一种基于群组划分的不确定移动对象索引方法技术

本发明专利技术涉及一种基于群组划分的不确定移动对象索引方法，属于计算机空间数据库中的移动对象管理技术领域。本发明专利技术通过在传统不确定索引结构的基础上，增加群组划分策略以减少由频繁位置更新引起更新代价增加的问题。通过在大量移动对象集合中找到一些移动对象它们之间具有相似的运动轨迹。如果轨迹具有相似性，将它们划分为一个群组，对于同一个群组中的成员，因为移动对象彼此的位置信息相似，因此在进行位置更新时，只需要对一个移动对象进行位置更新，不需要实时显式更新每一个移动对象的位置信息。利用单个移动对象作为代表群组中具有相似运动轨迹的移动对象，基于这种更新策略，减少移动对象的更新次数，从而降低移动对象位置更新代价。

An indexing method for uncertain moving objects based on group partition

The invention relates to a method for indexing uncertain moving objects based on group partition, which belongs to the technical field of moving object management in a computer spatial database. On the basis of the traditional uncertain index structure, the invention adds a group partition strategy to reduce the update cost caused by frequent location updates. Moving objects are found in a large number of moving objects. If the trajectory is similar, they will be divided into a group, the members of the same group, because the location information of the mobile object is similar to each other, so the location update, only need to a mobile object location update, do not need more new explicit time of each moving object location information. A single moving object is used to represent a group of moving objects with similar trajectories. Based on this update strategy, the number of updates of the moving object is reduced, and the update cost of the moving object is reduced.

【技术实现步骤摘要】

本专利技术涉及一种基于群组划分的不确定移动对象索引方法，属于计算机空间数据库中的移动对象管理

技术介绍
传统数据库索引技术是为了存储精确数据而设计，其索引结构中存储着移动对象的精确位置。而由于移动对象的位置不确定性普遍存在，所以需要改进传统的索引结构来有效管理移动对象的不确定性。为解决如何高效管理移动对象实时变化的精确位置信息的问题，学者提出了一系列的索引结构，从查询位置信息的时间角度可分为两类：一类是针对历史位置位置信息的索引；另一类是针对移动对象当前及未来位置信息的索引。如TPR*树[1]、STAR[2]树和REXP树[3]都是基于参数化的索引方法对当前和未来位置信息进行管理。其中TPR树及其变种的TPR*树都是基于对R-tree的变形，其查询、插入和删除操作和R-tree相似，其自顶向下的更新模式会导致较大I/O代价，从而对于那些频繁进行位置更新的移动对象来说，难以满足更新要求；REXP树通过在节点上添加数据时间有效属性的策略，提高了失效数据的删除效率，从而提高更新性能；也有学者将移动对象的历史位置、当前位置和未来位置信息结合起来，提出PPFNx树[4]、RPPF树[5]等索引模型，打破了“多线”的限制。上述索引模型对于那些位置更新次数较少的移动对象的不确定性查询起到很好的查询效果，但是不能很好的处理移动对象频繁的位置更新问题。文献[6]提出了基于R-tree的自底向上的更新思想，其更新过程从树的叶子节点开>始，节省了查询时间，从而提高动态更新的性能，但是不足之处在于其索引的维护需要耗费大量的内存资源，从而导致系统的稳定性不高，且不适合解决频繁位置变化范围大的移动对象的问题。Tao[7]等人提出U-tree的索引模型，U-tree具有良好的动态结构使得数据的插入顺序可以任意改变和更新，而且对不确定数据本身的概率密度分布没有任何的限制。但是U-tree只适合于静态的移动对象不确定性索引。文献[8]提出了一种基于U-tree的高效率当前及未来不确定位置信息检索的TPU-tree，TPU-tree在基本的U-tree结构上增加记录移动对象不确定状态特征的数据结构，通过利用概率密度函数描述移动对象在不确定区域的位置分布，在保留原有位置记录的情况下加入时间特性，从而能对移动对象当前和未来位置信息进行检索。文献[9]在TPU-tree的基础上增加一个记录不确定移动对象状态特征的更新备忘录(UM)内存结构，提出一种支持频繁位置更新的不确定移动对象索引策略TPU2M树并提出了一种改进的基于备忘录(MMBU/I)的更新/插入算法。MMBU/I算法利用UM控制不确定移动对象的位置更新，在保留原有记录的情况下首先插入新记录，减少了查找时所需要的磁盘I/O，从而提高更新效率。但是TPU2M树需要额外的内存空间存放备忘录(UM)的信息，当UM中的记录个数逐渐增加时需要增加额外的空间清洗操作来保证较高的更新效率且当不确定移动对象个数较多时，更新后的叶子节点超过旧记录的MBR的概率会逐渐增加，因此更新效率会逐渐降低。文献[10]提出一种基于Bx树的不确定移动对象索引策略ABx树，该索引模型利用矩形框推论法则和蒙特卡洛模拟相结合的方法预测移动对象未来的位置信息，并提出了高效的概率范围查询和概率K最近邻查询，但是ABx树的不足之处在于对于频繁更新的移动对象位置信息导致资源消耗严重，增加更新代价。上文中提到的文献来源于如下的期刊：[1]TaoY，PapadiasD，SunJ.TheTPR*-Tree：AnOptimizedSpatio-TemporalAccessMethodforPredictiveQueries[J].VLDB，2003：790-801.[2]ProcopiucCM，AgarwalPK，Har-PeledS.STAR-Tree：AnEfficientSelf-AdjustingIndexforMovingObjects[M]//AlgorithmEngineeringandExperimentsSpringerBerlinHeidelberg，2002：178-193.[3]SaltenisS，JensenCS，IndexingofMovingObjectsforLocation-BasedServices[C]//ICDE，2002：0463-0463.[4]FangY，CaoJ，PengY，etal.EfficientIndexingofthePast，PresentandFuturePositionsofMovingObjectsonRoadNetwork[M]//Web-AgeInformationManagementSpringerBerlinHeidelberg，2013：223-235.[5]PelanisM，SaltenisS，JensenCS.IndexingthePast，Present，andAnticipatedFuturePositionsofMovingObjects[J].ACMTransactionsonDatabaseSystems(TODS)，2006，31(1)：255-298.[6]LeeML，HsuW，JensenCS，etal.SupportingFrequentUpdatesinR-Trees：ABottom-UpApproach[C]//Proceedingsofthe29thinternationalconferenceonVerylargedatabases-Volume29.VLDBEndowment，2003：608-619.[7]TaoY，ChengR，XiaoX，etal.IndexingMulti-DimensionalUncertainDatawithArbitraryProbabilityDensityFunctions[C]//Proceedingsof31stInternationalConference，VLDB2005MorganKaufmannPublishers，Inc，2005：922-933.[8]DingX，LuY，PanP，etal.U-TreeBasedIndexingMethodforUncertainMovingObjects[J].JournalofSoftware，2008，19(10)：2696-2705.[9]DingX，JingH，PanP.IndexingofUncertainMovingObjectswithFrequentUpdates[J].ChineseJournalo本文档来自技高网...

【技术保护点】
一种基于群组划分的不确定移动对象索引方法，其特征在于包括如下步骤：(1)首先在传统不确定移动对象索引TPU‑tree的基础上，增加移动对象群组划分策略，将整个索引结构分成空间层、分组层和数据层三层；(2)空间层是用于描述移动对象所在空间的位置信息。空间层中节点的记录形式<flag，MBR，ptr>。其中flag，MBR，ptr分别作为叶子节点标记位，最小边界矩形和指向下一层的指针。对于叶子节点，ptr指向分组层的节点；(3)分组层中GPTU‑tree节点的记录形式<g_id，ptr_r，ptr_g，MBR，th，time_update>。其中g_id，ptr_r，ptr_g，MBR，th，time_update分别是群组标记位，空间层叶子指针，数据层指针，分组空间位置范围，位置更新阈值和下一次位置更新时间；(4)在数据层中每个GTPU‑tree叶子节点的形式为<oid，ptr，PCR(pi)，MBR，v，pdf_ptr，next_flag>。其中oid，ptr，PCR(pi)，MBR，v，pdf_ptr，next_flag分别表示移动对象Mi的标记，指向分组层节点的指针，概率限定性区域，记录在数据库中的位置，速度向量，概率密度分布函数和是否存在下一个标记。...

【技术特征摘要】
1.一种基于群组划分的不确定移动对象索引方法，其特征在于包括如下步骤：
(1)首先在传统不确定移动对象索引TPU-tree的基础上，增加移动对象群组划分策略，
将整个索引结构分成空间层、分组层和数据层三层；
(2)空间层是用于描述移动对象所在空间的位置信息。空间层中节点的记录形式
<flag，MBR，ptr>。其中flag，MBR，ptr分别作为叶子节点标记位，最小边界矩形和指向下一
层的指针。对于叶子节点，ptr指向分组层的节点；
(3)分组层中GPTU-tree节点的记录形式<g_id，ptr_r，ptr_g，MBR，th，time_update>。其中
g_id，ptr_r，ptr_g，MBR，th，time_update分别是群组标记位，空间层叶子指针，数据层指针，分组
空间位置范围，位置更新阈值和下一次位置更新时间；
(4)在数据层中每个GTPU-tree叶子节点的形式为<oid，ptr，PCR(pi)，MBR，v，pdf_ptr，
next_flag>。其中oid，ptr，PCR(pi)，MBR，v，pdf_ptr，next_flag分别表示移动对象Mi的标记，指向分
组层节点的指针，概率限定性区域，记录在数据库中的位置，速度向量，概率密度分布函数
和是否存在下一个标记。
2.如权利要求1的一种基于群组划分的不确定移动对象索引方法，其特征要确定如何根
据历史一段轨迹进行群组划分，包括：
首先基于根据移动对象的历史时间一段轨迹数据，提取轨迹的空间轨迹相似度。其中空
间轨迹相似度主要参考相对方向、速率比、空间距离。然后通过判断两...

【专利技术属性】
技术研发人员：李博涵，张潮，秦小麟，夏斌，许建秋，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32