大数据时代的到来使得时空轨迹数据的规模和复杂度迅速增长,这对如何高效管理和查询时空轨迹数据提出了新的需求和挑战。图数据库在处理时空轨迹数据的建模、存储和管理方面具有独特优势。然而,随着路网时空轨迹数据规模的不断扩大,图...大数据时代的到来使得时空轨迹数据的规模和复杂度迅速增长,这对如何高效管理和查询时空轨迹数据提出了新的需求和挑战。图数据库在处理时空轨迹数据的建模、存储和管理方面具有独特优势。然而,随着路网时空轨迹数据规模的不断扩大,图数据库的查询性能也会随之下降。为应对这一挑战,本文提出了一种基于图数据库的路网时空轨迹建模与高效索引方法。该方法采用压缩线性参考(Compressed Linear Reference,CLR)模型对路网时空轨迹进行建模,并将其存储于图数据库中,在此基础上,进一步构建了一种高效的路网时空轨迹索引机制。该索引体系采用了三层时空索引结构,包括路网空间索引、时间索引和时空路径段索引。路网空间索引主要负责底层路段的高效检索,而时间索引与时空路径段索引则针对轨迹数据的时空特征进行精确定位和高效查询。该结构能够有效减少图数据库查询中节点的遍历,提高查询效率。此外,基于该索引结构的2种时空查询方法被开发以满足不同应用场景的需求。为验证所提出时空索引的有效性,本文基于人工合成的不同数量级路网时空轨迹数据进行了2种时空查询效率的对比。实验结果显示,本文提出的高效时空索引相比Nebula Graph原生图数据库索引,在时空窗口-时空路径相交查询中效率提升至少16.59倍,在时空路径-时空路径相交查询中效率提升至少2.74倍。这项研究为路网时空轨迹数据的高效管理和实时查询提供了新的解决方案,具有重要的理论和实际意义。展开更多
文摘大数据时代的到来使得时空轨迹数据的规模和复杂度迅速增长,这对如何高效管理和查询时空轨迹数据提出了新的需求和挑战。图数据库在处理时空轨迹数据的建模、存储和管理方面具有独特优势。然而,随着路网时空轨迹数据规模的不断扩大,图数据库的查询性能也会随之下降。为应对这一挑战,本文提出了一种基于图数据库的路网时空轨迹建模与高效索引方法。该方法采用压缩线性参考(Compressed Linear Reference,CLR)模型对路网时空轨迹进行建模,并将其存储于图数据库中,在此基础上,进一步构建了一种高效的路网时空轨迹索引机制。该索引体系采用了三层时空索引结构,包括路网空间索引、时间索引和时空路径段索引。路网空间索引主要负责底层路段的高效检索,而时间索引与时空路径段索引则针对轨迹数据的时空特征进行精确定位和高效查询。该结构能够有效减少图数据库查询中节点的遍历,提高查询效率。此外,基于该索引结构的2种时空查询方法被开发以满足不同应用场景的需求。为验证所提出时空索引的有效性,本文基于人工合成的不同数量级路网时空轨迹数据进行了2种时空查询效率的对比。实验结果显示,本文提出的高效时空索引相比Nebula Graph原生图数据库索引,在时空窗口-时空路径相交查询中效率提升至少16.59倍,在时空路径-时空路径相交查询中效率提升至少2.74倍。这项研究为路网时空轨迹数据的高效管理和实时查询提供了新的解决方案,具有重要的理论和实际意义。
