CN106897374B - 一种基于轨迹大数据最近邻查询的个性化推荐方法 - Google Patents
一种基于轨迹大数据最近邻查询的个性化推荐方法 Download PDFInfo
- Publication number
- CN106897374B CN106897374B CN201710038859.5A CN201710038859A CN106897374B CN 106897374 B CN106897374 B CN 106897374B CN 201710038859 A CN201710038859 A CN 201710038859A CN 106897374 B CN106897374 B CN 106897374B
- Authority
- CN
- China
- Prior art keywords
- track
- big data
- index
- nearest neighbor
- partition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005192 partition Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于轨迹大数据最近邻查询的个性化推荐方法。本发明基于轨迹大数据最近邻查询,设计高效的存储和索引结构来处理轨迹大数据。本发明首先对轨迹大数据进行抽取、降噪、转换和存储处理,而后对被存储的轨迹数据建立全局的R树索引和局部的R树索引,并对每个分区建立基于轨迹编号集合的索引和基于轨迹数目的索引。在用户提交查询时,通过访问本发明的索引结构,进行基于轨迹大数据最近邻查询以提供个性化推荐服务。本发明很好地满足了大数据环境下轨迹最近邻查询的需求,极大地提高了轨迹大数据最近邻查询的处理效率,提供了最佳的性能。
Description
技术领域
本发明涉及计算机空间数据库领域中的索引和查询技术,特别是涉及一种基于轨迹大数据最近邻查询的个性化推荐方法。
背景技术
随着带有GPS的设备***式增长和广泛普及,时空轨迹数据(譬如人、车辆和动物等)正以极快的速度增长,并用于支撑基于位置的服务、城市计算、用户个性化推荐、动物行为研究等许多领域的应用和服务。
在当前的大数据时代,针对轨迹大数据的查询算法也越来越受到关注。其中,基于轨迹大数据的最近邻查询是一个重要的查询方法,并具有重要的实际应用价值。针对轨迹大数据的最近邻查询是指从轨迹数据集中找出到一个指定查询对象距离最近的轨迹。基于轨迹大数据最近邻查询能够应用于基于位置的服务(如个性化推荐)。设计一种方法以高效地管理、预处理和分析这样大规模的轨迹数据,支持最近邻查询,可以促进轨迹大数据处理技术的发展和应用,并为各相关领域和应用的轨迹数据分析提供便利,促进个性化推荐服务的发展。
然而,设计这样的方法面临着两个挑战。第一,轨迹数据的现有规模非常大且增长速度非常快,但目前最有效的轨迹处理算法大多是基于集中式而不易扩展的***架构,由于数据量过大,单个机器处理的效率太低甚至无法使用。第二,近年来针对多维数据设计和构建的分布式框架也并不完全适用于大规模轨迹数据的处理任务。若不对这些***进行修改,则无法集成针对轨迹数据的优化来高效地支持轨迹大数据环境下的最近邻查询算法。
发明内容
本发明很好地弥补了上述两个缺陷,提出了一种基于轨迹大数据最近邻查询的个性化推荐方法。
本发明解决其技术问题采用的技术方案的步骤如下:一种基于轨迹大数据最近邻查询的个性化推荐方法,该方法包括如下步骤:
步骤(1):从原始的大数据中抽取有效的轨迹大数据;
步骤(2):对步骤(1)中抽取出来的轨迹大数据进行降噪处理;
步骤(3):将步骤(2)中已经降噪过的轨迹大数据转换成不同的形式,并利用HDFS进行存储;
步骤(4):对步骤(3)中已经存储的轨迹大数据建立全局的R树索引和局部的R树索引;
步骤(5):利用步骤(4)建立的索引结构对每个分区建立基于轨迹编号集合的索引和基于轨迹数目的索引;
步骤(6):用户提交个性化推荐查询,通过访问步骤(4)和步骤(5)建立的索引结构,进行轨迹大数据最近邻查询,并根据轨迹大数据最近邻查询的结果向用户进行个性化推荐。
进一步的,所述步骤(1)具体为:从原始的数大据抽取时空大数据,而后将时空大数据按照时间进行组合,进而拼接成有效的轨迹大数据。
进一步的,所述步骤(2)具体为:对步骤(1)中抽取出来的轨迹大数据进行离群点检测和异常点检测,并对检测的结果进行评估,从而删除或者矫正相应的离群点或异常点。
进一步的,所述步骤(3)具体为:对步骤(2)中降噪后的轨迹大数据进行转换,转换成时空点、轨迹点和轨迹段三种形式,并存储在HDFS中。
进一步的,所述步骤(4)中建立全局的R树索引和局部的R树索引的具体步骤如下:
(4.1)将存储在HDFS中的轨迹大数据切分到各个分区中,同时保证数据切分的负载均衡;
(4.2)对各个分区建立基于R树的局部索引,并将必要的分区信息返回到主节点中;
(4.3)主节点根据各个分区的信息建立基于R树的全局索引,并将建好索引的数据通过具象化的方式存储在HDFS中。
进一步的,所述步骤(5)具体为:利用步骤(4)建立的索引结构,在各个分区中分别计算当前分区的轨迹编号集合和轨迹数目,并根据各个分区的轨迹编号集合建立基于轨迹编号集合的索引,根据各个分区的轨迹数目建立基于轨迹数目的索引,最后存储到HDFS中。本发明具有的有益效果是:本发明充分结合了Map-Reduce架构和现有的空间数据库中的索引技术以及最近邻查询技术在轨迹大数据环境下的研究和实现成果,创新性地提出基于R树的全局索引和基于R树的局部索引这两层索引,并基于这两层索引提出了基于轨迹编号集合的索引和基于轨迹数目的索引,不仅真正意义上实现了轨迹大数据环境下的最近邻查询,还对查询过程进行了进一步优化,大大提高了最近邻查询的容量和效率,提供了轨迹大数据环境下查找某个空间对象的最近轨迹对象的服务从而实现个性化推荐,使用者可以根据应用需求选择最适合的参数,以提供最好的性能和服务。
附图说明
图1是本发明数据处理实施步骤流程图。
图2是轨迹大数据最近邻查询工作原理示意图。
图3(a)是基于轨迹编号集合的索引示例图,图3(b)是基于轨迹数目的索引示例图。
具体实施方式
先结合附图和具体实施案例对本发明的技术方案作进一步说明。
1.如图1所示,本发明中数据处理实施步骤流程如下:
步骤(1):从原始的大数据中抽取有效的轨迹大数据;
步骤(2):对步骤(1)中抽取出来的轨迹大数据进行降噪处理;
步骤(3):将步骤(2)中已经降噪过的轨迹大数据转换成不同的形式,并利用HDFS进行存储;
步骤(4):对步骤(3)中已经存储的轨迹大数据建立全局的R树索引和局部的R树索引;
步骤(5):利用步骤(4)建立的索引结构对每个分区建立基于轨迹编号集合的索引和基于轨迹数目的索引;
步骤(6):用户提交个性化推荐查询,通过访问步骤(4)和步骤(5)建立的索引结构,进行轨迹大数据最近邻查询,并根据轨迹大数据最近邻查询的结果向用户进行个性化推荐。2.如图3(a)和(b)所示,建立基于轨迹编号集合的索引和基于轨迹数目的索引的过程如下:
(1)基于轨迹编号集合的索引收集并维持每一个分区所包含的轨迹编号的集合。基于轨迹编号集合的索引,通过对不同分区的轨迹编号集合进行并集操作可以消除不同分区的重复轨迹编号,从而提升了查询的效率。如图3(a)所示,目前存在四个分区,第一个分区里包含τ1,τ2和τ3三条轨迹,所以我们将(1,2,3)这个三元组***到第一个分区的基于轨迹编号集合的索引中。同理,第二个分区里包括τ2和τ4两条轨迹,所以我们将(2,4)这个二元组***到第二个分区的基于轨迹编号集合的索引中。剩下的分区以此类推。
(2)基于轨迹数目的索引是在分区信息的基础上建立的层次结构,即父节点维持子节点中所有轨迹的数目。如图3(b)所示,第一个分区里包含τ1,τ2和τ3三条轨迹,第二个分区里包括τ2和τ4两条轨迹,第三个分区包括τ1和τ5两条轨迹,第四个分区包括τ2,τ6和τ7三条轨迹。节点N3对应第一个分区,因此其轨迹数目为3,节点N4对应第二个分区,其轨迹数目为2,节点N5的轨迹数目为2,节点N6的轨迹数目为3。节点N1是节点N3和N4的父节点,包括τ1,τ2,τ3和τ4四条轨迹,其轨迹数目为4。同理,节点N2的轨迹数目为5,节点N0的轨迹数目为7。
2.如图2所示,轨迹大数据的最近邻查询工作原理如下:
步骤(1):接收用户提交的查询knn(k,p,W)并传入***中;
步骤(2):针对步骤(1)提交的查询knn(k,p,W),用户选择通过访问基于轨迹编号集合的索引或者基于轨迹数目的索引构建上界U;
步骤(3):基于步骤(2)得到的上界U、查询点p和分区W构建候选集;
步骤(4):对步骤(3)的得到的候选集中的每一个分区wi运行当前分区的最近邻查询,并记录结果;
步骤(5):遍历步骤(4)中得到的所有分区的最近邻结果,找出最近的k条轨迹,更新结果列表;
步骤(6):根据在步骤(5)得到的最终结果,向用户进行个性化推荐;
所述的步骤(1)用于接收用户提交的查询knn(k,p,W),W为数据集的分区数,p为查询点,k为用户需求的结果的数目,并将查询传入***中。以图3(a)和(b)所示的数据为例,用户提交查询,其中k为5,p为第一个分区中的某一点,W为4。
所述的步骤(2)允许用户自行选择两种索引的一种来计算上界U,具体步骤包括:
若选择基于轨迹编号集合的索引,步骤具体为:
1)初始化候选集为空集,初始化轨迹数为0;
2)如果轨迹数小于k,则循环执行以下操作:查找W中的wi,使得||p,w.mbr||最小,||p,w.mbr||代表查询点p到wi的包围盒的欧氏距离;将wi添加到候选集,并将wi从W中删除;轨迹数更新为候选集中所有的wi轨迹编号集合的并集所包含的轨迹数目;
3)对于候选集中所有的wi,运行本地最近邻查询;
4)在所有本地最近邻查询的结果中找到k个最近的轨迹,并按照距离排序存储到结果集中;
5)将结果集中排名第k的距离赋值给U,记为上界。
如图3(a)所示,使||p,w.mbr||最小的为w1,那么将w1添加到候选集中,并将w1从W中删除。然而w1包含三条轨迹,小于k,那么继续从W中寻找||p,w.mbr||最小的分区,查询到w2,那么将w2添加到候选集中,并将w2从W中删除,重复这个过程直到候选集包括w1,w2和w3,此时候选集中包含的轨迹数目大于等于5。之后对w1,w2和w3运行本地最近邻查询,并按照距离排序,结果为τ1,τ2,τ3,τ4和τ5,最后将轨迹τ5到p的欧氏距离作为上界返回。
若选择基于轨迹数目的索引,步骤具体为:
1)查找包含拥有最小||p,w.mbr||的w的节点;
2)如果步骤1)得到的节点的轨迹数目小于k,则访问该节点的父节点,直到其轨迹数目大于或者等于k;
3)将步骤2)得到的节点所包含的所有分区压入到候选集中;
4)对于候选集中所有的wi,运行本地最近邻查询;
5)在所有本地最近邻查询的结果中找到k个最近的轨迹,并按照距离排序存储到结果集中;
6)将结果集中排名第k的距离赋值给U,记为上界。
如图3(b)所示,使||p,w.mbr||最小的为w1,包含w1的节点为N3。然而N3包含三条轨迹,小于k,那么查找N3的父节点N1。N1包含4条轨迹依然小于5,继续查找节点N1的父节点N0。N0含有7条轨迹,大于5,则停止查找。将节点N0包含的分区w1,w2,w3和w4压入候选集中。之后对分区w1,w2,w3和w4运行本地最近邻查询,并按照距离排序,结果为τ1,τ2,τ3,τ4,τ5,τ6和τ7,最后将轨迹τ5到p的欧氏距离作为上界返回。
所述的步骤(3)具体为:对W里面所有的分区wi,计算查询点p到wi的包围盒的欧氏距离,若该距离小于等于上界U,则将分区wi添加到候选集中。
Claims (6)
1.一种基于轨迹大数据最近邻查询的个性化推荐方法,其特征在于:该方法包括如下步骤:
步骤(1):从原始的大数据中抽取有效的轨迹大数据;
步骤(2):对步骤(1)中抽取出来的轨迹大数据进行降噪处理;
步骤(3):将步骤(2)中已经降噪过的轨迹大数据转换成不同的形式,并利用HDFS进行存储;
步骤(4):对步骤(3)中已经存储的轨迹大数据建立全局的R树索引和局部的R树索引;
步骤(5):利用步骤(4)建立的索引结构对每个分区建立基于轨迹编号集合的索引和基于轨迹数目的索引;
步骤(6):用户提交个性化推荐查询,通过访问基于轨迹编号集合的索引或基于轨迹数目的索引,进行轨迹大数据最近邻查询,并根据轨迹大数据最近邻查询的结果向用户进行个性化推荐。
2.根据权利要求1所述的基于轨迹大数据最近邻查询的个性化推荐方法,其特征在于:所述步骤(1)具体为:从原始的大数据抽取时空大数据,而后将时空大数据按照时间进行组合,进而拼接成有效的轨迹大数据。
3.根据权利要求1所述的基于轨迹大数据最近邻查询的个性化推荐方法,其特征在于:所述步骤(2)具体为:对步骤(1)中抽取出来的轨迹大数据进行离群点检测和异常点检测,并对检测的结果进行评估,从而删除或者矫正相应的离群点或异常点。
4.根据权利要求1所述的基于轨迹大数据最近邻查询的个性化推荐方法,其特征在于:所述步骤(3)具体为:对步骤(2)中降噪后的轨迹大数据进行转换,转换成时空点、轨迹点和轨迹段三种形式,并存储在HDFS中。
5.根据权利要求1所述的基于轨迹大数据最近邻查询的个性化推荐方法,其特征在于:所述步骤(4)中建立全局的R树索引和局部的R树索引的具体步骤如下:
(4.1)将存储在HDFS中的轨迹大数据切分到各个分区中,同时保证数据切分的负载均衡;
(4.2)对各个分区建立基于R树的局部索引,并将必要的分区信息返回到主节点中;
(4.3)主节点根据各个分区的信息建立基于R树的全局索引,并将建好索引的数据通过具象化的方式存储在HDFS中。
6.根据权利要求1所述的基于轨迹大数据最近邻查询的个性化推荐方法,其特征在于:所述步骤(5)具体为:利用步骤(4)建立的索引结构,在各个分区中分别计算当前分区的轨迹编号集合和轨迹数目,并根据各个分区的轨迹编号集合建立基于轨迹编号集合的索引,根据各个分区的轨迹数目建立基于轨迹数目的索引,最后存储到HDFS中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710038859.5A CN106897374B (zh) | 2017-01-19 | 2017-01-19 | 一种基于轨迹大数据最近邻查询的个性化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710038859.5A CN106897374B (zh) | 2017-01-19 | 2017-01-19 | 一种基于轨迹大数据最近邻查询的个性化推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897374A CN106897374A (zh) | 2017-06-27 |
CN106897374B true CN106897374B (zh) | 2020-05-12 |
Family
ID=59197996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710038859.5A Active CN106897374B (zh) | 2017-01-19 | 2017-01-19 | 一种基于轨迹大数据最近邻查询的个性化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897374B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664662B (zh) * | 2018-05-22 | 2021-08-31 | 上海交通大学 | 时间旅行和时态聚合查询处理方法 |
CN108804556B (zh) * | 2018-05-22 | 2020-10-20 | 上海交通大学 | 基于时间旅行和时态聚合查询的分布式处理框架*** |
CN109029476B (zh) * | 2018-06-04 | 2020-06-23 | 京东数字科技控股有限公司 | 一种用于确定可达区域的方法和装置 |
CN109492150B (zh) * | 2018-10-30 | 2021-07-27 | 石家庄铁道大学 | 基于语义轨迹大数据的反向最近邻查询方法及装置 |
CN109634952B (zh) * | 2018-11-02 | 2021-08-17 | 宁波大学 | 一种面向大规模数据的自适应最近邻查询方法 |
CN110347680B (zh) * | 2019-06-21 | 2021-11-12 | 北京航空航天大学 | 一种面向云际环境的时空数据索引方法 |
CN110555174B (zh) * | 2019-09-16 | 2022-04-05 | 湖南科技大学 | 一种基于r树的轨迹路径推荐方法 |
CN111078956B (zh) * | 2019-12-17 | 2022-08-05 | 安徽中科大国祯信息科技有限责任公司 | 一种智慧管网巡检轨迹分布缩量存储查询方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440611A (zh) * | 2013-07-24 | 2013-12-11 | 浙江大学 | 一种基于多级格网的多边形集合求并方法 |
CN104412266A (zh) * | 2012-06-29 | 2015-03-11 | 诺基亚公司 | 用于具有动态排序的树结构的多维数据储存和文件***的方法和装置 |
KR20150065303A (ko) * | 2013-12-05 | 2015-06-15 | 한국과학기술원 | 손목 궤적을 이용한 전신 동작 생성 장치 및 방법 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1966728A1 (en) * | 2005-09-30 | 2008-09-10 | Robert Bosch Gmbh | Method and software program for searching image information |
CN103106280B (zh) * | 2013-02-22 | 2016-04-27 | 浙江大学 | 一种道路网络环境下不确定时空轨迹数据的范围查询方法 |
CN104794494B (zh) * | 2015-04-30 | 2018-02-23 | 中国地质大学(武汉) | 一种可扩展快速的轨迹聚类方法 |
CN106095852A (zh) * | 2016-06-06 | 2016-11-09 | 苏州大学 | 一种针对活动轨迹的高效查询方法 |
-
2017
- 2017-01-19 CN CN201710038859.5A patent/CN106897374B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104412266A (zh) * | 2012-06-29 | 2015-03-11 | 诺基亚公司 | 用于具有动态排序的树结构的多维数据储存和文件***的方法和装置 |
CN103440611A (zh) * | 2013-07-24 | 2013-12-11 | 浙江大学 | 一种基于多级格网的多边形集合求并方法 |
KR20150065303A (ko) * | 2013-12-05 | 2015-06-15 | 한국과학기술원 | 손목 궤적을 이용한 전신 동작 생성 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN106897374A (zh) | 2017-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897374B (zh) | 一种基于轨迹大数据最近邻查询的个性化推荐方法 | |
CN110728317A (zh) | 决策树模型的训练方法、***、存储介质及预测方法 | |
CN106874425B (zh) | 基于Storm的实时关键词近似搜索算法 | |
CN108549696B (zh) | 一种基于内存计算的时间序列数据相似性查询方法 | |
Sarwat | Interactive and scalable exploration of big spatial data--a data management perspective | |
Karim et al. | Spatiotemporal Aspects of Big Data. | |
Jiang et al. | A feature based method for trajectory dataset segmentation and profiling | |
KR101955376B1 (ko) | 비공유 아키텍처 기반의 분산 스트림 처리 엔진에서 관계형 질의를 처리하는 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
CN116304213B (zh) | 基于图神经网络的rdf图数据库子图匹配查询优化方法 | |
Xu et al. | Continuous k nearest neighbor queries over large multi-attribute trajectories: a systematic approach | |
Gavagsaz | Parallel computation of probabilistic skyline queries using MapReduce | |
Siddique et al. | Distributed skyline computation of vertically splitted databases by using mapreduce | |
Rslan et al. | Spatial R-tree index based on grid division for query processing | |
Yu et al. | A distributed hybrid index for processing continuous range queries over moving objects | |
US20030018623A1 (en) | System and method of query processing of time variant objects | |
CN111581420A (zh) | 一种基于Flink的医学图像实时检索方法 | |
Li et al. | A novel approach for mining probabilistic frequent itemsets over uncertain data streams | |
Hashem et al. | Pre-processing and modeling tools for bigdata | |
Alwajidi et al. | Multi-resolution hierarchical structure for efficient data aggregation and mining of big data | |
CN113505600B (zh) | 一种基于语义概念空间的工业产业链的分布式索引方法 | |
CN116226686B (zh) | 一种表格相似性分析方法、装置、设备和存储介质 | |
Qi et al. | Streamlining trajectory map-matching: a framework leveraging spark and GPU-based stream processing | |
Dai et al. | Osprey: a heterogeneous search framework for spatial-temporal similarity | |
Vinh et al. | Incremental spatial clustering in data mining using genetic algorithm and R-tree | |
Reddy | A review on data stream clustering algorithms over sliding windows |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |