地理流学习型时空索引高效检索与计算.pdfVIP

准化方法将原始数据空间映射到目标待检索空间并使用误差区间损失训练各维

度索引模型；在检索过程中，根据各维度查询范围获得单维度查询结果并对其进

行交叉检验以获得最终检索目标。实验结果表明，本文提出的时空多向学习型索

引相较于传统树形索引具有明显的效率优势，在500万点数据量下其时空约束范

围检索平均检索时间仅为四叉树的10%，STR*树的20%。

（3）面向大规模高维地理流数据的分布式计算框架。现有大规模时空数据高

效计算框架仅关注数据的时空特征，而忽略了地理要素的属性特征建模，难以直

接被应用于地理流数据分析挖掘应用场景中。针对这个问题，本文利用分布式集

群高效内存计算的优势设计并实现面向地理流数据高效复杂分析需求的分布式

计算框架GeoFlow-FEAF。框架的编程接口具有地理语义特征，适配复杂地理流

数据的各类存储后端，支持用户按需构建全局数据划分索引以及各分区内部本地

索引结构，在此基础上基于在线分布式内存引擎扩展实现支持用户交互式探索分

析大规模地理流数据的在线分布式内存引擎。

（

4）基于GeoFlow-FEAF的大规模地理流数据高效计算。城市道路负载状

况实时数据可视化与信息服务是一个计算密集过程，本文利用GeoFlow-FEAF分

布式时空计算框架高效处理海量地理流数据的能力，以中国实际道路运行状况为

实例，验证城市道路负载状况金字塔瓦片高效生成算法，实验结果表明，基于

GeoFlow-FEAF的地图瓦片高效生成算法复杂度为O(N)，具有很强的可扩展性。

本文设计并实现了顾及地理流数据分布的高维学习型时空索引以及面向大

规模地理流数据高效分析的分布式计算框架，为地理流数据挖掘分析与应用提供

了有效的支撑。

关键词：地理流；地理流大数据；时空范围检索；学习型时空索引；分布式计算

Abstract

Geographicflowdatadescribestheinteractionofgeo-referencedobjects.Itnot

onlycoversthespace-timedistanceinformation,butalsocontainstheassociation

patternbetweengeographiclocations,andexpressesthecomplexflowpatternin

geographiccyberspace.Geographicflowdataminingisanimportantmethodto

understandthepatternandfunctionofgeographicsystemandclarifythedynamic

mechanismofgeographicsystemevolution.Withthecontinuousdevelopmentofdata

acquisitiontechnology,geographicflowdataisgrowingexplosively,forming

geographicflowbigdata.Geographicflowbigdataprovidesasoliddatafoundation

forlargerscale,finergranularityandfulldimensiontosolvethebasicproblemsof

geography.However,duetothesupercoverageofthesamplesoftheresearchobject,

itslargevolumeandhighdimensioncharacteristicsalsoposeahugeefficiency

challengetothetraditionalGISmethods.Howtoeffici