一种空间分布模式驱动的空间索引

支持批量操作的空间索引中,空间数据的分解粒度、局部更新操作的整体影响处理是两个主要难点。本文基于空间分布模式分析,提出了一种空间索引——Pattern-tree。针对批量操作的粒度问题,设计了一种基于空间分布模式探测的空间划分方法,采用一种自上而下与自下而上相结合的索引树构建算法;针对局部插入操作对索引树的整体影响与索引树的调整问题,提出了一种基于空间分布模式变化检测的索引更新方法。试验表明,本文所提出的空间索引结构比STLT、GBI以及SCB等方法具有更高的构建与窗口查询效率。     

Geohash-Trees:一种用于组织大规模轨迹的自适应索引

蕴含着挖掘价值的轨迹数据分布在世界各地，且规模庞大。如何在全球范围内组织轨迹数据并支持高效范围查询成为难题。一种自适应索引组织框架被提出来管理查询全球范围大规模轨迹数据集，其基本思想为:针对不同轨迹数据集，根据Geohash编码，生成层数最深的Geohash格网覆盖住整个轨迹数据集范围；以格网作为根节点，生成Geohash-Trees；为了加快查询定位到对应索引，根据编码前缀相同的特点设计了字典查询树。Geohash-Trees是一种基于格网划分的空间索引，它能够根据轨迹密度自适应使用多种剖分策略划分空间，提高范围查询效率。为了支持索引动态更新，设计了增量插入和更新算法。同时，该索引被移植到商用数据库Oracle中，利用数据库性能高效管理查询轨迹数据。实验结果表明，该方法在范围查询以及占用空间等方面明显优于Oracle内置的R树索引。     

基于多级R-tree的分布式空间索引及其查询验证方法研究

空间索引是解决分布式环境下空间查询的关键。提出一种基于多级R-tree的分布式空间索引,避免存储内容扩充而造成的数据冗余。同时针对由于数据分割造成的拓扑关系信息变化问题,进行基于Voronoi图查询验证的研究,并通过试验证实这种分布式空间索引,以及辅助的查询验证方法在分布式环境下的高效性。     

一种集成R树、哈希表和B*树的高效轨迹数据索引方法

为兼顾时空索引方法的空间利用率、时间效率和查询种类,提出了一种新的轨迹数据索引方法——HBSTR树。其基本思想是:轨迹采样点以轨迹节点的形式成组集中管理,哈希表用于维护移动目标的最新轨迹节点,轨迹节点满后作为叶节点插入时空R树,另外采用B*树对轨迹节点构建一维索引,既有利于提升索引创建效率,又同时满足时空条件搜索和特定目标轨迹搜索等多种查询类型。为提升时空查询效率,提出了新的时空R树评价指标和节点选择子算法改进时空R树插入算法,同时提出了一种时空R树的数据库存储方案。试验结果表明,HBSTR树在创建效率、查询效率和支持查询类型等方面综合性能优于现有方法,支持大规模实时轨迹数据库的动态更新和高效访问。     

MR-tree空间索引的Voronoi图改进及其并行空间查询方法

对MR-tree进行邻近关系信息的存储扩充,引入Voronoi图构建VoMR-tree索引。同时,提出了一种基于VoMR-tree的空间查询算法,讨论了分布式环境下的数据处理和算法并行化问题。实验结果表明,所提出的算法在执行时间和占用存储空间上都优于常用的空间索引方法。     

面向动态关联数据的高效稀疏图索引方法

为了高效组织管理日益增加的智能感知和关联关系数据,满足多层次任务对多模态场景数据多维特征计算和关联挖掘的需求,针对现有树结构外存索引方法存在的磁盘I/O密集、处理效率低、对关联关系支持弱的瓶颈问题,提出了一种时空关系稀疏图索引方法。设计了一种基于内存图模型的时空索引结构,将多模态场景数据抽象为图的节点和边,支持时间、空间以及关联关系的高效组织,并基于稀疏矩阵进行时空关系图索引的内存表达和存储;以多维树索引为例进行了索引构建以及多模式查询试验。试验结果表明,本文方法在索引生成、时空查询和复杂时空关系查询效率等方面均优于对比方法,支持动态关联的多模态场景数据实时高性能处理和低延迟访问。     

基于SPARQL查询的地理语义空间索引构建方法

为了实现地理语义数据的快速有效的空间查询,通过分析传统RDF索引方法和空间索引方法的不足,结合两者提出一种基于空间四元组（GeoQuad）的地理语义空间索引构建方法,并基本该方法利用Jena和ARQ实现基于SPARQL语法的地理语义空间查询。实验表明,方法高效可行,不仅能够快速定位空间RDF节点,而且能够快速进行RDF空间查询并返回RDF结果。     

一种双映射变换的空间索引及空间连接算法研究

空间索引会极大地影响空间连接操作的效率。提出了一种基于双映射变换的分布式空间索引,通过结合平面角变换和空间填充曲线的优点,对二维空间进行两次维度变换,使空间数据分片建立在一维的顺序存储队列基础上。在此基础上提出了一种空间拓扑连接算法,并进行了算法的四叉树优化和处理效率实验,对比了本文存储方法和传统R-tree存储在时效性和冗余度方面的效率。实验结果表明,本文方法能支持高效的空间连接。     

对等网络下自适应层级的矢量数据时空索引构建方法

时空索引是时空数据存储和管理的关键技术之一,基于空间填充曲线(space filling curve,SFC)的索引方法近年来受到了广泛关注。然而对于矢量数据,现有索引方法多侧重于空间索引的实现,难以同时顾及时间查询和空间查询的效率,且对于非点要素(线要素与面要素),确定最优的索引级别一直是难点所在。为此,本文面向对等网络环境,提出一种自适应层级的时空索引构建方法。首先提出了基于分区键和分区内排序键组合策略的时空信息联合编码,然后据此设计了点要素、非点要素的时空表达结构,最后设计了多层级树结构以构建时空索引MLS3(multi-level sphere 3),并基于地理实体时间粒度及空间密度等特征自适应确定其最优索引层级。利用轨迹(点要素)、公路(线要素)和建筑物(面要素)实际数据进行了试验。试验结果表明,相比GeoMesa提出的XZ3时空索引,本文索引方法可有效解决非点要素的时空表达及层级划分问题,在避免存储热点的同时实现更为高效的时空检索。     

基于MapReduce的空间数据并行划分算法

针对海量空间数据分布式存储中存在的不顾及空间邻近性、分布不均和数据倾斜的问题,基于MapReduce并行编程模型,对Hilbert空间曲线层次分解的思想和节点容量感知的方法进行了研究,提出了一种层次分解的空间数据并行划分策略,并通过临界值判定实现空间数据的均衡存储。最后通过实例分析说明该方法可以在保证空间数据邻近特性的同时,解决海量空间数据分布式存储不均和数据倾斜的问题。     

并行处理技术在地理信息数据处理中的应用

随着地理信息存储量的飞速增长,传统的单进程、集中式的数据处理方式已不能满足基于网络的地理信息服务的效能要求。分析对比了OpenMP,MPI和MapReduce等主流并行编程模式,将关系型数据库与分布式空间数据管理系统相结合,提出了面向并行处理的地理信息存储模型和数据组织模型,将该模型与传统模型进行了对比分析,并基于MapReduce实现了地理空间数据并行处理框架,选取了矢量数据装载、影像数据装载以及数据切片作为典型数据处理案例开展对比实验,该技术方案的处理效率均数倍于传统技术方案。实验表明,该模型能够很好地支持并行处理框架,可为分布式环境下数据处理中心构建提供一个有效解决方案。     

GQL： Extending XQuery to Query GML Documents

IntroductionThe geography markup language (GML)[1]is anXML encoding in compliance with ISO 19118 forthe transport and storage of geographic informationmodel according to the conceptual modeling frame-work used in the ISO 19100 series and includingboth the…     

分布式空间数据库中矢量数据多级空间索引方法研究

随着网格计算、云计算等技术在地理信息领域的应用,海量空间数据的高效组织与管理成为提供各种数据和功能服务的基础,空间索引是其中的关键问题,文中在分布式空间数据库系统架构基础上,提出一种适应分布式环境下的分层+分块的矢量数据存储组织模型,设计包括矢量数据面片索引、矢量数据层索引、矢量数据块索引以及数据块内索引在内的多级空间索引。实现表明,文中设计的空间索引支持并发创建和高并发条件下的数据高效访问。     

GQL: Extending Xquery to query GML documents

GML is becoming the de facto standard for electronic data exchange among the applications of Web and distributed geographic information systems. However, the conventional query languages (e.g. SQL and its extended versions) are not suitable for direct querying and updating of GML documents. Even the effective approaches working well with XML could not guarantee good results when applied to GML documents. Although XQuery is a powerful standard query language for XML, it is not proposed for queryings spatial features, which constitute the most important components in GML documents. We proposes GQL, a query language specification to support spatial queries over GML documents by extending XQuery. The data model, algebra, and formal semantics as well as various spatial functions and operations of GQL are presented in detail.     

云计算环境下空间索引构建研究

空间数据索引对于空间数据管理和分析具有重要作用,与数据处理速度和效率密切相关。随着人类社会进入大数据时代,遥感矢量数据具备了大数据的特点,传统的空间索引构建方法无法有效满足矢量大数据处理的需求,为此引入云计算环境来进行空间索引构建,目的是提高空间索引构建速度。首先,对常见的空间索引及现阶段云计算环境下基于MapReduce模型的空间数据管理进行了综述;然后以云计算环境下R树索引构建为例,对云计算环境下空间索引的构建进行了研究;最后,通过实验验证,证明了云计算环境下空间索引构建的速度与单机索引构建相比,加速比为28~40倍;在相同云环境下,网格索引构建速度最快,R+索引构建速度相对较慢。     

基于SQL Server Spatial的空间数据的组织与查询

论述了SQL Server Spatial技术理论,探讨了空间数据导入、索引的创建以及空间数据的查询方法。并以3维激光扫描获取的点云数据为例,采用C#连接SQL Server数据库,对点云数据进行了组织及查询,并在MapOb-ject组件下进行可视化。试验证明,建立空间索引后点云数据的检索效率较高。     

Performance optimization of grid aggregation in spatial data warehouses

The problem of storage and querying of large volumes of spatial grids is an issue to solve. In this paper, we propose a method to optimize queries to aggregate raster grids stored in databases. In our approach, we propose to estimate the exact result rather than calculate the exact result. This approach reduces query execution time. One advantage of our method is that it does not require implementing or modifying functionalities of database management systems. Our approach is based on a new data structure and a specific model of SQL queries. Our work is applied here to relational data warehouses.     

空间大数据在MongoDB中的存储探索

最近几年,IT技术,特别是云计算和大数据技术的发展,给传统的地理信息软件平台带来了很大变革.作为地理信息的核心技术之一,空间数据存储技术在地理信息软件平台中发挥着重要的作用,是实现高效的空间查询和空间分析的技术基础.面对数据量的爆发性增长、数据类型的增多等大数据问题,传统的关系型数据库很容易遇到存储瓶颈,存在诸如存储效率低、并发访问能力弱、横向扩展难等问题,这使得发展新的空间大数据存储技术势在必行.为解决传统关系型数据库在面对海量多源异构数据存储时遇到的上述问题,本文利用分布式存储NoSQL数据库进行了空间大数据存储和查询的技术探索,并通过一系列实验证明MongoDB数据库是一种有效的存储空间大数据的方法.     

云环境下海量空间矢量数据并行划分算法

空间数据划分是空间大数据索引方法及其数据存储的重要组成部分。针对Hadoop云计算平台在空间数据划分及其存储方面的不足,提出了基于Hilbert空间填充曲线的海量空间矢量数据并行划分算法。在数据划分阶段,充分考虑空间数据相邻对象的空间位置关系、空间对象的自身大小以及相同编码块的空间对象个数等影响因素;通过“合并小编码块,分解大编码块”的划分原则,实现了云环境下海量空间矢量数据的并行划分算法。试验表明,该算法不仅能够提高海量空间矢量数据的索引效率,同时也能够很好地解决空间矢量数据在Hadoop分布式文件系统（Hadoop distributed file system,HDFS）上的数据倾斜问题。