测范围构建局部路网,提高了算法的查询效率。
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。
本发明的拥塞感知的的路网移动对象连续K近邻查询方法,包括如下步骤:
1.初始时刻拥塞感知的K近邻查询;
初始时刻拥塞感知的K近邻查询用于获得在连续查询时间段[ti,tj]开始时刻ti距离查询点带权路网距离最近的K个移动对象。该阶段采用基于拥塞感知的增量式路网扩展策略。在路网扩展的同时判断出道路的拥塞性,确定道路拥塞性系数,对道路长度进行加权处理。具体包括:
14)根据车辆面积密度对道路的拥塞性进行判断。本发明利用了一种基于道路交通流特征参数设计道路拥堵判断方法,具体为基于车辆面积密度Φ的道路拥堵判断方法。以路口划分出路网中的每条道路,将道路上汽车总占地面积和道路面积之比定义为车辆面积密度Φ。根据Φ划分了四种拥堵级别,以及对应的道路拥塞系数ω,即道路长度加权系数。当Φ<0.3时,该路段运行畅通,拥塞系数ω设为1;当0.3≤Φ<0.41时,该路段处于轻度拥堵状态,汽车通过该路段的时间大约比畅通时多花一半的时间,所以ω设为1.5;当0.41≤Φ≤0.53时,该路段处于中度拥堵状态,汽车通过该路段的时间大约比畅通时多花一倍的时间,所以ω设为2;当Φ>0.53时,该路段处于重度拥堵状态,通过性很差,车辆通过该路段要花费很长的时间,所以ω设为5。
15)根据拥塞系数ω对每条道路的长度进行加权处理。使用DijKstra算法预计算各个路网节点到查询点的单源最短带权路网距离。在路网的扩展过程中,会维持一个优先队列决定路网节点扩展优先级。优先队列中存储的是路网节点距查询点的最短带权路网距离,权重代表道路的拥塞性。距离查询点路网距离更近的路网节点的邻接边会被先进行扩展,直到获得距离查询点带权路网距离最近的的K个移动对象才停止路网扩展。
16)将得到的K个距离查询点带权路网距离最近的的移动对象加入结果集。假设按照距离查询点带权路网距离由近到远排序的K个移动对象为:p1,p2,…,pk,其中p1为距离查询点带权路网距离最近的对象,p2为距离查询点带权路网距离第二近的对象,pk为距离查询点带权路网距离最远的对象。初始时刻拥塞感知的K近邻查询结果集为:P={p1,p2,…,pk}。
2.获取需要监测的候选对象;
该阶段是为了获取构建或扩展局部路网所需的监测范围,并在局部路网内监测候选移动对象。如果对整个路网进行监测查询,那么计算成本太高,查询效率会很低。本方法以监测范围为基础进行局部路网的构建和扩展,筛选掉大量不满足查询条件的移动对象。首先利用初始时刻拥塞感知的K近邻查询结果确定局部路网的监测范围;然后在查询点进行局部路网的构建与扩展,并在局部路网内进行移动对象距离查询点最短带权路网距离的计算;最后以带权路网距离为标准进行候选移动对象的筛选,进而获得满足条件的候选移动对象集合。具体包括:
23)计算监测范围。只有距离查询点最短带权路网距离小于监测范围的移动对象才有可能被加入到结果集中。连续查询时间区间[ti,tj],查询点q的监测范围记为MDq(ti,tj),计算公式如下:
MDq(ti,tj)=NDq,pk(ti)+vq*(tj-ti)*ω(q)+addDist (1)
addDist=max{ei.maxV*(tj-ti)*ω(i)}(ei∈E) (3)
式中ti,tj表示连续查询时间区间的起始终止时刻,Length(i)表示每条道路的长度,ω(i)表示每条道路的拥塞系数,E表示路网中所有边的集合。NDq,pk(ti)表示在连续查询时间区间[ti,tj]开始时刻ti,此时查询结果集P={p1,p2,…,pk}中距离查询点最远的带权路网距离,即pk的带权路网距离;vq为查询点的运动速度,vq*(tj-ti)*ω(q)表示的是在连续查询时间区间[ti,tj]内查询点移动的带权路网距离;addDist表示额外监测距离,目的是保证查结果的准确性,避免漏掉可能影响查询结果的移动对象。假设此时的监测范围MDq(ti,tj)=NDq,pk(ti)+vq*(tj-ti)*ω(q),查询点划定监测范围落在边ei上。边ei上某个移动对象正以边ei上限定的最大运动速度maxV向监测范围内移动。该移动对象有可能在时间区间[ti,tj]内行驶足够影响查询结果的距离,成为一个候选结果对象。因此,为了使查询结果更加准确,需要设定一个额外监测距离作为监测范围的补充。
24)获取候选对象。以距离查询点带权路网距离小于监测范围的节点的邻接边为基础构建局部路网,局部路网内包含了所有可能是连续K近邻查询结果的候选移动对象;然后以查询点为中心开始进行路网扩展,将距离查询点带权路网距离小于监测范围的移动对象添加到候选移动对象集合中,用于后续验证。
3.验证候选对象,完成连续K近邻查询;
由于候选对象在不断运动,位置信息在不断发生改变。候选移动对象可能在连续查询时间[ti,tj]内的某一时刻取代ti时刻的结果集P={p1,p2,…,pk}中最远的移动对象pk。该阶段的目的就是确定结果集P每次发生更新的时刻,然后将续查询时间[ti,tj]划分成多个子查询时间区间[ti,ti+1],[ti+1,ti+2]…,[tj-1,tj],保证在每个子查询时间段内任意时刻查询结果都是相同的。
34)第一次连续查询时间段划分。由于每条道路的拥塞性和距离长度可能会不一样,候选移动对象经过路网节点时,带权路网距离也会发生改变。因此,根据局部路网内所有候选移动对象到达路网节点的时刻划分多个子查询时间区间,不仅保证每个子查询时间区间内所有对象都在同一条路段上,还可以使带权路网距离的计算更加准确。
35)第二次连续查询时间段划分。当候选移动对象p′到查询点的带权路网距离小于结果集中最大带权路网距离时,结果集会发生更新,用p′替换pk。将步骤34)中划分的子查询时间区间记为[tm,tn],通过等式NDq,p′(t)=NDq,p(t)确定结果集发生更新的时刻t。在此基础上将[tm,tn]进一步划分并将结果集进行更新:[tm,t]:Res={p1,p2,…,pk};[t,tn]:Res={p1,p2,…,p′}。
36)返回连续K近邻查询结果集。完成验证后返回查询结果集,连续查询一段时间[ti,tj]内距离查询点最近的K个移动对象返回的结果集为<[ti,ti+1],{p1,p2,…,pk}>,<[ti+1,ti+2],{pk+1,pk+2,…,p2k},…,<[tj-1,tj],{pn,pn+1,…,pn+k-1}>。
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.拥塞感知的路网移动对象连续K近邻查询方法,包括如下步骤:
1初始时刻拥塞感知的K近邻查询;
初始时刻拥塞感知的K近邻查询用于获得在连续查询时间段[ti,tj]开始时刻ti距离查询点带权路网距离最近的K个移动对象;该阶段采用基于拥塞感知的增量式路网扩展策略;在路网扩展的同时判断出道路的拥塞性,确定道路拥塞性系数,对道路长度进行加权处理;具体包括:
11)根据车辆面积密度对道路的拥塞性进行判断;本发明利用了一种基于道路交通流特征参数设计道路拥堵判断方法,具体为基于车辆面积密度Φ的道路拥堵判断方法;以路口划分出路网中的每条道路,将道路上汽车总占地面积和道路面积之比定义为车辆面积密度Φ;根据Φ划分了四种拥堵级别,以及对应的道路拥塞系数ω,即道路长度加权系数;当Φ<0.3时,该路段运行畅通,拥塞系数ω设为1;当0.3≤Φ<0.41时,该路段处于轻度拥堵状态,汽车通过该路段的时间大约比畅通时多花一半的时间,所以ω设为1.5;当0.41≤Φ≤0.53时,该路段处于中度拥堵状态,汽车通过该路段的时间大约比畅通时多花一倍的时间,所以ω设为2;当Φ>0.53时,该路段处于重度拥堵状态,通过性很差,车辆通过该路段要花费很长的时间,所以ω设为5;
12)根据拥塞系数ω对每条道路的长度进行加权处理;使用DijKstra算法预计算各个路网节点到查询点的单源最短带权路网距离;在路网的扩展过程中,会维持一个优先队列决定路网节点扩展优先级;优先队列中存储的是路网节点距查询点的最短带权路网距离,权重代表道路的拥塞性;距离查询点路网距离更近的路网节点的邻接边会被先进行扩展,直到获得距离查询点带权路网距离最近的的K个移动对象才停止路网扩展;
13)将得到的K个距离查询点带权路网距离最近的的移动对象加入结果集;假设按照距离查询点带权路网距离由近到远排序的K个移动对象为:p1,p2,...,pk,其中p1为距离查询点带权路网距离最近的对象,p2为距离查询点带权路网距离第二近的对象,pk为距离查询点带权路网距离最远的对象;初始时刻拥塞感知的K近邻查询结果集为:P={p1,p2,...,pk};
2获取需要监测的候选对象;
该阶段是为了获取构建或扩展局部路网所需的监测范围,并在局部路网内监测候选移动对象;如果对整个路网进行监测查询,那么计算成本太高,查询效率会很低;本方法以监测范围为基础进行局部路网的构建和扩展,筛选掉大量不满足查询条件的移动对象;首先利用初始时刻拥塞感知的K近邻查询结果确定局部路网的监测范围;然后在查询点进行局部路网的构建与扩展,并在局部路网内进行移动对象距离查询点最短带权路网距离的计算;最后以带权路网距离为标准进行候选移动对象的筛选,进而获得满足条件的候选移动对象集合;具体包括:
21)计算监测范围;只有距离查询点最短带权路网距离小于监测范围的移动对象才有可能被加入到结果集中;连续查询时间区间[ti,tj],查询点q的监测范围记为MDq(ti,tj),计算公式如下:
MDq(ti,tj)=NDq,pk(ti)+vq*(tj-ti)*ω(q)+addDist (1)
addDist=max{ei.maxV*(tj-ti)*ω(i)}(ei∈E) (3)
式中ti,tj表示连续查询时间区间的起始终止时刻,Length(i)表示每条道路的长度,ω(i)表示每条道路的拥塞系数,E表示路网中所有边的集合;NDq,pk(ti)表示在连续查询时间区间[ti,tj]开始时刻ti,此时查询结果集P={p1,p2,...,pk}中距离查询点最远的带权路网距离,即pk的带权路网距离;vq为查询点的运动速度,vq*(tj-ti)*ω(q)表示的是在连续查询时间区间[ti,tj]内查询点移动的带权路网距离;addDist表示额外监测距离,目的是保证查结果的准确性,避免漏掉可能影响查询结果的移动对象;假设此时的监测范围MDq(ti,tj)=NDq,pk(ti)+vq*(tj-ti)*ω(q),查询点划定监测范围落在边ei上;边ei上某个移动对象正以边ei上限定的最大运动速度maxV向监测范围内移动;该移动对象有可能在时间区间[ti,tj]内行驶足够影响查询结果的距离,成为一个候选结果对象;因此,为了使查询结果更加准确,需要设定一个额外监测距离作为监测范围的补充;
22)获取候选对象;以距离查询点带权路网距离小于监测范围的节点的邻接边为基础构建局部路网,局部路网内包含了所有可能是连续K近邻查询结果的候选移动对象;然后以查询点为中心开始进行路网扩展,将距离查询点带权路网距离小于监测范围的移动对象添加到候选移动对象集合中,用于后续验证;
3验证候选对象,完成连续K近邻查询;
由于候选对象在不断运动,位置信息在不断发生改变;候选移动对象可能在连续查询时间[ti,tj]内的某一时刻取代ti时刻的结果集P={p1,p2,...,pk}中最远的移动对象pk;该阶段的目的就是确定结果集P每次发生更新的时刻,然后将续查询时间[ti,tj]划分成多个子查询时间区间[ti,ti+1],[ti+1,ti+2]…,[tj-1,tj],保证在每个子查询时间段内任意时刻查询结果都是相同的;
31)第一次连续查询时间段划分;由于每条道路的拥塞性和距离长度可能会不一样,候选移动对象经过路网节点时,带权路网距离也会发生改变;因此,根据局部路网内所有候选移动对象到达路网节点的时刻划分多个子查询时间区间,不仅保证每个子查询时间区间内所有对象都在同一条路段上,还可以使带权路网距离的计算更加准确;
32)第二次连续查询时间段划分;当候选移动对象p′到查询点的带权路网距离小于结果集中最大带权路网距离时,结果集会发生更新,用p′替换pk;将步骤31)中划分的子查询时间区间记为[tm,tn],通过等式NDq,p′(t)=NDq,p(t)确定结果集发生更新的时刻t;在此基础上将[tm,tn]进一步划分并将结果集进行更新:[tm,t]:Res={p1,p2,...,pk};[t,tn]:Res={p1,p2,...,p′};
33)返回连续K近邻查询结果集;完成验证后返回查询结果集,连续查询一段时间[ti,tj]内距离查询点最近的K个移动对象返回的结果集为<[ti,ti+1],{p1,p2,...,pk}>,<[ti+1,ti+2],{pk+1,pk+2,…,p2k},…,<[tj-1,tj],{pn,pn+1,...,pn+k-1}>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494786.7A CN113377828B (zh) | 2021-05-07 | 2021-05-07 | 拥塞感知的路网移动对象连续k近邻查询方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494786.7A CN113377828B (zh) | 2021-05-07 | 2021-05-07 | 拥塞感知的路网移动对象连续k近邻查询方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113377828A true CN113377828A (zh) | 2021-09-10 |
CN113377828B CN113377828B (zh) | 2022-04-19 |
Family
ID=77570493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110494786.7A Active CN113377828B (zh) | 2021-05-07 | 2021-05-07 | 拥塞感知的路网移动对象连续k近邻查询方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113377828B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170031923A1 (en) * | 2013-09-20 | 2017-02-02 | International Business Machines Corporation | Question routing for user communities |
CN107291963A (zh) * | 2017-08-14 | 2017-10-24 | 海南师范大学 | 一种路网移动环境下的knn查询方法及系统 |
CN107767023A (zh) * | 2017-09-20 | 2018-03-06 | 浙江工业大学 | 一种基于模糊knn空间特征匹配的道路交通服务水平评价方法 |
CN110750853A (zh) * | 2019-08-29 | 2020-02-04 | 浙江工业大学 | 基于方向约束的路网连续k近邻查询方法 |
-
2021
- 2021-05-07 CN CN202110494786.7A patent/CN113377828B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170031923A1 (en) * | 2013-09-20 | 2017-02-02 | International Business Machines Corporation | Question routing for user communities |
CN107291963A (zh) * | 2017-08-14 | 2017-10-24 | 海南师范大学 | 一种路网移动环境下的knn查询方法及系统 |
CN107767023A (zh) * | 2017-09-20 | 2018-03-06 | 浙江工业大学 | 一种基于模糊knn空间特征匹配的道路交通服务水平评价方法 |
CN110750853A (zh) * | 2019-08-29 | 2020-02-04 | 浙江工业大学 | 基于方向约束的路网连续k近邻查询方法 |
Non-Patent Citations (1)
Title |
---|
董天阳等: "方向感知的路网移动对象范围查询算法", 《计算机科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113377828B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10281285B2 (en) | Method and apparatus for providing a machine learning approach for a point-based map matcher | |
US11487018B2 (en) | Algorithm and architecture for map-matching streaming probe data | |
US7953548B2 (en) | Location-based information determination | |
JP5448367B2 (ja) | ルート決定方法およびデバイス | |
US11906309B2 (en) | Method and apparatus for providing a map matcher tolerant to wrong map features | |
US11231282B2 (en) | Method and apparatus for providing node-based map matching | |
CN105702073B (zh) | 一种基于路网决策点行程时间索引值的动态转向导航方法 | |
CN102538806A (zh) | 一种路径规划方法以及相关设备 | |
EP3561453B1 (en) | Method, apparatus and computer program product for determining likelihood of a route | |
US11578982B2 (en) | Method and apparatus for map matching trace points to a digital map | |
US9576490B1 (en) | Personalized navigation route for transportation device | |
US11348453B2 (en) | Method and apparatus for dynamic speed aggregation of probe data for high-occupancy vehicle lanes | |
CN111197991A (zh) | 基于深度神经网络的预测车辆最佳驾驶路径方法 | |
CN107917716B (zh) | 固定线路导航方法、装置、终端及计算机可读存储介质 | |
Kim et al. | Navopt: Navigator assisted vehicular route optimizer | |
Zhao et al. | CityDrive: A map-generating and speed-optimizing driving system | |
CN111028511A (zh) | 一种交通拥堵预警方法及装置 | |
CN107655490B (zh) | 基于移动用户轨迹分段和最热搜索的热点路径发现方法 | |
CN110750853B (zh) | 基于方向约束的路网连续k近邻查询方法 | |
CN105806355A (zh) | 一种车辆绿色路径导航系统及方法 | |
US20220082394A1 (en) | Method and apparatus for ridesharing pickup wait time prediction | |
Huang et al. | Frequent pattern-based map-matching on low sampling rate trajectories | |
CN113377828B (zh) | 拥塞感知的路网移动对象连续k近邻查询方法 | |
WO2012041732A1 (en) | A method and means for acquiring path information on the basis of mobile terminal handover information | |
US20220207993A1 (en) | Method, apparatus, and system for verifying a lane closure using probe data |
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 |