نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

با ظهور انواع مختلف فناوری های موقعیت یابی داخلی (به عنوان مثال، شناسایی فرکانس رادیویی، Wi-Fi، و iBeacon)، نحوه بازیابی سریع سلول های داخلی و اشیاء متحرک به یک عامل کلیدی تبدیل شده است که این برنامه های داخلی را محدود می کند. تکنیک های نمایه سازی مبتنی بر فاصله اقلیدسی برای اجسام متحرک در فضای باز به دلیل وجود موانع داخلی (مثلاً دیوارها) نمی توانند در فضاهای داخلی استفاده شوند. علاوه بر این، در حال حاضر، نمایه سازی اشیاء متحرک داخلی عمدتاً بر اساس پرس و جوی مربوط به فضا و کمتر بر اساس پرس و جوی معنایی است. برای پرداختن به این دو موضوع، مطالعه حاضر یک سلول مجاورت چند طبقه و شاخص مبتنی بر معنایی (MACSI) را پیشنهاد می‌کند. با ادغام فضای سلولی داخلی با فضای معنایی، MACSI سلول های باز را تقسیم می کند (به عنوان مثال، راهروها و لابی ها) با استفاده از نحو فضا و بهینه سازی فواصل مجاورت بین سلول های سه بعدی متصل (به عنوان مثال، آسانسور و پله) بر اساس هزینه کالری که فضای داخلی یک طبقه را به فضای داخلی سه بعدی گسترش می دهد. علاوه بر این، بر اساس نیازهای پرس و جو معنایی، این مطالعه همچنین یک درخت سلسله مراتب معنایی داخلی چند دانه بندی را پیشنهاد می کند و مسیرهای معنایی را ایجاد می کند. شبیه‌سازی گسترده و آزمایش‌های داده واقعی نشان می‌دهد که – در مقایسه با درخت دلتای مسیرهای داخلی (ITD-tree) و شاخص مبتنی بر معنایی (SI) – MACSI نتایج پرس‌وجو قابل‌اعتمادتری با پرس و جو معنایی و کارایی به‌روزرسانی به‌طور قابل‌توجهی تولید می‌کند. دارای قابلیت بسط معنایی برتر است. و از پرس و جوهای معنایی پیچیده چند دانه بندی پشتیبانی می کند. آسانسور و پله) بر اساس هزینه کالری که فضای داخلی یک طبقه را به فضای داخلی سه بعدی گسترش می دهد. علاوه بر این، بر اساس نیازهای پرس و جو معنایی، این مطالعه همچنین یک درخت سلسله مراتب معنایی داخلی چند دانه بندی را پیشنهاد می کند و مسیرهای معنایی را ایجاد می کند. شبیه‌سازی گسترده و آزمایش‌های داده واقعی نشان می‌دهد که – در مقایسه با درخت دلتای مسیرهای داخلی (ITD-tree) و شاخص مبتنی بر معنایی (SI) – MACSI نتایج پرس‌وجو قابل‌اعتمادتری با پرس و جو معنایی و کارایی به‌روزرسانی به‌طور قابل‌توجهی تولید می‌کند. دارای قابلیت بسط معنایی برتر است. و از پرس و جوهای معنایی پیچیده چند دانه بندی پشتیبانی می کند. آسانسور و پله) بر اساس هزینه کالری که فضای داخلی یک طبقه را به فضای داخلی سه بعدی گسترش می دهد. علاوه بر این، بر اساس نیازهای پرس و جو معنایی، این مطالعه همچنین یک درخت سلسله مراتب معنایی داخلی چند دانه بندی را پیشنهاد می کند و مسیرهای معنایی را ایجاد می کند. شبیه‌سازی گسترده و آزمایش‌های داده واقعی نشان می‌دهد که – در مقایسه با درخت دلتای مسیرهای داخلی (ITD-tree) و شاخص مبتنی بر معنایی (SI) – MACSI نتایج پرس‌وجو قابل‌اعتمادتری با پرس و جو معنایی و کارایی به‌روزرسانی به‌طور قابل‌توجهی تولید می‌کند. دارای قابلیت بسط معنایی برتر است. و از پرس و جوهای معنایی پیچیده چند دانه بندی پشتیبانی می کند. شبیه‌سازی گسترده و آزمایش‌های داده واقعی نشان می‌دهد که – در مقایسه با درخت دلتای مسیرهای داخلی (ITD-tree) و شاخص مبتنی بر معنایی (SI) – MACSI نتایج پرس‌وجو قابل‌اعتمادتری با پرس و جو معنایی و کارایی به‌روزرسانی به‌طور قابل‌توجهی تولید می‌کند. دارای قابلیت بسط معنایی برتر است. و از پرس و جوهای معنایی پیچیده چند دانه بندی پشتیبانی می کند. شبیه‌سازی گسترده و آزمایش‌های داده واقعی نشان می‌دهد که – در مقایسه با درخت دلتای مسیرهای داخلی (ITD-tree) و شاخص مبتنی بر معنایی (SI) – MACSI نتایج پرس‌وجو قابل‌اعتمادتری با پرس و جو معنایی و کارایی به‌روزرسانی به‌طور قابل‌توجهی تولید می‌کند. دارای قابلیت بسط معنایی برتر است. و از پرس و جوهای معنایی پیچیده چند دانه بندی پشتیبانی می کند.
کلید واژه ها: 

ماتریس مجاورت داخلی ; پرس و جو معنایی پیچیده داخلی ; سیر معنایی ; نمایه سازی برای اجسام متحرک داخل ساختمان

 

1. معرفی

بر اساس آمارهای موجود، انسان 87 درصد از زمان خود را در فضاهای داخلی [ 1 ] مانند خانه های شخصی و ساختمان های اداری می گذراند. بنابراین، انسان تعداد زیادی مسیر حرکت در داخل ساختمان را تولید می کند. به عنوان مثال، در 5 مارس 2016، 15 خط عملیاتی متروی پکن، حجم مسافر روزانه 9.6711 میلیون نفر را جابجا کردند [ 2 ]. مدیریت موثر داده های عظیم سلول های داخلی و اشیاء متحرک به ویژه برای بسیاری از برنامه ها، از جمله ردیابی اشیا [ 3 ]، ناوبری داخلی [ 4 ] و تخلیه اضطراری [ 5 ] مهم است.
به دلیل موانع ساختمانی، سیستم های موقعیت یاب جهانی (GPS) نمی توانند نتایج دقیق موقعیت یابی را در محیط های داخلی بدست آورند. اخیراً، با توسعه فناوری موقعیت‌یابی داخلی، حجم زیادی از داده‌های ردیابی در دسترس قرار گرفته‌اند که توسعه شدید سرویس مبتنی بر مکان داخلی (LBS) را به شدت ارتقا داده است. موقعیت یابی داخلی از فناوری های موقعیت یابی در فواصل کوتاه مانند شناسایی فرکانس رادیویی (RFID) [ 6 ]، WiFi [ 7 ، 8 ] و ZigBee [ 9] استفاده می کند.]. نمایش سیگنال های موقعیت یابی بین موقعیت یابی در فضای باز و داخلی متفاوت است. به عنوان مثال، سیگنال های موقعیت یابی در فضای باز GPS به طور کلی از مختصات طول و عرض جغرافیایی تشکیل شده است، در حالی که سلول های نمادین اغلب برای نشان دادن موقعیت داخلی استفاده می شوند [ 10 ].
علاوه بر این، فاصله اقلیدسی یا فاصله شبکه جاده اغلب به عنوان استاندارد اندازه گیری فضای باز استفاده می شود، اگرچه اولی به دلیل محدودیت های مختلف مانند دیوارها نمی تواند در فضاهای داخلی استفاده شود. همانطور که در شکل 1 نشان داده شده است ، فاصله بین اجسام O1 و O2 را نمی توان با استفاده از فاصله خط مستقیم اندازه گیری کرد. در عوض، طول خط اتصال C3، C2، C1، C9، C6 و C5 (خط قرمز) باید برای فضای داخلی استفاده شود. مناطق بیرونی دارای فضای آزاد هستند. همانطور که در شکل 2 نشان داده شده است، فاصله بین جسم متحرک O1 و O2 را می توان با استفاده از فاصله خط مستقیم یا فاصله شبکه جاده برای فضای بیرون اندازه گیری کرد. علاوه بر این، از منظر شناخت فضایی، تقاضای کاربر برای دقت موقعیت یابی داخلی [ 11] به طور قابل توجهی بالاتر از فضاهای بیرونی است و ایجاد اعتماد کاربر [ 12 ، 13 ] برای فضاهای داخلی نیز پیچیده تر است.
با توجه به تفاوت های ذکر شده، فناوری مدیریت اشیاء متحرک در فضای باز که بسیار بالغ است را نمی توان در فضاهای داخلی اعمال کرد. در حال حاضر، تحقیق بر روی شاخص های اجسام متحرک داخل ساختمان [ 14 ، 15 ، 16 ، 17] عمدتاً بر چشم انداز فضای فضایی متمرکز شده است، معمولاً فقط اجسام متحرک را در فضاهای داخلی تک طبقه در نظر می گیرد. مطالعات اندکی اجسام متحرک را در فضاهای داخلی چند طبقه و فضاهای معنایی در نظر گرفته اند. پایگاه داده های شی متحرک داخلی دارای داده های کاربر داخلی گسترده ای است. ترکیب فضاهای سلولی و معنایی داخلی برای ارائه قابلیت‌های جستجوی معنایی پایدار و کارآمد به کاربران می‌تواند فرصت‌های تجاری متعددی ایجاد کند. به عنوان مثال، برنامه‌های آنلاین به آفلاین در سال‌های اخیر توسعه بسیار زیادی را تجربه کرده‌اند و به تعداد فزاینده‌ای از کاربران اجازه می‌دهند تا محتوای مورد علاقه خود را به صورت آنلاین جستجو کنند و خدمات آفلاین را تجربه کنند. انواع مختلفی از نیازهای جستجو با صحنه های داخلی مرتبط هستند. به عنوان مثال، کاربر می تواند از یک برنامه برای جستجوی حلقه های ماهی مرکب سرخ شده استفاده کند. این برنامه لیستی از رستوران های مربوطه را که بر اساس فاصله آنها مرتب شده اند، برمی گرداند و کاربر با کمک سیستم ناوبری داخلی به رستوران انتخابی می رسد. به همین ترتیب، اپراتور مرکز خرید می تواند کاربرانی را که اغلب پس از خرید به سالن سینما می روند جستجو کرده و آخرین اطلاعات فیلم را به آنها تحویل دهد.
با توجه به ویژگی های محیط های داخلی و مسائل موقعیت یابی، این مقاله با هدف ایجاد یک شاخص موثر برای اجسام متحرک داخلی در فضاهای داخلی چند طبقه است که می تواند از پرس و جوهای فضایی معمولی سه بعدی پشتیبانی کند. با ترکیب سلول‌ها و فضاهای معنایی، سلول‌های معنایی چند دانه‌ای و جستجوی شی قابل تحقق است. یک سری آزمایش برای اثبات اینکه سیستم عملکردهای جستجو، به روز رسانی و گسترش بهتری دارد استفاده می شود.
به طور خلاصه، این مطالعه کمک های اصلی زیر را انجام می دهد:

  • یک استراتژی نمایه سازی جدید برای اشیاء متحرک داخلی، به عنوان مثال، سلول مجاورت چند طبقه و شاخص مبتنی بر معنایی (MACSI)، پیشنهاد شده است. این شاخص نه تنها رابطه مجاورت بین سلول‌های داخلی ساده (مثلاً اتاق) را در نظر می‌گیرد، بلکه شامل سلول‌های باز (مانند راهروها و لابی‌ها) و سلول‌های متصل در طبقات (مانند آسانسور و پله) است. سلول های باز با استفاده از نحو فضا تقسیم می شوند تا اطمینان حاصل شود که فضاهای سلولی مجاور معقول هستند و فاصله مجاورت بین سلول های متصل در طبقات بر اساس هزینه کالری بهینه می شود. با توجه به دانش نویسندگان، این اولین بار است که یک شاخص برای اجسام متحرک داخلی، بر اساس رابطه مجاورت بین سلول های داخلی، از یک طبقه به فضاهای داخلی چند طبقه گسترش یافته است.
  • مطالعه حاضر یک درخت سلسله مراتب معنایی چند دانه بندی داخلی (MGSH-tree) را پیشنهاد می کند که از پرس و جوها برای سلول ها و اشیاء معنایی پیچیده داخلی پشتیبانی می کند و قابلیت بسط معنایی را بهبود می بخشد.
  • یک مدل مسیر معنایی بر اساس MGSH-درخت داخلی پیشنهاد شده است. این مدل از پرس‌و‌جوها برای مسیرهای معنایی پیچیده پشتیبانی می‌کند و به کاستی مسیرهای سنتی، که فقط نقاط رفتار کاربر را نشان می‌دهند، رسیدگی می‌کند. این مدل خدمات جستجوی مسیر متنوع تری را برای برنامه ها ارائه می دهد و به برنامه های کاربردی متعدد برای دستیابی به بازیابی و تحلیل مسیر معنایی کارآمد کمک می کند.
  • درخت دلتا مسیرهای داخلی (ITD-tree) [ 14 ] عملکرد نسبتاً خوبی برای اجسام متحرک داخل ساختمان بر اساس رابطه مجاورت بین سلول های داخلی است، و شاخص مبتنی بر معنایی (SI) [ 18 ] در حال حاضر یکی از معدود شاخص ها برای فضاهای معنایی داخلی برای نشان دادن برتری MACSI در فضاهای سلولی داخلی و فضاهای معنایی، آزمایش‌ها بر روی مجموعه داده‌های شبیه‌سازی شده و واقعی انجام می‌شود. مشخص شده است که MACSI نسبت به ITD-tree و SI در جستجوهای سلول های معنایی، اشیاء و مسیرها سودمند است و MACSI برای سناریوهای کاربردی داخلی واقعی کاربرد بیشتری دارد.
بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 مطالعات قبلی مربوط به مطالعه حاضر را خلاصه می کند و تفاوت های آنها را روشن می کند. بخش 3 برخی از مفاهیم اساسی را تعریف می کند. بخش 4 MACSI را به تفصیل شرح می دهد. بخش 5 مزایای MACSI را از طریق یک سری آزمایش های مقایسه ای نشان می دهد. بخش 6 نتیجه گیری این مطالعه و چشم اندازی برای کار آینده را ارائه می دهد.

2. کارهای مرتبط

2.1. نمایه سازی اجسام متحرک در فضای باز

در حال حاضر، چندین تکنیک نمایه سازی مبتنی بر فاصله اقلیدسی برای اجسام متحرک وجود دارد، مانند پارتیشن بندی زمانی R(TPR)-tree مبتنی بر نوع R-tree [19] و R* (TPR*)-tree با پارامتر زمانی [ 20 ]، که می تواند برای نمایه سازی موقعیت فعلی و آینده اجسام متحرک، و همچنین درخت سه بعدی R(MV3R) چند نسخه ای [ 21 ]، درخت R(HR) تاریخی [ 22 ] و بسته مسیری استفاده شود. (TB)-tree [ 23 ]، که می تواند برای نمایه سازی مسیرهای تاریخی اجسام متحرک استفاده شود. در نهایت، درخت R(FNR) ثابت [ 24 ]، اشیاء متحرک در شبکه ها (MON) -درخت [ 25 ] و درخت R(DSTR) با مسیر پویا [ 26]] ایندکس کردن اجسام متحرک بر اساس شبکه های جاده ای.

2.2. نمایندگی و زیربخش فضایی فضاهای داخلی

اجسام متحرک داخلی در معرض محدودیت های فضای داخلی هستند. بنابراین، در نمایش و مدل‌سازی فضاهای داخلی، تقسیم‌بندی فضا نقش مهمی را در مدیریت اجسام متحرک داخلی ایفا می‌کند [ 27 ، 28 ، 29 ]. به طور خلاصه، روش های تقسیم بندی فضای داخلی عبارتند از روش هندسی، روش نمودار و ترکیبی از اینها. روش هندسی به بیان یک فضای داخلی [ 30 ] توجه می کند که عمدتاً شامل یک مدل شطرنجی [ 31 ، 32 ، 33 ، 34 ] و یک مدل برداری بر اساس مرز [ 30 ، 35 ، 36 است.]. مدل شطرنجی از شبکه های منظم [ 31 ] و نامنظم [ 32 ، 33 ، 34 ] تشکیل شده است. روش گراف یک روش محبوب برای مدلسازی فضاهای داخلی است. جنسن و همکاران [ 37 ] یک مدل نمودار اتصال داخلی با اتاق های داخلی به عنوان گره ها و درها به عنوان لبه ها ایجاد کرد.
علاوه بر این، یانگ و همکاران. [ 38 ]، یوان و همکاران. [ 39 ] و کانگ و همکاران. [ 40 ] مدل هایی را بر اساس نمودارها ایجاد کرد. روش ترکیبی از مزایای هر روش برای پشتیبانی از مدیریت چند منظوره استفاده می کند. بکر و همکاران [ 41 ] یک مدل رویداد فضایی چند لایه را پیشنهاد کرد که ساختار رابطه گره (NRS) را به لایه‌های فضایی متعدد، از جمله لایه‌های هندسی، توپولوژیکی و حسگر گسترش می‌دهد. لی و همکاران [ 42 ] مدلی از فضای داخلی پیشنهاد کرد که ویژگی‌های هندسی و توپولوژیکی فضا را در نظر می‌گیرد و می‌تواند ارتباط و ویژگی‌های هندسی آن را نشان دهد.
زلاتانوا و همکاران [ 43 و 44 ] یک چارچوب مفهومی پیشنهاد کرد که به تقسیمات فیزیکی و مفهومی فضای داخلی مربوط می شود و ریشه در شش مفهوم زیر دارد: فضا، پارتیشن، عامل، فعالیت، منبع و اصلاح کننده.

2.3. نمایه سازی اجسام متحرک داخلی

شاخص مبتنی بر سلول تطبیقی ​​برای اجسام متحرک داخلی (ACII) پیشنهاد شده توسط Shin و همکاران. [ 45 ] لحظات تاریخی و کنونی را نمایه می کند. جنسن و همکاران [ 15 ] درخت خواننده زمان R (RTR) و نقطه پارامتر زمان R (TP 2 R) -tree را پیشنهاد کرد. ایده اصلی درخت RTR این است که مسیر یک شی را به چندین عنصر خطی تقسیم کند. درخت R TP 2 پارامتر زمان را در نمایه سازی نقاط مسیر معرفی می کند. علمری و همکاران [ 14 ، 16 ، 17] شاخصی را برای اجسام متحرک بر اساس اتصال سلول های داخلی پیشنهاد کرد. این شاخص انواع مختلفی از جستجوها را پشتیبانی می‌کند (از جمله جستجو برای اتصال شی و k-نزدیک‌ترین همسایه [k-NN]) اما توجه کمتری به سلول‌های باز (مانند راهروها و لابی‌ها) و سلول‌های متصل سه‌بعدی (مانند پله‌ها و آسانسورها) می‌دهد. ). شاخص علمری و همکاران عمدتاً برای نمایه سازی اجسام متحرک در یک فضای داخلی تک طبقه استفاده می شود. بر اساس سلول های مجاور داخلی Alamri و همکاران، در اینجا، سلول های باز (به عنوان مثال، راهروها و لابی ها) با استفاده از نحو فضایی تقسیم می شوند [ 46 ، 47 ، 48]]، و فواصل مجاورت بین سلول های سه بعدی متصل (به عنوان مثال، پله ها و آسانسورها) بر اساس هزینه کالری بهینه شده است، در نتیجه کاربرد نمایه سازی از فضاهای داخلی تک طبقه به فضاهای داخلی چند طبقه گسترش می یابد.

2.4. نمایه سازی معنایی داخلی

جین و همکاران [ 49 ] یک فضای داخلی را به اتاق ها، درها، حسگرها و اشیاء ثابت تقسیم کرد و روابط معنایی بین اشیاء متحرک و عناصر داخلی برقرار کرد. بن و همکاران [ 18 ] یک SI پیشنهاد کرد که سلول های داخلی را به صورت معنایی طبقه بندی می کند و از پرس و جوهای مبتنی بر معنایی پشتیبانی می کند. با این حال، از آنجا که SI نمایه سازی را از طریق مقوله های معنایی محدود انجام می دهد، SI دارای قابلیت بسط معنایی محدودی است. علاوه بر این، SI پشتیبانی نسبتا ضعیفی را برای جستجوهای مبتنی بر محدودیت فضایی (به عنوان مثال، جستجو برای k-NN و اتصال) فراهم می کند. MACSI فضای سلولی داخلی را با فضاهای معنایی ادغام می کند و نمایه سازی معنایی دقیق و قابلیت های بسط کلمه کلیدی معنایی SI را از طریق نمایه سازی معکوس بهبود می بخشد.
به طور خلاصه، برخلاف نمایه سازی اجسام متحرک در فضاهای بیرونی، ویژگی های جستجوهای چند طبقه و جستجوهای معنایی نیز باید به طور جامع برای فضاهای داخلی در نظر گرفته شود. بنابراین، ایجاد شاخصی برای اجسام متحرک در فضاهای داخلی چند طبقه که از جستجوهای معنایی پیچیده پشتیبانی می کند، حیاتی است.

3. مقدماتی

این بخش تعاریف رسمی برخی از مفاهیم اساسی را ارائه می دهد. بخش 3.1 مفاهیم مربوط به فضاهای سلولی داخلی را تعریف می کند. بخش 3.2 مفاهیم مربوط به فضاهای معنایی داخلی را تعریف می کند. بخش 3.3 تعریف رسمی از مسیرهای معنایی داخلی را ارائه می دهد. جدول 1 نمادهای مورد استفاده در این مقاله را فهرست می کند.

3.1. تعریف فضاهای سلولی داخلی

تعریف  1.

برای یک مجموعه معین از سلول ها، C = {C1، C2، C3، …، Cn}، اگر هر شی دلخواه، Oi، نیازی به عبور از سلول دیگری در هنگام حرکت از Cx به Cy ندارد، جایی که x∈ n و y ∈ n، سپس  Cx و Cy سلول های مجاور هستند.
تعریف  2.

برای یک مجموعه معین از سلول ها، C = {C1، C2، C3، …، Cn}، و برای هر دو جسم متحرک دلخواه، Oi(xi، yi) و Oj(xj، yj)، CDist(Oi، Oj) = |Ci، Cj، …، Cn| −1 تعداد سلول‌هایی را نشان می‌دهد که باید منهای 1 از آنها عبور کرد  . و Px(xj,yj) (). همانطور که در شکل 1 نشان داده شده است ، فاصله سلولی بین O1 و O2 برابر است با |C3, C2, C1, C9, C6, C5| -1 = 5; طول خط نقطه چین فاصله اقلیدسی بین O1 و O2 است (EDist(O1, O2)). طول خط قرمز فاصله واقعی بین O1 و O2 است (RDist(O1, O2)).

3.2. تعاریف معانی معنایی داخلی

تعریف  3.

برای یک مجموعه معین از کلیدواژه های سلول داخلی، K = {K1، K2، K3، …، Ki، …، Kn}، و برای هر سلول داخلی، Ci، معنای معنایی سلولی آن  با SCi = {Ci,{K1، بیان می شود. K2، …،Ki، …، Kn}}، که در آن .
تعریف  4.

برای یک مجموعه معین از کلمات کلیدی شی متحرک، J = {J1، J2، J3، …، Jn}، و برای هر شی متحرک دلخواه، Ox،  معنای معنایی آن با SOx = {Ox،{J1، J2، …Ji بیان می‌شود. ، …، Jn}}، که در آن .
تعریف  5.

برای یک کلمه کلیدی معنایی داده شده، Ki، و یک گره ریشه داده شده از درخت معنایی، SRoot، اگر یک مسیر دسترسی به گره وجود داشته باشد، SiTr = SRoot- > SLevel2- > SLevel3 – > …- > SLeveln، که از طریق آن گره معنایی حاوی Ki را می توان یافت، سپس گره معنایی با  Si = {SRoot، SLevel2، SLevel3، …، SLeveln} بیان می شود (عمق Si: SDepth = |SiTr| -1، که در آن |SiTr| نشان دهنده تعداد گره ها در خط سیر معنایی).

3.3. تعریف مسیرهای معنایی داخلی

تعریف  6.

برخلاف فضای اقلیدسی بیرونی، مسیر حرکت یک شیء متحرک در فضای داخلی را نمی توان مستقیماً با سری مختصات بیان کرد زیرا انجام این کار می تواند منجر به پدیده «عبور از دیوار» شود. برای یک مجموعه معین از اشیاء، O = {O1, O2, O3, …, On} و مجموعه داده شده از سلولها, C = {C1, C2, C3, …, Cn}، مسیر حرکت یک جسم متحرک داخلی برابر است با اغلب با بیان شده است، که در جدول 2 نشان داده شده است ،  جایی که pn نشان دهنده عدد متوالی نقطه تعیین مسیر است، Cx نشان دهنده فضای سلولی است که جسم متحرک داخلی در آن قرار دارد، Sti نشان دهنده زمانی است که در آن جسم متحرک داخلی وارد Cx می شود. و Eti زمانی را نشان می دهد که در آن جسم متحرک داخلی از Cx خارج می شود. بر اساس رابطه ترتیبی بین Stis، مسیر کاربر نشان داده شده استشکل 3 را می توان با توالی نمادهای نشان داده شده در شکل 4 بیان کرد .
تعریف  7.

برای یک مسیر معین از یک جسم متحرک معین، مسیر معنایی آن با، که در آن SDepth(Si) = SDepth(STree) بیان می شود  .

4. ساختار شاخص MACSI

این بخش MACSI را به طور مفصل معرفی می کند. ابتدا، چندین پرس و جو داخلی که توسط MACSI پشتیبانی می شوند توضیح داده شده اند ( جدول 3 را ببینید ). بخش 4.1 ساختار کلی شاخص MACSI را شرح می دهد. بخش 4.2 یک درخت مبتنی بر سلول های مجاور چند طبقه (MAC-tree) را معرفی می کند. بخش 4.3 یک شاخص معنایی چند دانه بندی (MGSI) را پیشنهاد می کند.

4.1. ساختار کلی شاخص

MACSI دو بعد را به طور جامع در نظر می گیرد: بعد فضایی و معنایی ( شکل 5 ). برای بعد فضایی، این مطالعه با گسترش درخت ITD علمری و همکاران، یک MAC-tree ایجاد می کند. MAC-tree سلول‌های باز و سلول‌های متصل سه‌بعدی را با استفاده از نحو فضا و هزینه کالری به‌ترتیب بهینه‌سازی می‌کند، از این رو کاربرد نمایه‌سازی را از فضاهای داخلی تک طبقه به فضاهای داخلی چند طبقه گسترش می‌دهد. علاوه بر این، MAC-tree اشیاء متحرک را در یک فضای سلولی از طریق یک جدول سلول-شی فهرست می کند و مسیرهای تاریخی اشیاء متحرک را با استفاده از جدول ثبت اشیا ثبت می کند.
برای بعد معنایی، مطالعه حاضر یک MGSI را ایجاد می‌کند که شامل گره‌های دسته‌بندی معنایی است که با استفاده از سطوح معنایی و یک ساختار بسط معنایی ریزدانه ایجاد شده از طریق نمایه‌سازی معکوس معنایی تشکیل شده‌اند. همانطور که در شکل 5 نشان داده شده است ، مسیر حرکت O1 Pizza Hut-> Guess-> KFC-> Nike-> Adidas->7-11 است. مسیر معنایی چند دانه ای بر اساس درخت MGSH به دست می آید. برای تحقق جستجوی اشیاء متحرک، یک نمایه معکوس معنایی برای اجسام متحرک با استفاده از نمایه سازی معکوس شی معنایی ایجاد می شود. جدول مسیرها با ادغام جدول ثبت اشیا با مسیرهای معنایی تشکیل می شود و برای نمایه سازی مسیر اجسام متحرک استفاده می شود.

4.2. MAC-Tree

4.2.1. تولید فضاهای سلولی

تأثیر موانع (به عنوان مثال، ستون ها، میزها و صندلی ها) در یک محیط داخلی نادیده گرفته می شود. بر اساس عناصری مانند دیوارها و درها، یک فضای داخلی را می توان به سلول های اتاق و سلول های باز (مانند اتاق نشیمن و راهرو) تقسیم کرد. هنگامی که یک جسم متحرک در یک سلول خاص حرکت می کند، سلول بعدی که جسم متحرک از آن عبور می کند باید یک سلول مجاور باشد. بر اساس این مشخصه و رابطه مجاورت بین سلول های داخلی، ماتریس فاصله مجاورت فضای سلولی داخلی به دست می آید (0 نشان دهنده یک سلول و 1 نشان دهنده سلول مجاورت است) و بنابراین با تکرار این فرآیند، ماتریس فاصله جهانی از فضای سلولی داخلی را می توان به دست آورد. شکل 6 ساختارهای سه بعدی طبقه 1 و طبقه 2 یک ساختمان خاص را نشان می دهد. جدول 4ماتریس فاصله مجاورت سلول های مربوطه را نشان می دهد. هنگام مدیریت اجسام متحرک داخلی، ماتریس فاصله مجاورت داخلی و الگوریتم بسط [ 16 ] می تواند برای مکان یابی گره های مربوطه برای ساخت یک شاخص فضایی استفاده شود. شکل 7 مراحل گسترش را با استفاده از الگوریتم بسط بر اساس رابطه مجاورت فضایی نشان می دهد. خوانندگان علاقه مند می توانند برای اطلاعات بیشتر به اثر سلطان علمری [ 14 ، 16 ، 17 ] مراجعه کنند.

4.2.2. پردازش سلول های باز

مقیاس یک سلول باز به طور کلی بزرگتر از یک سلول اتاق است. اگر سلول های باز (به عنوان مثال، راهروها) به عنوان سلول های مستقل در نظر گرفته شوند، منطقی بودن فواصل مجاورت آسیب می بیند. همانطور که در شکل 6 نشان داده شده است ، C18 یک راهرو متصل است. اگر فقط از دیوارها و درها برای تقسیم فضای داخلی استفاده شود، CDist(C1, C8) = |C1,C18,C8| − 1 = 2 و CDist(C1, C5) = |C1,C18,C5| = 2. با این حال، در واقعیت، تفاوت نسبتا زیادی بین CDist (C1, C8) و CDist (C1, C5) وجود دارد. برای مشکلات سلول باز، این مطالعه از نحو فضا برای تعریف ساختار فضای سلولی ظریف‌تر با مقیاس کوچک‌تر استفاده می‌کند.
نحو فضا شامل سه نوع اصلی روش تحلیلی است: تحلیل محوری، تحلیل خط بصری و تحلیل فضای محدب. تجزیه و تحلیل خط بصری ممکن است باعث شود راهروهایی در یک جهت به یک سلول تقسیم شوند. همانطور که در شکل 8 نشان داده شده است، یک جسم فقط باید از C18 در هنگام حرکت از C1 به C20 و از C1 به C19 عبور کند. فاصله سلولی در هر دو مورد یکسان است که به وضوح غیر منطقی است. تحلیل فضای محدب درها را به عنوان یک گروه نقطه مرجع در یک فضای محدب تعریف می کند. بنابراین، درها ممکن است با سازه های طبیعی (به عنوان مثال، دیوارها و سایر درها ) منطبق باشند . در این کار سلول های باز با استفاده از تحلیل محوری تقسیم می شوند. همانطور که در شکل 8 نشان داده شده استفضاهای راهرو ابتدا به محور انتزاع می شوند. بر اساس روابط عمودی آنها، درها بر روی محورهای راهرو برای به دست آوردن نقاط متقاطع جدید نقشه برداری می شوند. از آنجایی که دقت موقعیت یابی فعلی داخلی معمولاً 3 متر [ 50 ] است، گره هایی با فاصله مجاورت کمتر از 3 متر در یک گره جدید (بخش های زرد رنگ در شکل 8 ) ادغام می شوند تا از فواصل بسیار کوتاه جلوگیری شود، که می تواند منجر به موارد غیر منطقی شود. تقسیم بندی سلول های مجاور در نهایت، نیم‌ساز عمود بر گره‌های مجاور تولید می‌شود تا آنها را به چند سلول تقسیم کند.

4.2.3. پردازش سلول های سه بعدی متصل (مانند پله ها و آسانسورها)

با توجه به نمایه سازی اجسام متحرک در یک فضای داخلی چند طبقه، Shin et al. [ 31 ] طبقات را جدا کرد و سلول های سه بعدی متصل (مانند آسانسورها و پله ها) را به عنوان سلول های منظم در نظر گرفت. با این حال، این روش نتایج پرس و جو غیر قابل اعتماد را تولید می کند. همانطور که در استریوگراف در شکل 9 نشان داده شده است، یک جسم متحرک هنگام جستجوی دستشویی، دستشویی دورتر را در همان طبقه انتخاب می کند، در حالی که جسم متحرک فقط باید به طبقه بالا برود تا به دستشویی نزدیکتر به او برسد.
باست و همکاران [ 51 و 52 ] دریافتند که سرعت راه رفتن یک جسم متحرک و هزینه کالری آن زمانی که فرد از پله ها بالا و پایین می رود و راه می رود به طور قابل توجهی متفاوت است. اگر آسانسورها و پله ها به عنوان سلول های اتاق معمولی تنظیم شوند، منطقی بودن ماتریس فاصله مجاورت نقض می شود. در اینجا، فاصله مجاورت بین سلول های سه بعدی متصل (به عنوان مثال، پله ها و آسانسورها) بر اساس هزینه کالری تنظیم می شود، که عمدتا به انرژی مصرف شده توسط فعالیت های انسانی اشاره دارد، شدت های مختلف فعالیت هزینه های کالری متفاوتی دارند.
برای پله ها، چوان و همکاران. [ 53 و 54 ] به طور تجربی نشان داد که نسبت هزینه کالری یک جسم متحرک هنگام بالا رفتن از پله ها به میزان مصرف شده توسط جسم متحرک هنگام پایین آمدن از پله ها تقریباً 3:1 است. بنابراین، در این مطالعه، فواصل مجاورت بین سلول‌های متصل سه‌بعدی برقرار می‌شود و ماتریس مجاورت متقارن به یک ماتریس مجاورت نامتقارن تبدیل می‌شود. ابتدا، سلول پله ای به طور منطقی به دو سلول، مربوط به پله های صعود و پله های پایین، تقسیم می شود. سلول پله صعودی به سه سلول فرعی تقسیم می شود. در ماتریس مجاورت، سلول پله صعودی دارای فاصله 3 و سلول نزولی دارای فاصله 1 است. همانطور که در شکل 10 نشان داده شده است.، C18 به یک سلول پله صعودی و یک سلول پله نزولی تقسیم می شود. سلول پلکانی صعودی به سه سلول فرعی تقسیم می شود. با استفاده از روش اندازه‌گیری فاصله، ماتریس کلی فضای سلولی داخلی به دست می‌آید ( جدول 5 )، که تفاوت هزینه بین سلول پله صعودی و سلول پله نزولی را نشان می‌دهد. به عنوان مثال، CellDist(C1، C20) = 8، در حالی که CellDist(C20، C1) = 6.
برای آسانسورها، تأثیر جریان‌های مردم و موقعیت‌های خاص (مثلاً امداد و نجات اضطراری) روی آسانسورها حذف می‌شود و مشکل برای تسهیل تحقیقات در مورد هزینه‌های کالری ساده‌تر می‌شود. هزینه های بالابر آسانسور بین طبقات مختلف همه بر روی 1 تنظیم شده است. به عنوان مثال، هزینه از بالابر آسانسور در طبقه 1 تا بالابر آسانسور در طبقه 2 1 است، همانطور که از بالابر آسانسور در طبقه 1 تا آسانسور است. بالابر در طبقه 3. جدول 5 ماتریس مجاورت داخلی را نشان می دهد. C19 بالابر آسانسور است. واضح است که CellDist(C1, C21) = 8 و CellDist(C1, C22) = 8، که در آن C21 یک سلول اتاق در طبقه 2 است و C22 یک سلول اتاق در طبقه 3 است.

4.3. MGSI

4.3.1. MGSH-درخت

MAC-tree رابطه توپولوژیکی فضایی را منعکس می کند اما پشتیبانی نسبتا ضعیفی برای معانی معنایی ارائه می دهد. مطالعه حاضر یک درخت MGSH را برای برآوردن نیازهای معنایی مختلف ایجاد می کند. همانطور که در شکل 11 نشان داده شده است ، ابتدا کلمات کلیدی معنایی از سلول های فضایی استخراج می شوند. یک ساختار سلسله مراتبی معنایی بر اساس روابط معنایی بین کلمات کلیدی ایجاد می شود. با توجه به نیازهای معنایی ریز دانه و قابلیت بسط معنایی، نمایه سازی معکوس بر روی گره های برگ درخت MGSH انجام می شود. روابط بین کلمات کلیدی معنایی و سلول‌های داخلی ساخته می‌شود که عملکرد پرس و جو را به طور قابل توجهی بهبود می‌بخشد و قابلیت بسط معنایی را تضمین می‌کند. به عنوان مثال، مسیر سلسله مراتبی معنایی پیتزا هات در شکل 11است خرید-> غذا-> پیتزا-> پیتزا هات. اسپاگتی که یک کلمه کلیدی شاخص معکوس است به پیتزا هات اضافه می شود. از طریق اسپاگتی، KFC و پیتزا هات هر دو را می توان یافت. هنگامی که پیتزا هات نیاز به به روز رسانی کلمات کلیدی خود دارد (به عنوان مثال، یک محصول جدید، میگوهای وانیلی دم ققنوس، اضافه می شود)، یک رابطه نقشه برداری بین میگوهای دم ققنوس وانیلی و پیتزا هات را می توان در شاخص معکوس ایجاد کرد. بنابراین، بسط معنایی حاصل می شود.
شکل 12 الگوریتمی را نشان می دهد که توسط آن MACSI برای نزدیکترین سلول معنایی پرس و جو می کند. الگوریتم مرتب‌سازی سریع عمدتاً برای به دست آوردن نزدیک‌ترین فهرست سلول‌های مجاور پس از مرتب‌سازی سریع فواصل مجاورت بین سلول جستجو و سلول هدف استفاده می‌شود.

4.3.2. مدلسازی مسیر معنایی

مدل‌سازی مسیر معنایی در فضای باز اغلب مکان‌های جغرافیایی نقاط توقف کاربران را خوشه‌بندی می‌کند و مسیرهای معنایی را بر اساس توالی زمانی پس از تشکیل نقاط معنایی ایجاد می‌کند [ 55 ]. از آنجا که یک فضای داخلی دارای مقیاس نسبتا کوچک و ویژگی های پراکنده است و فاصله اقلیدسی در فضای باز برای فضای داخلی مناسب نیست، نمی توان از روش های مدل سازی مسیر بیرونی برای فضاهای داخلی استفاده کرد. با استفاده از درخت MGSH، مطالعه حاضر یک شاخص سلسله مراتب معنایی برای هر سلول فضایی از پایین به بالا ایجاد می کند. در نتیجه، مسیر یک کاربر حاوی اطلاعات معنایی چند دانه بندی است.
مسیرها در یک فضای سلولی داخلی چند طبقه با مسیرهای موجود در فضای اقلیدسی بیرونی متفاوت است. در نمایه سازی در فضای باز، نقاط موقعیت یابی مبتنی بر مختصات ذخیره می شوند، در حالی که نقاط مسیر اولیه به دست آمده در یک فضای سلولی داخلی، اعداد اتاق هستند. همانطور که در شکل 13 نشان داده شده است، یک جسم متحرک از استارباکس به فروشگاه اپل حرکت می کند و به مدت 10 تا 30 دقیقه در فروشگاه اپل می ماند و متعاقباً به فروشگاه Levis می رسد. سپس، جسم متحرک برای خرید به طبقه بالا می رود. مسیر کاربر را می توان به سادگی به صورت Starbucks-> Apple-> Levis بیان کرد. با این حال، فقط استفاده از شماره اتاق یا شماره برند نمی تواند رفتار کاربر را در سطوح مختلف منعکس کند.
همانطور که در شکل 14 الف نشان داده شده است، مسیر کاربر 1 Nike-> Puma-> Adidas، مسیر کاربر 2 Guess-> Samsung-> Apple و مسیر کاربر 3 Nike-> Puma-> Adidas است. بر اساس روش مورد استفاده برای پردازش فضاهای بیرونی، تأثیر طبقات حذف می شود و شباهت بین اشکال مسیرهای مسطح داخلی اندازه گیری می شود. نتایج نشان می دهد که مسیرهای کاربر 1 و کاربر 2 شبیه ترند. با این حال، کاربر 1 و کاربر 3 هر دو علاقه مند به خرید کالاهای ورزشی هستند. بنابراین شباهت بین کاربر 1 و کاربر 3 باید بیشتر باشد. از این رو این روش برای فضاهای داخلی مناسب نیست.
فقط استفاده از سلسله مراتب معنایی درشت باعث عدم دقت شباهت واقعی می شود. همانطور که در شکل 14 B در سلسله مراتب معنایی درشت دانه نشان داده شده است، فضای سلولی به یک کلمه کلیدی معنایی خاص مرتبط است. واضح است که این چهار کاربر عادت مصرف مشابهی دارند – همه آنها به خرید علاقه دارند. با این حال، تفاوت بین کاربران به صورت بصری منعکس نمی شود. در سلسله مراتب معنایی دقیق، شباهت بین کاربران را می توان به دقت اندازه گیری کرد. همانطور که در شکل 14 نشان داده شده استج، در سلسله مراتب معنایی دقیق، بدیهی است که کاربر 1 و کاربر 3 هر دو علاقه مند به خرید کالاهای ورزشی هستند که با رفتار واقعی آنها مطابقت دارد. با این حال، مسیرهای متعددی از اجسام متحرک داخل ساختمان وجود دارد. استفاده از سلسله مراتب معنایی ریزدانه باعث می شود که اندازه گیری شباهت بین کاربران در دام محلی بیفتد. همانطور که در شکل 14 C نشان داده شده است، کاربر 4 هنگام خرید کالاهای ورزشی از فروشگاه اپل بازدید می کند. بر اساس طولانی ترین الگوریتم متداول زیر دنباله [ 56]، شباهت بین کاربر 1 و کاربر 4 نسبتا کم است که با وضعیت واقعی ناسازگار است. در این کار، درخت MGSH برای پردازش توالی های مسیر و ایجاد یک شاخص معنایی برای هر دو مدل سلسله مراتب معنایی درشت و ریز دانه به کار گرفته می شود تا تشخیص رفتار کاربران را بهبود بخشد. همانطور که در شکل 14 D نشان داده شده است، مسیرهای کاربران حاوی اطلاعات معنایی چند دانه بندی هستند. کاربر 3 بیشترین شباهت را به کاربر 1 دارد، کاربر 4 دومین شباهت به کاربر 1 و کاربر 2 کمترین شباهت را به کاربر 1 دارد که با وضعیت واقعی مطابقت دارد.
شکل 15 الگوریتم یک پرس و جو مسیر معنایی را توصیف می کند. تابع getLcsLength طول حداکثر توالی مشترک بین دنباله کلمه کلیدی مسیر هدف و دنباله کلمه کلیدی معنایی شی را برمی‌گرداند:

5. نتایج تجربی و تجزیه و تحلیل

این بخش کارایی جستجو، به روز رسانی و گسترش MACSI را از طریق یک سری آزمایش های مقایسه ای تأیید می کند. یک رایانه شخصی با پردازنده Core i7-4790 اینتل 3.6 گیگاهرتز و حافظه با دسترسی تصادفی 4 گیگابایتی به عنوان محیط عملیاتی برنامه استفاده شد. این برنامه از طریق جاوا محقق شد. یک ماتریس مجاورت بر اساس پلان یک ساختمان 22 طبقه در تیانجین چین ایجاد شد و به عنوان داده های شبیه سازی شده استفاده شد. علاوه بر این، مسیرهای متحرک با استفاده از پلان طبقه داده شده ایجاد شد. شکل 16 پلان طبقه ساختمان و نقاط موقعیت یابی شبیه سازی شده اجسام متحرک را نشان می دهد. یک مرکز خرید در پکن، چین، به عنوان محیط آزمایشی داده های واقعی انتخاب شد. مساحت این مرکز خرید 180000 متر مربع استیک منطقه تجاری به مساحت 120000 متر مربع ، شش طبقه بالای زمین و چهار طبقه زیر زمین. برای پشتیبانی از جستارهای مرتبط با معنایی، سطح معنایی هر فروشگاه و برند به صورت دستی ایجاد شد. کلمات کلیدی از ویکی پدیا برای ایجاد یک نمایه معکوس استخراج شدند. در محیط واقعی داده‌ها، 60 شی متحرک با سن، جنس و پیشینه‌های مختلف که آزادانه خرید می‌کردند انتخاب شدند و مسیرهای متحرک داخلی آنها به‌دست آمد. شکل 17 پلان معماری محیط واقعی و رکوردهای استخراج شده از مسیرهای جزئی را نشان می دهد.

5.1. نتایج تجربی با استفاده از مجموعه داده های شبیه سازی شده

پرس و جوهای انجام شده روی مجموعه داده شبیه سازی شده در جدول 3 نشان داده شده است. با در نظر گرفتن تأثیر تعداد سلول ها و اشیا بر بازده پرس و جو و به روز رسانی، برای هر گروه از آزمایش ها از یک متغیر استفاده شد. برای شبیه سازی محیط های مختلف از ساختمان های کوچک تا مراکز تجاری بزرگ، تعداد سلول ها بین 10 تا 3000 تنظیم شد. سلول ها از داده های شبیه سازی شده استخراج یا کپی شدند. هنگامی که تعداد سلول ها تغییر می کرد، تعداد اجسام متحرک روی 3000 تنظیم می شد. هنگامی که تعداد اجسام متحرک تغییر می کرد، تعداد سلول ها روی 1000 تنظیم می شد. برای شبیه سازی شرایط تراکم کم تا زیاد، تعداد اجسام تنظیم شد. به 10-10000. برای هر گروه آزمایش از میانگین 10 اجرا استفاده شد. برای سلول های معنایی و پرس و جوهای اشیا، MACSI با درخت ITD و SI از نظر کارایی پرس و جو و به روز رسانی بر اساس سلول های معنایی درشت و ریز دانه و پرس و جوهای اشیا مقایسه شد. برای پرس و جو مسیر معنایی، MACSI از نظر عملکرد پرس و جو مسیر معنایی پیچیده با SI مقایسه شد. در نهایت، هزینه حافظه برای MACSI، ITD-tree و SI مقایسه شد. نتایج نشان می دهد که هنگام پردازش سلول های معنایی و پرس و جوهای مربوط به شی، MACSI نه تنها قابلیت جستجوی اتصال فضایی خود را حفظ می کند، بلکه کارایی جستجو و به روز رسانی بهتری برای پرس و جوهای معنایی دارد. علاوه بر این، MACSI همچنین می تواند پرس و جوهای معنایی چند دانه بندی را پشتیبانی کند و هزینه حافظه می تواند نیازهای عملی برنامه را برآورده کند. MACSI از نظر عملکرد پرس و جو مسیر معنایی پیچیده با SI مقایسه شد. در نهایت، هزینه حافظه برای MACSI، ITD-tree و SI مقایسه شد. نتایج نشان می دهد که هنگام پردازش سلول های معنایی و پرس و جوهای مربوط به شی، MACSI نه تنها قابلیت جستجوی اتصال فضایی خود را حفظ می کند، بلکه کارایی جستجو و به روز رسانی بهتری برای پرس و جوهای معنایی دارد. علاوه بر این، MACSI همچنین می تواند پرس و جوهای معنایی چند دانه بندی را پشتیبانی کند و هزینه حافظه می تواند نیازهای عملی برنامه را برآورده کند. MACSI از نظر عملکرد پرس و جو مسیر معنایی پیچیده با SI مقایسه شد. در نهایت، هزینه حافظه برای MACSI، ITD-tree و SI مقایسه شد. نتایج نشان می دهد که هنگام پردازش سلول های معنایی و پرس و جوهای مربوط به شی، MACSI نه تنها قابلیت جستجوی اتصال فضایی خود را حفظ می کند، بلکه کارایی جستجو و به روز رسانی بهتری برای پرس و جوهای معنایی دارد. علاوه بر این، MACSI همچنین می تواند پرس و جوهای معنایی چند دانه بندی را پشتیبانی کند و هزینه حافظه می تواند نیازهای عملی برنامه را برآورده کند. MACSI نه تنها قابلیت جستجوی اتصال فضایی خود را حفظ می کند، بلکه کارایی جستجو و به روز رسانی بهتری برای پرس و جوهای معنایی دارد. علاوه بر این، MACSI همچنین می تواند از پرس و جوهای معنایی چند دانه بندی پشتیبانی کند و هزینه حافظه می تواند الزامات عملی برنامه را برآورده کند. MACSI نه تنها قابلیت جستجوی اتصال فضایی خود را حفظ می کند، بلکه کارایی جستجو و به روز رسانی بهتری برای پرس و جوهای معنایی دارد. علاوه بر این، MACSI همچنین می تواند از پرس و جوهای معنایی چند دانه بندی پشتیبانی کند و هزینه حافظه می تواند الزامات عملی برنامه را برآورده کند.

5.1.1. جستجوی سلول معنایی ریز دانه

همانطور که در شکل 18 نشان داده شده است، زمانی که تعداد سلول ها از 10 به 3000 افزایش می یابد، کارایی پرس و جو MACSI نسبت به درخت SI و ITD برتر است و بازده پرس و جو درخت SI و ITD به طور قابل توجهی کاهش می یابد. دلیل زیر: SI و ITD-tree نیازهای پرس و جوهای معنایی دقیق را در نظر نمی گیرند و باید از همه گره ها عبور کنند. در مقابل، MACSI از یک شاخص معکوس برای سلول های معنایی ریز دانه استفاده می کند و افزایش تعداد سلول ها به طور قابل توجهی بر MACSI تأثیر نمی گذارد. همانطور که در شکل 19 نشان داده شده استهنگامی که تعداد اشیاء از 10 به 10000 افزایش می یابد، زمان جستجوی MACSI در محدوده 0.10-0.30 ثانیه حفظ می شود و کارایی پرس و جو آن نسبت به درخت SI و ITD برتر است. دلیل آن این است که وقتی تعداد سلول ها ثابت است، سلسله مراتب ساختاری MACSI نسبتاً پایدار است. علاوه بر این، از آنجا که پرس و جوهای سلول معنایی به طور قابل توجهی با تعداد اشیاء مرتبط نیستند، کارایی پرس و جو درخت SI و ITD نیز نسبتاً پایدار است.

5.1.2. پرس و جو سلول معنایی درشت دانه

همانطور که در شکل 20 نشان داده شده است، با افزایش تعداد سلول ها، کارایی پرس و جو MACSI با SI قابل مقایسه است و هر دو کارآمدتر از درخت ITD هستند که عمدتاً بر اساس دلایل زیر است. درخت ITD نیازهای پرس‌و‌جوهای معنایی را در نظر نمی‌گیرد و باید تمام گره‌ها را طی کند و در نتیجه کارایی پرس و جوی معنایی پایینی دارد. در مقایسه، گره های SI و MACSI هر دو قادر به جستجوی سلول های معنایی درشت دانه هستند، و گره های بسیار کمتری توسط SI و MACSI نسبت به درخت ITD جستجو می شوند. مشابه پرس و جوی سلول معنایی ریز دانه، تعداد اشیا تأثیر ناچیزی بر پرس و جوی سلول معنایی درشت دانه دارد. همانطور که در شکل 21 نشان داده شده استبا افزایش تعداد اشیاء، کارایی پرس و جو MACSI با SI قابل مقایسه است و کارایی هر دو از درخت ITD برتر است. بازده جستجوی MACSI، SI و ITD-tree همگی نسبتاً پایدار هستند.

5.1.3. پرس و جو شیء معنایی ریز

همانطور که در شکل 22 نشان داده شده است، زمانی که تعداد سلول ها از 10 به 3000 افزایش می یابد، کارایی پرس و جوی شی معنایی ریز در MACSI نسبتاً پایدار و برتر از ITD-tree و SI است که به طور قابل توجهی کاهش می یابد. دلیل اصلی این رفتار این است که MACSI اشیاء معنایی را با استفاده از یک شاخص معکوس نمایه می کند، در حالی که درخت SI و ITD قابلیت نمایه سازی معنایی دقیقی ندارند. بنابراین، افزایش تعداد سلول ها باعث افزایش تعداد گره ها و عمق سلسله مراتبی SI و ITD-tree می شود. همانطور که در شکل 23 نشان داده شده استبا افزایش تعداد اشیا، کارایی پرس و جو MACSI نسبت به درخت ITD و SI برتر است و پایدار است. کارایی پرس و جو درخت ITD نسبت به SI برتر است، در درجه اول به این دلیل که درخت ITD از به روز رسانی های افزایشی دلتا استفاده می کند و اشیاء متحرک اضافی را در طول فرآیند به روز رسانی شی حذف می کند. بنابراین، تعداد گره های شی که درخت ITD باید از آنها عبور کند نسبتا کم است. در مقایسه، تعداد گره های شی متحرک SI همچنان در حال افزایش است و با افزایش تعداد اشیاء، کارایی پرس و جو آن به طور مداوم کاهش می یابد.

5.1.4. کوئری شیء معنایی درشت دانه

همانطور که در شکل 24 نشان داده شده است، با افزایش تعداد سلول ها، مشابه پرس و جوی سلول معنایی ریز دانه، کارایی پرس و جو ساختاری MACSI با SI قابل مقایسه است و هر دو کارآمدتر از درخت ITD هستند. همانطور که در شکل 25 نشان داده شده استبا افزایش تدریجی تعداد اشیاء، کارایی پرس و جو MACSI با SI قابل مقایسه است. علاوه بر این، بازده پرس و جو هر دو به طور قابل توجهی کاهش می یابد، در حالی که بازده درخت ITD نسبتاً پایدار می ماند، که عمدتاً به این دلیل است که درخت ITD دارای ساختار سلسله مراتبی پایداری است که تعداد سلول ها ثابت باشد. علاوه بر این، درخت ITD از به روز رسانی های افزایشی دلتا استفاده می کند و اشیاء متحرک اضافی را به موقع در طول فرآیند به روز رسانی شی حذف می کند، در حالی که MACSI و SI این کار را نمی کنند. بر خلاف پرس و جوهای سلول معنایی، پرس و جوهای شی معنایی نیاز به پیمایش گره های شیء بیشتری دارند، در نتیجه کارایی کوئری ها را کاهش می دهند.

5.1.5. پرس و جو مسیر معنایی پیچیده

همانطور که در شکل 26 نشان داده شده است، با افزایش مقیاس سلول ها، کارایی پرس و جو مسیر معنایی پیچیده MACSI به طور قابل توجهی برتر از SI است و همچنین پایداری خوبی از خود نشان می دهد. همانطور که در شکل 27 نشان داده شده استبا افزایش مقیاس اشیاء، MACSI زمانی که تعداد اشیاء نسبتاً کم است با SI قابل مقایسه است، اما زمانی که تعداد اشیاء به 1000 برسد، بسیار برتر است. در واقع، هنگام پردازش پرس و جوی پیچیده مسیر معنایی، MACSI هر دو درشت دارد. -شاخص‌های معنایی دانه‌دار و ریزدانه است و می‌تواند سطح معنایی را با دقت تعیین کند و هزینه پیمایش درخت معنایی را کاهش دهد، در نتیجه مسیرهای معنایی پیچیده را نسبتاً سریع پیدا کند. در مقایسه، SI باید از هر کلمه کلیدی معنایی عبور کند و در نتیجه کارایی پرس و جو پایین باشد.

5.1.6. کارایی به روز رسانی کلمه کلیدی سلول معنایی

همانطور که در شکل 28 نشان داده شده است، با افزایش تعداد سلول ها، کارایی به روز رسانی کلمه کلیدی سلول معنایی MACSI نسبت به بازده درخت SI و ITD برتر است. افزایش تعداد سلول ها منجر به افزایش در ساختارهای سلسله مراتبی درخت ITD و SI می شود. در نتیجه، تعداد گره های سلولی که باید طی شوند افزایش می یابد. در مقابل، MACSI از یک شاخص هش برای نمایه‌سازی معنایی ریز استفاده می‌کند و می‌تواند کارایی نسبتاً بالایی به‌روزرسانی را تضمین کند. همانطور که در شکل 29 نشان داده شده استبا افزایش مقیاس اشیا، راندمان به روز رسانی MACSI نسبت به ITD-tree و SI برتر است. علاوه بر این، کارایی به‌روزرسانی MACSI، ITD-tree و SI نسبتاً پایدار است، که عمدتاً به این دلیل است که به‌روزرسانی کلیدواژه‌های سلول معنایی به طور قابل توجهی با اشیاء مرتبط نیست.

5.1.7. هزینه حافظه

شکل 30مقایسه هزینه حافظه برای ساختارهای شاخص مختلف با تعداد سلول‌های متفاوت را نشان می‌دهد. با افزایش تعداد سلول ها، هزینه های حافظه MACSI، SI و درخت ITD به طور قابل توجهی افزایش می یابد. هزینه حافظه MACSI بالاتر از SI و ITD-tree است و ITD-tree بهترین عملکرد را دارد. این عمدتا به این دلیل است که MACSI ظرفیت نمایه سازی فضاهای معنایی و واحد را از طریق MAC-tree، MGSI و جداول کمکی متعدد دارد که هزینه آن نیاز به فضای حافظه بیشتر برای پشتیبانی از ساختار و استراتژی شاخص است. یک استراتژی معمولی فضا برای زمان با این حال، MACSI همچنان هزینه حافظه را نسبتاً خوب کنترل می کند. وقتی 3000 سلول وجود دارد، هزینه حافظه فقط 1.4 مگابایت است.شکل 31 هزینه حافظه را به عنوان تابعی از تعداد اشیاء نشان می دهد. مشابه الگوی تغییر در هزینه حافظه با تعداد سلول ها، هزینه حافظه MACSI و SI به طور قابل توجهی برای تعداد فزاینده ای از اشیا افزایش می یابد. در مقایسه، هزینه حافظه درخت ITD نسبتا کم و پایدار است که مشابه الگوی نشان داده شده در شکل 21 است.. این عمدتا به این دلیل است که درخت ITD از به روز رسانی های افزایشی دلتا استفاده می کند و اشیاء متحرک اضافی را به موقع حذف می کند. بر اساس نتایج تجربی فوق الذکر و از منظر مصرف فضا، MACSI فضای معنایی و فضای سلولی را ادغام می کند و در مقایسه با ITD-tree و SI به حافظه بیشتری نیاز دارد، اگرچه هنوز برای سناریوهای کاربردی واقعی از نظر هزینه حافظه عملکرد خوبی دارد. .

5.2. نتایج آزمایش‌ها با استفاده از مجموعه داده واقعی

شکل 32 نتایج سلول های معنایی، اشیا، پرس و جوهای مسیر و به روز رسانی های معنایی فهرست شده در جدول 3 را نشان می دهد.برای محیط داده واقعی برای پرس‌و‌جوهای معنایی دقیق، MACSI تنها به 16 میلی‌ثانیه برای پرس‌وجو از یک شی متحرک خاص و 7 میلی‌ثانیه برای پرس‌وجو از یک سلول معنایی خاص نیاز دارد. در مقایسه، به دلیل عدم ظرفیت اجرای پرس و جوهای معنایی ریز دانه، SI و درخت ITD به بیش از 2 ثانیه برای اجرای یک پرس و جو سلول معنایی خاص و بیش از 1 ثانیه برای اجرای یک پرس و جو شی معنایی خاص نیاز دارند. واضح است که MACSI عملکرد پرس و جو بهتری در پرس و جوهای مرتبط با معنایی دقیق دارد. برای پرس و جوهای مرتبط با معنایی درشت دانه، MACSI به طور قابل توجهی نسبت به درخت ITD مزیت دارد و از نظر عملکرد با SI قابل مقایسه است. MACSI فقط به 192 میلی‌ثانیه برای اجرای یک پرس‌وجوی شی متحرک معنایی درشت و 16 میلی‌ثانیه برای اجرای یک پرس‌وجوی سلول معنایی درشت دانه نیاز دارد. در حالی که درخت ITD کارایی اجرای پرس و جو معنایی درشت دانه پایینی دارد. برای پرس و جوهای مسیر معنایی، کارایی پرس و جو مسیر معنایی خاص در هنگام استفاده از ساختار معنایی پیشنهادی در مطالعه حاضر در مقایسه با SI بیش از یک برابر افزایش می یابد. برای عملیات مربوط به به روز رسانی معنایی، MACSI تنها به 4 میلی ثانیه برای اجرای عملیات به روز رسانی معنایی نیاز دارد که بهتر از SI (145 میلی ثانیه) و درخت ITD (165 میلی ثانیه) است. MACSI عملکرد بهتری در عملیات به روز رسانی معنایی دارد. MACSI برای اجرای عملیات به روز رسانی معنایی تنها به 4 میلی ثانیه نیاز دارد که بهتر از SI (145 میلی ثانیه) و درخت ITD (165 میلی ثانیه) است. MACSI عملکرد بهتری در عملیات به روز رسانی معنایی دارد. MACSI برای اجرای عملیات به روز رسانی معنایی تنها به 4 میلی ثانیه نیاز دارد که بهتر از SI (145 میلی ثانیه) و درخت ITD (165 میلی ثانیه) است. MACSI عملکرد بهتری در عملیات به روز رسانی معنایی دارد.
برای نشان دادن بهبود قابلیت اطمینان از استفاده از MACSI برای گسترش کاربردهای تک طبقه به فضاهای داخلی چند طبقه با استفاده از نحو فضایی و هزینه‌های کالری، یک شی متحرک در یک مکان مشخص در محیط داده واقعی قرار می‌گیرد و 10 نزدیکترین سلول معنایی عبارتند از شناسایی شده است (به عنوان مثال، 10-نزدیک ترین دستشویی به جسم O1؛ موقعیت جسم متحرک و نتایج جستجو در شکل 33 نشان داده شده است ). زمان واقعی ورود با استفاده از تایمرهای تلفن همراه اندازه گیری می شود. جدول 6 و جدول 7 زمان های رسیدن واقعی را در بین MACSI، ITD-tree و SI مقایسه می کنند. همانطور که در جدول 6 نشان داده شده است، زمان رسیدن واقعی از محل جسم متحرک به D 47 ثانیه است. در مقایسه، B و C که در یک طبقه با جسم متحرک قرار دارند، به ترتیب 75 ثانیه و 105 ثانیه طول می کشند. ITD-tree و SI شاخص هایی هستند که بر اساس یک فضای داخلی تک طبقه هستند. هنگامی که این شاخص ها در فضای فضایی جستجو می کنند (به عنوان مثال، جستجوی k-نزدیک ترین همسایه)، ابتدا طبقه ای که جسم متحرک در آن قرار دارد و سپس طبقات مختلف جستجو می شود و بنابراین، نتیجه رتبه بندی ITD-Tree و SI BCD است. ، که غیر قابل اعتماد است. در مقایسه، MACSI سلول های داخلی را در طبقات مختلف در یک شاخص یکپارچه ترکیب می کند و نتیجه رتبه بندی آن DBC است (همانطور که در جدول 7 نشان داده شده است.) که قابل اعتمادتر است. به عنوان مثالی دیگر، ITD-tree و SI J (واقع در طبقه 5) را در انتهای دنباله قرار می دهند، حتی اگر زمان رسیدن واقعی برای حرکت از محل جسم متحرک به J فقط به 70 ثانیه نیاز دارد، که برتر از آن است. مکان های دیگر (به عنوان مثال، G، H، I). با تجزیه و تحلیل سایر نتایج مرتب‌سازی نشان‌داده‌شده در جدول 6 و جدول 7 ، به وضوح می‌توان نتیجه گرفت که نتایج جستجوی MACSI جامع‌تر و قابل اعتمادتر از نمایه‌های مبتنی بر فضاهای داخلی تک طبقه هستند.
برای هزینه های حافظه، هزینه حافظه MACSI برای داده های واقعی 238 کیلوبایت، SI 117 کیلوبایت و درخت ITD 68 کیلوبایت است. مشابه با داده های شبیه سازی شده، MACSI حافظه بیشتری نسبت به ITD-tree و SI مصرف می کند، اگرچه هزینه حافظه آن هنوز در سطح پایینی حفظ می شود. علاوه بر این، سایر پارامترهای تجربی مشاهده شد، به عنوان مثال، فرآیندهای اولیه و درج گره در MACSI نسبتاً پیچیده است. زمان اجرای مورد نیاز برای فرآیند اولیه سازی و درج گره MACSI نسبتا طولانی است. بنابراین، MACSI برای برنامه هایی مناسب است که نسبت به مقداردهی اولیه و زمان درج حساس نیستند اما به پرس و جوهای بلادرنگ حساس هستند.

6. نتیجه گیری و چشم انداز

MACSI فضاهای سلولی مجاور داخلی تک طبقه را گسترش می دهد. علاوه بر این، سلول‌های باز (مانند راهروها و لابی‌ها) را با استفاده از نحو فضا برای اطمینان از منطقی بودن فضاهای سلولی مجاور و بهینه‌سازی سلول‌های متصل (مانند پله‌ها و آسانسورها) بر اساس هزینه کالری تقسیم می‌کند. با توجه به نیازهای خاص پرس و جوهای معنایی داخلی، مطالعه حاضر یک درخت MGSH را پیشنهاد می کند و از نمایه سازی معکوس برای بهبود کارایی پرس و جو معنایی و قابلیت بسط استفاده می کند. علاوه بر این، یک نمایش رسمی برای مسیرهای معنایی داخلی بر اساس درخت MGSH پیشنهاد شده است، و مسیرهای معنایی اشیاء متحرک نمایه می‌شوند. تجزیه و تحلیل مقایسه ای از MACSI، ITD-tree و SI با استفاده از داده های شبیه سازی شده و محیط های داده واقعی تایید کردند که MACSI کاربرد نمایه سازی را از فضاهای داخلی تک طبقه به فضاهای داخلی چند طبقه گسترش می دهد و نتایج جستجوی فضایی دقیق تری را ارائه می دهد. علاوه بر این، MACSI عملکرد پرس و جو مکانی و معنایی بهتر، هزینه های به روز رسانی معنایی کمتر و قابلیت بسط معنایی بهتری دارد. علاوه بر این، MACSI از جداول کمکی برای ترکیب فضاهای سلولی و معنایی استفاده می کند. بنابراین، هزینه حافظه MACSI بالاتر از ITD-tree و SI است، اگرچه هنوز قابلیت کنترل هزینه حافظه خوبی دارد، که می تواند الزامات عملی برنامه های خاص را برآورده کند. هزینه های به روز رسانی معنایی کمتر و قابلیت بسط معنایی بهتر. علاوه بر این، MACSI از جداول کمکی برای ترکیب فضاهای سلولی و معنایی استفاده می کند. بنابراین، هزینه حافظه MACSI بالاتر از ITD-tree و SI است، اگرچه هنوز قابلیت کنترل هزینه حافظه خوبی دارد، که می تواند الزامات عملی برنامه های خاص را برآورده کند. هزینه های به روز رسانی معنایی کمتر و قابلیت بسط معنایی بهتر. علاوه بر این، MACSI از جداول کمکی برای ترکیب فضاهای سلولی و معنایی استفاده می کند. بنابراین، هزینه حافظه MACSI بالاتر از ITD-tree و SI است، اگرچه هنوز قابلیت کنترل هزینه حافظه خوبی دارد، که می تواند الزامات عملی برنامه های خاص را برآورده کند.
در حال حاضر، مطالعات متعددی در مورد نمایه سازی اجسام متحرک داخلی باقی مانده است که باید تکمیل شوند. ما قصد داریم در آینده در زمینه های زیر پیشرفت هایی انجام دهیم. تحقیقات آینده می تواند ماتریس های مجاورت دینامیکی را برای انطباق با تغییرات ساختاری در ساختمان ها در نظر بگیرد. علاوه بر این، یک فضای اقلیدسی در فضای باز می تواند به طور یکپارچه با یک فضای سلولی داخلی متصل شود تا نمایه سازی یکپارچه اجسام متحرک داخلی و خارجی را تحقق بخشد. ما در ارزیابی فعلی فقط زمان پاسخ و هزینه حافظه را در نظر می گیریم. در آینده، می‌توانیم از ایده‌های اعمال شده در برنامه‌های کلان داده [ 57 ] بیاموزیم، که داده‌های تعامل کاربر را از تلفن‌های همراه جمع‌آوری می‌کند و سپس شاخص‌ها را از زوایای مختلف، مانند رضایت کاربر، زمان واقعی ورود، و سایر شاخص‌ها ارزیابی می‌کند.

منابع

  1. Klepeis، NE; نلسون، WC; Ott، WR; رابینسون، جی پی؛ Tsang، AM; سوئیس، پی. بهار، JV; هرن، SC; Engelmann، WH بررسی الگوی فعالیت انسانی ملی (NHAPS): منبعی برای ارزیابی قرار گرفتن در معرض آلاینده‌های محیطی. J. Expo. مقعدی محیط زیست اپیدمیول. 2001 ، 11 ، 231-252. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  2. مترو، ب. اطلاعات جریان مسافر. در دسترس آنلاین: http://www.bjsubway.com/support/cxyd/klxx/ (در 7 مارس 2016 قابل دسترسی است).
  3. پترنکو، آ. بل، اس. استنلی، ک. کیان، دبلیو. سیزو، ا. Knowles، D. رفتار فضایی انسان، انفورماتیک حسگر، و داده های تفکیک شده . Springer: Cham, Switzerland, 2013. [ Google Scholar ]
  4. شوگارد، KR; گرونبک، ک. Scharling، T. پیمایش عابر پیاده داخلی بر اساس برنامه‌ریزی مسیر ترکیبی و مدل‌سازی مکان . Springer: برلین، آلمان، 2012. [ Google Scholar ]
  5. لیو، تی. چی، تی. لی، اچ. روئی، ایکس. لین، اچ. یک مدل مکان مبتنی بر GIS برای پشتیبانی از تخلیه داخلی. بین المللی جی. جئوگر. Inf. علمی 2014 ، 29 ، 305-326. [ Google Scholar ] [ CrossRef ]
  6. Want، R. Rfid توضیح داد: A Primer on Radio Frequency Identification Technologies. در سخنرانی های ترکیبی در مورد موبایل و محاسبات فراگیر ; Morgan & Claypool Publishers: San Rafael, CA, USA, 2006. [ Google Scholar ]
  7. باهل، ص. Padmanabhan، VN Radar: یک سیستم ردیابی و مکان یابی کاربر مبتنی بر RF در ساختمان. در مجموعه مقالات نوزدهمین کنفرانس مشترک سالانه انجمن های کامپیوتر و ارتباطات IEEE (INFOCOM 2000)، تل آویو، اسرائیل، 26 تا 30 مارس 2000.
  8. بل، اس. یونگ، WR; Krishnakumar، V. سیستم های موقعیت یابی پیشرفته مبتنی بر Wifi: دقت از طریق نقشه برداری، کالیبراسیون و طبقه بندی. در مجموعه مقالات دومین کارگاه بین المللی ACM Sigspatial در مورد آگاهی فضایی داخلی، سان خوزه، کالیفرنیا، ایالات متحده آمریکا، 3 تا 5 نوامبر 2010.
  9. Wheeler، A. کاربردهای تجاری شبکه های حسگر بی سیم با استفاده از زیگبی. IEEE Commun. Mag. 2007 ، 45 ، 70-77. [ Google Scholar ] [ CrossRef ]
  10. جین، پی کیو; Na، W. ژانگ، XX; یو، LH مدیریت داده های شی متحرک برای فضاهای داخلی. چانه. جی. کامپیوتر. 2015 . [ Google Scholar ] [ CrossRef ]
  11. بری، PLJ; Bell, S. دقت اشاره: آیا دقت اشاره فردی برای مکان های داخلی و خارجی متفاوت است؟ جی. محیط زیست. روانی 2014 ، 38 ، 175-185. [ Google Scholar ] [ CrossRef ]
  12. بل، اس. وی، تی. یونگ، WR; اسکات، الف. مدل مفهومی اعتماد برای سیستم های موقعیت یابی داخلی. در مجموعه مقالات سومین کارگاه بین المللی ACM Sigspatial در مورد آگاهی فضایی داخلی، شیکاگو، IL، ایالات متحده، 1-4 نوامبر 2011.
  13. وی، تی. Bell, S. تأثیر قابلیت اطمینان اطلاعات مکان داخلی بر اعتماد کاربران به سیستم موقعیت یابی داخلی ؛ Springer: برلین/هایدلبرگ، آلمان، 2012. [ Google Scholar ]
  14. علمری، س. تانیار، د. صفر، م. الخالدی، ح. نمایه سازی مکانی-زمانی برای اجسام متحرک در یک فضای سلولی داخلی. محاسبات عصبی 2013 ، 122 ، 70-78. [ Google Scholar ] [ CrossRef ]
  15. جنسن، CS; لو، اچ. یانگ، ب. نمایه سازی مسیر حرکت اجسام متحرک در فضای داخلی نمادین. در مجموعه مقالات یازدهمین سمپوزیوم بین المللی (SSTD 2009)، آلبورگ، دانمارک، 8 تا 10 ژوئیه 2009.
  16. علمری، س. تانیار، د. Safar, M. نمایه سازی اجسام متحرک در فضای سلولی داخلی. در مجموعه مقالات پانزدهمین کنفرانس بین المللی 2012 در مورد سیستم های اطلاعاتی مبتنی بر شبکه (NBiS)، ملبورن، استرالیا، 26-28 سپتامبر 2012. صص 38-44.
  17. علمری، س. تانیار، د. صفر، م. الخالدی، ح. شاخص اتصال برای اجسام متحرک در یک فضای سلولی داخلی. پارس محاسبات همه جا حاضر. 2014 ، 18 ، 1-15. [ Google Scholar ] [ CrossRef ]
  18. بن، تی. Qin، X. وانگ، ن. نمایه‌سازی مبتنی بر معنایی برای اشیاء متحرک داخلی. بین المللی J. Distrib. Sens. Netw. 2014 ، 2014 ، 1-12. [ Google Scholar ] [ CrossRef ]
  19. شلتنیس، اس. جنسن، CS; لوتنگر، ST; لوپز، MA نمایه سازی موقعیت اجسام متحرک پیوسته. در مجموعه مقالات کنفرانس بین المللی ACM در مدیریت داده ها و سمپوزیوم در مورد اصول سیستم های پایگاه داده، دالاس، TX، ایالات متحده، 15-18 مه 2000.
  20. تائو، ی. پاپادیاس، دی. Sun, J. TPR*-tree: یک روش دسترسی مکانی-زمانی بهینه برای پرس و جوهای پیش بینی. در مجموعه مقالات بیست و نهمین کنفرانس بین المللی پایگاه های داده بسیار بزرگ، برلین، آلمان، 9 تا 12 سپتامبر 2003. صص 790-801.
  21. تائو، ی. Papadias, D. MV3R-tree: یک روش دسترسی مکانی-زمانی برای پرس و جوهای مهر زمانی و بازه زمانی. در مجموعه مقالات بیست و هفتمین کنفرانس بین المللی پایگاه های داده بسیار بزرگ (VLDB 2001)، رم، ایتالیا، 11-14 سپتامبر 2001. صص 431-440.
  22. Nascimento، MA; سیلوا، JRO به سوی درختان R تاریخی. در مجموعه مقالات سمپوزیوم ACM 1998 در محاسبات کاربردی، آتلانتا، GA، ایالات متحده آمریکا، 27 فوریه تا 1 مارس 1998. صص 235-240.
  23. Pfoser، D.; جنسن، CS; تئودوریدیس، ی. رویکردهای نوین در پردازش پرس و جو برای مسیرهای حرکت جسم. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی پایگاه های داده بسیار بزرگ (VLDB 2000)، قاهره، مصر، 10-14 سپتامبر 2000. صص 395-406.
  24. فرنتزوس، ای. نمایه سازی اشیاء در حال حرکت در شبکه های ثابت. در مجموعه مقالات سمپوزیوم بین المللی پیشرفت در پایگاه های داده مکانی و زمانی (SSTD 2003)، جزیره سانتورینی، یونان، 24-27 ژوئیه 2003. صص 289-305.
  25. Almeida، VTD نمایه سازی مسیر اجسام متحرک در شبکه ها. در مجموعه مقالات شانزدهمین کنفرانس بین المللی مدیریت پایگاه داده های علمی و آماری، جزیره سانتورینی، یونان، 21-23 ژوئن 2004.
  26. Ding، ZM یک ساختار شاخص برای مسیرهای شی متحرک با محدودیت شبکه که اغلب به روز می شود. چانه. جی. کامپیوتر. 2012 ، 35 ، 1448-1461. [ Google Scholar ] [ CrossRef ]
  27. Vanclooster، A.; نیکو، VDW؛ De Maeyer, P. ادغام فضاهای داخلی و خارجی برای هدایت ناوبری عابر پیاده: بررسی. ترانس. GIS 2016 ، 20 ، 491-525. [ Google Scholar ] [ CrossRef ]
  28. Worboys، M. مدلسازی فضای داخلی. در مجموعه مقالات سومین کارگاه بین المللی ACM SIGSPATIAL در مورد آگاهی فضایی داخلی (ISA 2011)، شیکاگو، IL، ایالات متحده آمریکا، 1-4 نوامبر 2011. صص 1-6.
  29. زلاتانوا، اس. سیتول، جی. ناکاگاوا، م. Zhu, Q. مشکلات در نقشه برداری و مدل سازی فضای داخلی. ISPRS 2013 ، XL-4/W4 ، 36-68. [ Google Scholar ] [ CrossRef ]
  30. کیم، جی اس؛ کانگ، هی. لی، تی. Li، KJ توپولوژی مدل منشور برای اجسام فضایی سه بعدی داخلی. در مجموعه مقالات دهمین کنفرانس بین المللی مدیریت داده های تلفن همراه: سیستم ها، خدمات و میان افزار، تایپه، تایوان، 18-20 مه 2009. صص 698-703.
  31. Elfes, A. استفاده از شبکه‌های اشغال برای درک و ناوبری ربات متحرک. کامپیوتر 1989 ، 22 ، 46-57. [ Google Scholar ] [ CrossRef ]
  32. دمین، دی. بورو، ام. مسیریابی مبتنی بر مثلث بندی کارآمد. در مجموعه مقالات بیست و سومین کنفرانس AAAI در مورد هوش مصنوعی، ونکوور، BC، کانادا، 2007; صص 161-163.
  33. مکنی، م. تولید خودکار محیط‌های جغرافیایی مجازی با اطلاعات هندسی دقیق و معنایی پر از عوامل استدلال فضایی . Universal-Publishers: Boca Raton، FL، USA، 2010. [ Google Scholar ]
  34. Wallgrün, JO Graphs Voronoi Hierarchical ; Springer: برلین/هایدلبرگ، آلمان، 2010. [ Google Scholar ]
  35. پنینگا، اف. Oosterom، PV; Kazar، BM یک رویکرد DBMS مبتنی بر شبکه نامنظم چهار وجهی برای مدل‌سازی داده‌های توپوگرافی سه بعدی . Springer: برلین/هایدلبرگ، آلمان، 2006. [ Google Scholar ]
  36. ژائو، اف. لو، هی. لین، کیو. الگوریتم محلی سازی گره یان، MA بر اساس تابع هسته و زنجیره مارکوف. J. Commun. 2010 ، 31 ، 195-204. [ Google Scholar ]
  37. جنسن، CS; لو، اچ. یانگ، بی. ردیابی فضای داخلی مبتنی بر مدل نمودار. در مجموعه مقالات دهمین کنفرانس بین المللی مدیریت داده های تلفن همراه (MDM 2009)، تایپه، تایوان، 18-20 مه 2009; صص 122-131.
  38. یانگ، بی. لو، اچ. جنسن، CS آستانه احتمالی K نزدیکترین همسایه اشیاء متحرک را در فضای داخلی نمادین جستجو می کند. در مجموعه مقالات کنفرانس بین المللی گسترش فناوری پایگاه داده (EDBT 2010)، لوزان، سوئیس، 22-26 مارس 2010. صص 335-346.
  39. یوان، دبلیو. اشنایدر، ام. پشتیبانی از پرس و جوهای دامنه پیوسته در فضای داخلی. در مجموعه مقالات یازدهمین کنفرانس بین المللی 2010 در مدیریت داده های تلفن همراه، کانزاس سیتی، MO، ایالات متحده، 23-26 مه 2010. ص 209-214.
  40. کانگ، هی. کیم، جی اس؛ Li, KJ Strack: ردیابی در فضای نمادین داخلی با سنسورهای RFID. در مجموعه مقالات هجدهمین کنفرانس بین المللی SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 2 تا 5 نوامبر 2010. ص 502–505.
  41. بکر، تی. ناگل، سی. Kolbe, TH یک مدل فضایی چندلایه برای ناوبری در فضاهای داخلی. در علوم ژئو اطلاعات سه بعدی ; Springer: برلین/هایدلبرگ، آلمان، 2008; صص 61-77. [ Google Scholar ]
  42. لی، ایکس. کلارامونت، سی. Ray, C. یک مدل مبتنی بر گراف شبکه ای برای تجزیه و تحلیل فضاهای داخلی دو بعدی. محاسبه کنید. محیط زیست سیستم شهری 2010 ، 34 ، 532-540. [ Google Scholar ] [ CrossRef ]
  43. زلاتانوا، اس. لیو، ال. Sithole, G. چارچوب مفهومی تقسیم فضا برای ناوبری داخلی. در مجموعه مقالات پنجمین کارگاه بین المللی ACM Sigspatial در مورد آگاهی فضایی داخلی، اورلاندو، FL، ایالات متحده آمریکا، 5 تا 8 نوامبر 2013. صص 37-41.
  44. زلاتانوا، اس. لیو، ال. سیتول، جی. ژائو، جی. مرتاری، ف. لیو، ال. سیتول، جی. ژائو، جی. Mortari، F. زیربخش فضایی برای کاربردهای داخلی ; دانشگاه صنعتی دلفت: دلفت، هلند.
  45. شین، اس اس; کیم، جی. Bae، شاخص مبتنی بر سلول تطبیقی ​​HY برای اجسام متحرک در داخل ساختمان. Ksii Trans. اینترنت Inf. سیستم 2012 ، 6 ، 1815-1830. [ Google Scholar ] [ CrossRef ]
  46. هیلیر، بی. فضا ماشین است . انتشارات دانشگاه کمبریج: کمبریج انگلستان، 1996. [ Google Scholar ]
  47. جیانگ، بی. Claramunt، C. ادغام نحو فضا در GIS: دیدگاه های جدید برای ریخت شناسی شهری. ترانس. GIS 2002 ، 6 ، 295-309. [ Google Scholar ] [ CrossRef ]
  48. جیانگ، بی. کلارامونت، سی. کلارکویست، ب. ادغام نحو فضا در GIS برای مدلسازی فضاهای شهری. بین المللی J. Appl. زمین Obs. Geoinf. 2013 ، 2 ، 161-171. [ Google Scholar ] [ CrossRef ]
  49. جین، پی. ژانگ، ال. ژائو، جی. ژائو، ال. Yue, L. معناشناسی و مدل سازی اجسام متحرک داخلی. بین المللی J. Multimed. مهندس همه جا حاضر 2012 ، 7 ، 153-158. [ Google Scholar ]
  50. لیمبروپولوس، دی. لیو، جی. یانگ، ایکس. Choudhury, RR; هاندزیسکی، وی. Sen, S. ارزیابی واقع بینانه و مقایسه فناوری های مکان یابی داخلی. در مجموعه مقالات چهاردهمین کنفرانس بین المللی پردازش اطلاعات در شبکه های حسگر، سیاتل، WA، ایالات متحده آمریکا، 14-16 آوریل 2015; صص 178-189.
  51. Bassett, DR; واچون، ج.ا. کرکلند، AO؛ هاولی، ای تی. دانکن، جنرال الکتریک؛ جانسون، KR هزینه انرژی بالا رفتن و پایین آمدن از پله در پرسشنامه فارغ التحصیلان کالج. پزشکی علمی ورزش ورزشی. 1997 ، 29 ، 1250-1254. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  52. Butts، NK; دوج، سی. مکالپین، ام. تأثیر نرخ پله بر هزینه های انرژی در حین ورزش استاد پله. پزشکی علمی ورزش ورزشی. 1993 ، 25 ، 378-382. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  53. چوان، TK; عبدالرشید، ع. ضربان قلب، جذب اکسیژن و هزینه انرژی بالا و پایین رفتن از پله ها. پزشکی علمی ورزش ورزشی. 2002 ، 34 ، 695-699. [ Google Scholar ]
  54. فرولیچر، VF; مایرز، جی. تأثیر ورزش بر قلب و پیشگیری از بیماری عروق کرونر قلب – ورزش و قلب (ویرایش پنجم) – فصل سیزدهم. ورزش کنید. Heart 2006 ، 419-459. [ Google Scholar ]
  55. لی، کیو. ژنگ، ی. Xie، X. چن، ی. لیو، دبلیو. Ma، WY Mining شباهت کاربر بر اساس تاریخچه مکان. در مجموعه مقالات شانزدهمین سمپوزیوم بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی (ACM-GIS 2008)، ایروین، کالیفرنیا، ایالات متحده آمریکا، 5-7 نوامبر 2008. صص 1-10.
  56. ریک، سی. الگوریتم‌های جدید برای طولانی‌ترین مشکل متداول بعدی. J. ACM 1977 ، 24 ، 664-675. [ Google Scholar ]
  57. لیانگ، تی. لای، اچ. Ku, Y. توصیه محتوای شخصی و رضایت کاربر: ترکیب نظری و یافته‌های تجربی. جی. مناگ. Inf. سیستم 2006 ، 23 ، 45-70. [ Google Scholar ] [ CrossRef ]
Ijgi 05 00176 g001 550
شکل 1. فاصله اقلیدسی و فاصله واقعی.
Ijgi 05 00176 g002 550
شکل 2. فاصله جسم متحرک در فضای باز.
Ijgi 05 00176 g003 550
شکل 3. ثبت سفر یک جسم متحرک در یک فضای داخلی.
Ijgi 05 00176 g004 550
شکل 4. دنباله مسیر حرکت جسم متحرک.
Ijgi 05 00176 g005 550
شکل 5. ساختار کلی MACSItree. پس زمینه های تاریک نشان دهنده عناصر مرتبط با معنایی است.
Ijgi 05 00176 g006 550
شکل 6. فضای سلولی داخلی. C9 راه پله، C13 آسانسور و C18 راهرو است. نمای بالا طبقه 1 و نمای پایین طبقه 2 است.
Ijgi 05 00176 g007 550
شکل 7. الگوریتم بسط. نقاط با اعداد مورب پررنگ نقاط گسترش هستند.
Ijgi 05 00176 g008 550
شکل 8. ( A,B ) تحلیل خط بصری و تحلیل محور.
Ijgi 05 00176 g009 550
شکل 9. هواپیما چند طبقه. مناطق قرمز نشان دهنده توالت ها هستند و شکل آبی جسم متحرک است.
Ijgi 05 00176 g010 550
شکل 10. فضای سلولی داخلی چند طبقه. C18 راه پله است و C19 آسانسور است.
Ijgi 05 00176 g011 550
شکل 11. درخت سلسله مراتب معنایی چند دانه بندی.
Ijgi 05 00176 g012 550
شکل 12. الگوریتم برای نزدیکترین جستجوی سلول معنایی.
Ijgi 05 00176 g013 550
شکل 13. مسیر معنایی. دایره نشان دهنده جسم متحرک است.
Ijgi 05 00176 g014 550
شکل 14. مسیر معنایی چند دانه بندی. مثلث ها، دایره ها، مستطیل ها و پنج ضلعی ها به ترتیب به کاربران 1، 2، 3 و 4 اشاره می کنند: ( الف ) اشکال مسیرهای مسطح داخلی برای ارزیابی شباهت کاربر مناسب نیست. ( ب ) فقط استفاده از اطلاعات معنایی درشت دانه نمی تواند تفاوت ها را به صورت بصری منعکس کند. ( ج ) فقط استفاده از سلسله مراتب معنایی ریز باعث می شود که اندازه گیری شباهت بین کاربران در یک دام محلی بیفتد. ( D ) مسیر معنایی چند دانه بندی با وضعیت واقعی سازگار است.
Ijgi 05 00176 g015 550
شکل 15. الگوریتم پرس و جو مسیر معنایی.
Ijgi 05 00176 g016 550
شکل 16. ( A,B ) پلان طبقه شبیه سازی شده و نقاط موقعیت یابی.
Ijgi 05 00176 g017 550
شکل 17. ( A,B ) پلان طبقه محیط واقعی و مسیر حرکت اجسام متحرک.
Ijgi 05 00176 g018 550
شکل 18. تأثیر تعداد سلول بر پرس و جوی سلول معنایی ریز دانه.
Ijgi 05 00176 g019 550
شکل 19. تأثیر شماره شیء بر پرس و جوی سلول معنایی ریز.
Ijgi 05 00176 g020 550
شکل 20. تأثیر تعداد سلول بر عملکرد پرس و جوی سلول معنایی درشت دانه.
Ijgi 05 00176 g021 550
شکل 21. تأثیر شماره شیء بر عملکرد پرس و جو سلول معنایی درشت دانه.
Ijgi 05 00176 g022 550
شکل 22. تأثیر تعداد سلول بر عملکرد پرس و جوی شی معنایی ریز دانه.
Ijgi 05 00176 g023 550
شکل 23. تأثیر شماره شیء بر عملکرد پرس و جوی شی معنایی ریز.
Ijgi 05 00176 g024 550
شکل 24. تأثیر تعداد سلول بر عملکرد پرس و جوی شی معنایی درشت دانه.
Ijgi 05 00176 g025 550
شکل 25. تأثیر شماره شیء بر عملکرد پرس و جوی شی معنایی درشت دانه.
Ijgi 05 00176 g026 550
شکل 26. تأثیر تعداد سلول بر عملکرد پرس و جو مسیر معنایی.
Ijgi 05 00176 g027 550
شکل 27. تأثیر شماره شیء بر عملکرد پرس و جو مسیر معنایی.
Ijgi 05 00176 g028 550
شکل 28. تأثیر شماره سلول بر عملکرد به روز رسانی.
Ijgi 05 00176 g029 550
شکل 29. اثر شماره شی بر عملکرد به روز رسانی.
Ijgi 05 00176 g030 550
شکل 30. تأثیر تعداد سلول بر هزینه های حافظه.
Ijgi 05 00176 g031 550
شکل 31. تأثیر تعداد شیء بر هزینه های حافظه.
Ijgi 05 00176 g032 550
شکل 32. نتیجه مجموعه داده واقعی. (ITD-Tree، Si و MACSI به ترتیب در محور abscissa توزیع شده اند. واضح است که روند کلی زمان پاسخ سیستم ITD-Tree > SI > MACSI است. علاوه بر این، MACSI عملکرد بهتری نسبت به ITD-Tree و SI نشان داد. در سلول های معنایی و پرس و جوهای اشیا و همچنین به روز رسانی ها).
Ijgi 05 00176 g033 550
شکل 33. موقعیت جسم متحرک و مکان نتایج جستجو. (انسان نما سیاه محل جسم متحرک است و ( A – J ) نشان دهنده 10 نزدیکترین دستشویی به جسم متحرک است؛ ( A – C ) در طبقه سوم قرار دارد؛ ( D – F ) در طبقه دوم قرار دارد. طبقه؛ ( G – I ) طبقه 4 هستند؛ و ( J ) در طبقه 5 است.)
جدول
جدول 1. نمادهای مورد استفاده در این مقاله.
جدول
جدول 2. گزارش موقعیت یابی داخلی.
جدول
جدول 3. پرسش های مورد استفاده در آزمایش های انجام شده در مطالعه حاضر.
جدول
جدول 4. جدول فاصله مجاورت.
جدول
جدول 5. جدول فاصله مجاورت.
جدول
جدول 6. زمان رسیدن واقعی ITD-Tree و SI به 10 نزدیکترین توالت در مجموعه داده واقعی.
جدول
جدول 7. زمان رسیدن واقعی MACSI به 10 نزدیکترین توالت در مجموعه داده واقعی.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370