[发明专利]基于混合高斯模型的移动对象连续k近邻查询方法及系统

权利要求书

1.基于混合高斯模型的移动对象连续k近邻查询方法，其特征是，应用在智能交通、电子商务、社交网络领域中，包括：

构建面向全局移动对象的网格索引，基于所建立的网格索引，计算初始查询区域；

构造混合高斯模型，用于模拟移动对象的位置分布，并根据移动对象位置变化对混合高斯模型进行实时更新；

当查询点移动时，基于所述混合高斯模型，确定查询点移动后包含k近邻的最终查询区域；

基于最终查询区域，计算查询点移动后的k近邻；

所述混合高斯模型，实现对移动对象位置信息的实时更新，能高效处理移动对象持续变化的位置信息，得到全局移动对象位置分布的高斯概率密度函数，有效模拟移动对象的实际分布；

在查询点连续移动情形下，基于已有查询结果快速计算查询点移动后的查询范围，实现对查询结果的实时更新。

2.如权利要求1所述的基于混合高斯模型的移动对象连续k近邻查询方法，其特征是，所述网格索引结构构建方式为：对全局移动对象建立网格索引结构，将整个二维平面区域划分成大小相同的正方形网格，每个网格单元由唯一标识符g_i表示。

3.如权利要求2所述的基于混合高斯模型的移动对象连续k近邻查询方法，其特征是，所述每个网格单元g_i具有一个移动对象列表L_i，记录位于网格单元g_i中每个移动对象的位置坐标；

当移动对象p_i由网格单元g_i移动至网格单元g_i+1时，将移动对象p_i从网格单元g_i的移动对象列表g_i+1中删除，并在g_i+1的移动对象列表L_i+1添加p_i的当前位置。

4.如权利要求1所述的基于混合高斯模型的移动对象连续k近邻查询方法，其特征是，所述构造混合高斯模型的具体步骤如下：

对网格索引中的所有移动对象进行初始聚类分析；

计算初始聚类分析后每个聚类的协方差矩阵，并计算各个聚类权值；

更新移动对象的参数，包括更新均值、更新协方差矩阵、更新权值，直到新的均值、协方差矩阵、权值收敛；

计算各个聚类的高斯概率密度函数；

利用更新后的权值和各个聚类的高斯概率密度函数，计算得到与整个区域内移动对象分布相匹配的混合高斯模型的高斯概率密度函数。

5.如权利要求4所述的基于混合高斯模型的移动对象连续k近邻查询方法，其特征是，对所有移动对象进行初始聚类分析，步骤如下：

从全局移动对象中任意选取M个移动对象作为初始的聚类中心；

根据每个聚类的聚类中心即聚类的均值，计算每个移动对象与所述聚类中心的距离；

如果移动对象距离某个聚类中心最近，则该移动对象属于该聚类；如果移动对象到多个聚类中心的距离相等，则可划分到与之距离相等的任意一个聚类中；

按移动对象到聚类中心的距离对所有移动对象聚类划分后，重新计算每个聚类的均值；当重新计算的每个聚类的均值收敛，初始聚类分析完成。

6.如权利要求4所述的基于混合高斯模型的移动对象连续k近邻查询方法，其特征是，更新各个聚类的参数时，首先根据每个聚类当前的参数计算后验概率，之后基于该后验概率更新均值、更新协方差矩阵、更新权值，直到新的均值、协方差矩阵、权值收敛。