基于路网的群体出行计划查询算法.docVIP

基于路网的群体出行计划查询算法 　　摘要：群体出行计划（GTP）查询旨在为一组用户查找共同的活动地点（通常以兴趣点（PoI）表示）以达到整体的出行开销最小。当前，对群体出行计划查询的研究大多仅限于欧氏空间，然而人们真实的出行却受到道路网络的约束。针对该问题，提出了两个基于路网的群体出行计划查询算法NEGTP和ERGTP。其中，NEGTP通过扩展每个用户所在的边，来迭代地找到这组用户感兴趣的PoI； ERGTP则是利用R树索引和欧氏距离是路网距离的下界这一条件来快速搜索满足关键词条件的PoI。实验结果表明，ERGTP方法在查询速度上总体要比NEGTP快一个数量级左右； 而且，当数据量很大时，ERGTP也有很好的可扩展性。 　　关键词：路网；欧氏空间；群体；兴趣点；群体出行计划查询 　　中图分类号： TP392 　　0引言 　　随着移动通信技术（如3G和4G）的不断发展，人们对移动设备的依赖性日益增长，而这种依赖性又反过来促进了相关技术的发展。其中，地理信息技术的发展尤为引人注目。因为在制定出行规划的过程中，人们既需要了解可供选择的目的地的位置，也要了解前往被选中目的地的路径。目前，寻找可供选择的目的地，人们普遍采用空间关键词查询技术[1-4]。 　　在空间关键词查询中，给定查询位置（空间信息）和关键词（文本信息），要求找出包含给定查询关键词且满足空间查询条件的一个或多个对象。基于路网的群体出行计划（Group Trip Planning， GTP）查询作为空间关键词查询的其中一类变种，在现实生活中有着广泛的应用。考虑如下一个场景：在一个星期六的下午，有一群要好的朋友相约从各自所在的地方出发，计划一起吃个饭，然后看场电影或是去健身房。基于路网的群体出行计划查询的目标就是为这组用户找到这样的饭店和电影院（健身房），使得所有用户在路网上行进的总的距离之和（从各自的地方出发，经过饭店和电影院等兴趣点，最后返回各自的出发点）达到最短。 　　本文针对基于路网的群体出行计划问题，提出了两种查询算法：基于路网扩展的群体出行计划算法（Network ExpansionGroup Trip Planning， NEGTP）和基于欧氏距离约束的群体出行计划算法（Euclidean RestrictionGroup Trip Planning， ERGTP）。NEGTP使用路网延伸的方法来查找满足关键词要求的兴趣点（Point of Interest， PoI），而ERGTP则是通过构建信息检索R树（Information Retrieval Rtree， IR2tree）索引，利用组最近邻查询（Group Nearest Neighbor，GNN）的思想迭代地去寻找符合条件的PoI。本文在3个合成数据集和1个真实数据集上验证了算法的有效性和准确性。 　　1相关工作 　　随着基于地理位置的服务（Location Based Service，LBS）日益普及，越来越多的研究开始关注空间关键词查询这一领域。有效处理空间关键词查询的难点是如何根据数据特征和查询要求构建合适的索引结构。现有的针对空间关键词查询索引结构的研究大致可以分为两类：单一索引和混合索引。文献[5]先对PoI的位置信息构建了网格索引，然后通过关键词来筛选满足条件的PoI。文献[6]则是为每个关键词都构建一棵倒排线性四叉树。查找的时候先通过关键词来筛选满足条件的树，然后根据用户所在的位置在这棵树相应的分支上检索距离用户最近的PoI。文献[7]构建了IR2tree混合索引，在对PoI的位置信息用Rtree[8]索引的同时，用签名文件（Signature Files）[9]来保存文本信息存放到R树节点内，以此来提高查询的速度。文献[10]也提出了另一种混合索引结构倒排R树（Inverted Rtree，IRtree），IRtree和IR2tree的唯一区别在于IRtree是用倒排文件（Inverted Files）来存储文本信息。以上的工作都是针对单用户而言，文献[11]则考虑一组用户在欧氏空间中的组最近邻查询问题，并提出了多路查询（Multiple Query Method，MQM）、中心点查询（Single Point Method，SPM）和最小边界矩形查询（Minimum Bounding Method）三种算法。文献[12]把GNN查询扩展到道路网络（Road Network）上，提出了阈值（Threshold Algorithm，TA）和并发扩展（Concurrent Expansion，CE）两种算法。本文研究的群体出行计划查询问题与这类GNN查询问题有两点不同：1）GNN查询问题只返回距离该组用户最近的对象，而本文研究的问题需要返回多个对象使得这组用户总