[发明专利]一种基于时隙的时空索引方法

说明书

本发明公开了一种基于时隙的时空索引方法。根据运动对象的轨迹，构建TS‑TPR索引结构，将实时获得的预测轨迹插入到TS‑TPR中对应的TPR树中；批量更新TS‑TPR索引结构中的轨迹数据；以分而治之方式使用TS‑TPR回答预测性时空查询。通过本发明的索引能索引预测轨迹，可以索引连续轨迹，完成有关的预测性查询，提升了预测性查询的准确率。

技术领域

本发明涉及数据库领域中的时空索引技术，具体涉及到一种基于时隙的时空索引技术。

背景技术

在时空数据库中，预测性时空查询被广泛用于回答诸如“10分钟后返回1平方公里以内的对象”之类的问题。这类时空查询可以表示为三元组t_s，t_e，R，其中t_s是查询开始的时间，t_e是查询结束时间，R是多维多边形(Multi-dimensional Polygon)。为了回答这类查询，研究人员们提出了一系列具有时间参数的索引。这些索引针对未来[t_c，t_c+H]的预测性时空查询进行了优化，其中t_c是当前时间，而参数H则称为“视野(Horizon)”，表示将来索引可以“看到”未来多远。

TPR(Time Parameterized Tree)树是使用最广泛的一种的时空索引。TPR树中的移动模型是由线性函数来表示的。传统TPR树回答的预测性查询只是依赖当前对象的速度以及位置，并应用线性模型来预测未来某一个时刻的位置。例如，假设r是TPR树在时间t被索引的运动对象。r的当前位置为r_l，速度为r_v。根据线性运动模型来计算，该对象在任何将来时间t_f的位置为r_l+(t_f-t)×r_v。

近年来，人工智能迅速发展，越来越多的模型可以准确的预测运动对象最近一段时间内的运动轨迹。例如，给定某个移动物体的过去10分钟的轨迹，预测模型可以给出未来10分钟该对象每分钟的位置坐标。智能模型对轨迹的预测准确率远远高于仅应用直线运动模型的准确率。因此当使用智能模型来替换TPR树中的直线运动模型将会极大地提高预测性查询的准确性。然而，传统的TPR树无法索引利用这些预测的轨迹信息，即无法索引未来一段时间的轨迹，只能保存当前时间点位置和速度。

发明内容

针对现有技术的不足，为了解决背景技术中存在的问题，本发明的目的在于提供了一种基于时隙的时空索引(TS-TPR，Time-slot based TPR)以及相关的构建、更新以及查询方法。

本发明所采用的技术方案如下：

1)根据运动对象的轨迹，构建TS-TPR索引结构，将实时获得的预测轨迹插入到TS-TPR中对应的TPR树中；

2)批量更新TS-TPR索引结构中的轨迹数据；

3)以分而治之方式使用TS-TPR回答预测性时空查询。

所述步骤1)中，

1.1)根据预测轨迹，确定TS-TPR索引结构的关键参数，关键参数是时隙的长度Δt；按照以下公式处理确定时隙的长度Δt：

Δt＝H/m

其中，m表示TS-TPR索引结构中建立的TPR树的数量，H表示TS-TPR索引结构的预测性查询最长时间；

1.2)TS-TPR索引结构由若干TPR树(Time-Parameterized Tree)组成，若干TPR树之间按照时序排列，相邻TPR树之间具有时间间隔，且时间间隔相等作为时隙；各个TPR树存储有运动对象的轨迹中各个时刻的位置和速度信息，同一TPR树存储有各个运动对象在同一时刻的位置坐标和速度信息，不同TPR树存储有各个运动对象在不同时刻的位置和速度信息。