نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

سیستم‌های پایگاه‌داده شی متحرک (MOD) بر مدیریت داده‌های حرکتی تمرکز دارند، اما توجه کمتری به مدل‌سازی روابط اجتماعی بین اشیاء متحرک و مسیرهای مکانی-زمانی به شیوه‌ای یکپارچه دارند. این مقاله پایگاه داده‌های شی متحرک و سیستم‌های شبکه اجتماعی را ترکیب می‌کند و یک مدل داده جدید به نام Geo-Social-Moving (GSM) ارائه می‌کند که مدیریت یکپارچه مسیرها، فضای جغرافیایی زیربنایی و روابط اجتماعی را برای اجسام متحرک انبوه ممکن می‌سازد. تعداد زیادی از انواع داده های تعریف شده توسط کاربر و عملگرهای مربوطه نیز برای تسهیل پرس و جوهای جغرافیایی-اجتماعی در اشیاء متحرک پیشنهاد شده است. یک چارچوب پیاده سازی برای مدل GSM پیشنهاد شده است، و یک سیستم نمونه اولیه مبتنی بر Neo4J بومیسپس با دو مجموعه داده در دنیای واقعی از سیستم های شبکه اجتماعی مبتنی بر مکان توسعه می یابد. در مقایسه با راه‌حل‌های مبتنی بر سیستم‌های مدیریت پایگاه داده رابطه‌ای توسعه‌یافته سنتی که با عملیات پیوستن جدول زمان‌بر مشخص می‌شوند، مدل GSM پیشنهادی که با پیمایش نمودار مشخص می‌شود، در نمایش اجسام متحرک انبوه با روابط اجتماعی قوی‌تر و برای جغرافیا کارآمدتر و پایدارتر است. -پرسش اجتماعی
کلید واژه ها: 

اجسام متحرک ؛ شبکه اجتماعی ؛ مدل داده ; پایگاه داده گراف ; پرس و جوی جغرافیایی اجتماعی

 

1. معرفی

پایگاه داده های شی متحرک (MOD) امکان مدل سازی، مدیریت موجودیت های متحرک مانند افراد، وسایل نقلیه و کشتی ها را می دهد و در چند سال گذشته به طور گسترده مورد مطالعه قرار گرفته است، مانند مدل سازی داده ها [1، 2 ، 3 ، 4 ، 5 ، 6 ] ، نمایه سازی [ 7 , 8 , 9 , 10 ] و پرس و جو [ 11 , 12 , 13 , 14 , 15]. این تحقیق بر مدیریت حرکات و محیط های جغرافیایی درگیر تمرکز دارد، اما روابط اجتماعی بین اجسام متحرک را نادیده می گیرد. اجازه دهید سناریوی زیر را در نظر بگیریم. کاربری که از یک مرکز خرید بازدید می‌کند معمولاً از طریق بررسی‌های انجام شده توسط دستگاه‌های تلفن همراه با مکان‌های جغرافیایی مرتبط می‌شود. کاربر برخی از روابط آنلاین در شبکه های اجتماعی مانند فیس بوک، توییتر یا Foursquare دارد. در به اصطلاح شبکه های اجتماعی مبتنی بر مکان (LBSN) [ 16 ، 17 ، 18 ]، تعداد زیادی درخواست پرس و جو در مورد نه تنها حرکات با ویژگی های مکانی و زمانی، بلکه همچنین تنوع پویا روابط اجتماعی وجود دارد:

–
Q1 : نزدیکترین رستوران هایی که در این ماه توسط دوستانم چک شده است را به من بگویید.
–
س2 : هفته گذشته کی، کجا و کدام همکاران را ملاقات کردم؟
برای مثال های بالا، MOD ها در پاسخ به درخواست “نزدیک ترین رستوران های اطراف من” را پاسخ می دهند، اما نمی توانند به پرسش Q1 مربوط به روابط اجتماعی پاسخ دهند. پرس و جو Q2 نیز برای MOD ها دشوار است زیرا باید هم جنبش ها و هم روابط اجتماعی را طی کند.
همانطور که می دانیم، این داده های جغرافیایی اجتماعی ارزش زیادی برای خدمات توصیه کننده آنلاین، حمل و نقل و محاسبات شهری، تحقیقات تحرک انسانی [ 19 ، 20 ] و بررسی ارتباط بین پیوندهای اجتماعی و فعالیت های مرتبط دارند [ 21 ، 22 ]. پیشرفت شبکه‌های بی‌سیم و اینترنت موبایل، رشد انفجاری داده‌ها را تسریع می‌بخشد. از سال 2012، فیس بوک ادعا می کند که 600 میلیون کاربر تلفن همراه و 140 میلیارد اتصال دوست دارد [ 23 ]. از سال 2015، Foursquare بیش از 55 میلیون کاربر و بیش از 7 میلیارد چک در سراسر جهان دارد [ 24]]. سیستم های پایگاه داده نه تنها باید مسیرها را مدل کنند، بلکه باید روابط اجتماعی اشیاء متحرک را نیز نشان دهند. بیشتر و بیشتر، برنامه‌های کاربردی دنیای واقعی به فناوری‌های مدیریت داده‌های موقتی نیاز دارند که منجر به افزایش چالش‌ها و فرصت‌های مطالعاتی جدید در زمینه MOD و سیستم‌های اطلاعات جغرافیایی (GIS) می‌شود [21 ، 25 ، 26 ، 27 ] .
یک رویکرد طبیعی برای مدیریت حرکت همراه با روابط اجتماعی، ذخیره آنها به طور جداگانه است. به عنوان مثال، سیستم های مدیریت پایگاه داده فضایی (DBMS) یا MOD را می توان برای مدیریت مسیرها و فضای جغرافیایی استفاده کرد و روابط اجتماعی را می توان با پایگاه های داده گراف بومی مدیریت کرد. بدیهی است که چنین ترکیب ساده ای بسیار ناکارآمد خواهد بود زیرا از دو پایگاه داده به طور مداوم عبور می کند.
رویکرد دیگر ذخیره و بازیابی با هم است، جایی که روابط اجتماعی به چند برابر تبدیل می‌شوند <o1, ر ای ل ,o2><�1,���,�2>و در فضایی DBMS یا MOD ذخیره می شود. با این حال، افزونگی داده‌های زیادی ایجاد می‌کند، و بسیاری از عملیات زمان‌بر پیوستن به جدول برای انجام پرس و جوهای اجتماعی جغرافیایی مورد نیاز است. سیستم های پایگاه داده گراف مانند Flockdb، Neo4J و Giraph را نمی توان مستقیماً برای مسیرهای ذخیره سازی اعمال کرد، اگرچه بدون شک به دلیل فقدان سطح انتزاعی و مدل داده های منطقی بالا، برای نمایش روابط اجتماعی مناسب هستند [28 ] .
ادبیات کمی در مورد رویکردهای یکپارچه برای مدل‌سازی و پرس و جو از داده‌های جغرافیایی-اجتماعی وجود دارد. اگرچه پلکیس و همکارانش یک مدل مبتنی بر نمودار جدید ارائه کردند که از یک نمودار پویا برای نمایش جدول‌های زمانی تحرک معنایی استفاده می‌کند [ 17 ]، مسائل مربوط به مدل‌سازی روابط اجتماعی مورد توجه قرار نگرفته است. این امر مستلزم توسعه مدل‌های داده جدید برای ذخیره، فهرست‌بندی و جستجوی اشیاء متحرک با روابط اجتماعی است.
در این مقاله، ما بر مدل‌سازی اشیاء متحرک با روابط اجتماعی تمرکز می‌کنیم و یک مدل داده مبتنی بر نمودار ترکیبی به نام Geo-Social-Moving (GSM) پیشنهاد می‌کنیم که در آن فضای جغرافیایی، مسیرها و روابط اجتماعی همه با ساختارهای نمودار نشان داده می‌شوند. فضای جغرافیایی به مجموعه ای از مناطق Voronoi تقسیم می شود. هر منطقه Voronoi به عنوان یک گره گراف مدل‌سازی می‌شود و لبه‌ای که دو ناحیه Voronoi را به هم متصل می‌کند، روابط مجاورت فضایی بین آنها را نشان می‌دهد. مسیر حرکت اجسام متحرک با نمودار حرکت نمایش داده می شود. یک مسیر به مجموعه ای از واحدهای مسیر در مناطق مختلف Voronoi تقسیم می شود. به عبارت دیگر، تمام نقاط مکان در امتداد یک مسیر در یک منطقه خاص Voronoi جمع‌آوری شده و به عنوان یک واحد مسیر، یعنی یک گره در نمودار حرکت مدل‌سازی می‌شوند. لبه های متصل کننده واحدهای مسیر یک مسیر کامل را تشکیل می دهند. یک نمودار اجتماعی برای مدل سازی اشیاء متحرک با روابط اجتماعی استفاده می شود. این شامل مجموعه ای از گره ها و روابط است. علاوه بر این، ما همچنین دو نوع لبه ایجاد می کنیم لکg���و لکس���. لکg���واحدهای مسیر را در نمودار حرکت و ناحیه ورونوی را در نمودار جغرافیایی به هم متصل می کند و لکس���واحدهای مسیر را در نمودار حرکت و اجسام متحرک را در نمودار اجتماعی به هم متصل می کند. بر اساس این مدل، هم مسیر اجسام متحرک و هم روابط اجتماعی را می توان به راحتی از طریق انواع مختلف لبه ها بازیابی کرد.
سهم این مقاله در جنبه های زیر نهفته است:

  • یک مدل GSM جامع برای نمایش فضای جغرافیایی، مسیرها و روابط اجتماعی اجسام متحرک به صورت یکپارچه پیشنهاد شده است. سیستم نوع برای این مدل تعریف شده و مجموعه ای از عملگرها طراحی شده است. امضاها و معنای اپراتورها نیز ارائه شده است.
  • یک چارچوب پیاده سازی برای یک مدل GSM پیشنهاد شده است و به مسائل پیاده سازی پرداخته می شود. یک نمونه اولیه بر اساس نمودار DBMS Neo4J [ 29 ] برای تأیید مدل پیاده سازی شده است.
  • آزمایش‌های گسترده با مجموعه داده‌های جغرافیایی اجتماعی واقعی برای ارزیابی کارایی و عملکرد مدل GSM پیشنهادی انجام می‌شود. نتایج نشان داد که کارایی پرس و جوهای فعال شده با مدل GSM بهتر از پیاده سازی مبتنی بر DBMS رابطه ای سنتی است.
باقی مانده از مقاله به شرح زیر سازماندهی شده است. بخش 2 کارهای تحقیقاتی مرتبط را خلاصه می کند. بخش 3 مدل جدید داده های جغرافیایی-اجتماعی را معرفی می کند و مفاهیم اساسی را تشریح می کند. بخش 4 انواع داده ها و عملگرهای مربوطه را تعریف می کند . بخش 5 مدل داده ارائه شده را پیاده سازی می کند و یک سیستم نمونه را توسعه می دهد. بخش 6 آزمایشی را انجام می دهد و نتایج را با جزئیات تجزیه و تحلیل می کند. در نهایت، بخش 7 مقاله را به پایان می‌رساند و کار آینده را پیشنهاد می‌کند.

2. کارهای مرتبط

مطالعات اولیه مرتبط بر روی مدل‌های داده برای اجسام متحرک بر نمایش مسیرهای خام متمرکز شده‌اند که شامل یک دنباله زمانی از موقعیت‌های اجسام متحرک است [ 4 ، 17 ، 30 ]. برای مثال، مدل داده‌های مکانی-زمانی اشیاء متحرک (MOST) امکان مدیریت موقعیت فعلی اجسام متحرک و پیش‌بینی حرکت آینده را بر اساس یک مفهوم مهم از ویژگی پویا که مقادیر در طول زمان با توجه به یک تابع معین تغییر می‌کنند، می‌دهد. زمان [ 31 ، 32 ، 33 ]. فورلیزی و همکاران یک مدل گسسته برای مدل انتزاعی ارائه شده توسط گوتینگ و همکاران ارائه کرد [ 34 ، 35]. یک پایگاه داده شی متحرک مبتنی بر مسیر مکانی-زمانی-مسیر گسسته (DSTTMOD) که مسیرها را به عنوان منحنی تابع در فضای سه بعدی مدل می کند [ 36 ]. این مسیرها را به عنوان مجموعه ای از نقاط، بخش های مسیر یا یک تابع نشان می دهد f( x )�(�)از زمان با این حال، اطلاعات معنایی مسیرها مانند نقاط ماندن، رفتار اشیا، حاشیه‌نویسی‌های متنی یا روابط اجتماعی ذکر شده در مطالعه ما نادیده گرفته شد [ 37 ، 38 ]. آن مدل‌های داده برای مسیرهای خام، محیط‌های زیربنایی مختلف مانند فضاهای جغرافیایی آزاد [ 6 ، 37 ]، شبکه‌ها [ 2 ، 39 ] و فضاهای داخلی [ 40 ، 41 ، 42 ] را دربر نمی‌گرفتند. علاوه بر این، مطالعات اولیه مرتبط بیشتر مستعد شبیه سازی داده های ردیابی تولید شده توسط یک ژنراتور مبتنی بر شبکه [ 43 ]، Oporto [ 44 ]، GSTD [ 45 ]، یا GMOBench [43] بودند.46 ]. علاوه بر این، برخی تحقیقات بر روی تشخیص حرکت نه تنها در صحنه‌های پویا، بلکه در صحنه‌های ایستا مبتنی بر شبکه عصبی مصنوعی [ 47 ، 48 ] و تکنیک‌های تفریق پس‌زمینه [ 49 ، 50 ] تمرکز کردند. چن و هوانگ یک رویکرد جدید برای تشخیص وسیله نقلیه بر اساس شبکه‌های عصبی احتمالی برای تشخیص وسایل نقلیه متحرک در جریان‌های ویدئویی با نرخ بیت بالا و نرخ بیت پایین ارائه کردند [51 ] .
در سال‌های اخیر، با توسعه خدمات مبتنی بر مکان، دستگاه‌های تلفن همراه بیشتری که مجهز به فناوری‌های موقعیت‌یابی هستند، مسیرهای عظیمی در دنیای واقعی ایجاد کرده‌اند. اطلاعات اضافی زیادی از زمینه برنامه در فرآیند مدل‌سازی در نظر گرفته می‌شود. به عنوان مثال، مسیر حرکت یک شخص را می توان به عنوان دنباله ای از نقاط مورد علاقه مانند یک کتابخانه، مرکز خرید، ساختمان اداری یا موزه تفسیر کرد. از این رو، روند تحقیق از مسیرهای خام به مسیرهای معنایی تغییر می کند [ 18 ، 38 ، 52 ، 53 ، 54]. یک مسیر معنایی را می توان به عنوان مسیری تعریف کرد که با حاشیه نویسی هایی مانند فعالیت، سرعت لحظه ای، حالت حمل و نقل و یک یا چند بخش بندی مکمل افزایش یافته است [ 37 ]. در میان آنها، روابط اجتماعی بین اشیاء متحرک یکی از انواع مهم اطلاعات معنایی است و باید توسط جامعه مدیریت داده در نظر گرفته شود، به ویژه با توجه به روند شبکه های اجتماعی رایج آنلاین یا شبکه های اجتماعی مبتنی بر مکان [55 ] . این امر انگیزه تحقیق را در مقاله حاضر فراهم کرده است. اولین مدل معنایی برای مسیرها یک مسیر را به عنوان مجموعه ای از مکان های معنایی نشان داد [ 53]. با این حال، اطلاعات معنایی باید به نقاط مسیر مشخص اضافه شود. ژنی و همکاران فعالیت های معنایی را به مدل داده ها معرفی کرد و یک مدل معنایی ارائه کرد که به چارچوب نظری جغرافیای زمانی بستگی دارد [ 54 ، 56 ]. والدین و همکاران الگوهای معنایی و رفتار اشیاء متحرک را برای مدل‌سازی و بررسی مسائل مربوط به حریم خصوصی ترکیب کرد [ 37 ]. یک چارچوب چند لایه برای مسیرهای معنایی در سطوح مختلف انتزاع به نام “SeMiTri” مفهوم حاشیه نویسی [ 38 ، 57] را معرفی کرد.]. در این مدل، موقعیت‌های مکانی-زمانی با حاشیه‌نویسی تکمیل می‌شوند. برای مدل سازی اطلاعات معنایی بیشتر برای داده کاوی، بوگورنی و همکاران. یک مدل داده مفهومی مسیر معنایی به نام CONSTAnt ارائه کرد که شامل مفاهیم زیر مسیرهای معنایی، نقاط معنایی و مکان‌ها، رویدادها و رفتار جغرافیایی است [ 52 ، 58 ، 59 ]. دامیانی و همکاران یک مدل داده از مسیرهای نمادین ارائه کرد که نشان دهنده انواع مختلف معناشناسی است [ 60 ]. علاوه بر این، مدل‌های داده‌ای برای مسیرهای معنایی مبتنی بر هستی‌شناسی ارائه شده‌اند. به عنوان مثال، هو و همکاران. یک الگوی طراحی هستی شناسی برای مسیرهای معنایی پیشنهاد کرد [ 61]. نوگیرا و همکاران هستی شناسی اهرمی برای نشان دادن ویژگی های دینامیکی مسیرها [ 62 ]. برای افزودن جنبه‌های هندسی و معنایی مستقل از دامنه و کاربرد خاص، Yan et al. یک چارچوب هستی شناسی را پیشنهاد کرد که شامل هستی شناسی جغرافیا، هستی شناسی حوزه کاربرد و هستی شناسی مسیر هندسی است [ 63 ]. یک متا مدل مبتنی بر هستی شناسی و رویکرد رویداد توسط بولماکول و همکاران [ 64 ] پیشنهاد شد. پلکیس و همکارانش یک مدل مبتنی بر نمودار ارائه کردند که امکان مدیریت مسیرها و اطلاعات معنایی آنها را فراهم می کند [ 17 ]. از نمایش نمودار پویا خطوط زمانی تحرک معنایی استفاده می کند.

3. مدل سازی داده های جغرافیایی-اجتماعی

در این بخش، ایده اصلی مدل GSM را پیشنهاد می کنیم و اجزای اصلی آن را شامل نمودار جغرافیایی ، نمودار اجتماعی و نمودار حرکتی و مسائل مربوط به آن معرفی می کنیم.
ابتدا، اجازه دهید معنای خط سیر را به صورت زیر بازنگری کنیم. فردی که دوستان زیادی در دنیای فیزیکی یا شبکه های اجتماعی آنلاین دارد، در یک نقطه مورد علاقه (POI) مانند یک مرکز خرید یا موزه حرکت می کند، در یک دوره زمانی کاری انجام می دهد، دوستان جدید را در شبکه های اجتماعی دنبال می کند و پیام های آنها را دریافت می کند. و آخرین اخبار این سناریو مشابه زمانی است که از یک صفحه وب به صفحات وب دیگر گشت و گذار می کنیم. بنابراین، فضای جغرافیایی و حرکات اجسام را می توان با ساختار نموداری مشابه آنچه در مدل سازی صفحات وب استفاده می شود، نشان داد. به طور خاص، POI یا مناطق در فضای جغرافیایی را می توان به عنوان گره در یک نمودار مدل کرد. علاوه بر این، رکوردهای فعال در این مناطق را می توان به عنوان گره هایی با روابط با این مناطق و اشیاء متحرک نشان داد.

3.1. نمودار جغرافیایی

در زمینه MOD، مدل سازی فضای جغرافیایی برای پرس و جوها مفید است، به عنوان مثال، یافتن مسیرهای تمام اجسام متحرک در یک منطقه خاص. بسیاری از روش های تقسیم بندی مانند شبکه، شبکه نامنظم مثلثی و نمودار Voronoi اتخاذ شده اند. با توجه به اینکه اشیاء اغلب در اطراف POI های رایج در فضای آزاد حرکت می کنند، اتصال مسیرها با POI مفید است. به منظور حفظ تعداد مساوی از نقاط مکان در هر منطقه تقسیم شده، نمودار Voronoi تجزیه موثر فضای جغرافیایی با توجه به موقعیت POI های گسسته [ 65 ] است. هر POI یک ناحیه Voronoi V ایجاد می کند که همه نقاط نزدیکتر به این POI را در بر می گیرد تا هر نقطه دیگری در زیربخش مبتنی بر نمودار Voronoi. با توجه به مجموعه ای از POI های مجزا پ= (پ1, … ,پn)�=(�1,…,��)در فضای جغرافیایی، منطقه ورونوی را می توان به صورت زیر تعریف کرد:

V(پمن) = { q| د( ق،پمن) ≤ د( ق،پj) ،i≠j،پمن،پj∈ پ}�(��)={�|�(�,��)≤�(�,��),�≠�,��,��∈�}

جایی که V(پمن)�(��)یک منطقه Voronoi است، q یک نقطه دلخواه در فضا است، و د( ق،پj)�(�,��)تابع فاصله است. این تعریف نشان می دهد که فاصله از هر نقطه در منطقه خاص تا پمن��نسبت به سایر نقاط کوچکتر است. شکل 1 a نمونه ای از منطقه Voronoi را نشان می دهد. کل فضای جغرافیایی بر اساس هشت POI به هشت منطقه Voronoi تقسیم شده است.

در زیر تقسیم فضا با استفاده از نمودار Voronoi، یک نمودار جغرافیایی را می توان به عنوان مجموعه ای از گره ها و یال ها در نظر گرفت. یک منطقه Voronoi به عنوان یک گره منفرد نشان داده می شود. لبه ای که مناطق مجاور Voronoi را به هم متصل می کند، روابط فضایی بین آنها را نشان می دهد. انواع روابط فضایی به مدل نه تقاطع منطبق بر OGC (کنسرسیوم فضایی باز) اشاره دارد که تعریف جامعی از روابط توپولوژیکی بین اشیاء فضایی در فضای دو بعدی ارائه می دهد [66 ، 67 ] . شکل 1b ساختار نمودار جغرافیایی را نشان می دهد که شامل هشت گره و یک نوع رابطه است که دو ناحیه مجاور Voronoi را نشان می دهد.

3.2. نمودار اجتماعی

مدل‌سازی روابط اجتماعی بین اشیاء متحرک با نمودارها بدیهی تلقی می‌شود، جایی که گره‌ها با مجموعه‌ای از اشیاء متحرک و یال‌ها با مجموعه‌ای از روابط اجتماعی مطابقت دارند. ویژگی های گره ها می تواند ثابت باشد، به عنوان مثال، یک نام یا نوع. ویژگی‌های لبه‌ها می‌تواند فیلدهای دارایی باشد که نشان دهنده ویژگی روابط اجتماعی در فضای فیزیکی یا سایبری است.
در شکل 2 ، سه شیء وجود دارد ( O1�1، O2�2و O3�3) و سه نوع روابط اجتماعی ( دوستان، فالوور و همکاران ). O1�1کار میکند با O3�3، و O2�2است O1�1دوست O2�2و O3�3یکدیگر را در یک سیستم شبکه اجتماعی آنلاین دنبال کنید.

3.3. نمودار حرکت

نمودارهای حرکتی برای مدلسازی مسیر حرکت اجسام متحرک طراحی شده اند. در مدل ما، مسیر یک جسم با استفاده از نمودار Voronoi همانطور که توسط یک نمودار جغرافیایی توضیح داده شده است، به بخش های مسیر تقسیم می شود. هر بخش به عنوان یک گره گراف منفرد نشان داده می شود. مسیر کامل به عنوان مجموعه ای از گره ها مدل سازی می شود. سپس مجموعه ای از لبه ها برای ارتباط متوالی این گره ها ایجاد می شود. شکل 3 نمونه ای از نمودار حرکتی را نشان می دهد. در شکل 3 a، هشت ناحیه Voronoi تقسیم شده توسط POI ( نقاط سیاه ) وجود دارد . مستطیل نشان دهنده نقاط مکان اجسام متحرک است. همانطور که در شکل مشاهده می شود، نقاط مکان یک شی به چهار خوشه تقسیم می شوند. از این رو، یک مسیر مشخص t r aj1تی�آ�1برای شی O1�1را می توان به چهار بخش، یعنی t u n iتی1تیتو�منتی1، t u n iتی2تیتو�منتی2، t u n iتی3تیتو�منتی3، t u n iتی4تیتو�منتی4همانطور که در شکل 3 نشان داده شده است .
در زمینه‌های MOD و GIS، دو نوع رویکرد مدل‌سازی مسیر وجود دارد: رویکردهای مبتنی بر شی و مبتنی بر سفر [ 68 ]. رویکرد مدل‌سازی مبتنی بر شی ، مکان‌های پیوسته یک جسم متحرک را به‌عنوان یک رکورد مسیر واحد مدل‌سازی می‌کند. بنابراین می توان مسیر کامل یک شی را به راحتی بازیابی کرد. همچنین برای رفتار انسان و مطالعات تحرک مفید است. با این حال، این رویکرد با یک مشکل ذخیره سازی بزرگ مواجه است. به طور خاص، زمانی که فاصله زمانی بین دو نقطه مکان بسیار کوچک است، یک مسیر ممکن است شامل هزاران نقطه باشد.
در همین حال، رویکرد مدل‌سازی مبتنی بر سفر ، یک مسیر پیوسته را به چندین سفر تقسیم می‌کند، یعنی مجموعه‌ای از کوچک‌ترین واحدهای ذخیره‌سازی در یک سیستم پایگاه داده. اندازه یک سفر با روش‌های تقسیم‌بندی تعیین می‌شود، مانند روش‌هایی که از فواصل زمانی منظم و طول‌های ثابت مسیرها استفاده می‌کنند. اگرچه رویکرد مدل‌سازی مبتنی بر سفر به طور مؤثری از مشکل ذخیره‌سازی بیش از حد جلوگیری می‌کند، اما ناگزیر بر کارایی پرس‌وجو در کل مسیرها تأثیر می‌گذارد، زیرا بازیابی یک مسیر کامل که از مجموعه‌ای از بخش‌ها تشکیل شده است، نیازمند پیمایش رکوردهای بیشتری در یک پایگاه داده است. همانطور که در شکل 3b نشان داده شده است، تمام مسیرهای یک شی را می توان به راحتی با نمودار حرکت پیشنهادی از طریق پیمایش گراف بازیابی کرد، که شبیه به رویکردهای مدل سازی مبتنی بر شی است. در همان زمان، نمودار حرکت، کل مسیر را به بخش‌هایی تقسیم می‌کند تا مزیت‌های رویکردهای مدل‌سازی مسیر مبتنی بر سفر را حفظ کند، زیرا گره‌های یک نمودار حرکتی به طور طبیعی به گره‌های نمودار جغرافیایی (مناطق Voronoi) پیوند دارند.
شکل 4 نمونه ای از مدل GSM پیشنهادی را نشان می دهد. مسیر حرکت یک جسم متحرک t r aj1تی�آ�1از چهار واحد مسیر تشکیل شده است ( t u n iتی1, … , t u n iتی4)(تیتو�منتی1،…،تیتو�منتی4). هر واحد مسیر به یک منطقه خاص Voronoi و همچنین به یک جسم متحرک مانند لبه برای مسیر متصل است. t r aj1تی�آ�1به یک جسم متحرک O1�1.

4. انواع داده ها و اپراتورها

4.1. انواع داده ها

با مفاهیم تعریف شده در بخش 3 ، این بخش یک تعریف رسمی از نمودارهای درگیر در مدل GSM ارائه می دهد و انواع داده ها را ارائه می دهد. جیgجی�، جیسجیس، و جیمترجیمتربه ترتیب فضای جغرافیایی، روابط اجتماعی و مسیر حرکت را نشان دهد.
تعریف  1

( انواع پایه ) سه نوع اساسی برای تعاریف زیر استفاده می شود: int ، real و bool :

من n t–––= زمن�تی̲=ز
r e a l––––= آر�هآل̲=آر
b o o l–––= { t r u e , fa l s e }ب��ل̲={تی�توه،�آلسه}
تعریف  2

( انواع زمانی ) دو نوع زمانی برای نمایش لحظه و دوره زمانی ارائه شده است :

من n s t a n t––––––= آرمن�ستیآ�تی̲=آر
p e r i o d–––––= { ( s ، e ) | s ، e ∈من n s t a n t––––––}په�من�د̲={(س،ه)|س،ه∈من�ستیآ�تی̲}
تعریف  3

( انواع هندسه ) انواع هندسه از OGCها استفاده می شود که یک سری مشخصات را در مورد مدل های شی هندسی منتشر می کند. مدل GSM پیشنهادی شامل سه نوع هندسه اصلی – نقطه ، خط و چند ضلعی – برای نمایش فضای جغرافیایی و مسیرها است.

p o i n t–––––= { ( l a t , l o n ) | l a t , l o n ∈r e a l––––}پ�من�تی̲={(لآتی،ل��)|لآتی،ل��∈�هآل̲}
من n e _–––= { ( صتی1، صتی2، … ، صتیn) | پتیمن∈p o i n t–––––}لمن�ه̲={(پتی1،پتی2،…،پتی�)|پتیمن∈پ�من�تی̲}
پی و یا _go n––––––= { (ل1،ل2, … ,لn) |لمن∈من n e _–––}پ�ل����̲={(ل1،ل2،…،ل�)|لمن∈لمن�ه̲}
تعریف  4

( ساختار نمودار جغرافیایی ) فضای جغرافیایی شامل مجموعه ای از مناطق Voronoi VR است که به صورت زیر تعریف می شوند:

VR = { ( r i d، گe o m , p ) | من d _∈من n t–––، گe o m ∈پی و یا _go n––––––، p ∈p o i n t–––––}�آر={(�مند،�ه�متر،پ)|�مند∈من�تی̲،�ه�متر∈پ�ل����̲،پ∈پ�من�تی̲}

جایی که rid شناسایی یک منطقه Voronoi است، geom با یک چند ضلعی نوع هندسه نشان داده می شود و p نشان دهنده نقطه موجود در منطقه Voronoi است. هر موقعیتی در این منطقه Voronoi vr می تواند به عنوان g pos تعریف شود :

gp o s= { ( r i d, p t ) | من d _∈من n t–––، p t ∈p o i n t–––––} ،�پ�س={(�مند،پتی)|�مند∈من�تی̲،پتی∈پ�من�تی̲}،

جایی که rid شناسایی یک منطقه Voronoi است و pt نشان دهنده طول و عرض جغرافیایی موقعیت است.

ساختار نمودار جغرافیایی جیgجی�به عنوان یک جفت گره نشان داده می شود Vg��(مناطق Voronoi) و لبه ها Eg��(روابط فضایی بین مناطق ورونوی) و به شرح زیر تعریف می شود:

جیg= (Vg،Eg)جی�=(��،��)
Vg= { ( vr1، vr2، … ، vrn) | vrمن∈ VR }��={(��1،��2،…،���)|��من∈�آر}
در این مقاله روابط توپولوژیکی آرgآر�به این صورت تعریف می شوند:

آرg= { < vrمن، vrj, t yp e > | vrمن، vrj∈Vg, t yp e ∈ ( m e e t , e qتو یک ) } _آر�={<��من،���،تی�په>|��من،���∈��،تی�په∈(مترههتی،ه�توآل)}
رابطه ملاقات نشان می دهد که مناطق Voronoi vrمن��منو vrj���در مجاورت یکدیگر هستند. علاوه بر این، مساوی به این معنی است که دو منطقه یکسان هستند.
Eg مجموعه ای از روابط فضایی بین مناطق Voronoi را نشان می دهد .

Eg= { ( گرمr eل1، گr eل2, … , gr eلمتر) | gr eلمن∈آرg}��={(��هل1،��هل2،…،��هلمتر)|��هلمن∈آر�}
تعریف  5

( ساختار نمودار اجتماعی ) یک شی متحرک به صورت زیر تعریف می شود:

مO = { ( m i d,name,param),mid∈int−−−,name∈string−−−−−}��={(���,����,�����),���∈���̲,����∈������̲}

که در آن mid و name شناسایی و نام یک جسم متحرک است. علاوه بر این، param به مجموعه ویژگی های دیگر شی اشاره می کند.

ساختار گراف اجتماعی G s برای مدل سازی اشیاء متحرک و روابط اجتماعی بین آنها استفاده می شود. به صورت زیر تعریف می شود:

Gs=(Vs,Es)��=(��,��)
اینجا، Vs��به اجسام متحرک MO و Es��روابط اجتماعی بین دو جسم متحرک را نشان می دهد:

Vس= { ( mo1، مo2، … ، مon) | m o ∈ MO }�س={(متر�1،متر�2،…،متر��)|متر�∈م�}
Eس= { ( s r eل1s r e _ل2, … , s r eلمتر) | s r eلمن∈آرس}�س={(س�هل1،س�هل2،…،س�هلمتر)|س�هلمن∈آرس}
آرس= { < moمن، مoj, t yp e > | مترoمن، مoj∈Vس, t yp e ∈s t r i n g–––––}آرس={<متر�من،متر��،تی�په>|متر�من،متر��∈�س،تی�په∈ستی�من��̲}
نوع رشته ای نشان دهنده روابط اجتماعی بین اشیاء متحرک، از جمله همکاران، دوستی ها، پیروان، گروه های علاقه مند یا روابط طرفداران است .
تعریف  6

( ساختار نمودار حرکت ) یک واحد مسیر واحد تراج (گاهی اوقات مسیر فرعی نامیده می شود) یک شی در منطقه ورونوی به صورت زیر تعریف می شود:

تیr aju n i t= { ( ( m o , v r ) ,(تیمن،gمنp o s،vمن)مترi = 1) | m o ∈ MO , v r ∈ VR ,تیمن∈من n s t a n t––––––،vمن∈r e a l––––}تی�آ�تو�منتی={((متر�،��)،(تیمن،�پ�سمن،�من)من=1متر)|متر�∈م�،��∈�آر،تیمن∈من�ستیآ�تی̲،�من∈�هآل̲}

که در آن t i نشان دهنده زمان نقاط مکان و m نشان دهنده تعداد نقاط مکان است. سپس، مسیر حرکت یک جسم متحرک را می توان به عنوان مجموعه ای از واحدهای مسیر مدل کرد.

t r a j e c t o r y= { ( m o ,∑i = 1qt u n iتیمن) | m o ∈ Mاوه ، تو ان من _تیمن∈ تیr aju n i t}تی�آ�هجتی���={(متر�،∑من=1�تیتو�منتیمن)|متر�∈م�،تیتو�منتیمن∈تی�آ�تو�منتی}
ساختار نمودار حرکتی G m برای نشان دادن مسیر حرکت اجسام متحرک تعریف شده است. تازگی این ساختار در این واقعیت نهفته است که واحدهای مسیری که به یک مسیر کلی تعلق دارند به عنوان گره های یک گراف نشان داده می شوند. خط نوع هندسه بخش ها با فرمت WKB (دودویی معروف) که نشان دهنده اشیاء هندسه برداری است، کدگذاری می شود و به عنوان یک ویژگی باینری گره گراف ذخیره می شود. به این صورت تعریف می شود:

جیمتر=(Vm,Em)��=(��,��)
Vمتر= { ( t u i nتی1, t u i nتی2، … , t u i nتیn) | تو من _ _تیمن∈ تیr aju n it}�متر={(تیتومن�تی1،تیتومن�تی2،…،تیتومن�تی�)|تیتومن�تیمن∈تی�آ�تو�منتی}
رابطه E m به صورت زیر تعریف می شود:

Eمتر= { ( m r eل1، m r eل2, … , m r eلمتر) | m r eلمن∈آرمتر}�متر={(متر�هل1،متر�هل2،…،متر�هلمتر)|متر�هلمن∈آرمتر}
آرمتر= {آرمترمتر،آرسمتر،آرgمتر}آرمتر={آرمترمتر،آرمترس،آرمتر�}
Rmm={<tuniti,tunitj,type>|tuniti,tunitj∈Vm,type∈string−−−−−}���={<������,������,����>|������,������∈��,����∈������̲}
Rsm={<tuniti,moj,type>|tuniti∈Vm,moj∈Vs,type∈string−−−−−}���={<������,���,����>|������∈��,���∈��,����∈������̲}
Rgm={<tuniti,vrj,type>|tuniti∈Vm,vrj∈Vg,type∈string−−−−−}���={<������,���,����>|������∈��,���∈��,����∈������̲}

جایی که Rmm���برای نشان دادن روابط ترتیبی بین بخش های مسیری که متعلق به یک مسیر هستند استفاده می شود. آنها به بازیابی آسان کل مسیر حرکت یک جسم متحرک کمک می کنند. روابط Rsm���نشان دهنده روابط بین قطعه قطعه و شی mo است . Rgm���نشان دهنده روابط بین بخش tunit و مناطق Voronoi vr . آنها توانایی یافتن تمام مسیرها را در یک منطقه جغرافیایی خاص Voronoi فراهم می کنند.

4.2. اپراتورها

در این بخش، بخش عمده ای از عملیات را ارائه می دهیم Gg��، Gs��و Gm��همانطور که در جدول 1 نشان داده شده است . ما از امضا استفاده می کنیم α×β→δ�×�→�برای تعریف امضای عملیات و معنایی. این بدان معنی است که متغیرهای نوع داده α و δ می توانند نمونه سازی شوند. برای مثال، int × int → int برای ضرب دو عدد در یکدیگر استفاده می شود.
تعریف  7  انتخاب کنید.

عملگر select شرط پرس و جو مانند مقدار فیلد ویژگی ها و لایه نمودار خاص مدل GSM را دریافت می کند و تمام گره های گراف را که شرایط را برآورده می کنند برمی گرداند. بسته به لایه های گراف سلسله مراتبی، به صورت نوشته می شود select(Gg,c)������(��,�)، select(Gs,c)������(��,�)، یا select(Gm,c)������(��,�)برای پرس و جوهای یک نمودار جغرافیایی، نمودار اجتماعی، و نمودار حرکتی، که در آن c شرط پرس و جو است.
به عنوان مثال، برای یافتن گره‌های گراف با نام «دیوید» روی یک گراف اجتماعی، عبارت query به صورت زیر نوشته می‌شود:

select(Gs−−−,name=′David′)������(��̲,����=′�����′)
تعریف  8  گره ارزش.

عملگر nodevalues ​​مقدار یک فیلد ویژگی را از گره گراف استخراج می کند. به عنوان مثال، برای یافتن آدرس ایمیل یک شی متحرک به صورت زیر نوشته می شود:

nodevalues(mo−−−,email)����������(��̲,�����)
توجه داشته باشید که نوع مقدار بازگشتی را به عنوان رشته نوع عمومی تعریف می کنیم . در برنامه های واقعی کلمه، بسیاری از عملیات تبدیل نوع داده با توجه به انواع داده های واقعی مورد نیاز است. به عنوان مثال، سن میدان یک جسم متحرک به نوع int تعلق دارد .
تعریف  9  دریافت.

عملگر getnodes گره های مجاور را بر اساس یک مقدار رابطه خاص بازیابی می کند. به عنوان مثال، بازیابی تمام بخش های مسیر جسم متحرک mo به صورت زیر نوشته می شود:

getnodes(mo−−−,lks)��������(��̲,���)
با بهره مندی از این ساختار نمودار، بسیاری از عملیات پرس و جو راحت تر از راه حل سنتی پایگاه داده رابطه ای می شوند. به عنوان مثال، پرس و جوی اصلی “پیدا کردن همه دوستان دیوید” به عملیات مشترک جدول در رویکرد جدول سنتی نیاز دارد. در مقابل، عبارت پرس و جو در مدل GSM می تواند به صورت زیر نوشته شود:

getnodes(mo−−−,type=friends)��������(��̲,����=�������)
تعریف  10  مسیر حرکت.

عملگر getrajectory کل مسیر یک شی متحرک MO را در لحظه تاریخی مشخصی برمی گرداند . برای مثال، یافتن مسیر دیوید در 22 ژوئیه 2015 را می توان به صورت زیر نوشت:

ge t r a j e c t o r y( s e l e c t (جیس–––، n a m e=“D a v iد“) ،2015–07–22 )�هتی�آ�هجتی���(سهلهجتی(جیس̲،�آمتره=“�آ�مند“)،2015–07–22)
پیاده سازی این عملگر به getnodes اپراتور متکی است .
تعریف  11  atinstants.

عملگر atinstants هر موقعیتی از یک شی متحرک را در لحظه لحظه پرس و جو برمی گرداند . برای مثال، عبارت «دیوید در ساعت 10:00 در 22 ژوئیه 2015 کجاست» را می توان به صورت زیر نوشت:

a t i n s t a n t s ( ge t r a j e c t o r y( s e l e c t (جیس–––، n a m e=“D a v iد“) ,2015−07−22 ) ,10:00)آتیمن�ستیآ�تیس(�هتی�آ�هجتی���(سهلهجتی(جیس̲،�آمتره=“�آ�مند“)،2015–07–22)،10:00)
این اپراتور به دلیل گسستگی مسیرها به عملیات درون یابی مسیر بین دو نقطه مجاور نیاز دارد.
تعریف  12  دوره

عملگر atperiods دوره شرط زمانی پرس و جو و مسیر مشخص را دریافت می کند و یک واحد مسیری را که شرایط را برآورده می کند برمی گرداند.
تعریف  13  موجود.

عملگر exinstants یک عمل معکوس از عملگر atinstants است. یک مختصات دریافت می کند و زمانی را که یک شی از آن عبور می کند، برمی گرداند.
تعریف  14  فاصله.

عملگر فاصله حداقل فاصله اقلیدسی بین دو مسیر را محاسبه می کند. تمام فاصله یک نقطه از مسیر اول تا هر نقطه از مسیر دوم را پیدا می کند و حداقل مقدار را برمی گرداند. به این صورت نوشته شده است:

دistance(trajectory−−−−−−−−,trajectory−−−−−−−−)��������(����������̲,����������̲)

5. اجرا

5.1. معماری سیستم

یک چارچوب پیاده سازی برای مدل GSM در شکل 5 نشان داده شده است . این چارچوب دارای سه جزء اصلی است: یک موتور ذخیره سازی، مدیر لایه گراف و ماژول جبر.
موتور ذخیره سازی یک راه حل اساسی برای ذخیره سازی داده ها برای ساختار گراف ترکیبی مدل GSM ارائه می کند. برای پشتیبانی از سیستم های مختلف پایگاه داده طراحی شده است. برای یک پایگاه داده گراف، ساختارهای مربوط به مدل GSM را می توان به عنوان یک گراف ویژگی اصلی ذخیره کرد. فرمت های WKB (دودویی شناخته شده) و WKT (متن شناخته شده) را می توان برای نمایش مناطق Voronoi و مسیر حرکت اجسام متحرک استفاده کرد.
یک مدیر لایه گراف یک ماژول منطقی از مدیریت چندگانه برای داده های گراف ارائه می دهد که عملکردهای اضافی بیشتری را نسبت به سیستم های پایگاه داده گراف بومی که فقط روش های مدیریت گره ها و لبه ها را ارائه می دهند، ارائه می دهد. در مدل GSM، مدیر لایه گراف با لایه گراف اجتماعی، لایه نمودار حرکتی و لایه نمودار جغرافیایی سر و کار دارد. علاوه بر این، ساختار نمایه سازی به عنوان یک لایه نمودار شاخص ذخیره می شود.
ماژول های جبر مجموعه ای از انواع داده ها و عملگرهای مربوط به مدل داده خاص را با هم گروه بندی می کنند. معماری پلاگین جبر، انعطاف پذیری و کنترل زیادی را بر اجرای مدل داده، مشابه معماری ثانوی [ 69 ، 70 ] فراهم می کند.

5.2. پیاده سازی نمونه اولیه

یک نمونه اولیه برای تأیید مدل GSM در سیستم مدیریت پایگاه داده گراف Neo4J اجرا شده است ، همانطور که در شکل 6 نشان داده شده است . GSMRoot گره ریشه پایگاه داده گراف را نشان می دهد، با سه گره فرزند (یعنی GG ، MG و SG ) که به ترتیب نشان دهنده گره های ریشه برای نمودار جغرافیایی ، نمودار حرکتی و گراف اجتماعی هستند . گره های فرزند گره GG ، مناطق Voronoi جغرافیایی هستند، با لبه های نشان دهنده روابط فضایی بین آنها. گره MG دارای بخش های مسیر بسیاری به عنوان گره های فرزند است. به طور مشابه، گره های فرزند SGگره ها اشیاء متحرک را نشان می دهند. علاوه بر این، بخش های مسیر با مناطق جغرافیایی Voronoi و اشیاء متحرک پیوند دارند.
برخی از نمونه های پرس و جو فهرست شده و عبارات پرس و جو مربوطه به شرح زیر توضیح داده شده است.

سوال 1 : آدرس ایمیل جک چیست؟
گره ارزش ها (
 انتخاب کنید ( Gs ، نام =” جک ” ) ، ایمیل )
پرس و جو 2 : همه دوستان جک را پیدا کنید.
گره ارزش ها (
 دریافت گره (
  انتخاب کنید ( G s ، نام =” جک “)، دوستی )، نام )
پرس و جو 3 : فاصله مسیر بین جک و جان را پیدا کنید.
فاصله (
 خط کشی (
  انتخاب کنید ( G s ، نام =” جک “)، 2015 – 07 – 22)
 خط کشی (
  انتخاب کنید ( G s , name =’ John ‘), 2015 − 07 − 22)))
پرسش 4 : جک ساعت 10 صبح کجا بود؟
لحظه لحظه (
 خط کشی (
  انتخاب کنید ( G s ، نام =” جک “)، 2015 – 07 – 22)، 10: 00)
پرس و جو 5 : مسیرهای جک را بین ساعت 10 صبح تا 12 صبح پیدا کنید
دوره های زمانی (
 خط کشی (
  انتخاب کنید ( G s ، نام =” جک “)، 2015 − 07 − 22)، 10: 00، 12: 00))
سوال 6 : جک چه زمانی از مرکز خرید Joy City عبور کرد؟
موجودات (
 خط کشی (
  انتخاب کنید ( G s ، نام =” جک “)، 2015 − 07 − 22)، Joycity )

6. آزمایشات

6.1. تنظیمات آزمایشی

Neo4J و Eclipse برای پیاده‌سازی مدل داده‌های GSM بر روی یک رایانه شخصی استاندارد با پردازنده Intel i7-4790 و رم 8 گرم استفاده شدند . داده‌های جمع‌آوری‌شده از LBSN‌های دنیای واقعی ، یعنی Brightkite (BK) و Gowalla (GO) ، ارائه‌شده توسط پروژه تحلیل شبکه استنفورد [ 19 ]، برای انجام آزمایش‌ها به منظور تأیید اثرات مدل ارائه‌شده استفاده شد. داده های Gowalla شامل 196، 591 گره کاربر، 950، 327 لبه دوستی ، و 6، 442، 890 رکورد ثبت نام بود، در حالی که داده های Brightkite شامل 58، 228 گره کاربر، 214، 078 دوستی بود.لبه ها، و 4، 491، 143 سوابق ورود. POI از پایگاه داده MAF/TIGER اداره سرشماری جمع آوری شد. همانطور که در شکل 7 نشان داده شده است ، چهار ایالت با سوابق ورود بیشتر به عنوان مناطق آزمایشی انتخاب شدند. به عنوان مثال، واشنگتن (DC)، کالیفرنیا (CA)، نیویورک (NY)، و تگزاس (TX). جدول 2 داده های تجربی را به تفصیل شرح می دهد.
آزمایش‌هایی برای آزمایش عملکرد پرس‌و‌جوها با و بدون پشتیبانی مدل GSM انجام شد. با توجه به کارایی مدیریت داده‌های مختلف مکانی-زمانی درگیر در یک محیط کلی‌تر، سیستم مدیریت پایگاه داده رابطه‌ای پرکاربرد PostgreSQL با پسوند فضایی PostGIS برای مدیریت این داده‌های اصلی اما بدون پشتیبانی از مدل GSM، به عنوان مقایسه، استفاده شد که در آن سه جدول – اشیاء ، روابط اجتماعی و خط سیر – به ترتیب برای ذخیره اشیاء متحرک، روابط اجتماعی و مسیرها با استفاده از عبارات SQL زیر ایجاد شدند:

  • ایجاد اشیاء TABLE (moID int، email char، onname char).
  • ایجاد رابطه اجتماعی جدول (از MOID int، رابطه char، toMOID int)؛
  • مسیر جدول را ایجاد کنید (trajID int، traj هندسه، ona char).
علاوه بر این، به منظور تسریع عملکرد پرس و جو، ما سه شاخص ایجاد کردیم: idx mo ، idx ids و idx traj ، همانطور که در عبارات SQL زیر نشان داده شده است.
  • ایجاد INDEX idx mo در اشیاء (moID);
  • ایجاد INDEX idx ID در رابطه اجتماعی (از MOID، toMOID).
  • ایجاد INDEX idx traj در مسیر با استفاده از RTREE (traj).
جدول 3 چهار عبارت پرس و جو را ارائه می دهد که برای ارزیابی عملکرد مدل GSM پیشنهادی استفاده می شود. عبارت query QE 1 مکان یک شی متحرک را در یک زمان مشخص برمی گرداند. QE 2، یک پرس و جو معمولی جغرافیایی-اجتماعی، مکان های دوستان یک شی متحرک را در یک زمان مشخص برمی گرداند. عبارت پرس و جو QE 3 مسیرهای یک شی متحرک را در یک منطقه معین در یک بازه زمانی مشخص بازیابی می کند. در نهایت، عبارت پرس و جو QE 4 تمام مسیرهای دوستان یک شی متحرک را که در یک منطقه مشخص در یک بازه زمانی خاص حرکت کرده اند، پیدا می کند.

6.2. نتایج تجربی

جدول 4 عملکرد عبارات جستجوی مختلف را در یک سیستم نمونه اولیه توسعه یافته با پشتیبانی از مدل GSM پیشنهادی و همچنین در یک پیاده سازی ساده نشان می دهد. با افزایش روابط اجتماعی یا سوابق ورود، سیستم نمونه اولیه پشتیبانی شده با مدل GSM پایدارتر رفتار کرد. این به این دلیل است که عملگرهای getrajectory و getnode باید به عملیات پیوستن جدول رابطه‌ای زمان‌بر در پیاده‌سازی ساده‌تر ترجمه شوند. در مقابل، پیاده سازی پشتیبانی شده با مدل GSM، عملیات پیمایش گراف همزمان را برای انجام این پرس و جوها اتخاذ کرد.
شکل 8 روابط بین عملکرد پرس و جو و حجم داده را نشان می دهد. با افزایش سوابق ورود یا روابط اجتماعی اشیاء متحرک، عملیات پیوستن جدول رابطه‌ای اجرای ساده را غیرعملی کرد، در حالی که عملکرد اجرای پشتیبانی شده با مدل GSM پایدار باقی ماند.
شکل 9 شماتیکی از یک پرس و جو را نشان می دهد ( QE 2 و QE 4 به عنوان مثال در نظر گرفته شده اند) در پیاده سازی پشتیبانی شده از مدل GSM. برای QE 2، ابتدا از getnodes اپراتور برای یافتن دوستان جک استفاده کردیم و گره های مسیر آنها را از طریق لبه ها گرفتیم. Rsm���. سپس گره‌های قطعه‌ای که شرایط زمانی را برآورده می‌کنند برای بازیابی گره‌های ناحیه Voronoi از طریق لبه‌ها استفاده شدند. Rgm���و نتایج نهایی پرس و جوها را برگردانید. شماتیک مشابهی از QE4 نیز در شکل نشان داده شده است.

7. بحث

مطالعه حاضر یک مدل GSM برای مدیریت یکپارچه و پرس و جو از مسیر حرکت اجسام متحرک، روابط اجتماعی و فضای جغرافیایی زیرین پیشنهاد می کند. با این حال، هنوز محدودیت هایی وجود دارد که ارزش توجه دارند.
نمودارهای Voronoi بر اساس POI برای تقسیم فضای جغرافیایی آزاد به بخش عمده ای از مناطق Voronoi استفاده می شود و سپس این مناطق به عنوان گره های یک نمودار جغرافیایی انتزاع می شوند. این برای توزیع فضایی ناهموار مسیرها مناسب است، به ویژه برای ردیابی حرکت ایجاد شده توسط یک LBSN به عنوان مثال، سوابق چک در. با این وجود، مشکل تکه تکه شدن چند ضلعی را نیز به دلیل تجمع POI ها مطرح می کند. در این حالت، مناطق و بخش های مسیر ورونوی کوچک بسیار زیادی وجود خواهد داشت. این بر کارایی مدیریت داده ها و پرس و جوها تأثیر می گذارد. یک خوشه بندی مقدماتی POI ممکن است در کاهش مشکل مفید باشد.
مدل GSM پیشنهادی می‌تواند به خوبی تنظیم شود تا از نمایش اطلاعات معنایی، مانند نقاط ماندن یا رفتار یک شی، و حتی سایر محیط‌های فعالیت مانند فضاهای داخلی یا شبکه پشتیبانی کند. با این حال، ذخیره اطلاعات بیش از حد از طریق ویژگی‌های گره‌ها یا لبه‌ها باعث می‌شود که نمودارها پرکار یا اضافی شوند. به عنوان مثال، در نمودارهای حرکتی، برخی از گره ها ممکن است نقاط مکان زیادی را ثبت کنند و ممکن است تا حدی مانع عملکرد پرس و جو یا نمایه سازی شوند. فشرده‌سازی مسیرها و ذخیره ویژگی‌های گره‌ها یا لبه‌های گراف با یک سیستم باینری ممکن است یک استراتژی مفید برای حل مشکل، همراه با بازدهی بازیابی داده‌ها باشد.
آزمایش‌های انجام‌شده در این مقاله از سوابق ورود از سیستم‌های Gowalla و Brightkite استفاده کردند. این رکوردها فواصل زمانی متفاوتی بین دو نقطه مکان مجاور دارند. گاهی اوقات، اشیاء ممکن است فقط چندین رکورد ورود در مکان های مختلف در یک روز داشته باشند، و گاهی اوقات ممکن است صدها رکورد در چند ساعت داشته باشند. برخلاف مسیرهای مبتنی بر GPS، مانند داده های شناور خودرو، این فواصل زمانی نامنظم چالشی برای عملکرد پرس و جو خواهد بود. انواع دیگر مسیرها بیشتر برای تأیید مدل GSM پیشنهادی استفاده خواهند شد. علاوه بر این، تنوع روابط برای اجسام متحرک در مقابل عملکرد نیز باید آزمایش شود.

8. نتیجه گیری

این مقاله یک مدل داده مبتنی بر نمودار ترکیبی را برای نمایش یکپارچه مسیرها، روابط اجتماعی و فضای جغرافیایی برای اجسام متحرک در فضای آزاد به منظور مقابله با چالش‌های مدیریت مربوط به رشد انفجاری داده‌های جغرافیایی-اجتماعی ارائه می‌کند. تعداد زیادی از انواع داده های تعریف شده توسط کاربر و عملگرهای مربوطه برای تسهیل پرس و جوهای جغرافیایی-اجتماعی در مورد اشیاء متحرک پیشنهاد شده است. یک چارچوب اجرایی ارائه شد و یک نمونه اولیه توسعه یافت. آزمایش‌هایی برای انواع داده‌های پیشنهادی و عملگرها برای نشان دادن کارایی مدل داده انجام شد. این یک گام به جلو در مدل‌سازی داده‌های اجسام متحرک است، زیرا روابط اجتماعی پیچیده و فضاهای جغرافیایی در مقیاس بزرگ و حتی فضاهای داخلی را در نظر می‌گیرد.
کار بیشتر شامل توسعه یک ساختار شاخص متناظر و الگوریتم‌های پرس و جوی مختلف، و اجرای توزیع‌شده یک مدل داده با استفاده از چارچوب‌های پردازش تغییر گراف در مقیاس بزرگ مانند Pregel یا Bulk Synchronous Parallel خواهد بود.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

کلوب جی اس ام Geo-Social-Moving
دی سی واشنگتن
CA کالیفرنیا
NY نیویورک
TX تگزاس
QE1 عبارت پرس و جو 1
QE2 عبارت پرس و جو 2
QE3 عبارت پرس و جو 3
QE4 عبارت پرس و جو 4

منابع

  1. روده، RH; Lu, J. Parallel SECONDO: پردازش پرس و جو مقیاس پذیر در ابر برای برنامه های غیر استاندارد. مشخصات SIGSPATIAL 2015 ، 6 ، 3-10. [ Google Scholar ] [ CrossRef ]
  2. روده، RH; Ding, Z. مدلسازی و پرس و جو از اجسام متحرک در شبکه ها. VLDB J. 2006 ، 15 ، 165-190. [ Google Scholar ] [ CrossRef ]
  3. هاجری، ح. حکیم پور، ف. مدل داده های مکانی برای پایگاه داده های شی متحرک. بین المللی J. پایگاه داده Manag. سیستم 2014 ، 6 ، 1-20. [ Google Scholar ] [ CrossRef ]
  4. منگ، ایکس. دینگ، ز. Xu, J. مدل سازی اشیاء متحرک، مدیریت اشیاء متحرک ; Springer: برلین، آلمان؛ هایدلبرگ، آلمان، 2014. [ Google Scholar ]
  5. چن، توسط; یوان، اچ. لی، کیو. شاو، اس.-ال. لام، WH; چن، ایکس. مدل داده های مکانی-زمانی برای تحلیل جغرافیایی زمان شبکه در عصر داده های بزرگ. بین المللی جی. جئوگر. Inf. علمی 2015 ، 30 ، 1-31. [ Google Scholar ] [ CrossRef ]
  6. ولفسون، او. خو، بی. چمبرلین، اس. جیانگ، ال. پایگاه های داده اشیاء متحرک: مسائل و راه حل ها . IEEE: شیکاگو، IL، ایالات متحده آمریکا، 1998. [ Google Scholar ]
  7. Ding, Z. UTR-tree: یک ساختار شاخص برای مسیرهای نامشخص کامل اجسام متحرک با محدودیت شبکه. در مجموعه مقالات نهمین کنفرانس بین المللی مدیریت داده های تلفن همراه (MDM 2008)، پکن، چین، 27-30 آوریل 2008. صص 33-40.
  8. یونگ، اچ. کیم، YS; Chung, YD QR-tree: یک روش کارآمد و مقیاس پذیر برای ارزیابی پرس و جوهای محدوده پیوسته. Inf. علمی 2014 ، 274 ، 156-176. [ Google Scholar ] [ CrossRef ]
  9. Pfoser، D.; جنسن، CS; Theodoridis, Y. Novel Approaces to the Indexing of Moving Object Trajectories ; Morgan Kaufmann Publishers Inc.: San Francisco, CA, USA, 2000. [ Google Scholar ]
  10. خو، جی. روده، RH; ژنگ، ی. TM-RTree: شاخصی بر روی اشیاء متحرک عمومی برای جستجوهای محدوده. GeoInformatica 2015 ، 19 ، 487-524. [ Google Scholar ] [ CrossRef ]
  11. ساچاریدیس، دی. اسکوتاس، دی. Skoumas, G. نظارت مستمر نزدیکترین مسیرها. در مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، دالاس، تگزاس، ایالات متحده آمریکا، 4 تا 7 نوامبر 2014. صص 361-370.
  12. شائو، ز. Taniar, D. جستجوی محدوده پیشرفته با اشیاء خارج از محدوده پرس و جو. وب جهانی 2015 ، 18 ، 1-23. [ Google Scholar ] [ CrossRef ]
  13. سیلوستری، سی. لتیچ، اف. اورلاندو، اس. جنسن، محاسبات مبتنی بر GPU CS از پرس و جوهای محدوده مکرر بر روی اشیاء متحرک. در مجموعه مقالات بیست و دومین کنفرانس بین المللی Euromicro در سال 2014 در مورد پردازش موازی، توزیع شده و مبتنی بر شبکه (PDP)، تورینو، ایتالیا، 12 تا 14 فوریه 2014. صص 640-647.
  14. ژانگ، آر. چی، جی. لین، دی. وانگ، دبلیو. وانگ، RC-W. یک الگوریتم بسیار بهینه برای پیوستن پرس و جوهای تقاطع پیوسته بر روی اجسام متحرک. VLDB J. 2012 ، 21 ، 561-586. [ Google Scholar ] [ CrossRef ]
  15. ترایچفسکی، جی. تاماسیا، ر. کروز، IF; شوئرمن، پی. هارتگلاس، دی. Zamierowski، C. رتبه بندی پیوسته نزدیکترین همسایگان برای مسیرهای نامشخص. VLDB J. 2011 ، 20 ، 767-791. [ Google Scholar ] [ CrossRef ]
  16. لانگ، ج.ا. نلسون، TA مروری بر روش‌های کمی برای داده‌های حرکتی. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 292-318. [ Google Scholar ] [ CrossRef ]
  17. پلکیس، ن. تئودوریدیس، ی. Janssens, D. در مورد مدیریت و تجزیه و تحلیل مراحل زندگی ما. ACM SIGKDD Explor. Newsl. 2014 ، 15 ، 23-32. [ Google Scholar ] [ CrossRef ]
  18. ژنگ، ی. داده کاوی مسیر: یک نمای کلی. ACM Trans. هوشمند سیستم تکنولوژی (TIST) 2015 ، 6 ، 29-41. [ Google Scholar ] [ CrossRef ]
  19. چو، ای. مایرز، SA; Leskovec, J. دوستی و تحرک: حرکت کاربر در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 21 تا 24 اوت 2011. ص 1082-1090.
  20. اسکلاتو، اس. نولاس، ا. Mascolo, C. بهره‌برداری از ویژگی‌های مکان در پیش‌بینی پیوند در شبکه‌های اجتماعی مبتنی بر مکان. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 21 تا 24 اوت 2011. ص 1046-1054.
  21. کراندال، دی جی; بکستروم، ال. کاسلی، دی. سوری، س. هاتنلوچر، دی. کلینبرگ، جی. استنتاج پیوندهای اجتماعی از روی تصادفات جغرافیایی. Proc. Natl. آکادمی علمی 2010 ، 107 ، 22436-22441. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  22. تانگ، دبلیو. ژوانگ، اچ. تانگ، جی. یادگیری استنباط پیوندهای اجتماعی در شبکه های بزرگ. ماخ فرا گرفتن. بدانید. کشف کنید. پایگاه های داده 2011 ، 6913 ، 381-397. [ Google Scholar ]
  23. فاولر، جی جی فیس بوک: یک میلیارد و در حال شمارش. وال استریت جی 2012 ، 4 ، 1-10. [ Google Scholar ]
  24. Chorley، MJ; ویتاکر، آر.ام. آلن، SM شخصیت و شبکه های اجتماعی مبتنی بر مکان. محاسبه کنید. رفتار انسان 2015 ، 46 ، 45-56. [ Google Scholar ] [ CrossRef ]
  25. آهوجا، ر. آرمناتزوگلو، ن. پاپادیاس، دی. Fakas، GJ جئو-اجتماعی کلید واژه جستجو. Adv. تف کردن موقت پایگاه های داده 2015 ، 9329 ، 431-450. [ Google Scholar ]
  26. شی، ج. مامولیس، ن. وو، دی. Cheung، DW Clustering مکان مبتنی بر تراکم در شبکه های جغرافیایی اجتماعی. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD 2014 در مدیریت داده ها، Snowbird، UT، ایالات متحده، 22-27 ژوئن 2014. صص 99-110.
  27. ژوانگ، اچ. تانگ، جی. تانگ، دبلیو. لو، تی. چین، ا. وانگ، ایکس. یادگیری فعالانه برای استنتاج روابط اجتماعی. حداقل داده بدانید. کشف کنید. 2012 ، 25 ، 1-28. [ Google Scholar ] [ CrossRef ]
  28. آنگلز، آر. Gutierrez, C. بررسی مدل های پایگاه داده گراف. ACM Computing Surv. (CSUR) 2008 ، 40 ، 1-10. [ Google Scholar ] [ CrossRef ]
  29. Holzschuher، F. Peinl, R. عملکرد زبان های پرس و جو گراف: مقایسه سایفر، گرملین و دسترسی بومی در Neo4j. در مجموعه مقالات کارگاه های مشترک EDBT/ICDT 2013، جنوا، ایتالیا، 18 تا 22 مارس 2013. ص 195-204.
  30. اشنایدر، ام. اشیاء متحرک در پایگاه‌های داده و GIS: مسائل پیشرفته و باز، روندهای پژوهشی در علم اطلاعات جغرافیایی . Springer: برلین، آلمان، 2009. [ Google Scholar ]
  31. سیستلا، AP; ولفسون، او. چمبرلین، اس. دائو، اس. مدلسازی و پرس و جو از اجسام متحرک. در مجموعه مقالات کنفرانس بین المللی مهندسی داده (ICDE)، بیرمنگام، انگلستان، 7-11 آوریل 1997. صص 422-432.
  32. ولفسون، او. چمبرلین، اس. دائو، اس. جیانگ، ال. مندز، جی. هزینه و عدم دقت در مدلسازی موقعیت اجسام متحرک . IEEE: شیکاگو، IL، ایالات متحده آمریکا، 1998. [ Google Scholar ]
  33. ولفسون، او. چمبرلین، اس. کالپاکیس، ک. Yesha, Y. مدلسازی اشیاء متحرک برای خدمات مبتنی بر مکان. توسعه دهنده زیرساخت. اوباش سیم. سیستم 2002 ، 2538 ، 46-58. [ Google Scholar ]
  34. فورلیزی، ال. روده، RH; ناردلی، ای. اشنایدر، ام. مدل داده و ساختارهای داده برای پایگاه داده های اشیاء متحرک. ACM SIGMOD 2000 ، 29 ، 319-330. [ Google Scholar ] [ CrossRef ]
  35. روده، RH; Böhlen، MH; ارویگ، م. جنسن، CS; لورنتزوس، NA; اشنایدر، ام. Vazirgiannis، M. پایه ای برای بازنمایی و پرس و جو از اجسام متحرک. ACM Trans. سیستم پایگاه داده (TODS) 2000 ، 25 ، 1-42. [ Google Scholar ] [ CrossRef ]
  36. منگ، ایکس. Ding, Z. DSTTMOD: پایگاه داده اجسام متحرک مبتنی بر مسیر آینده. سیستم خبره پایگاه داده Appl. 2003 ، 2736 ، 444-453. [ Google Scholar ]
  37. پدر و مادر، سی. اسپاکاپیترا، اس. رنسو، سی. آندرینکو، جی. بوگورنی، وی. دامیانی، ام.ال. مکدو، جی. پلکیس، ن. تئودریدیس، ی. Yan, Z. مدل‌سازی و تحلیل مسیرهای معنایی. ACM Computing Surv. 2013 ، 45 ، 39-76. [ Google Scholar ] [ CrossRef ]
  38. یان، ز. چاکرابورتی، دی. پدر و مادر، سی. اسپاکاپیترا، اس. Aberer، K. مسیرهای معنایی: محاسبات داده های تحرک و حاشیه نویسی. ACM Trans. هوشمند سیستم تکنولوژی (TIST) 2013 , 4 , 49. [ Google Scholar ] [ CrossRef ]
  39. Sandu Popa، I. مدلسازی، پرس و جو و نمایه سازی اجسام متحرک با حسگرها در شبکه های جاده ای . دانشگاه Versailles-Saint-Quentin: پاریس، فرانسه، 2010. [ Google Scholar ]
  40. جنسن، CS; لو، اچ. Yang, B. Indoor—یک مرز مدیریت داده جدید. IEEE Data Eng. گاو نر 2010 ، 33 ، 12-17. [ Google Scholar ]
  41. جین، پی. ژانگ، ال. ژائو، ال. وانگ، اچ. Yue, L. اجسام متحرک داخلی مبتنی بر RFID الکترونیکی: مدلسازی و کاربردها. Adv. مکانیک. الکترون. مهندس 2012 ، 177 ، 455-461. [ Google Scholar ]
  42. کیم، ی. کانگ، اچ. لی، جی. توسعه مدل داده های فضایی داخلی با استفاده از CityGML ADE. جی کره اسپات. Inf. Soc. 2013 ، 21 ، 11-21. [ Google Scholar ] [ CrossRef ]
  43. Brinkhoff, T. چارچوبی برای تولید اشیاء متحرک مبتنی بر شبکه. GeoInformatica 2002 ، 6 ، 153-180. [ Google Scholar ] [ CrossRef ]
  44. ساگلیو، جی.-م. Moreira, J. Oporto: یک سناریوی واقعی برای اجسام متحرک. GeoInformatica 2001 ، 5 ، 71-93. [ Google Scholar ] [ CrossRef ]
  45. تئودوریدیس، ی. سیلوا، جی آر. Nascimento، MA در مورد تولید مجموعه داده‌های مکانی-زمانی، پیشرفت‌ها در پایگاه‌های داده فضایی. Springer 1999 ، 1651 ، 147-164. [ Google Scholar ]
  46. خو، جی. Guting، RH GMOBench: معیاری برای اجسام متحرک عمومی. در مجموعه مقالات بیستمین کنفرانس بین المللی پیشرفت در سیستم های اطلاعات جغرافیایی، ردوندو بیچ، کالیفرنیا، ایالات متحده آمریکا، 7-9 نوامبر 2012. ص 410-413.
  47. هوانگ، اس.-سی. چن، بی.-اچ. تشخیص شی متحرک بسیار دقیق در سیستم‌های نظارت بر ترافیک مبتنی بر نرخ بیت متغیر. IEEE Trans. شبکه عصبی سیستم یادگیری 2013 ، 24 ، 1920-1931. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  48. هوانگ، اس.-سی. انجام دهید، B.-H. شبکه عصبی مبتنی بر تابع پایه شعاعی برای تشخیص حرکت در صحنه های پویا IEEE Trans. سایبر. 2014 ، 44 ، 114-125. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  49. چنگ، F.-C.; چن، B.-H.; هوانگ، اس.-سی. یک روش شروع مجدد مدل پس‌زمینه مبتنی بر تشخیص تغییر درخشندگی ناگهانی. مهندس Appl. آرتیف. هوشمند 2015 ، 38 ، 138-146. [ Google Scholar ] [ CrossRef ]
  50. چنگ، F.-C.; چن، B.-H.; هوانگ، اس.-سی. یک روش تفریق پس‌زمینه ترکیبی با تشخیص نامزدهای پس‌زمینه و پیش‌زمینه. ACM Trans. هوشمند سیستم تکنولوژی (TIST) 2015 ، 7 ، 21-31. [ Google Scholar ] [ CrossRef ]
  51. چن، B.-H.; هوانگ، اس.-سی. الگوریتم استخراج وسایل نقلیه متحرک مبتنی بر شبکه های عصبی احتمالی برای سیستم های نظارت ترافیک هوشمند Inf. علمی 2015 ، 299 ، 283-295. [ Google Scholar ] [ CrossRef ]
  52. بوگورنی، وی. رنسو، سی. آکینو، آر. لوکا سیکیرا، اف. آلوارس، LO CONSTAnT – یک مدل داده مفهومی برای مسیرهای معنایی اجسام متحرک. ترانس. GIS 2014 ، 18 ، 66-88. [ Google Scholar ] [ CrossRef ]
  53. اسپاکاپیترا، اس. پدر و مادر، سی. دامیانی، ام.ال. de Macedo، JA; پورتو، اف. وانگنوت، سی. دیدگاه مفهومی در مسیرها. دانستن داده ها مهندس 2008 ، 65 ، 126-146. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. ژنی، د. فریدا، ع. غزاله، ح. کلارامونت، سی. یک رویکرد معنایی برای مدل‌سازی مسیرها در فضا و زمان. Adv. مفهوم. مدل. چال. چشم انداز 2009 ، 5833 ، 347-356. [ Google Scholar ]
  55. موکبل، MF; سروات، ام. تحرک و شبکه های اجتماعی: دیدگاه مدیریت داده. Proc. VLDB Enddow. 2013 ، 6 ، 1196-1197. [ Google Scholar ] [ CrossRef ]
  56. ژنی، د. فریدا، ع. کلارامونت، سی. غزالا، HB یک مدل داده مبتنی بر معنایی برای دستکاری مسیرها: کاربرد در حمل و نقل شهری. وب وایرل. Geogr. Inf. سیستم 2015 ، 9080 ، 124-142. [ Google Scholar ]
  57. یان، ز. چاکرابورتی، دی. پدر و مادر، سی. اسپاکاپیترا، اس. Aberer, K. SeMiTri: چارچوبی برای حاشیه نویسی معنایی مسیرهای ناهمگن. در مجموعه مقالات چهاردهمین کنفرانس بین المللی گسترش فناوری پایگاه داده، اوپسالا، سوئد، 21 تا 24 مارس 2011. صص 259-270.
  58. بوگورنی، وی. آوانچینی، اچ. de Paula، BC; Kuplich، CR; Alvares، LO Weka-STPM: معماری نرم افزار و نمونه اولیه برای داده کاوی مسیر معنایی و تجسم. ترانس. GIS 2011 ، 15 ، 227-248. [ Google Scholar ] [ CrossRef ]
  59. بوگورنی، وی. هوسر، سی. Alvares, L. یک مدل داده مفهومی برای داده کاوی مسیر. Geogr. Inf. علمی 2010 ، 6292 ، 1-15. [ Google Scholar ]
  60. دامیانی، ام.ال. والدز، اف. عیسی، ح. حرکت اشیاء فراتر از مسیرهای خام و معنایی. در مجموعه مقالات سومین کارگاه بین المللی مدیریت اطلاعات برای برنامه های کاربردی موبایل، ریوا دل گاردا، ایتالیا، 26 اوت 2013. جلد 4، ص 1-10.
  61. هو، ی. یانوویچ، ک. کارال، دی. شیدر، اس. کوهن، دبلیو. برگ کراس، جی. هیتزلر، پی. دین، م. کولاس، دی. الگوی طراحی ژئوآنتولوژی برای مسیرهای معنایی. تف کردن Inf. نظریه 2013 ، 8116 ، 438-456. [ Google Scholar ]
  62. پایوا نوگیرا، تی. بزرا براگا، آر. مارتین، اچ. یک رویکرد مبتنی بر هستی شناسی برای نشان دادن ویژگی های مسیر. در مجموعه مقالات پنجمین کنفرانس بین المللی 2014 در محاسبات برای تحقیقات و کاربردهای جغرافیایی، واشنگتن، دی سی، ایالات متحده آمریکا، 4 تا 6 اوت 2014. صص 102-107.
  63. یان، ز. مکدو، جی. پدر و مادر، سی. Spaccapietra، S. هستی شناسی ها و پرس و جوهای مسیر. ترانس. GIS 2008 ، 12 ، 75-91. [ Google Scholar ] [ CrossRef ]
  64. بولماکول، ا. کریم، ل. Lbath، A. مسیرهای متحرک شیء متا مدل و پرس و جوهای فضایی-زمانی. بین المللی J. پایگاه داده Manag. سیستم 2012 ، 4 ، 35-54. [ Google Scholar ] [ CrossRef ]
  65. کلاهدوزان، م. شهابی، سی. ورونوی مبتنی بر k نزدیکترین همسایه جستجو برای پایگاه داده شبکه فضایی. در مجموعه مقالات سی امین کنفرانس بین المللی پایگاه های داده بسیار بزرگ – جلد 30، تورنتو، کانادا، 29 اوت تا 3 سپتامبر 2004. صص 840-851.
  66. Egenhofer، MJ; Franzosa، روابط فضایی توپولوژیکی مجموعه نقطه RD. بین المللی جی. جئوگر. Inf. سیستم 1991 ، 5 ، 161-174. [ Google Scholar ] [ CrossRef ]
  67. Egenhofer، MJ; هرینگ، جی. چارچوبی ریاضی برای تعریف روابط توپولوژیکی. در مجموعه مقالات چهارمین سمپوزیوم بین المللی در مورد مدیریت داده های فضایی، زوریخ، سوئیس، 23-27 ژوئیه 1990. ص 803-813.
  68. دونتگن، سی. بهر، ت. Guting، RH BerlinMOD: معیاری برای پایگاه داده های شی متحرک. VLDB J. 2009 ، 18 ، 1335-1368. [ Google Scholar ] [ CrossRef ]
  69. روده، RH; بهر، ت. Düntgen, C. Secondo: بستری برای تحقیقات پایگاه داده اشیاء متحرک و برای انتشار و یکپارچه سازی پیاده سازی های تحقیقاتی. IEEE Data Eng. گاو نر 2010 ، 33 ، 56-63. [ Google Scholar ]
  70. روده، RH; آلمیدا، وی. آنسورج، دی. بهر، ت. دینگ، ز. هوس، تی. هافمن، اف. Spiekermann, M. SECONDO: یک پلت فرم DBMS توسعه پذیر برای نمونه سازی و آموزش تحقیقاتی. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی مهندسی داده (ICDE’05)، توکیو، ژاپن، 5-8 آوریل 2005. صص 1115–1116.
Ijgi 05 00121 g001 1024
شکل 1. نمودار جغرافیایی برای فضای آزاد.
Ijgi 05 00121 g002 1024
شکل 2. نمودار اجتماعی.
Ijgi 05 00121 g003 1024
شکل 3. نمودار حرکت.
Ijgi 05 00121 g004 1024
شکل 4. مثالی برای مدل GSM.
Ijgi 05 00121 g005 1024
شکل 5. چارچوب پیاده سازی برای مدل GSM.
Ijgi 05 00121 g006 1024
شکل 6. پیاده سازی مدل GSM.
Ijgi 05 00121 g007 1024
شکل 7. توزیع فضایی سوابق ورود.
Ijgi 05 00121 g008 1024
شکل 8. روابط بین عملکرد و حجم داده در پرس و جو.
Ijgi 05 00121 g009 1024
شکل 9. شماتیک پرس و جوهای پشتیبانی شده با مدل GSM.
جدول
جدول 1. تعریف عملیات.
جدول
جدول 2. داده های تجربی.
جدول
جدول 3. عبارات پرس و جو آزمایش شده برای مدل GSM.
جدول
جدول 4. عملکرد پرس و جوها (زمان CPU/ms).

;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