An index method for continuous moving objects

There are current, historical and future information about continuously moving spatio-temporal objects. And there are correspondingly spatio-temporal indexes for current, past and future querying. Among the various types of spatio-temporal access methods, no one can support historical and future information querying. The Time Parameterized R-tree(TPR-tree) employs the idea of parametric bounding rectangles in the R-tree. It can effectively support predictive querying to continuously moving objects.Unfortunately, TPR-tree can not used to historical querying. This paper presents a partial-persistence method in order to extend TPR-tree for querying past information of moving objects. In this method, several TPR-trees will be created for more effectively predictive querying, because TPR-tree has a time horizon limit for predictive querying.Further more, a B-tree will be used to index time dimension. Since the partial-persistence method brings about huge storage space using, this paper also discusses some methods on how to reduce storage space. Finally, this paper presents an extensive experimental study for the proposed method and gives some interesting directions for future work.     

基于双树双索引结构的移动查询方法

为实现对有限范围内海量移动对象的有效索引,构建通用的移动查询解决方案,针对移动对象在道路网格中的运动特点,提出了预测实时运动速度的速度积累模型和预测未来聚集位置的基于双树双索引结构的移动对象查询方法.双树双索引结构利用网格划分思想构建空间分割树,实现对现有GG TPR-tree查询结构的拓展,并结合GG TPR-tree索引及建立于内存中的Hash索引以满足各种类型的移动查询请求.仿真实验表明,在回答受限范围内海量移动对象的确定性查询和统计性查询时,与传统方法相比,双树双索引结构在查询结果准确率方面有明显的改善.     

面向移动对象范围的混合索引结构

许多时空应用(如火灾模拟等)需要高效地查询移动对象的变化范围,针对此需求提出了基于TPR-tree和GF索引方法的两种混合索引结构,以支持对移动对象当前和未来范围的预测时空查询.在代价模型分析的基础上,基于模拟数据集的实验结果表明,这种混合索引方法能够有效地支持对移动对象变化范围的预测查询.     

Indexing large moving objects from past to future with PCFI

In moving object database, the moving objects' current position must be kept in memory, also to the trajectory, in some case, as same as the future. But the current existing indexes such as SEB-tree, SETI-tree, 2+3R-tree, 2-3RT-tree and etc. can only provide the capability for past and current query, and the TPR-Tree, TPR*-Tree and etc.can only provide the capability for current and future query. None of them can provide a strategy for indexing the past, current and also the future information of moving objects.In this paper, we propose the past-current-future Index (PCFI-Index) to index the past,current & future information of the moving objects. It is the combination of SETI-tree and TPR*-tree, the SETI liking index is used for indexing the historical trajectory segments except the front line structure, and the moving objects' current positions, velocities are indexed via the in-memory frontline structure which mainly implemented with TPR*-tree.Considering the large update operations on TPR-tree of large population, a hash table considering cache sensitivity is also introduced. It works with the frontline part, leading a bottom-up update of the tree. The performance analysis proves that the PCFI-index can handle most of the query efficiently and provides a uniform solution for the trajectory query, time-slice query, internal query and moving query.     

基于固定网络的移动对象轨迹查询

在基于固定网络的移动对象轨迹查询方面.现有的索引模型只能管理移动对象当前和过去或将来轨迹的查询,它们都不能同时实现移动对象的现在,过去和将来轨迹查询.本文在IMORS的索引结构基础上进行改进并提出了一种新的索引结构.它能实现基于固定网络的移动对象的全时态索引.     

地理信息系统中时空拓扑关系计算表达

针对TGIS时空对象,建立了基于时段时空数据模型,根据9交模型以及基于时段的时间表示方法,定义了TGIS时空对象时空拓扑关系模型,利用代数方法给出了时空拓扑关系计算的规则.能有效地重建时空数据的历史状态,跟踪时空数据的变化,处理一切基于时间的查询,实现对TGIS时空对象时空拓扑关系的计算.     

基于网格分组移动对象的索引方法

针对目前使用广泛的移动对象索引技术对受限范围内的海量数据索引管理问题.引入了网格技术实现移动对象的分组管理,提出了基于网格分组的移动对象GG TPR树索引方法.该方法利用网格分组的方式,将位置与运动行为接近的移动对象进行整体维护和批量管理,从而减少索引维护的中间环节,提高移动对象的索引效率.模拟实验结果表明,利用GG TPR树索引受限范围内的海量数据较已有的移动对象索引方法性能更优.     

移动对象的建模和查询

本文提出一种离散时空轨迹模型来表示数据库系统中的移动对象的方法。这种模型不仅支持过去和现在位置信息的查询，而且支持未来查询。     

考虑运动对象位置不确定性的位置管理策略

以传统轨道模型为基础,观测构造运动对象历史信息统计样本并分析其特征,设计了基于样本统计的位置预测模型,更好地考虑了运动对象运动随机性的特点,提高了位置预测的准确性;然后在该模型的基础上设计了一种为管理运动对象位置不确定性而设定最佳阈值的方法,这种方法相对于传统的静态阈值策略减少了位置更新的信息代价开销;最后,采用一种基于时间和空间划分的Grid模型构造索引结构,给出了管理运动对象位置信息进行区域查询和kNN（k-Nearest Neighbor）查询的实现过程和算法,是一种进行运动对象位置相关查询的可行性方案.     

一种改进的移动对象时空数据模型

分析了MOST模型和离散模型各自存在的问题,给出一种改进的移动对象时空数据模型HCFMOST．模型采用三次Hermite插值函数模拟移动对象的历史单元的轨迹且利用线性函数模拟移动对象的当前单元的轨迹,对当前单元中的误差进行了处理．该模型能够对历史轨迹进行精确的查询,对当前和未来的轨迹进行带误差的查询．     

Indexing large moving objects from past to future with PCFI

In moving object database, the moving objects' current position must be kept in memory, also to the trajectory, in some case, as same as the future. But the current existing indexes such as SEB tree, SETI tree, 2+3R tree, 2 3RT tree and etc. can only provide the capability for past and current query, and the TPR Tree, TPR * Tree and etc. can only provide the capability for current and future query. None of them can provide a strategy for indexing the past, current and also the future information of moving objects. In this paper, we propose the past current future Index (PCFI Index) to index the past, current & future information of the moving objects. It is the combination of SETI tree and TPR * tree, the SETI liking index is used for indexing the historical trajectory segments except the front line structure, and the moving objects' current positions, velocities are indexed via the in memory frontline structure which mainly implemented with TPR * tree. Considering the large update operations on TPR tree of large population, a hash table considering cache sensitivity is also introduced. It works with the frontline part, leading a bottom up update of the tree. The performance analysis proves that the PCFI index can handle most of the query efficiently and provides a uniform solution for the trajectory query, time slice query, internal query and moving query.     

移动对象索引ST-tree

随着计算机网络和无限定位技术的发展,移动对象数据管理已经成为大数据时代新型数据库技术的重要组成部分.当前,移动对象数据库(MOD)研究重点之一是基于路网的移动对象数据索引技术.该文研究一种基于时空”对称”和”统一”处理的索引模式ST-tree.首先,根据路网移动对象特征,以空间间隔和时间期间组成的时空矩形为技术处理单元,讨论了一般区间元素集合上基于下右优先遍历序列的结构关系;其次,将时空矩形数据集合映射为空间间隔集合和时间期间集合,应用区间结构关系建立了路网移动对象数据集合数据结构;另外,由此研究了基于历史信息的移动对象索引ST-tree,它具有“一次一集合”的数据操作模式;最后,采用常规用例数据设计了基本仿真,通过与现有基本工作比较评估表明了ST-tree的可行性与有效性.     

基于混合聚类算法的动态R-树

针对动态R-树是通过动态插入算法建立起来的, 其节点分裂算法的性能直接影响到R-树的性能和查询效率的问题, 为了使动态R-树适应多维复杂空间数据的要求, 提出一种用于实现R-树节点分裂的混合聚类算法（HCR）, 它建立在普通聚类算法的基础上, 并进行了一系列扩充. 针对空间对象的均匀分布与不均匀分布, HCR算法在实现R-树节点分裂时分别采用不同的聚类准则以提高其聚类效果和查询效率. 此外, 还将HCR算法与其他算法进行对比实验, 结果表明该算法具有较高的查询效率.     

空时自适应混合高斯模型复杂背景运动目标检测

为克服传统基于单像素建模方法存在的缺陷,解决复杂背景下的运动目标检测问题,将视频图像序列的空间信息引入背景建模过程中,研究了邻域更新、二维联合直方图信息熵判别、空时平滑等方法.采用引导滤波方法对视频图像进行预处理,以消除图像噪声,并保留图像中目标的边缘信息,给出了算法处理流程和实现步骤.在不同的评测数据库及现实捕获的视频图像上进行了定性及定量实验,结果表明,本文提出的算法在目标检测准确度和完整性等指标上优于传统的同类型算法,为复杂背景环境下的运动目标检测提供了一种新的解决方法.      

移动对象时空拓扑关系模型

时空拓扑关系是移动对象时空特性研究的一个重要内容。针对二维欧氏空间内的平面移动对象,建立基于时间片的时空数据模型。并基于点集理论定义移动对象时空拓扑关系的定性模型,表达为由9交模型描述的时态拓扑关系和空间拓扑关系的复合。同时提出其时空拓扑有效性、可计算性约束及其计算规则,进而给出移动对象动态时空特征的表达方法。该模型提出了一种移动对象时空拓扑关系的表达和计算方法,有效的刻画其动态特征,可以为移动对象数据库及其时空查询提供理论基础     

视频桩考系统中基于阴影抑制的车辆跟踪

针对视频桩考中由于汽车的阴影随同汽车一同运动而被误检测的问题,提出一种物体分割方法,可以有效地抑制汽车的阴影。在RGB空间检测到运动部分后,将此运动部分分别在RGB空间利用边缘信息和HSV空间利用颜色信息检测阴影。通过两部分阴影信息相结合,在RGB空间将阴影部分剔除,从而得到正确的运动汽车部分。实验结果表明该方法能够有效地去除阴影的影响,得到正确的运动汽车部分,从而绘制合理的运动轨迹。     

Windows下基于IRP机制的存储设备硬件信息查询

分析了Windows下的IRP工作机制,基于IRP机制给出了用户访问硬件信息的基本方法,并针对存储类设备基本信息查询,给出了具体的访问实现流程。     

QGrid:一种空间移动对象并行索引结构

为提高空间移动对象数据更新效率和查询准确率,提出了一种空间移动对象并行索引结构.利用主索引和辅助索引支持对空间对象进行基于范围的查询和基于对象标识的查询,还通过查询索引将更新操作和可能受其影响的查询操作相连接,在满足并行操作时间片语义的同时,避免了传统方法进行范围查询时对查询范围内相关对象及相关索引结构全部进行锁定的需求.实验结果表明:高负载环境下,该索引结构不但能保证查询准确率,其处理能力也明显优于传统索引结构.该索引通过提高系统并行度,使同一范围内的更新和查询操作可以并行执行,提升了系统整体运行效率.     

基于时空联合的水下运动目标检测方法

提出了一种基于时空联合的运动目标检测算法,考虑到四阶累计量对于噪声具有较好的抑制作用,利用帧差的四阶累计量来提取运动区域(运动模板),与传统基于背景噪声方差的阈值确定方法不同,采用单帧图像上的有效带宽作为阈值,从而消除诸如水草、海洋生物等引起的背景纹理缓慢变化.为了得到准确的分割对象,引入马尔可夫随机场,结合区域的时空属性,把对象分割问题转化为求取区域最小能量问题,对水下噪声起到了较好的抑制作用.实验结果表明该算法能够有效地检测出具有精确边缘的水下运动目标.     

时空数据模型的初步设计

时空数据库用于模拟和查询位置或形状随时间改变的移动对象。提出了用于表示移动对象的时空数据类型和扩展数据类型。并在此基础上,对时空操作符也作了相应的概括。该数据模型便于实现,并能较好地支持时空查询。