GSMNet: یک مدل نمودار سلسله مراتبی برای اشیاء متحرک در شبکه ها

خلاصه

مدل‌های داده‌ای موجود برای اشیاء متحرک در شبکه‌ها اغلب با کنترل انعطاف‌پذیر جزئیات نمایش شبکه‌ها و هزینه به‌روزرسانی مکان محدود می‌شوند و اطلاعات معنایی مانند وضعیت‌های ترافیک، محدودیت‌های ترافیکی و روابط اجتماعی را در بر نمی‌گیرند. در این مقاله، هدف ما پر کردن شکاف مدل‌های محدود شبکه سنتی است و یک مدل گراف سلسله مراتبی به نام مدل جغرافیایی-اجتماعی متحرک برای اجسام متحرک در شبکه‌ها (GSMNet) پیشنهاد می‌کنیم که چهار ساختار گراف، RouteGraph ، SegmentGraph ، ObjectGraph و MoveGraph، برای نمایش شبکه های زیربنایی، مسیرها و اطلاعات معنایی به صورت یکپارچه. بخش عمده ای از انواع داده های تعریف شده توسط کاربر و عملگرهای مربوطه برای رسیدگی به اشیاء متحرک و پاسخ به یک کلاس جدید از پرس و جوها که از سه نوع شرایط پشتیبانی می کنند، پیشنهاد شده است: اطلاعات مکانی، زمانی و معنایی. سپس، ما یک سیستم نمونه اولیه را با سیستم پایگاه داده گراف بومی Neo4J توسعه می دهیم تا مدل GSMNet پیشنهادی را پیاده سازی کنیم. در این آزمایش، ارزیابی عملکرد را با استفاده از مسیرهای شبیه‌سازی شده تولید شده از معیار BerlinMOD (پایگاه داده‌های اشیاء متحرک برلین) انجام می‌دهیم و با سیستم MOD بالغ Secondo مقایسه می‌کنیم.

کلید واژه ها:

اجسام متحرک ؛ مدل داده ; شبکه ; خط سیر ; اطلاعات معنایی ؛ دوم

1. معرفی

پایگاه‌های داده اشیاء متحرک (MOD) بر مدل‌سازی و پرس و جوی حرکات موجودات متحرک مانند افراد، وسایل نقلیه و کشتی‌ها تمرکز دارد. با توسعه فن‌آوری‌های موقعیت‌یابی، مانند سیستم موقعیت‌یابی جهانی (GPS) و شناسایی فرکانس رادیویی (RFID)، در سال‌های اخیر به دلیل کاربرد گسترده، مانند آنلاین، به طور گسترده مورد مطالعه قرار گرفته است [ 1 ، 2 ، 3 ، 4 ]. خدمات مبتنی بر مکان (LBS)، شبکه های اجتماعی مبتنی بر مکان (LBSN)، سیستم های نظارت هوشمند مبتنی بر شبکه های حسگر [ 5 ، 6 ، 7 ، 8 ]، سیستم های نظارت تصویری [ 9 ، 10 ، 11]] و شبکه های موردی خودرویی [ 12 ، 13 ]. در دنیای واقعی، اشیاء متحرک بیشتری مانند عابران پیاده، اتومبیل‌ها و اتوبوس‌ها به غیر از فضای آزاد جغرافیایی، تمایل دارند در کنار شبکه‌های حمل‌ونقل زیربنایی حرکت کنند. از این رو، موضوع مدل‌سازی اجسام متحرک در شبکه‌ها به میزان فزاینده‌ای در ادبیات مورد توجه قرار گرفته است [ 14 ، 15 ، 16 ، 17 ، 18 ، 19 ].

اگرچه کارهای زیادی روی مدل‌سازی اجسام متحرک در شبکه‌ها، مانند شبکه حمل‌ونقل پویا مبتنی بر حالت (SBDTN) [ 20 ]، MODTN [ 21 ]، نمودار اتوماتای سلولی (GCA) [ 22 ] و اجسام متحرک در شبکه‌ها (MONET) انجام شده است. ) [ 23 ]، رویکردها فقط به موضوع نمایش شبکه ها و مسیرها می پردازند و اطلاعات معنایی مانند وضعیت ترافیک، محدودیت های ترافیکی و روابط اجتماعی بین اشیاء متحرک را نادیده می گیرند. علاوه بر این، نحوه متعادل کردن ریزدانگی شبکه‌های مدل‌سازی و هزینه به‌روزرسانی مکان نیز همچنان یک چالش در زمینه MOD و سیستم‌های اطلاعات جغرافیایی (GIS) است [ 14 ، 24 ، 25] .]. دلیل آن این است که مدل‌های محدود شبکه ریز دانه بخش را به عنوان واحد اصلی نشان می‌دهند. با این حال، این می تواند منجر به هزینه بیشتری برای به روز رسانی مکان و نگهداری فهرست شود، به دلیل این واقعیت که بخش های متحرک یک شیء متحرک تغییر مکرر درخواست های به روز رسانی مکان گسترده را تحریک می کند و باعث می شود ساختارهای فهرست باطل شوند. در مقابل، مدل‌های محدود شبکه با دانه درشت، مسیر را به عنوان واحد اصلی نشان می‌دهند. اگرچه می‌تواند به کاهش هزینه‌های به‌روزرسانی مکان کمک کند، زیرا وضعیت ترافیک ارتباط نزدیکی با بخش‌ها دارد، نمی‌تواند به خوبی با برخی از برنامه‌های کاربردی دنیای واقعی که نیاز به عملکرد خوب در زمان واقعی دارند، به‌ویژه برای سیستم‌های ناوبری خودرو و خدمات کارپول تطبیق دهد [26 ] ، 27 ].

به‌علاوه، مدل‌های داده‌های محدود شبکه موجود به دلیل فقدان مدیریت یکپارچه و مؤثر مسیرها، شبکه‌های زیربنایی و اطلاعات معنایی، به سختی به عنوان رویکردهای یکپارچه مکانی-زمانی [ 2 ، 15 ] تعریف می‌شوند . برخی از رویکردهای brute-force این نوع مجموعه داده های بدون ساختار را در چندین جدول ذخیره می کنند. با این حال، بسیاری از پرس‌و‌جوهای پیچیده که از سه نوع شرایط، اطلاعات مکانی، زمانی و معنایی پشتیبانی می‌کنند، باید به عملیات پیوستن جدول زمان‌بر تکیه کنند. از این رو، این نیاز به توسعه یک مدل داده یکپارچه مکانی-زمانی جدید برای اشیاء متحرک در شبکه‌ها دارد که قابلیت کنترل‌های انعطاف‌پذیر برای به‌روزرسانی مکان را به طور همزمان دارد.

در این مقاله، ما یک مدل نمودار سلسله مراتبی برای اشیاء متحرک در شبکه‌ها به نام مدل داده‌های متحرک جغرافیایی اجتماعی برای اجسام متحرک در شبکه‌ها (GSMNet) پیشنهاد می‌کنیم که شامل چهار ساختار نمودار است: RouteGraph ، SegmentGraph ، ObjectGraph و MoveGraph . برای کنترل هزینه به روز رسانی مکان، شبکه زیربنایی به عنوان دو ساختار گراف جداگانه، RouteGraph و SegmentGraph ، در سطوح مختلف دانه بندی نشان داده می شود. این با رویکردهای مدلسازی سنتی که یک شبکه حمل و نقل را به عنوان یک نمودار جهت دار نشان می دهد متفاوت است. مسیرها و بخش ها به صورت دو نوع گره گراف و روابط فضایی مانند

m e e t

i n t e r s e c t

این گره های گراف را به هم وصل کنید. روابط یک به چند از گره های مسیر به گره های بخش برای مدل سازی روابط توپولوژیکی ایجاد می شود. محدودیت های ترافیکی به صورت لبه های بین بخش ها یا گره های گراف مسیر نمایش داده می شوند. علاوه بر این، ObjectGraph روابط اجتماعی بین اجسام متحرک را نشان می دهد. MoveGraph تمام نقاط مکان در بخش فعلی را به عنوان یک واحد مسیر جمع می کند و آن را به عنوان یک گره نمودار نشان می دهد.

کار گزارش شده در این مقاله گامی به سوی افزایش مدل‌سازی داده‌های مکانی-زمانی یکپارچه برای اشیاء متحرک در شبکه‌ها با درگیر کردن ساختارهای نمودار سلسله مراتبی برای نمایش مسیرها، شبکه‌ها و اطلاعات معنایی است. این همچنین تلاشی برای ایجاد تعادل بین کنترل منعطف دانه‌بندی شبکه‌های مدل‌سازی و هزینه به‌روزرسانی مکان است.

سهم این مقاله در جنبه های زیر نهفته است:

یک مدل GSMNet سلسله مراتبی برای اشیاء متحرک در شبکه‌ها پیشنهاد شده است که مسیر حرکت اجسام، شبکه‌های زیربنایی و اطلاعات معنایی، از جمله روابط اجتماعی و ترافیک را به شیوه‌ای یکپارچه نشان می‌دهد. ابزار مؤثر و یکپارچه ای برای مدیریت این داده های بدون ساختار فراهم می کند.
بر اساس مدل GSMNet، مجموعه بزرگی از انواع داده ها و عملگرهای مربوطه ارائه شده است و ما تعاریف رسمی انواع داده را همراه با امضاهای عملیات و معنایی ارائه می دهیم. هفده پرسش معیار از BerlinMOD با نماد رسمی SQL بازنویسی می شوند.
آزمایش‌های گسترده با مسیرهای شبیه‌سازی‌شده توسط BerlinMOD برای ارزیابی کارایی و عملکرد انجام می‌شود. نتایج نشان می‌دهد که مدل GSMNet پیشنهادی ما دارای پتانسیل قوی برای کاهش عملیات زمان‌بر پیوستن جدول است و قابلیت نمایش اطلاعات معنایی را دارد.

ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 کارهای مرتبط را خلاصه می کند. بخش 3 مدل GSMNet پیشنهادی ما را که مربوط به مجموعه ای از انواع داده است توضیح می دهد. بخش 4 تعریف رسمی اپراتورها را ارائه می دهد. بخش 5 پرس و جوهای معیار از BerlinMOD را نشان می دهد. بخش 6 آزمایش ها را انجام می دهد. در نهایت، بخش 7 مقاله را به پایان می‌رساند و کار آینده را توصیه می‌کند.

2. کارهای مرتبط

اصل مدل‌های داده محدود شده با شبکه اولیه، شبکه‌ها را به‌عنوان یک گراف جهت‌دار یا بدون جهت نشان می‌دهد

G = (V, E)

با مجموعه‌ای از گره‌های V و یال‌های E ، که در آن مقادیر وزنی یال‌ها طول بخش‌ها یا زمان سفر را نشان می‌دهند. موقعیت اجسام متحرک به صورت ارجاع خطی یا مختصات دو بعدی مشترک نشان داده شد. سپس، مسیر اجسام به عنوان یک چند خط هندسی مدل‌سازی شد [ 28 ، 29 ، 30]. مزیت این است که پیاده سازی آن در یک پایگاه داده رابطه ای بالغ مانند Oracle و MySQL آسان است. نقطه ضعف آن این است که نمایش محیط های شبکه دنیای واقعی، از جمله روگذرها، جاده ها، محدودیت های پیچ در تقاطع ها یا وضعیت های ترافیکی بسیار ساده است. دینگ و گوتینگ یک مدل شبکه حمل و نقل پویا مبتنی بر حالت (SBDTN) را برای نشان دادن وضعیت ترافیک با مرتبط کردن ویژگی‌های دینامیکی به لبه‌ها یا رئوس پیشنهاد کردند [ 20 ]. با این حال، شامل اطلاعات معنایی، مانند روابط اجتماعی نیست. Speicys و همکاران یک مدل داده محاسباتی پیشنهاد کرد که یک نمایش دو بعدی و نمایش نمودار را برای نشان دادن شبکه های جاده ای اتخاذ کرد [ 31]. چن و همکاران رفتار ترافیک و محدودیت های شبکه ها را به عنوان نمودار اتوماتای سلولی (GCA) برای پیش بینی مسیرهای آینده مدل کرد [ 22 ].

یکی دیگر از مدل‌های کلاسیک داده محدود شده با شبکه، شبکه‌های جاده‌ای را به‌عنوان مجموعه‌ای از مسیرها و تقاطع‌ها نشان می‌دهد که به صورت تعریف شده‌اند.

G = (R, J)

. Guting چارچوب انواع داده های انتزاعی را برای مدل سازی اشیاء متحرک در شبکه ها گسترش داد و انواع داده های جدیدی را ارائه کرد

D_{n e t w o r k}

. مسیرها به این صورت تعریف شد

R o u t e = {(i d, l, c, k i n d, s t a r t)}

، جایی که

i d

نشان دهنده شناسایی، l نشان دهنده طول جاده، c نشان دهنده چند خط هندسی است،

k i n d

نشان دهنده انواع جاده ها و

s t a r t

نشان می دهد که چگونه مکان های مسیر باید در فضا جاسازی شوند [ 14 ]. بر اساس کار قبلی، ژو و گوتینگ بیشتر یک مدل عمومی را پیشنهاد کردند که شامل فضای جغرافیایی، شبکه و محیط‌های داخلی بود [ 32 ]. چن و همکاران یک مدل داده‌های مکانی-زمانی برای رسیدگی به چالش نمایش و محاسبه موجودیت‌های جغرافیایی زمانی و رابطه در شبکه‌های جاده‌ای پیشنهاد کرد [ 33]. ایده نوآورانه تبدیل موجودیت های جغرافیایی زمان شبکه در فضای سه بعدی به فضای دو بعدی بود. مزیت این رویکرد، بهترین استفاده از پایگاه داده های فضایی کلاسیک، مانند Oracle و MySQL است. یک پایگاه داده اشیاء متحرک محدود با شبکه توزیع موازی (PD-NMOD) برای مدیریت شبکه های حمل و نقل و مسیرها به صورت توزیع شده پیشنهاد شد [ 34 ]. با این حال، شامل اطلاعات معنایی نمی شد. برای غلبه بر مشکل نمایش مکان ها و تجزیه و تحلیل ترافیک، دینگ و همکاران. یک مکانیسم پایگاه داده شی متحرک مبتنی بر مسیر منطبق شبکه (NMTMOD) و یک روش تجزیه و تحلیل جریان ترافیک با استفاده از NMTMOD [ 35] پیشنهاد کرد.]. Qi و Schneider یک مدل داده دو لایه به نام Moving Objects in Networks (MONET) پیشنهاد کردند. لایه پایین نشان دهنده شبکه های جاده ای و لایه بالایی نشان دهنده اجسام متحرک است [ 23 ]. ایده اصلی این تحقیق بسیار شبیه به مطالعه ما است. با این حال، مدل GSMNet پیشنهادی در این مقاله انعطاف‌پذیری بیشتری را فراهم می‌کند و از اطلاعات معنایی پشتیبانی می‌کند.

3. مدل GSMNet

در این بخش، مدل GSMNet را ارائه می‌کنیم که چهار ساختار گراف را اتخاذ می‌کند: RouteGraph ، SegmentGraph ، ObjectGraph و MoveGraph به ترتیب برای نمایش شبکه‌ها، اشیاء متحرک، مسیرها و اطلاعات معنایی. به طور همزمان، ما سناریوها و مثال‌های کاربردی را برای توضیح بیشتر در مورد اصل مدل و سیستم‌های نوع ارائه می‌کنیم.

3.1. مقدماتی

ابتدا مجموعه‌ای از انواع پایه را ارائه می‌کنیم که می‌توان از آنها برای تعاریف در بخش‌های زیر استفاده کرد.

(1) انواع اساسی

سه نوع اساسی برای تعاریف زیر وجود دارد:

من n t — = ز

(1)

r e a l —- = آر

(2)

b o o l — = {t r u e, f a l s e}

(3)

(2) انواع زمانی

دو نوع زمان برای نمایش زمان ارائه شده است:

من n s t a n t —— = آر

(4)

p e r i o d —- = {(s ، e) | s ، e \in من n s t a n t ——}

(5)

(3) انواع هندسه

انواع هندسه از OGC استفاده می شود که یک سری مشخصات را در مورد مدل شی هندسی منتشر می کند. GSMNet پیشنهادی شامل سه نوع هندسه اساسی است:

p o i n t —- = {(l a t, l o n) | l a t, l o n \in r e a l —-}

(6)

$\underset{̲}{p o i n t}$ یک مکان واحد را در فضای مختصات نشان می دهد و شیء هندسی صفر بعدی را نشان می دهد. دارای یک مقدار عرض جغرافیایی و یک مقدار طول جغرافیایی است. مکان یک جسم متحرک را می توان به عنوان یک نقطه تعریف کرد.

من n e _—= { < صتی1، صتی2، . . . ، صتیn>∣∣n ∈من n t—, ∀ i ∈ [ 1 , n ] , pتیمن∈p o i n t—–}����̲={<��1,��2,…,���>|�∈���̲,∀�∈[1,�],���∈�����̲}

(7)

$\underset{̲}{l i n e}$ منحنی با درون یابی خطی بین است $\underset{̲}{p o i n t s}$ . به عنوان مثال، بخش مسیر یا بخش جاده را می توان به عنوان یک نمونه از تعریف کرد $\underset{̲}{l i n e}$ .

پی و یا _go n——= { <ل1،ل2، . . . ،لn> | n ∈من n t—, ∀ i ∈ [ 1 , n ] ,لمن∈من n e _—}�������̲={<�1,�2,…,��>|�∈���̲,∀�∈[1,�],��∈����̲}

(8)

\underset{̲}{p o l y g o n}

سطح مسطح را نشان می دهد و از نظر توپولوژیکی بسته است. مرز a

\underset{̲}{p o l y g o n}

شامل مجموعه ای از

\underset{̲}{l i n e}

که مرزهای بیرونی و داخلی آن را تشکیل می دهند.

3.2. مدل سازی شبکه ها

اجازه دهید یک سناریوی کاربردی را در کلمه واقعی فرض کنیم، همانطور که در شکل 1 نشان داده شده است . شبکه شامل سه مسیر (خطوط خاکستری) است.

R_{1}

R_{2}

R_{3}

، سه اتصال (دایره خاکستری)

J_{1}

J_{2}

J_{3}

و 16 بخش (خطوط سیاه)

S_{1}

S_{2}

,…,

S_{16}

. علاوه بر این، سه مسیر وجود دارد

T r a j_{1}

T r a j_{2}

T r a j_{3}

3.3. نمایش شی متحرک

(4) بخش

یک بخش $s e g$ نمایش خاصی از بخشی از یک شبکه با ویژگی های زیر است: جاده های عبوری توسط یک تقاطع از هم جدا می شوند و بخش های جاده ای که به دو نیم شده یک تقاطع مشترک ندارند. به طور همزمان، یک بخش نشان دهنده واحد اصلی جداسازی جریان ترافیک است و به صورت زیر تعریف می شود:

s e g= { ( s i d، گ، l ، t yp e , s t a r t , t s t a t e ) | s i d∈من n t—، گ∈من n e _—،ل ∈r e a l—-, t yp e ∈ { s i m p l e , du a l } , s t a r t ∈ { s m a l l e r , l a r ge r } }���={(���,�,�,����,�����,������)|���∈���̲,�∈����̲,�∈����̲,����∈{������,����},�����∈{�������,������}}

(9)

جایی که $s i d$ شناسه بخش است $s e g$ ، g هندسه را توصیف می کند، l نشان دهنده طول است، $t y p e$ برای نشان دادن دو نوع قطعه به نام های ساده و دوگانه استفاده می شود. $t s t a t e$ وضعیت ترافیک بخش فعلی و پرچم را نشان می دهد $s t a r t$ نشان دهنده نحوه نمایش مکان شبکه است. تعریف نقطه پایانی کوچکتر یا بزرگتر فرض می کند $x - y$ ترتیب نقاط در صفحه دو بعدی به عنوان مثال، یک مکان بخش می تواند به یک نقطه نگاشت شود $s l = (s i d, d)$ . اگر $s t a r t = s m a l l e r$ ، نکته $s l$ در بخش $s e g$ در فاصله d از نقطه انتهایی کوچکتر قرار دارد. اگر $s t a r t = l a r g e r$ ، نکته $s l$ در بخش $s e g$ در فاصله d از نقطه پایانی بزرگتر قرار دارد. این ارتباط نزدیکی با مفهوم ارجاع خطی در حوزه GIS دارد.

(5) نمودار بخش

ساختار گراف قطعه $G_{s}$ برای نمایش شبکه های زیربنایی به عنوان یک جفت گره استفاده می شود $V_{s}$ (بخش ها) و لبه ها $E_{s}$ (روابط فضایی) و به صورت زیر تعریف می شود:

جی س = (V س ، E س)

(10)

Vس= { ( s eg1، s eg2، . . . ، s egn) | n ∈من n t—, ∀ i ∈ [ 1 , n ] , s egمن∈ s eg _}�س={(سه�1،سه�2،…،سه��)|�∈من�تی̲،∀من∈[1،�]،سه�من∈سه�}

(11)

روابط فضایی $R_{s}$ به این صورت تعریف می شوند:

آرس= { ( s egمن، s egj, t yp e ) | s egمن، s egj∈Vس, t yp e ∈ ( m e e t , e qتو یک ) } _آرس={(سه�من،سه��،تی�په)|سه�من،سه��∈�س،تی�په∈(مترههتی،ه�توآل)}

(12)

رابطه

m e e t

نشان دهنده آن بخش است

s e g_{i}

s e g_{j}

در مجاورت یکدیگر هستند و

e q u a l

به این معنی که دو بخش یکسان هستند.

$E_{s}$ مجموعه ای از روابط فضایی بین دو بخش را نشان می دهد:

Eس= { ( s r eل1s r e _ل2، . . . s r e _لn) | n ∈من n t—, ∀ i ∈ [ 1 , n ] , s r eلمن∈آرس}�س={(س�هل1،س�هل2،…،س�هل�)|�∈من�تی̲،∀من∈[1،�]،س�هلمن∈آرس}

(13)

شکل 2 نمونه ای از نمودار قطعه را نشان می دهد. 16 بخش به عنوان گره های نمودار نشان داده می شوند و روابط فضایی دو بخش مجاور را به هم متصل می کنند. به عنوان مثال، بخش

s_{10}

با

s_{7}

s_{8}

s_{9}

(6) وضعیت ترافیک

وضعیت ترافیک $t s t a t e$ برای توصیف وضعیت یک قطعه استفاده می شود و به صورت زیر تعریف می شود:

t s t a t e = {(s i d ، تی f r o m ، تی t o, v, s t a t e) | s i d \in من n t — ، v \in r e a l —- ، تی f r o m ، تی t o \in من n s t a n t —— ، s t a t e \in (t j a m, t c t r l, t s l o w, t f r e e, t e v e n t)}

(14)

جایی که $s i d$ شناسه بخش است. $t_{f r o m}$ و $t_{t o}$ به ترتیب زمان شروع و پایان این وضعیت ترافیکی را نشان می دهد. v نشان دهنده سرعت متوسط قطعه است. و $s t a t e$ ترافیک را توصیف می کند $t j a m$ ، کنترل ترافیک $t c t r l$ ، آهسته در حال حرکت $t s l o w$ ، حرکت آزاد $t f r e e$ و اطلاعات رویدادهای ترافیکی $t e v e n t$ .

(7) مسیر

یک مسیر $r o u t e$ موجودات مفهومی در دنیای واقعی مانند بزرگراه ها، رمپ ها یا بزرگراه ها را نشان می دهد و به صورت زیر تعریف می شود:

r o u t e = { ( r i d, r n a m e , r l , t yp e ، s t a r t | من d _∈من n t—, r n a m e ∈s t r i n g—–،t yp e ∈ { s i m p l e , du a l } , s t a r t ∈ { s m a l l e r , l a r ge r } }��توتیه={(�مند،��آمتره،�ل،تی�په،ستیآ�تی|�مند∈من�تی̲،��آمتره∈ستی�من��̲،تی�په∈{سمنمترپله،دتوآل}،ستیآ�تی∈{سمترآلله�،لآ��ه�}}

(15)

جایی که $r i d$ شناسه مسیر است و $r n a m e$ و $r l$ به ترتیب نام و طول را نشان دهید. پرچم ها $t y p e$ و $s t a r t$ مشابه تعریف سگمنت هستند. توجه داشته باشید که $r o u t e$ هندسه ذخیره سازی را شامل نمی شود.

(8) نمودار مسیر

ساختار گراف مسیر $G_{r}$ از مجموعه ای از گره ها تشکیل شده است $V_{r}$ (مسیرها) و لبه ها $E_{r}$ . به این صورت تعریف می شود:

جی r = (V r ، E r)

(16)

V r = {(r تی 1 ، ر تی 2 ، . . . ، ر تی n) | n \in من n t —, \forall i \in [1, n], r تی من \in r o u t e}

(17)

رابطه $E_{r}$ شامل دو نوع لبه است و به شرح زیر تعریف می شود:

E r = {(r r e ل 1 ، r r e ل 2 ، . . . ، r r e ل n) | n \in من n t —, \forall i \in [1, n], r r e ل من \in آر r}

(18)

آر r = {آر r r ، آر س r}

(19)

آر r r = {(r تی من ، ر تی j, t y p e) | r تی من ، ر تی j \in V r, t y p e \in (m e e t, e q u a l)}

(20)

آر س r = {(r تی من ، (s e g من) v من = 1, t y p e) | r تی من \in V r ، س e g من \in V س ، t y p e \in s t r i n g —-}

(21)

جایی که $R_{r}^{r}$ نشان دهنده مجموعه ای از روابط فضایی بین دو مسیر و $R_{r}^{s}$ نشان دهنده این واقعیت است که یک مسیر شامل مجموعه ای از بخش ها است. شکل 3 نمونه ای از نمودار مسیر یک شبکه جاده ای را نشان می دهد (همانطور که در شکل 1 نشان داده شده است ). مسیر $R_{2}$ شامل سه بخش: $s_{10}$ ، $s_{11}$ و $s_{12}$ .

3.4. نمایش شی متحرک

O b j e c t G r a p h

برای نمایش اجسام متحرک استفاده می شود و از مجموعه ای از اشیاء و مجموعه ای از روابط اجتماعی بین اجسام متحرک مانند دوستی و همکار تشکیل شده است.

(9) شی متحرک

یک جسم متحرک به صورت زیر تعریف می شود:

m o = {(o i d, n a m e, p a r a m), o i d \in من n t — ، n a m e \in س t r i n g —-}

(22)

جایی که $o i d$ و $n a m e$ شناسایی و نام یک جسم متحرک هستند و $p a r a m$ به مجموعه ویژگی های دیگر اشاره دارد.

(10) نمودار شی

ساختار گراف شی $G_{o}$ برای مدل سازی اجسام متحرک و روابط اجتماعی بین آنها استفاده می شود. به صورت زیر تعریف می شود:

جی o = (V o ، E o)

(23)

جایی که $V_{o}$ به اجسام متحرک و $E_{o}$ روابط اجتماعی بین دو جسم متحرک را نشان می دهد:

V o = {(m o 1 ، م o 2 ، . . . ، م o n) | n \in من n t —, \forall i \in [1, n], m o من \in m o}

(24)

E o = {(یا r e ل 1 ، یا آر ای ل 2 ، . . . ، o آر ای ل متر) | n \in من n t —, \forall i \in [1, m], o r e ل من \in آر o}

(25)

آر o = {< m o من ، م o j ، t y p e > | متر o من ، م o j \in V o ، تی y p e \in s t r i n g —-}

(26)

این

\underset{̲}{s t r i n g}

t y p e

نشان دهنده روابط اجتماعی بین اشیاء متحرک، از جمله همکاران، دوستی ها، پیروان، گروه های علاقه مند و روابط طرفداران است.

(11) موقعیت شی

موقعیت یک جسم متحرک $g_{p o s}$ نشان دهنده موقعیت نسبی یک جسم متحرک در یک قطعه خاص و مختصات مطلق است. به صورت زیر تعریف می شود:

g p o s = {(s i d ، p t ، د) | s i d \in من n t — ، ص t \in p o i n t —- ، د \in r e a l —-}

(27)

جایی که $s i d$ شناسه بخش است، $p t$ مختصات مکانی جسم را نشان می دهد و d موقعیت جسم متحرک را در شبکه نسبت به نشانگرهای فاصله در جاده ها توصیف می کند.

3.5. بازنمایی مسیر

ما از MoveGraph برای نشان دادن مسیر حرکت اجسام متحرک استفاده می کنیم.

(12) بردار متحرک

$m v e c t o r$ برای مدل سازی بردار متحرک یک شی در زمان t استفاده می شود و به صورت زیر تعریف می شود:

m v e c t o r = {(m i d, t, v, g p o s) | m i d \in من n t — ، t \in من n s t a n t —— ، v \in r e a l —-}

(28)

جایی که $m i d$ شناسه یک جسم متحرک است، v نشان دهنده سرعت لحظه ای در زمان t و $g_{p o s}$ نشان دهنده موقعیت نسبی جسم در یک بخش خاص است.

(13) واحد مسیر

ما تمام نقاط مکان یک جسم متحرک را در بخش فعلی به عنوان یک واحد مسیر جمع می کنیم $t u n i t$ . به صورت زیر تعریف می شود:

t u n i t = {(m i d ، s i d ، (م v من) متر i = 1) | m i d \in من n t — ، s i d \in من n t —, m v \in m v e c t o r}

(29)

جایی که $s i d$ شناسه سگمنت و $m i d$ شناسه جسم متحرک است.

(14) مسیر

مسیر حرکت یک جسم متحرک $t r a j e c t o r y$ می تواند به عنوان مجموعه ای از واحدهای مسیر نمایش داده شود و به صورت زیر تعریف می شود:

t r a j e c t o r y = {(m i d ، \sum i = 1 q t u n i تی من) | m i d \in من n t —, t u n i تی من \in t u n i t}

(30)

(15) حرکت نمودار

ساختار نمودار حرکتی برای نشان دادن مسیر حرکت اجسام متحرک تعریف شده و شامل مجموعه ای از گره ها می باشد $V_{m}$ (واحدهای مسیر) و لبه ها $E_{m}$ (روابط بین واحدهای مسیر). به این صورت تعریف می شود:

جی متر = (V متر ، E متر)

(31)

V متر = {(t u i n تی 1, t u i n تی 2 ، . . ., t u i n تی n) | n \in من n t —, \forall i \in [1, n], t u i n تی من \in t u n i t}

(32)

رابطه $E_{m}$ به صورت زیر تعریف می شود:

E متر = {(m r e ل 1 ، m r e ل 2 ، . . . ، m r e ل متر) | n \in من n t —, \forall i \in [1, m], m r e ل من \in آر متر}

(33)

آر متر = {آر متر متر ، آر o متر ، آر س متر}

(34)

آرمترمتر= { < t u n iتیمن، تو _ n iتیj،t yp e > | t u n iتیمن, t u n iتیj∈Vمتر، تیyp e ∈s t r i n g—–}آرمترمتر={<تیتو�منتیمن،تیتو�منتی�،تی�په>|تیتو�منتیمن،تیتو�منتی�∈�متر،تی�په∈ستی�من��̲}

(35)

آر o متر = {< t u n i تی من ، م o j ، t y p e > | t u n i تی من \in V متر ، م o j \in V o ، تی y p e \in s t r i n g —-}

(36)

آر س متر = {< t u n i تی من ، s e g j ، t y p e > | t u n i تی من \in V متر ، س e g j \in V س ، تی y p e \in s t r i n g —-}

(37)

جایی که $R_{m}^{m}$ نشان دهنده روابط ترتیبی بین واحدهای مسیری است که به یک مسیر تعلق دارند. آنها به بازیابی آسان کل مسیر حرکت یک جسم متحرک کمک می کنند. $R_{m}^{o}$ نشان دهنده روابط بین یک واحد مسیر است $t u n i t$ و یک جسم متحرک $m o$ ، و $R_{m}^{s}$ نشان دهنده روابط بین واحد مسیر است $t u n i t$ و بخش $s e g$ . این روابط قابلیت یافتن تمام مسیرها را در یک بخش خاص فراهم می کند. در همین حال، ما همچنین می‌توانیم تمام مسیرها را در یک مسیر خاص با کمک لبه‌ها بازیابی کنیم. $R_{r}^{s}$ .

شکل 4 نمونه ای از نمودار حرکتی را نشان می دهد. همانطور که در شکل نشان داده شده است، مسیر حرکت

t r a j_{1}

از یک جسم متحرک

m o_{1}

شامل سه واحد مسیر است و در سه بخش حرکت می کند.

4. اپراتورها

در این بخش، تعامل بین شبکه‌ها، مسیرها و اطلاعات معنایی را در نظر می‌گیریم و مجموعه بزرگی از عملگرها را پیشنهاد می‌کنیم، همانطور که در جدول 1 نشان داده شده است . برای تعریف عملیات به روشی عمومی، از امضا استفاده می کنیم

α \times β \to δ

برای نشان دادن امضای عملگرها و معنایی. این بدان معناست که متغیرهای نوع داده α و β می توانند نمونه سازی شوند. مثلا،

r e a l \times r e a l \to r e a l

برای ضرب دو عدد واقعی استفاده می شود.

(1) انتخاب کنید

این $s e l e c t$ عملگر تمام اشیاء متحرکی را که شرایط پرس و جو را برآورده می کنند، برمی گرداند، مانند مقدار فیلد ویژگی های اشیاء متحرک. به عنوان مثال، برای پیدا کردن یک وسیله نقلیه با گواهینامه “B-YI 65” روی یک نمودار شی $G_{o}$ ، عبارت query به صورت زیر نوشته می شود:

s e l e c t (جی o — ، L i c e n s e = “ ب - ی من 65 “)

(38)

(2) گره ارزش ها

این $n o d e v a l u e s$ عملگر مقدار یک فیلد از ویژگی اجسام متحرک را دریافت می کند. به عنوان مثال، ما می خواهیم مدل یک وسیله نقلیه از جسم متحرک را بازیابی کنیم $\underset{̲}{m o}$ ; عبارت query به صورت زیر نوشته می شود:

n o d e v a l u e s (m o — ، م o d e l)

(39)

(3) دریافت گره ها

این $g e t n o d e s$ اپراتور تمام اشیاء متحرک مجاور، بخش ها یا واحدهای مسیر را بر اساس یک مقدار رابطه خاص برمی گرداند. به عنوان مثال، عبارت زیر به معنای بازیابی تمام بخش‌هایی است که برای آنها شی است $\underset{̲}{m o}$ در حال حرکت است.

g e t n o d e s (m o — ، ل ک س)

(40)

(4) گذر

این $g e t r a j e c t o r y$ اپراتور مسیرها را بازیابی می کند $\underset{̲}{t r a j e c t o r y}$ از یک جسم متحرک $\underset{̲}{m o}$ در تاریخ مشخص $\underset{̲}{i n s t a n t}$ . به عنوان مثال، ما می خواهیم تمام مسیرهای یک وسیله نقلیه با گواهینامه “B-YI 65” در 22 ژانویه 2017 را پیدا کنیم. به این صورت نوشته شده است:

g e t r a j e c t o r y (s e l e c t (جی س — ، L i c e n s e = “ ب - ی من 65 “) ، 2017 - 01 - 22)

(41)

(5) بخش ها را دریافت می کند

این

g e t s e g m e n t s

اپراتور تمام بخش‌ها را در شبکه‌ها طی می‌کند تا بخش خاصی را که مربوط به مکان شبکه ورودی است، بازیابی کند

\underset{̲}{g p o s}

(6) گرفتن

این

g e t m o s

اپراتور تمام اجسام متحرکی را که از محل شبکه ورودی عبور می کنند، بازیابی می کند

\underset{̲}{g p o s}

(7) گرفتن

این

g e t l e n

عملگر طول یک واحد مسیر را محاسبه می کند

\underset{̲}{t u n i t}

(8) instants

این $a t i n s t a n t s$ اپراتور هر موقعیتی از یک جسم متحرک را بازیابی می کند $\underset{̲}{m o}$ در زمان $\underset{̲}{i n s t a n t}$ . این عملگر به دلیل گسسته بودن مسیرها به عملیات درونیابی مسیر بین دو نقطه مجاور نیاز دارد. به عنوان مثال، یک سوال “خودرو با گواهینامه “B-YI 65″ در ساعت 10:00 در 22 ژانویه 2017 کجاست؟” را می توان به صورت زیر نوشت:

a t i n s t a n t s (g e t r a j e c t o r y (s e l e c t (جی o — ، L i c e n s e = “ ب - ی من 65 “), 2017 - 01 - 22), 10 : 00)

(42)

(9) در دوره

این

a t p e r i o d s

اپراتور تمام واحدهای مسیر را بازیابی می کند

\underset{̲}{t u n i t}

که شرایط زمان پرس و جو را برآورده می کند

\underset{̲}{p e r i o d}

و مسیر مشخص

\underset{̲}{t r a j e c t o r y}

(10) موجودات

این

e x i n s t a n t s

اپراتور عملیات معکوس را انجام می دهد

a t i n s t a n t s

. این اطلاعات مختصات را دریافت می کند و زمانی را که جسم متحرک است برمی گرداند

\underset{̲}{m o}

از آن عبور می کند.

(11) فاصله

این

d i s t a n c e

عملگر حداقل فاصله اقلیدسی بین دو مسیر را بازیابی می کند

\underset{̲}{t r a j e c t o r y}

. تمام مقادیر فاصله را از یک نقطه از اولین مسیر تا هر نقطه از مسیر دیگر محاسبه می کند. سپس، مقدار حداقل فاصله را برمی گرداند.

5. پرس و جوهای محک

در این بخش، مجموعه‌ای از پرسش‌های معیار جالب را انجام می‌دهیم که به زبان طبیعی رایج نوشته شده‌اند تا عملکرد و کارایی مدل GSMNet پیشنهادی ما را آزمایش کنند. پرس و جوهای معیار نه تنها باید نقاط قوت، بلکه نقاط ضعف مدل داده را نیز نشان دهند. ما از معیار شناخته شده BerlinMOD استفاده می کنیم [ 24] که بر اساس سیستم مدیریت پایگاه داده ثانوی (DBMS) برای مقایسه عملکرد سیستم های مدیریت پایگاه داده مکانی-زمانی مختلف است. 96 نوع پرس و جو را با توجه به پنج ویژگی پرس و جو شناسایی می کند: هویت شی، بعد، فاصله پرس و جو، نوع شرط و تجمع. با این حال، همه انواع پرس و جو برای پرس و جوهای معیار جالب نیستند. همانطور که در جدول 2 نشان داده شده است، هفده پرسش معیار با دقت انتخاب شده بر اساس تجزیه و تحلیل سیستماتیک و ترکیبات ارائه شده است . ما این پرس و جوها را در نمادهای رسمی SQL بر اساس انواع داده ها و عملگرهای پیشنهادی در مدل GSMNet فرموله می کنیم.

ابتدا، بسیاری از اشیاء پایگاه داده رایج در BerlinMOD را برای درک بهتر معنا و معنای این پرس و جوها معرفی می کنیم. QueryPoint ها نشان دهنده نقاط پرس و جو هستند و به صورت تعریف می شوند

r e l a t i o n {I d : \underset{̲}{i n t}, P o s : \underset{̲}{p o i n t}}

، جایی که

I d

شناسایی این رابطه است،

P o s

مختصات پرس و جو را نشان می دهد و

r e l a t i o n

نوع داده ارائه شده توسط Secondo [ 14 , 36 , 37 ] است. QueryRegions به این صورت تعریف می شود

r e l a t i o n {I d : \underset{̲}{i n t}, R e g i o n : \underset{̲}{r e g i o n}}

، جایی که

I d

یک کلید است و

R e g i o n

مناطق منظم هستند. QueryInstants به این صورت تعریف می شوند

r e l a t i o n {I d : \underset{̲}{i n t}, I n s t a n t : \underset{̲}{i n s t a n t}}

، و QueryPeriods به این صورت تعریف می شوند

r e l a t i o n {I d : \underset{̲}{i n t}, P e r i o d : \underset{̲}{p e r i o d s}}

. QueryLicences نشان دهنده شماره پلاکی است که از همه خودروها نمونه برداری شده و به صورت نمایش داده می شود

r e l a t i o n {I d : \underset{̲}{i n t}, L i c e n c e : \underset{̲}{s t r i n g}}

. BerlinMOD دو نوع مدل داده را اتخاذ می کند: رویکرد مبتنی بر شی (OBA) و رویکرد مبتنی بر سفر (TBA). برای OBA، کل مسیر با هم حفظ می شود. برای TBA، کل مسیر به دنباله ای از سفرها تقسیم می شود.

برای سادگی، ما فقط پیاده سازی خود را بر اساس مدل GSMNet پیشنهادی به شرح زیر ارائه می دهیم. برای فرمول بندی پرس و جوها در BerlinMOD، به ادبیات [ 24 ] مراجعه کنید.

پرس و جو 1: مدل های خودروهای دارای شماره پلاک از QueryLicences چیست؟

n o d e v a l u e s (s e l e c t (G_{o}, l i c e n c e i n Q L . l i c e n c e s), M o d e l)

این پرس و جو عمدتاً عملکرد روی انواع داده های استاندارد را آزمایش می کند

G_{o}

، اپراتورهای استاندارد

s e l e c t

n o d e v a l u e s

و شاخص استاندارد در مجوز . در مقایسه با رویکردهای TBA و OBA، این پرس و جو فقط از ObjectGraph عبور می کند

G_{o}

در مدل GSMNet برای تولید پاسخ پرس و جو. استراتژی که تمام اشیاء متحرک را در یک ساختار زیرگراف جمع می‌کند، می‌تواند به طور موثر از کاهش عملکرد به دلیل افزایش مقیاس داده‌های مسیرها جلوگیری کند. این برای بهبود قابل توجه عملکرد پرس و جو مهم است.

سوال 2: چند وسیله نقلیه وجود دارد که خودروهای “مسافری” هستند؟

n o d e c o u n t (s e l e c t (G_{o}, T y p e =^{'} p a s s e n g e r^{'}))

این کوئری انواع داده های استاندارد را نیز آزمایش می کند

G_{o}

، اپراتورها

s e l e c t

و اپراتورهای تجمیع

n o d e c o u n t

. عملکرد پرس و جو بالا همچنین از طراحی نمودار سلسله مراتبی در مدل GSMNet سود می برد و شاخص در فیلد ویژگی Type می تواند عملکرد بهتری را برای آن ایجاد کند.

Query 3: وسایل نقلیه دارای مجوز QueryLicences1 در هر لحظه از QueryInstants1 کجا بوده اند؟

n o d e v a l u e s (

g e t s e g m e n t s (

a t i n s t a n t s (

t r a j e c t o r y (

s e l e c t (G_{o}, l i c e n c e i n Q L 1 . l i c e n c e s)), Q I 1 . t i m e s)), G E O M)

این پرس و جو نیاز به بازیابی موقعیت خاصی از اشیاء متحرک در لحظه های پرس و جو دارد. ابتدا مدل GSMNet اپراتور را می پذیرد

s e l e c t

برای یافتن تمام اشیایی که شرایط پرس و جو را برآورده می کنند QueryLicences1 . این مرحله از نمایه فیلد مجوز بهره می برد . سپس اپراتور

t r a j e c t o r y

مسیرهای متناظر اشیاء پرس و جو را بازیابی می کند. اپراتور زمان

a t i n s t a n t s

آن را در یک لحظه پرس و جو رهگیری می کند. در نهایت، گره های بخش جاده توسط اپراتور بازیابی می شوند

g e t s e g m e n t s

پرس و جو 4: کدام شماره پلاک متعلق به خودروهایی است که از QueryPoints امتیاز عبور کرده اند؟

n o d e v a l u e s (s e l e c t (G_{m}, G E O M i n Q P . p o i n t s), L i c e n c e)

این پرس و جو عمدتاً عملکرد شاخص فضایی را در مسیرها آزمایش می کند. اپراتور

s e l e c t

از MoveGraph عبور می کند تا واحد مسیری را که QueryPoints را می گذراند، بیابد .

پرس و جو 5: حداقل فاصله بین مکان هایی که وسیله نقلیه دارای گواهینامه QueryLicences1 و وسیله نقلیه دارای گواهینامه QueryLicences2 در آنجا بوده اند چقدر است؟

m i n (

d i s t a n c e (

t r a j e c t o r y (s e l e c t (G_{o}, l i c e n c e 1 i n Q L 1 . l i c e n c e s)),

t r a j e c t o r y (s e l e c t (G_{o}, l i c e n c e 2 i n Q L 2 . l i c e n c e s))))

ابتدا، این پرس و جو باید اشیاء متحرک متناظر را با استفاده از نمایه فیلد مجوز به سرعت پیدا کند . سپس، با استفاده از عملگر، مسیر اجسام را بازیابی می کند

t r a j e c t o r y

. اپراتور

d i s t a n c e

فاصله بین دو مسیر را محاسبه می کند.

پرسش 6: جفت شماره پلاک “کامیون” که تا به حال به 10 متر یا کمتر از یکدیگر نزدیک بوده اند کدامند؟

d i s t a n c e (

t r a j e c t o r y (s e l e c t (G_{o}, t y p e 1 =^{'} t r u c k s^{'})),

t r a j e c t o r y (s e l e c t (G_{o}, t y p e 2 =^{'} t r u c k s^{'}))) < 10

زیرا پیچیدگی این پرس و جو است

O (n^{2})

، زمان اجرا با افزایش تعداد کامیون ها به سرعت رشد می کند. نمایه فیلد نوع مفید به نظر می رسد. اپراتور

d i s t a n c e

برای تأثیرگذاری بر کارایی این پرس و جو مهم است.

پرس و جو 7: شماره پلاک خودروهای “مسافری” که در طول دوره مشاهده کامل از بین تمام خودروهای “سرنشین” ابتدا از QueryPoints به امتیاز رسیده اند چیست؟

n o d e v a l u e s (

g e t m o s (

m i n t i m e (

e x t r a c t i m e (

t r a j e c t o r y (s e l e c t (G_{o}, t y p e =^{'} p a s s e n g e r^{'}))), Q P . p o i n t s)), L i c e n c e)

این پرس و جو ابتدا باید همه اتومبیل های مسافری در حال حرکت را در ObjectGraph پیدا کند و تمام مسیرها را با استفاده از اپراتور بدست آورد.

t r a j e c t o r y

. سپس، این پرس و جو زمانی را استخراج می کند که اشیا از نقاط پرس و جوی ورودی با استفاده از عملگر عبور می کنند

e x t r a c t i m e

. اپراتور

m i n t i m e

زمانی را برمی‌گرداند که اشیا برای اولین بار از نقاط عبور می‌کنند. در نهایت، این کوئری از عملگر استفاده می کند

g e t m o s

برای یافتن گره های اشیاء متحرک مربوطه.

پرس و جو 8: مسافت کلی طی شده وسایل نقلیه با شماره پلاک از QueryLicences1 در طول دوره های QueryPeriods1 چقدر است؟

l e n g t h (

a t p e r i o d s (

t r a j e c t o r y (s e l e c t (G_{o}, l i c e n c e i n Q L 1 . l i c e n c e s)), Q P 1 . p e r i o d s))

این کوئری از عملگر استفاده می کند

a t p e r i o d s

برای استخراج بخش های مسیر اجسام متحرک در طول دوره های پرس و جو. طول اپراتور فاصله سفر اجسام متحرک را محاسبه می کند. شاخص در مجوز مفید است.

پرس و جو 9: طولانی ترین مسافتی که یک وسیله نقلیه طی هر یک از دوره های QueryPeriods طی کرده چقدر است؟

m a x d i s t (

l e n g t h (

a t p e r i o d s (

t r a j e c t o r y (s e l e c t (G_{o}, l i c e n c e)), Q P . p e r i o d s))

این پرس و جو شبیه Query 8 است. باید تمام مسیرهای وسیله نقلیه را بازیابی کند و سپس بخش های مسیر را در طول دوره های پرس و جو استخراج کند. اپراتور

m a x d i s t

طولانی ترین مسافت سفر را تعیین می کند.

پرس و جو 10: وسایل نقلیه با شماره پلاک QueryLicences1 چه زمانی و کجا با سایر وسایل نقلیه ملاقات کردند (فاصله کمتر از 3 متر)، و گواهینامه دومی چیست؟

e x t r a c t i m e (

d i s t a n c e (

t r a j e c t o r y (s e l e c t (G_{o}, l i c e n c e 1 i n Q L 1 . l i c e n c e s)),

t r a j e c t o r y (s e l e c t (G_{o}, l i c e n c e 2 i n Q L 1 . l i c e n c e s))) < 3)

این پرس و جو همچنین متعلق به یک پرس و جو پیچیده است که شبیه به پرس و جو 6 است. باید مکان و زمان دقیق برخورد دو وسیله نقلیه را مشخص کند.

Query 11: کدام وسایل نقلیه در یکی از لحظات QueryInstants1 یک نقطه را از QueryPoints1 عبور دادند؟

n o d e v a l u e s (

g e t m o s (

a t i n s t a n t s (

s e l e c t (G_{m}, G E O M i n Q P 1 . p o i n t s), Q I . t i m e s), L i c e n c e)

این پرس و جو عمدتاً عملکرد شاخص فضایی را آزمایش می کند. باید تمام مسیرهایی را که وسایل نقلیه برای آنها نقاط پرس و جو را با استفاده از شاخص فضایی در GEOM عبور داده اند، تعیین کند . سپس اپراتور

a t i n s t a n t s

مکان های مربوطه را بازیابی می کند. این کوئری از عملگر استفاده می کند

g e t m o s

برای مکان یابی اشیاء متحرکی که از نقاط پرس و جو عبور می کنند.

Query 12: کدام وسایل نقلیه در یک نقطه از QueryPoints1 در یک لحظه از QueryInstants1 به هم رسیدند؟

n o d e v a l u e s (

g e t m o s (

m e e t (

a t i n s t a n t s (

s e l e c t (G_{m}, G E O M i n Q P 1 . p o i n t s), Q I . t i m e s)), L i c e n c e)

این پرس و جو بسیار شبیه به پرس و جو 11 است. باید مشخص کند که آیا دو وسیله نقلیه وجود دارد که در لحظه های پرس و جو با استفاده از اپراتور با یکدیگر ملاقات می کنند یا خیر.

m e e t

پرس و جو 13: کدام وسایل نقلیه در طی دوره های QueryPeriods1 در یکی از مناطق از QueryRegions1 حرکت کردند؟

n o d e v a l u e s (

g e t m o s (

a t p e r i o d s (

s e l e c t (G_{m}, G E O M i n Q R 1 . r e g i o n s), Q P . p e r i o d s))), L i c e n c e)

این پرس و جو عملکرد شاخص زمانی و شاخص مکانی را آزمایش می کند. این دو شاخص کارایی این پرس و جو را افزایش می دهند.

Query 14: کدام وسایل نقلیه در یکی از مناطق QueryRegions1 در یکی از لحظات QueryInstants1 حرکت کردند؟

n o d e v a l u e s (

g e t m o s (

a t i n s t a n t s (

s e l e c t (G_{m}, G E O M i n Q R 1 . r e g i o n s), Q I . t i m e s))), L i c e n c e)

برخلاف Query 13، این پرس و جو باید از عملگر استفاده کند

a t i n s t a n t s

برای به دست آوردن مسیرهای متناظر که در مناطق پرس و جو حرکت می کنند.

پرس و جو 15: کدام وسایل نقلیه از QueryPoints1 در یک دوره از QueryPeriods1 عبور کردند؟

n o d e v a l u e s (

g e t m o s (

a t p e r i o d s (

s e l e c t (G_{m}, G E O M i n Q P 1 . p o i n t s), Q P . p e r i o d s))), L i c e n c e)

این پرس و جو همچنین عملکرد شاخص مکانی و شاخص زمانی را آزمایش می کند.

پرس و جو 16: جفت مجوزهای وسایل نقلیه را فهرست کنید، اولی از QueryLicences1، دومی از QueryLicences2، که در آن وسایل نقلیه مربوطه هر دو در یک منطقه از QueryRegions1 در طی دوره ای از QueryPeriod1 حضور دارند، اما در آنجا و پس از آن یکدیگر را ملاقات نمی کنند.

n o d e v a l u e s (

g e t m o s (

i n t e r s e c t (

a t p e r i o d s (

i n t e r s e c t (

t r a j e c t o r y (

s e l e c t (G_{o}, l i c e n c e 1 i n Q L 1 . l i c e n c e s)), Q R . r e g i o n s), Q P . p e r i o d s),

a t p e r i o d s (

i n t e r s e c t (

t r a j e c t o r y (

s e l e c t (G_{o}, l i c e n c e 2 i n Q L 1 . l i c e n c e s)), Q R . r e g i o n s), Q P . p e r i o d s))), L i c e n c e)

این پرس و جو ابتدا تمام مسیرهای وسایل نقلیه متحرک را تعیین می کند و سپس تعیین می کند که آیا مسیر و مناطق پرس و جو با استفاده از اپراتور قطع می شوند یا خیر.

i n t e r s e c t

. اپراتور

a t p e r i o d s

بخش های مسیر را در طول دوره های پرس و جو بازیابی می کند. سپس، کوئری از عملگر استفاده می کند

i n t e r s e c t

برای تعیین جفت گواهینامه برای وسایل نقلیه.

Query 17: کدام نقاط از QueryPoints توسط حداکثر تعداد وسایل نقلیه مختلف بازدید شده است؟

m a x n u m (

g e t m o s (

s e l e c t (G_{m}, G E O M i n Q P 1 . p o i n t s)))

این پرس و جو از مدل GSMNet در نهایت سود می برد زیرا پرس و جو می تواند به راحتی تمام بخش های مسیرهایی را که در یک بخش خاص از لبه از گره مسیر به گره قطعه حرکت می کنند، بازیابی کند.

6. آزمایشات

6.1. تنظیمات آزمایشی

مدل GSMNet پیشنهادی با استفاده از جاوا به عنوان زبان برنامه نویسی اصلی و Eclipse 4.4.1 به عنوان محیط توسعه پیاده سازی شد. آزمایش‌ها بر روی یک ماشین مجازی، SecondoVM با پردازنده Intel i7-4790، رم 2G و هارد دیسک مکانیکی 20 G، که یک نصب مبتنی بر لینوکس از DBMS توسعه‌پذیر Secondo و بر روی وب ارائه شده بود، انجام شد. Ubuntu 11.10 به عنوان سیستم عامل با Secondo DBMS و BerlinMOD Benchmark نصب شد. داده‌های تجربی، داده‌های BerlinMOD از پیش تولید شده با عوامل مقیاس مختلف بودند

s c a l e f a c t o r

0.05، 0.2 و 0.1. پارامتر

s c a l e f a c t o r

عامل جهانی BerlinMOD است که میزان داده های تولید شده را تعیین می کند. جدول 3 اطلاعات دقیق مجموعه داده تجربی را برای مقادیر مختلف ضریب مقیاس نشان می دهد. همانطور که در جدول نشان داده شده است، می بینیم که مقیاس داده ها به طور انفجاری رشد می کند. برای ضریب مقیاس 1.0، حجم داده ها حدود 11 گیگابایت و تعداد سفرها 292940 است. از این رو، آزمایش‌ها داده‌های کافی برای ارزیابی عملکرد محاسباتی مدل GSMNet پیشنهادی ما دارند. شکل 5 توزیع فضایی تعداد متفاوتی از مسیرها را نشان می دهد. مجموعه داده مستقیماً از وب سایت Secondo در قالب CSV دانلود شد. فایل ها شامل datamcar.csv، trips.csv، queryinstants.csv، querylicences.csv، queryperiods.csv، querypoints.csv، queryregions.csv و streets.csv بودند.

6.2. نتایج تجربی

ما اجرای کوئری معیار را چندین بار برای هر دو رویکرد تکرار کردیم. جدول 4 و شکل 6 میانگین زمان اجرای پرس و جو را بر حسب ثانیه برای مدل GSMNet پیشنهادی و Secondo برای مدل های مختلف مقایسه می کنند.

s c a l e f a c t o r s

مدل های داده و رویکردها.

برای کوئری‌های 1 و 2، GSMNet نسبت به TBA و OBA عملکرد بهتری داشت

s c a l e f a c t o r s

، و زمان اجرای پرس و جو برای تعداد مسیرهای مختلف تقریباً یکسان بود. نمایه ای در مجوز برای بهبود عملکرد مفید بود. نتایج نشان می‌دهد که پیاده‌سازی ما عملکرد قابل اعتمادی بر روی انواع و شاخص‌های استاندارد دارد.

برای Query 3، GSMNet سریعتر از TBA بود، اما از OBA کندتر بود. این نتیجه قابل انتظار بود زیرا تعداد واحدهای مسیر در GSMNet و TBA بیشتر از تعداد واحدها در OBA بود. بنابراین، اجرای پرس و جو در OBA می تواند به سرعت به لحظه های پرس و جو محدود شود. با این حال، در مقایسه با TBA، GSMNet به راحتی کل مسیرها را از طریق روابط بازیابی کرد

R_{m}^{o}

و مقدار زیادی از زمان اجرای پرس و جو را ذخیره کرد. هر دو رویکرد از نمایه های مجوز بهره مند بودند .

GSMNet از TBA و OBA برای Queries 4 و 5 بهتر عمل کرد زیرا از روابط سود می برد.

R_{m}^{s}

اشاره از واحد مسیر

t u n i t

به بخش جاده

s e g

. بنابراین، GSMNet می تواند به راحتی تمام واحدهای مسیرهایی را که از نقاط پرس و جو در بخش های جاده عبور کرده اند، بازیابی کند. این همچنین نشان می‌دهد که GSMNet که با پیمایش نمودار مشخص می‌شود، پتانسیل قوی برای کاهش عملیات زمان‌بر پیوستن جدول در رویکردهای سنتی دارد.

برای Query 6، OBA از GSMNet و TBA برای همه مقادیر داده بهتر عمل کرد. این پرس و جو ابتدا نیاز به انتخاب کامیون های کاندید و سپس مقایسه تمام واحدهای مسیرهای مربوطه داشت. از آنجایی که تعداد واحدها در TBA و GSMNet بیشتر از تعداد واحدها در OBA بود، پرس و جو در OBA به زمان کمی کمتر از TBA و GSMNet نیاز داشت.

GSMNet از OBA برای Query 7 بهتر عمل کرد. در GSMNet، ما یک مسافر کاندید را از نمودار شی بازیابی کردیم.

G_{o}

و تمام نقاط پرس و جو را از نمودار قطعه تعیین کرد

G_{s}

. روابط

R_{m}^{s}

بین واحد مسیر

t u n i t

و بخش جاده

s e g

به ما کمک کرد تا تمام واحدهای مسیر را بازیابی کنیم. سپس، پرس و جو تعیین کرد که آیا روابطی وجود دارد یا خیر

R_{m}^{o}

بین یک واحد مسیر

t u n i t

و جسم متحرک

m o

Query 8 کلاسیک به محاسبه فاصله مسیرها نیاز داشت و در TBA، OBA و GSMNet یک پرس و جو سریع بود. با این حال، GSMNet در از دست می دهد

s c a l e f a c t o r

1.0 زیرا تعداد واحدهای مسیر در GSMNet بیشتر از سایر رویکردها بود.

نتیجه خوب Query 9 فراتر از انتظارات ما بود. این پرس و جو طول تمام مسیرها را خلاصه می کند و طولانی ترین فاصله را برمی گرداند. در GSMNet، رابطه

R_{m}^{o}

همه واحدهای مسیر را بازیابی کرد

t u n i t

; عمدتاً به این دلیل که طول واحد مسیر از پیش محاسبه شده است. از این رو، این پرس و جو در GSMNet تنها طول واحدهای مسیر را خلاصه می کند. بنابراین، در زمان زیادی صرفه جویی کرد.

برای Query 10 پیچیده، GSMNet از TBA و OBA بهتر عمل کرد. این پرس و جو باید به طور همزمان هم فاصله زمانی و هم فاصله مکانی را در نظر بگیرد. مزیت GSMNet این است که ما از روابط زیادی برای اتصال اجسام متحرک، بخش های جاده و واحدهای مسیر استفاده کردیم. با این حال، TBA و OBA به بسیاری از عملیات جمع‌آوری وقت‌گیر در این پرس‌وجو نیاز داشتند.

Query 11 مشابه Query 12 است. با این حال، ما انتظار نداشتیم که GSMNet کندتر از TBA و OBA باشد. در آزمایش‌ها، شاخص مکانی در سفر و شاخص زمانی در لحظه‌های جستجو در TBA و OBA نقش مهمی در بهبود کارایی داشتند. در مقابل، GSMNet همچنان ابتدا بخش‌های جاده مربوطه را از نقاط پرس و جو بازیابی کرد. سپس از روابط استفاده کردیم

R_{m}^{s}

بین واحد مسیر

t u n i t

و بخش جاده

s e g

برای تعیین تمام واحدهای مسیر نامزد. حلقه‌های زیادی از طریق واحدهای مسیر برای تعیین اینکه آیا نامزدها به دفعات بیشتری نسبت به شاخص مکانی-زمانی اجرا شده‌اند یا خیر، با لحظه‌های پرس و جو مواجه شدند.

پرس و جوهای 13، 14 و 15 بر آزمایش عملکرد شاخص های مکانی-زمانی متمرکز بودند. TBA و OBA عملکرد بهتری از GSMNet داشتند زیرا پیاده سازی ما از روابط استفاده می کرد

R_{m}^{s}

R_{m}^{o}

جایگزینی برای شاخص های فضایی.

برای Queries 16 و 17، عملکرد GSMNet مطابق با انتظارات ما بود. تعداد واحدهای مسیر تأثیر قابل توجهی بر عملکرد داشت.

در آزمایش‌های خود، نقاط قوت و ضعف مدل GSMNet را در مقایسه با بالغ‌ترین پایگاه داده اجسام متحرک Secondo شناسایی کرده‌ایم. نتایج مقایسه زوجی نشان می‌دهد که GSMNet در پرس‌و‌جوهای متعددی که شامل عملیات‌های پیوستن به جدول بیشتری هستند، کارایی بالاتری دارد، مانند کوئری‌های 3، 5، 7، 9، 10، 16، 17. ضعف GSMNet در پرس‌و‌جوهایی با مقیاس داده بزرگ رخ می‌دهد. به عنوان مثال، وقتی تعداد سفرها در مقیاس 1.0 292940 باشد، GSMNet نشانه هایی از کاهش عملکرد را در Queries 11، 12، 14 نشان می دهد. با این حال، Secondo پایداری بالایی دارد.

6.3. بحث

(1) مدل GSMNet پیشنهادی قابلیت نمایش اطلاعات معنایی، از جمله وضعیت ترافیک و روابط اجتماعی را دارد. برای حفظ آزمایش‌های متضاد در همان نقطه شروع، پرس‌وجوهای استاندارد 17 معیار نسبتاً دست نخورده باقی ماندند، اگرچه آنها مقدار کمی از اطلاعات معنایی را در آزمایش‌ها شامل می‌شدند. با این حال، نتایج تجربی نشان می دهد که عملکرد GSMNet پیشنهادی ما قابل اجرا و قابل اعتماد است. پرس و جوهای معیار همچنین می تواند به راحتی برای پوشش اطلاعات معنایی گسترش یابد. برای مثال، می‌توانیم روابط اجتماعی را به Query 12 اضافه کنیم، که در آن وسایل نقلیه دوستان خود را در نقطه‌ای از QueryPoints1 ملاقات می‌کنند. در یک لحظه از QueryInstants1 ملاقات می‌کنند.. آزمایش های بیشتری حاوی اطلاعات معنایی باید در آینده انجام شود. در همین حال، GSMNet باید گسترش یابد تا معنایی بیشتری را نشان دهد، به عنوان مثال اطلاعات رفتار انسان، از جمله رفتار گروهی و رفتار فردی، مانند گله، ازدحام، الگوی کاروان و خوشه‌های متحرک.

(2) ساختارهای نمودار به طور گسترده ای برای نمایش شبکه های جاده ای استفاده می شوند. با این حال، مدل GSMNet پیشنهادی به طور ابتکاری دو ساختار گراف دوگانه را برای مدل‌سازی شبکه در سطوح مختلف دانه‌بندی اتخاذ کرد. مزیت این است که اطلاعات ترافیک را می توان به راحتی در مدل ادغام کرد و روابط توپولوژیکی بین مسیرها و بخش ها را می توان به عنوان لبه نشان داد. علاوه بر این، GSMNet همچنین مسیرها و روابط اجتماعی اشیاء متحرک را به عنوان ساختارهای گراف نشان می دهد، بنابراین امکان ادغام اطلاعات مکانی و معنایی را فراهم می کند. بر اساس این طرح، عملیات پیمایش نمودار یکنواخت می‌تواند برای جایگزینی عملیات زمان‌بر پیوستن جدول، همانطور که در نتایج تجربی کوئری‌های 4 و 5 نشان داده شده است، استفاده شود.

(3) مدل GSMNet پیشنهادی عمدتاً بر مدل‌سازی مسیرهای عظیم و شبکه‌های جاده‌ای زیربنایی تمرکز دارد. با این حال، با بهره‌گیری از طراحی مدل GSMNet پیشنهادی، می‌توان آن را برای پشتیبانی از نمایش سایر محیط‌های فعالیت، مانند فضاهای آزاد داخلی یا جغرافیایی تنظیم کرد [ 38 ]. با این حال، ذخیره اطلاعات بیش از حد از طریق ویژگی‌های گره‌ها یا لبه‌ها باعث می‌شود که نمودارها پرکار یا اضافی شوند و باعث کاهش عملکرد شود. نتایج تجربی نشان دهنده ضعف مدل GSMNet پیشنهادی است. کارایی پرس و جوهای معیار همه در کاهش یافت

s c a l e f a c t o r

1.0. فشرده‌سازی مسیرها و ذخیره ویژگی‌های گره‌ها یا لبه‌های گراف با یک سیستم باینری ممکن است یک استراتژی مفید برای حل مشکل باشد.

7. نتیجه گیری

در این مقاله، ما یک مدل نمودار سلسله مراتبی GSMNet را برای اشیاء متحرک در شبکه‌ها برای نمایش یکپارچه اشیاء متحرک، مسیرها، شبکه‌های زیربنایی و اطلاعات معنایی، از جمله وضعیت‌های ترافیک و روابط اجتماعی بین اشیاء متحرک، پیشنهاد کردیم. GSMNet این قابلیت را دارد که به‌طور انعطاف‌پذیر هزینه به‌روزرسانی مکان و جزئیات مدل‌سازی شبکه‌های زیربنایی را با کمک نمایش چند سطحی RouteGraph متعادل کند . SegmentGraph متعادل کند.. علاوه بر این، ما یک سیستم نوع داده را توسعه دادیم و تعاریف رسمی از اپراتورهای متناظر مدل GSMNet ارائه کردیم. هفده پرسش معیار با استفاده از مدل GSMNet انجام شد. در مقایسه با Secondo، ما استدلال کردیم که مدل GSMNet پیشنهادی ما کلی تر و کارآمدتر است. این تلاش خوبی برای تقویت مدل‌سازی داده‌های مکانی-زمانی یکپارچه برای اجسام متحرک در شبکه‌ها است زیرا تغییر مسیر از مسیرهای خام به مسیرهای معنایی یک روند کلی است.

چندین جهت برای کار آینده قابل توجه است. اول، مدل GSMNet پیشنهادی ما فقط برای اشیاء متحرک در محیط‌های شبکه اعمال شده است. گسترش مدل داده‌های پیشنهادی به محیط‌های دیگر، مانند فضای داخلی، موضوع جالبی برای کار آینده است. موضوع دیگر پیاده سازی پردازش موازی مدل GSMNet پیشنهادی برای تسریع عملکرد پرس و جو در محیط های محاسباتی توزیع شده با استفاده از یک چارچوب پردازش تغییر گراف در مقیاس بزرگ، مانند Pregel و مدل Bulk Synchronous Parallel (BSP) است. دوم، انواع مختلف پرس‌و‌جوهای مکانی-زمانی مبتنی بر مدل GSMNet پیشنهادی، مانند جستارهای محدوده، پرس‌و‌جوهای kNN و پرس‌وجوهای خط آسمان، یک موضوع تحقیقاتی جالب هستند. آخرین موضوع ولی به همان اهمیت،

منابع

پلکیس، ن. Theodoridis, Y. Mobility Data Management and Exploration ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2014; صص 75-99. [ Google Scholar ]
ژنگ، ی. داده کاوی مسیر: مروری. ACM Trans. هوشمند سیستم تکنولوژی 2015 ، 6 ، 29-48. [ Google Scholar ] [ CrossRef ]
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 ]
کنجیلال، وی. اشنایدر، ام. مدل سازی شبکه فضایی برای پایگاه های داده. در مجموعه مقالات سمپوزیوم ACM 2011 در محاسبات کاربردی، تایچونگ، تایوان، 21 تا 24 مارس 2011. صص 827-832.
بوونانو، آ. D’Urso، M. پریسکو، جی. فلاکو، م. ملیادو، ای. ماتی، م. پالمیری، اف. Ciuonzo، D. شبکه های حسگر موبایل بر اساس پلت فرم های مستقل برای امنیت داخلی. در مجموعه مقالات کارگاه آموزشی Tyrrhenian 2012 در مورد پیشرفت در رادار و سنجش از راه دور (TyWRRS)، ناپل، ایتالیا، 12-14 سپتامبر 2012. صص 80-84.
بروکس، آر آر. راماناتان، پی. سعید، AM طبقه بندی و ردیابی هدف توزیع شده در شبکه های حسگر. Proc. IEEE 2003 ، 91 ، 1163-1171. [ Google Scholar ] [ CrossRef ]
سیونزو، دی. بوونانو، آ. D’Urso، M. Palmieri، FA طبقه بندی توزیع شده اهداف متحرک چندگانه با شبکه های حسگر بی سیم باینری. در مجموعه مقالات چهاردهمین کنفرانس بین المللی در همجوشی اطلاعات، شیکاگو، IL، ایالات متحده آمریکا، 5 تا 8 ژوئیه 2011; صص 1-8.
داکوستا، آ. راماچاندران، وی. سعید، AM طبقه بندی توزیع شده منابع فضا-زمان گاوسی در شبکه های حسگر بی سیم. IEEE J. Sel. مناطق کمون. 2004 ، 22 ، 1026-1036. [ Google Scholar ] [ CrossRef ]
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 فرا گرفتن. سیستم 2013 ، 24 ، 1920-1931. [ Google Scholar ] [ CrossRef ]
هوانگ، اس.-سی. Jiau، M.-K. Hsu، C.-A. یک سیستم حاشیه نویسی صورت مشارکتی کاملاً خودکار با کارایی بالا و دقت بالا برای شبکه های اجتماعی آنلاین توزیع شده. IEEE Trans. سیستم مدار. فناوری ویدئو 2014 ، 24 ، 1800-1813. [ Google Scholar ] [ CrossRef ]
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 2015 ، 7 ، 141-160. [ Google Scholar ] [ CrossRef ]
یان، تی. ژانگ، دبلیو. Wang, G. DOVE: انتشار داده ها به تعداد دلخواه گیرنده در VANET. IEEE Trans. وه تکنولوژی 2014 ، 63 ، 1903-1916. [ Google Scholar ] [ CrossRef ]
یان، تی. ژانگ، دبلیو. وانگ، جی. Zhang, Y. برنامه ریزی نقاط دسترسی در منطقه شهری برای انتشار داده ها به رانندگان. IEEE Trans. وه تکنولوژی 2014 ، 63 ، 390-402. [ Google Scholar ] [ CrossRef ]
گوتینگ، RH; Ding, Z. مدلسازی و پرس و جوی اشیاء متحرک در شبکه ها. VLDB J. 2006 ، 15 ، 165-190. [ Google Scholar ] [ CrossRef ]
پدر و مادر، سی. اسپاکاپیترا، اس. رنسو، سی. آندرینکو، جی. آندرینکو، ن. بوگورنی، وی. دامیانی، ام.ال. گکولالاس-دیوانیس، ع. مکدو، جی. پلکیس، N. مدلسازی و تحلیل مسیرهای معنایی. کامپیوتر ACM. Surv. 2013 ، 45 ، 111-120. [ Google Scholar ] [ CrossRef ]
اشنایدر، ام. اشیاء متحرک در پایگاه های داده و GIS: مسائل پیشرفته و باز. در گرایش های پژوهشی در علم اطلاعات جغرافیایی ; Springer: برلین/هایدلبرگ، آلمان، 2009; صص 169-187. [ Google Scholar ]
ولفسون، او. چمبرلین، اس. کالپاکیس، ک. Yesha, Y. مدلسازی اشیاء متحرک برای خدمات مبتنی بر مکان. در توسعه زیرساخت برای سیستم های موبایل و بی سیم ; Springer: برلین/هایدلبرگ، آلمان، 2002; ص 46-58. [ Google Scholar ]
خو، جی. گوتینگ، RH; ژنگ، ی. TM-RTree: شاخصی در مورد اشیاء متحرک عمومی برای جستارهای محدوده. GeoInformatica 2015 ، 19 ، 487-524. [ Google Scholar ] [ CrossRef ]
هو، دبلیو. یانگ، ی. ژانگ، دبلیو. Xie, Y. تشخیص شی متحرک با استفاده از تجزیه با رتبه پایین و پراکنده ذوب شده بر اساس تانسور. IEEE Trans. فرآیند تصویر 2017 ، 26 ، 724-737. [ Google Scholar ] [ CrossRef ] [ PubMed ]
دینگ، ز. Güting, R. مدلسازی شبکه های حمل و نقل متغیر زمانی. سیستم پایگاه داده Adv. Appl. 2004 ، 2973 ، 651-724. [ Google Scholar ]
دینگ، ز. Güting، RH مدیریت اجسام متحرک در شبکه های حمل و نقل پویا. در مجموعه مقالات شانزدهمین کنفرانس بین المللی مدیریت پایگاه داده های علمی و آماری، جزیره سانتورینی، یونان، 21 تا 23 ژوئن 2004. ص 287-296.
چن، جی. منگ، ایکس. گوا، ی. گرومباخ، اس. Sun، H. مدل سازی و پیش بینی مسیرهای آینده اجسام متحرک در یک شبکه محدود. در مجموعه مقالات هفتمین کنفرانس بین المللی مدیریت داده های تلفن همراه (MDM’06)، نارا، ژاپن، 10–12 مه 2006; پ. 156.
چی، ال. اشنایدر، M. MONET: مدلسازی و پرس و جوی اجسام متحرک در شبکه های فضایی. در مجموعه مقالات سومین کارگاه بین المللی ACM SIGSPATIAL در زمینه ژئواستریمینگ، ساحل ردوندو، کالیفرنیا، ایالات متحده آمریکا، 7 تا 9 نوامبر 2012. صص 48-57.
دونتگن، سی. بهر، ت. گوتینگ، RH BerlinMOD: معیاری برای پایگاه‌های داده شی متحرک. VLDB J. 2009 ، 18 ، 1335-1368. [ Google Scholar ] [ CrossRef ]
چن، توسط; یوان، اچ. لی، کیو. لام، WH; شاو، اس.-ال. Yan, K. الگوریتم تطبیق نقشه برای داده‌های خودرو شناور با فرکانس پایین در مقیاس بزرگ. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 22-38. [ Google Scholar ] [ CrossRef ]
چو، اس.-ک. Jiau، M.-K. هوانگ، اس.-سی. بهینه سازی ازدحام ذرات مبتنی بر مجموعه تصادفی بر اساس اکتشاف محلی برای حل مشکل سرویس کارپول. IEEE Trans. سایبرن. 2016 ، 46 ، 1771-1783. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هوانگ، اس.-سی. چن، بی.-اچ. استخراج خودکار شیء متحرک از طریق یک شبکه با پهنای باند متغیر دنیای واقعی برای سیستم های نظارت بر ترافیک. IEEE Trans. الکترون صنعتی 2014 ، 61 ، 2099-2112. [ Google Scholar ] [ CrossRef ]
جنسن، CS; کولاور، ج. پدرسن، سل؛ تیمکو، I. پرس و جوهای نزدیکترین همسایه در شبکه های جاده ای. در مجموعه مقالات یازدهمین سمپوزیوم بین المللی ACM در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 3-8 نوامبر 2003. صص 1-8.
شکر، س. یو، JS پردازش در مسیر پرس و جوهای نزدیکترین همسایه: مقایسه رویکردهای جایگزین. در مجموعه مقالات یازدهمین سمپوزیوم بین المللی ACM در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 3-8 نوامبر 2003. صص 9-16.
وزیرگیانیس، م. ولفسون، او. مدل و زبان فضایی-زمانی برای اجسام متحرک در شبکه های جاده ای. در مجموعه مقالات هفتمین سمپوزیوم بین المللی پیشرفت در پایگاه های داده مکانی و زمانی، ردوندو بیچ، کالیفرنیا، ایالات متحده آمریکا، 12 تا 15 ژوئیه 2001. ص 20-35.
اسپیچوسیس، ال. جنسن، CS; Kligys، A. مدل سازی داده های محاسباتی برای اشیاء متحرک محدود شده در شبکه. در مجموعه مقالات یازدهمین سمپوزیوم بین المللی ACM در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 3-8 نوامبر 2003. صص 118-125.
خو، جی. Güting، RH یک مدل داده عمومی برای اجسام متحرک. Geoinformatica 2013 ، 17 ، 125-172. [ Google Scholar ] [ CrossRef ]
چن، توسط; یوان، اچ. لی، کیو. شاو، اس.-ال. لام، WH; چن، X. مدل داده های مکانی-زمانی برای تحلیل جغرافیایی زمان شبکه در عصر داده های بزرگ. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 1041-1071. [ Google Scholar ] [ CrossRef ]
دینگ، ز. یانگ، بی. گوتینگ، RH; Li, Y. پایگاه داده شی متحرک مبتنی بر مسیر مبتنی بر شبکه: مدل‌ها و برنامه‌ها. IEEE Trans. هوشمند ترانسپ سیستم 2015 ، 16 ، 1918-1928. [ Google Scholar ] [ CrossRef ]
دینگ، ز. یانگ، بی. چی، ی. Guo, L. فعال کردن سیستم های حمل و نقل هوشمند: رویکرد پایگاه داده مکانی-زمانی موازی. IEEE Trans. محاسبه کنید. 2016 ، 65 ، 1377–1391. [ Google Scholar ] [ CrossRef ]
گوتینگ، RH; Böhlen، MH; ارویگ، م. جنسن، CS; لورنتزوس، NA; اشنایدر، ام. Vazirgiannis، M. بنیادی برای بازنمایی و جستجوی اشیاء متحرک. ACM Trans. سیستم پایگاه داده 2000 ، 25 ، 1-42. [ Google Scholar ] [ CrossRef ]
گوتینگ، RH; آلمیدا، وی. آنسورج، دی. بهر، ت. دینگ، ز. هوس، تی. هافمن، اف. اسپیکرمن، ام. Telle، U. 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.
ژانگ، اچ. لو، اف. Xu, J. مدل سازی و پرس و جو از اشیاء متحرک با روابط اجتماعی. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 121. [ Google Scholar ] [ CrossRef ]

شکل 1. شبکه های جاده ای.

شکل 2. نمونه ای از نمودار قطعه.

شکل 3. نمونه ای از گراف مسیر.

شکل 4. نمونه ای از نمودار حرکتی.

شکل 5. نقشه حرارتی داده های تجربی با مقیاس های مختلف: ضریب مقیاس 0.05 ( a )، ضریب مقیاس 0.2 ( b ) و ضریب مقیاس 1.0 ( c ).

شکل 6. مقایسه GSMNet و Secondo با Scalefactor های مختلف: scalefactor 0.05 ( a )، scalefactor 0.2 ( b ) و scalefactor 1.0 ( c ).

جدول 1. تعریف عملیات.

جدول 2. هفده پرسش معیار.

جدول 3. داده های تجربی.

جدول 4. محک زدن مدل Geo-Social-Moving برای اجسام متحرک در مدل شبکه ها (GSMNet) با استفاده از پایگاه داده اشیاء متحرک برلین (BerlinMOD) در چند ثانیه. OBA، رویکرد مبتنی بر شی. TBA، رویکرد مبتنی بر سفر.

© 2017 توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) ( http://creativecommons.org/licenses/by/4.0/ ) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

خلاصه

1. معرفی

2. کارهای مرتبط

3. مدل GSMNet

3.1. مقدماتی

3.2. مدل سازی شبکه ها

3.3. نمایش شی متحرک

3.4. نمایش شی متحرک

3.5. بازنمایی مسیر

4. اپراتورها

5. پرس و جوهای محک

6. آزمایشات

6.1. تنظیمات آزمایشی

6.2. نتایج تجربی

6.3. بحث

7. نتیجه گیری

منابع

قبلیتجزیه و تحلیل کاربرد VTEC برگرفته از مدل پیچیده Klobuchar در چین

بعدیروش تطبیق مناطق مسکونی چند مقیاسی با استفاده از ماشین برداری مرتبط و یادگیری فعال

بدون نظر

دیدگاهتان را بنویسید لغو پاسخ