CN112464821B - 一种多维空间视界搜索方法及*** - Google Patents
一种多维空间视界搜索方法及*** Download PDFInfo
- Publication number
- CN112464821B CN112464821B CN202011371331.8A CN202011371331A CN112464821B CN 112464821 B CN112464821 B CN 112464821B CN 202011371331 A CN202011371331 A CN 202011371331A CN 112464821 B CN112464821 B CN 112464821B
- Authority
- CN
- China
- Prior art keywords
- vector
- view
- unit
- multidimensional
- cube
- 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 31
- 230000000007 visual effect Effects 0.000 title claims description 10
- 239000013598 vector Substances 0.000 claims abstract description 158
- 238000013507 mapping Methods 0.000 claims abstract description 36
- 230000006399 behavior Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Social Psychology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种多维空间视界搜索方法及***,本发明的方法包括以下步骤:步骤一、获取表征人物行为事件信息的多维向量;步骤二、将多维向量映射到一维空间且以Hash Table线性方式存储;步骤三、遍历所有多维向量,得到每个多维向量的视界;步骤四、合并相互包容的视界,得到没有包容关系的视界集合。本发明通过采用线性存储方式将表征人物行为的多维向量进行处理并存储,并对重叠视界进行合并处理,易于实现,能够大幅降低计算复杂度,为后续人物行为分析提供更加精准的基础数据,从而提高分析的可靠性。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种多维空间视界搜索方法及***。
背景技术
在人物行为分析中,通常将人物行为发生的时间、地点、事件描述为一个向量<x,y,z,t,eID>,其中x,y,z表示地点(经度、纬度、海拔),t表示时间,eID表示事件ID。我们常常需要从一个事件的角度来观察周围事件,这个事件所能观察到的距离称为“视力范围”,它和其所能观察到的其它事件构成一个集合Ve,这个集合称为事件e的视界,其数学描述为:
Ve={e′|e′在e的视力范围内or e′=e}
此功能常用于人物行为分析中的碰面分析,聚集分析等,比如和某人同时在某地打电话的人。
目前通常采用下述两种技术来获得视界集合:
方案一:暴力求解法
遍历整个事件空间,找出每个事件e的视界Ve这样搜索所有视界的时间复杂度为O(N2),计算开销极大没有实用价值。
方案二:
将事件向量组织成一颗多叉树,在搜索视界时仅需搜索相邻树,其时间复杂度为O(N),此方案在具体应用中存在两个问题:①空间消耗较大,②视界重叠问题,影响了使用效果。如图1所示,V1={1,2},V2={1,2,3},V3={2,3},显然结果应该合并视界仅输出V2。
因此,现有人物行为分析技术存在复杂度高、计算量大、可靠性差等问题。
发明内容
为了解决现有人物行为分析技术存在的计算量大、可靠性差的问题,本发明提供了一种多维空间视界搜索方法。
本发明通过下述技术方案实现:
一种多维空间视界搜索方法,该方法包括以下步骤:
步骤一、获取表征人物行为事件信息的多维向量;
步骤二、将多维向量映射到一维空间且以Hash Table线性方式存储;
步骤三、遍历所有多维向量,得到每个多维向量的视界;
步骤四、合并相互包容的视界,得到没有包容关系的视界集合。
优选的,本发明的步骤二具体包括:
步骤2.1,采用视力范围将多维向量单位化;
步骤2.2,将单位化后的多个维度联合编码,映射到一维空间,得到向量位置ID;
步骤2.3,以向量位置ID作为key,向量本身作为值,存储到Hash Table;
步骤2.4,将有相同向量位置ID的多个向量以链表方式存储。
优选的,本发明的步骤三具体包括:
步骤3.1,获取目标向量的向量位置ID;
步骤3.2,获得所述目标向量视力范围内所有向量位置ID;
步骤3.3,一一查找视觉范围内所有向量位置ID的向量,并验证查找到的向量是否在所述目标向量视力范围内;如果是,则将该查找到的向量加入所述目标向量的视界。
优选的,本发明的步骤四具体包括:
步骤4.1,将视界映射到几何空间,得到视界立方体;
步骤4.2,搜索和目标向量的视界立方体相交的其他视界立方体;
步骤4.3,如果存在立方体包容关系,则保留包容立方体,删除被包容立方体;
步骤4.4,重复步骤4.1至步骤4.3,直到所有视界被遍历完,输出没有包容关系的视界集合。
另一方面,本发明还提出了一种多维空间视界搜索***,该***包括数据获取模块、映射模块、视界计算模块和视界合并模块;
所述数据获取模块用于获取表征人物行为事件信息的多维向量;
所述映射模块将多维向量映射到一维空间且以Hash Table线性方式存储;
所述视界计算模块用于遍历所有多维向量,得到每个多维向量的视界;
所述视界合并模块用于合并相互包容的视界,得到没有包容关系的视界集合。
优选的,本发明的映射模块包括单位化单元、编码映射单元和存储单元;
所述单位化单元采用视力范围将多维向量单位化;
所述编码映射单元将单位化后的多个维度联合编码,映射到一维空间,得到向量位置ID;
所述存储单元以向量位置ID作为key,向量本身作为值,存储到Hash Table;并将有相同向量位置ID的多个向量以链表方式存储。
优选的,本发明的视界计算模块包括获取单元和视界单元;
所述获取单元用于获取目标向量的向量位置ID;并计算所述目标向量视力范围内所有向量位置ID;
所述视界单元一一查找视觉范围内所有向量位置ID的向量,并验证查找到的向量是否在所述目标向量视力范围内;如果是,则将该查找到的向量加入所述目标向量的视界。
优选的,本发明的视界合并模块包括几何映射单元、搜索单元、删除单元和输出单元;
所述几何映射单元将视界映射到几何空间,得到视界立方体;
所述搜索单元用于搜索和目标向量的视界立方体相交的其他视界立方体;
所述删除单元用于判断是否存在立方体包容关系,如果是则保留包容立方体,删除被包容立方体;
所述输出单元用于输出没有包容关系的视界集合。
本发明还提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明具有如下的优点和有益效果:
本发明通过采用Hash Table(哈希表)线性存储方式将表征人物行为的多维向量进行处理并存储,再基于Hash Table进行搜索的方式获得目标向量的视界集合,并将视界映射到立方体,基于几何体进行包含运算合并,易于实现,能够大幅降低计算复杂度,为后续人物行为分析提供更加精准的基础数据,从而提高分析的可靠性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为传统的视界重叠示意图
图2为本发明的方法流程示意图。
图3为本发明的构造向量Hash Table线性存储结构流程示意图。
图4为本发明的视界搜索流程示意图。
图5为本发明的视界立方体合并流程示意图。
图6为本发明的***原理框图。
图7为本发明的计算机设备原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
相较于传统的视觉搜索技术,存在计算复杂度高,可靠性差的技术问题,本实施例提出了一种多维空间视界搜索方法。本实施例的方法利用线性存储技术,解决了稀疏空间下采用多叉树存在浪费大量空间的问题,同时通过视界到立方体的映射,大大降低了计算复杂度,同时提高了分析的可靠性。
具体如图2所示,本实施例的方法具体包括以下步骤:
步骤一、获取表征人物行为事件信息的多维向量。
步骤二、将多维向量映射到一维空间且以Hash Table线性方式存储。
具体如图3所示,本实施例的线性存储过程包括:
2.1:将多维向量用视力范围单位化;
2.2:将单位化多个维度联合编码,映射到一维空间,得到向量位置ID;
2.3:以向量位置ID作为key,向量本身作为值,存储到HashTable;
2.4:多个向量可能有相同的向量位置ID,他们以链表方式存储;
2.5:重复步骤2.1-2.4,直到所有向量被遍历完成。
步骤三、遍历所有多维向量,得到每个多维向量的视界。
具体如图4所示,本实施例的视界搜索过程包括:
3.1:从存储空间查找目标向量的向量位置ID;本实施例的目标向量为步骤一中获得的所有多维向量中的任意一个。
3.2:从存储空间查找目标向量视力范围内所有可能位置ID;
3.3:查找这些位置ID的向量,看其是否在目标向量视力范围内;
3.4:如在其视力范围内,加入该目标向量的视界;
3.5:重复步骤3.1-3.4,直到所有向量被遍历完成。
步骤四、合并相互包容的视界,得到没有包容关系的视界集合。
具体如图5所示,本实施例的视界合并过程包括:
4.1:将视界映射到几何空间,创建视界立方体;
4.2:搜索可能和立方体相交的其它立方体;本实施例中具体通过计算立方体的最大值Max(x,y,z,t)和最小值Min(x,y,z,t),将其作为立方体顶点;计算立方体的平均值Avg(x,y,z,t)作为立方体中心点,基于立方体顶点和中心点,将立方体映射到一维空间并生成立方***置ID,以立方***置ID作为key搜索周边立方体。
4.3:如果存在立方体包容关系,保留大立方体(包容立方体),删除小立方体(被包容立方体);
4.4:重复步骤4.1-4.3,直到所有视界被遍历完,最后输出没有包容关系的视界。
本实施例还提出了一种计算机设备,用于执行本实施例的上述方法。
具体如图7所示,计算机设备包括处理器、存储器和***总线;存储器和处理器在内的各种设备组件连接到***总线上。处理器是一个用来通过计算机***中基本的算术和逻辑运算来执行计算机程序指令的硬件。存储器是一个用于临时或永久性存储计算程序或数据(例如,程序状态信息)的物理设备。***总线可以为以下几种类型的总线结构中的任意一种,包括存储器总线或存储控制器、外设总线和局部总线。处理器和存储器可以通过***总线进行数据通信。其中存储器包括只读存储器(ROM)或闪存(图中未示出),以及随机存取存储器(RAM),RAM通常是指加载了操作***和计算机程序的主存储器。
计算机设备一般包括一个存储设备。存储设备可以从多种计算机可读介质中选择,计算机可读介质是指可以通过计算机设备访问的任何可利用的介质,包括移动的和固定的两种介质。例如,计算机可读介质包括但不限于,闪速存储器(微型SD卡),CD-ROM,数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备,或者可用于存储所需信息并可由计算机设备访问的任何其它介质。
计算机设备可在网络环境中与一个或者多个网络终端进行逻辑连接。网络终端可以是个人电脑、服务器、路由器、智能电话、平板电脑或者其它公共网络节点。计算机设备通过网络接口(局域网LAN接口)与网络终端相连接。局域网(LAN)是指在有限区域内,例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼,互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。
应当指出的是,其它包括比计算机设备更多或更少的子***的计算机***也能适用于发明。
如上面详细描述的,适用于本实施例的计算机设备能执行多维空间视界搜索方法的指定操作。计算机设备通过处理器运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备或者通过局域网接口从另一设备读入到存储器中。存储在存储器中的软件指令使得处理器执行上述的群成员信息的处理方法。此外,通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此,实现本实施例并不限于任何特定硬件电路和软件的组合。
实施例2
基于上述实施例1,本实施例还提出了一种多维空间视界搜索***,具体如图6所示,本实施例的***包括数据获取模块、映射模块、视界计算模块和视界合并模块。
本实施例的数据获取模块用于获取表征人物行为事件信息的多维向量;
本实施例的映射模块将多维向量映射到一维空间且以Hash Table线性方式存储;
本实施例的视界计算模块用于遍历所有多维向量,得到每个多维向量的视界;
本实施例的视界合并模块用于合并相互包容的视界,得到没有包容关系的视界集合。
具体在本实施例中,映射模块包括单位化单元、编码映射单元和存储单元。
其中,单位化单元采用视力范围将多维向量单位化;编码映射单元将单位化后的多个维度联合编码,映射到一维空间,得到向量位置ID;存储单元以向量位置ID作为key,向量本身作为值,存储到Hash Table;并将有相同向量位置ID的多个向量以链表方式存储。
具体在本实施例中,遍历模块包括获取单元和视界单元。
其中,获取单元用于获取目标向量的向量位置ID;并获得所述目标向量视力范围内所有向量位置ID;视界单元一一查找视觉范围内所有向量位置ID的向量,并验证查找到的向量是否在所述目标向量视力范围内;如果是,则将该查找到的向量加入所述目标向量的视界。
具体在本实施例中,合并模块包括几何映射单元、搜索单元、删除单元和输出单元。
其中,几何映射单元将视界映射到几何空间,得到视界立方体;搜索单元用于搜索和目标向量的视界立方体相交的其他视界立方体;删除单元用于判断是否存在立方体包容关系,如果是则保留包容立方体,删除被包容立方体;输出单元用于输出没有包容关系的视界集合。
实施例3
本实施例将上述实施例提出的技术用于人员行为分析验证,具体过程如下:
步骤A:在人员碰面分析中,输入人员的事件信息,发生经度、维度、事件、事件描述,要求查找所有碰面情况。将事件抽象为<x,y,t>三维向量,其中x:经度,y:维度,t:时间
步骤B:线性化存储
B1:采用视力范围单位化,也可采用2倍视力范围单位化;
B2:采用Morton编码,映射到一维空间,得到向量位置ID;
B3:以向量位置ID作为key,向量本身作为值,存储到HashTable;
B4:多个向量可能有相同的向量位置ID,他们以链表方式存储。
步骤C:遍历每个向量,得出每个向量的视界;
C1:计算向量位置ID;
C2:计算向量视力范围内所有可能位置ID,在三维空间,相邻位置有26个,加上本身共27个位置空间需要搜索,可推出对于n维向量,相邻空间共有3n个;
步骤D:合并相互包含的视界,输出没有包容关系的视界集合
D1:将视界映射到几何空间,创建视界立方体;
D2:搜索可能和立方体相交的其它立方体;同样建立立方体HashTable,立方体中心位置用于计算立方***置ID,同样搜索相邻的27个位置空间;
D3:如果存在立方体包容关系,保留大立方体,删除小立方体。判断包容关系仅需比较各维度的最大最小值。
在同样硬件条件下,采用传统技术,10万条计算时间为480秒,且没有去除视界重叠问题;采用本发明的技术,100万条计算时间缩短为0.13秒。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种多维空间视界搜索方法,其特征在于,该方法包括以下步骤:
步骤一、获取表征人物行为事件信息的多维向量;
步骤二、将多维向量映射到一维空间且以Hash Table线性方式存储;
步骤三、遍历所有多维向量,得到每个多维向量的视界;
步骤四、合并相互包容的视界,得到没有包容关系的视界集合;
所述步骤三具体包括:
步骤3.1,获取目标向量的向量位置ID;
步骤3.2,获得所述目标向量视力范围内所有向量位置ID;
步骤3.3,一一查找视觉范围内所有向量位置ID的向量,并验证查找到的向量是否在所述目标向量视力范围内;如果是,则将该查找到的向量加入所述目标向量的视界;
所述步骤四具体包括:
步骤4.1,将视界映射到几何空间,得到视界立方体;
步骤4.2,搜索和目标向量的视界立方体相交的其他视界立方体;
步骤4.3,如果存在立方体包容关系,则保留包容立方体,删除被包容立方体;
步骤4.4,重复步骤4.1至步骤4.3,直到所有视界被遍历完,输出没有包容关系的视界集合。
2.根据权利要求1所述的一种多维空间视界搜索方法,其特征在于,所述步骤二具体包括:
步骤2.1,采用视力范围将多维向量单位化;
步骤2.2,将单位化后的多个维度联合编码,映射到一维空间,得到向量位置ID;
步骤2.3,以向量位置ID作为key,向量本身作为值,存储到Hash Table;
步骤2.4,将有相同向量位置ID的多个向量以链表方式存储。
3.一种多维空间视界搜索***,其特征在于,该***包括数据获取模块、映射模块、视界计算模块和视界合并模块;
所述数据获取模块用于获取表征人物行为事件信息的多维向量;
所述映射模块将多维向量映射到一维空间且以Hash Table线性方式存储;
所述视界计算模块用于遍历所有多维向量,得到每个多维向量的视界;
所述视界合并模块用于合并相互包容的视界,得到没有包容关系的视界集合;
所述视界计算模块包括获取单元和视界单元;
所述获取单元用于获取目标向量的向量位置ID;并计算所述目标向量视力范围内所有向量位置ID;
所述视界单元一一查找视觉范围内所有向量位置ID的向量,并验证查找到的向量是否在所述目标向量视力范围内;如果是,则将该查找到的向量加入所述目标向量的视界;
所述视界合并模块包括几何映射单元、搜索单元、删除单元和输出单元;
所述几何映射单元将视界映射到几何空间,得到视界立方体;
所述搜索单元用于搜索和目标向量的视界立方体相交的其他视界立方体;
所述删除单元用于判断是否存在立方体包容关系,如果是则保留包容立方体,删除被包容立方体;
所述输出单元用于输出没有包容关系的视界集合。
4.根据权利要求3所述的一种多维空间视界搜索***,其特征在于,所述映射模块包括单位化单元、编码映射单元和存储单元;
所述单位化单元采用视力范围将多维向量单位化;
所述编码映射单元将单位化后的多个维度联合编码,映射到一维空间,得到向量位置ID;
所述存储单元以向量位置ID作为key,向量本身作为值,存储到Hash Table;并将有相同向量位置ID的多个向量以链表方式存储。
5.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-2中任一项所述方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-2中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011371331.8A CN112464821B (zh) | 2020-11-30 | 2020-11-30 | 一种多维空间视界搜索方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011371331.8A CN112464821B (zh) | 2020-11-30 | 2020-11-30 | 一种多维空间视界搜索方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464821A CN112464821A (zh) | 2021-03-09 |
CN112464821B true CN112464821B (zh) | 2023-10-24 |
Family
ID=74805960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011371331.8A Active CN112464821B (zh) | 2020-11-30 | 2020-11-30 | 一种多维空间视界搜索方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464821B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412879A (zh) * | 2013-07-17 | 2013-11-27 | 中国人民解放军国防科学技术大学 | 大规模信息网络中数据语义信息的处理方法 |
CN106528629A (zh) * | 2016-10-09 | 2017-03-22 | 深圳云天励飞技术有限公司 | 一种基于几何空间划分的向量模糊搜索方法及*** |
CN111309977A (zh) * | 2020-02-24 | 2020-06-19 | 北京明略软件***有限公司 | 一种id时空轨迹匹配方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6156126B2 (ja) * | 2013-12-19 | 2017-07-05 | 富士通株式会社 | 検索方法、検索プログラムおよび検索装置 |
-
2020
- 2020-11-30 CN CN202011371331.8A patent/CN112464821B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412879A (zh) * | 2013-07-17 | 2013-11-27 | 中国人民解放军国防科学技术大学 | 大规模信息网络中数据语义信息的处理方法 |
CN106528629A (zh) * | 2016-10-09 | 2017-03-22 | 深圳云天励飞技术有限公司 | 一种基于几何空间划分的向量模糊搜索方法及*** |
CN111309977A (zh) * | 2020-02-24 | 2020-06-19 | 北京明略软件***有限公司 | 一种id时空轨迹匹配方法及装置 |
Non-Patent Citations (1)
Title |
---|
张春红 ; 胡清源 ; 程时端 ; .基于降维算法的分布式语义资源搜索.北京邮电大学学报.2013,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112464821A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sankaranarayanan et al. | Efficient query processing on spatial networks | |
CN111563192B (zh) | 实体对齐方法、装置、电子设备及存储介质 | |
CN106202548A (zh) | 数据存储方法、查找方法及装置 | |
EP3079077A1 (en) | Graph data query method and device | |
KR20190079354A (ko) | 분할 공간 기반의 공간 데이터 객체 질의처리장치 및 방법, 이를 기록한 기록매체 | |
US20230056760A1 (en) | Method and apparatus for processing graph data, device, storage medium, and program product | |
JP2019520627A (ja) | データベース中にグラフ情報を記憶するためのb木使用 | |
CN109471874A (zh) | 数据分析方法、设备及存储介质 | |
Cao et al. | A new method to construct the KD tree based on presorted results | |
CN113779286A (zh) | 管理图数据的方法及装置 | |
CN112464821B (zh) | 一种多维空间视界搜索方法及*** | |
Ravada et al. | Query processing in 3d spatial databases: Experiences with oracle spatial 11g | |
CN113986214B (zh) | 核电站dcs***应用软件逻辑图连线数据处理方法 | |
Ziegeler et al. | In situ analysis as a parallel i/o problem | |
Lin et al. | An efficient method for the retrieval of objects by topological relations in spatial database systems | |
CN116910186B (zh) | 一种文本索引模型构建方法、索引方法、***和终端 | |
EP4386574A1 (en) | Data structure for efficient graph database storage | |
US20240193135A1 (en) | Systems, methods, and media for accessing derivative properties from a post relational database utilizing a logical schema instruction that includes a base object identifier | |
Chen et al. | A top-r k influential community search algorithm | |
Xiao et al. | A schedule of join operations to reduce I/O cost in spatial database systems | |
CN117150311A (zh) | 数据处理方法、装置、设备和存储介质 | |
CN115375486A (zh) | 金融资源的处理方法、装置、计算机设备和存储介质 | |
CN114090834A (zh) | 一种图搜索方法、装置及设备 | |
CN117349098A (zh) | 图形处理器性能测试方法、装置、计算机设备和存储介质 | |
Anusha | Evaluation of Spatial Query Processing in Spatial Database |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230925 Address after: Room 2008, 4th Floor, Yard 18, Suzhou Street, Haidian District, Beijing, 100000 Applicant after: Beijing Jiuzhou Kerui Technology Co.,Ltd. Address before: Mianyang City, Sichuan Province Branch Chong Park 621000 Applicant before: SICHUAN KEYWAY SOFTWARE CO.,LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |