Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tổng hợp không gian-thời gian tuần tự cho độ phân giải truy vấn thô
Tóm tắt
Tổng hợp không gian-thời gian tuần tự (SSTA) là một truy vấn quan trọng cho nhiều ứng dụng của cơ sở dữ liệu không gian-thời gian, chẳng hạn như phân tích giao thông. Về mặt khái niệm, một truy vấn SSTA trả về một giá trị tổng hợp cho mỗi granule không gian-thời gian riêng biệt. Trong khi dữ liệu thường được ghi nhận ở độ phân giải cao, thì tại thời điểm truy vấn, việc sử dụng một độ phân giải thô hơn là phổ biến. Điều này đòi hỏi các chiến lược đánh giá hiệu quả mà có nhận thức về độ phân giải. Trong bài báo này, chúng tôi xác định chính thức một toán tử SSTA bao gồm chuyển đổi độ phân giải từ dữ liệu sang truy vấn. Dựa trên mô hình thời gian rời rạc và mô hình không gian rời rạc 1.5 chiều, chúng tôi tổng quát khái niệm các khoảng thời gian không đổi thành các hình chữ nhật không đổi, đại diện cho các hình chữ nhật lớn nhất trong miền không gian-thời gian mà tại đó kết quả tổng hợp là không thay đổi. Chúng tôi đề xuất một thuật toán đánh giá hiệu quả cho các truy vấn SSTA tận dụng lợi thế của độ phân giải truy vấn thô. Thuật toán này dựa trên nguyên lý quét mặt phẳng, và chúng tôi đề xuất một lịch trình điểm sự kiện nhận thức về độ phân giải, được gọi là gaEPS, và một trạng thái đường quét nhận thức về độ phân giải, được gọi là gaSLS. Những cấu trúc dữ liệu này lưu trữ các điểm không gian và thời gian từ mối quan hệ đầu vào theo hình thức nén sử dụng một tập hợp các bộ đếm tối thiểu. Trong các thí nghiệm mở rộng, chúng tôi cho thấy rằng đối với độ phân giải truy vấn thô, gaEPS vượt trội hơn đáng kể so với một EPS cơ bản dựa trên sự mở rộng của công việc trước đó, cả về mức sử dụng bộ nhớ và thời gian thực thi.
Từ khóa
#tổng hợp không gian-thời gian tuần tự #truy vấn #độ phân giải #thuật toán #đánh giá hiệu quảTài liệu tham khảo
Bayer, R.: Binary b-trees for virtual memory. In: ACM SIGFIDET, pp. 219–235 (1971)
Becker B., Gschwind S., Ohler T., Seeger B., Widmayer P.: An asymptotically optimal multiversion b-tree. VLDB J. 5(4), 264–275 (1996)
Bentley J.L.: Algorithms for Klee’s Rectangle Problems. Computer Science Department, Carnegie-Mellon University, Pittsburgh (1977)
Böhlen M.H., Gamper J., Jensen C.S.: Multi-dimensional aggregation for temporal data. In: EDBT, pp. 257–275 (2006)
Brinkhoff T.: A framework for generating network-based moving objects. GeoInformatica 6(2), 153–180 (2002)
Cormen T.H., Leiserson C.E., Rivest R.L., Stein C.: Introduction to Algorithms. 2nd edn. The MIT Press, Cambridge (2001)
Dieker, S., Güting, R.H.: Plug and play with query algebras: SECONDO—a generic DBMS development environment. In: IDEAS, pp. 380–392 (2000)
Edelsbrunner H.: Dynamic Rectangle Intersection Searching. Institute for Information Processing Rept. 47, Technical University of Graz, Austria (1980)
Geffner, S., Agrawal, D., El Abbadi, A., Smith, T.: Relative prefix sums: an efficient approach for querying dynamic olap data cubes. In: Proceedings of the ICDE-99, pp. 328–335, March (1999)
Google. Google’s sparsehash project. http://code.google.com/p/google-sparsehash/. Current as of December 12, (2008)
Guttman, A.: R-trees: a dynamic index structure for spatial searching. In: SIGMOD Conference, pp. 47–57 (1984)
Hellerstein, J.M., Haas, P.J., Wang, H.J.: Online aggregation. In: Proceedings of SIGMOD-97, pp. 171–182 (1997)
Jensen, C.S., Lee, K.-J., Pakalnis, S., Šaltenis, S.: Advanced tracking of vehicles. In: European Congress and Exhibition on ITS, p. 12 (2005)
Kline, N., Snodgrass, R.T.: Computing temporal aggregates. In: ICDE, pp. 222–231 (1995)
Lopez I.F.V., Snodgrass R.T., Moon B.: Spatiotemporal aggregate computation: a survey. IEEE Trans. Knowl. Data Eng. 17(2), 271–286 (2005)
McCreight E.M.: Priority search trees. SIAM J. Comput. 14(2), 257–276 (1985)
Moon B., López I.F.V., Immanuel V.: Efficient algorithms for large-scale temporal aggregation. IEEE Trans. Knowl. Data Eng. 15(3), 744–759 (2003)
Papadias, D., Kalnis, P., Zhang, J., Tao, Y.: Efficient OLAP operations in spatial data warehouses. In: SSTD, pp. 443–459 (2001)
Papadias, D., Tao, Y., Kalnis, P., Zhang, J.: Indexing spatio-temporal data warehouses. In: ICDE, pp. 166–175, (2002)
Samet H.: Hierarchical representations of collections of small rectangles. ACM Comput. Surv. 20(4), 271–309 (1988)
Sun, J., Papadias, D., Tao, Y., Liu, B.: Querying about the past, the present, and the future in spatio-temporal databases. In: ICDE, pp. 202–213 (2004)
Tao, Y., Kollios, G., Considine, J., Li, F., Papadias, D.: Spatio-temporal aggregation using sketches. In: ICDE, pp. 214–226 (2004)
Tao, Y., Papadias, D., Zhang, J.: Aggregate processing of planar points. In: EDBT, pp. 682–700 (2002)
Yang, J., Widom, J.: Incremental computation and maintenance of temporal aggregates. In: ICDE, pp. 51–60 (2001)
Yang J., Widom J.: Incremental computation and maintenance of temporal aggregates. VLDB J. 12, 262–283 (2003)
Zhang, D., Markowetz, A., Tsotras, V.J., Gunopulos, D., Seeger, B.: Efficient computation of temporal aggregates with range predicates. In: PODS, pp. 237–245 (2001)
Zhang, D., Markowetz, A., Tsotras, V.J., Gunopulos, D., Seeger, B.: On computing temporal aggregates with range predicates. ACM Trans. Database Syst. 33(2), 12:1–12:39 (2008)
Zhang, D., Tsotras, V.J.: Improving min/max aggregation over spatial objects. In: Proceedings of the 9th ACM International Symposium on Advances in Geographic Information Systems, GIS ’01, pp. 88–93 (2001)
Zhang, D., Tsotras, V.J., Gunopulos, D.: Efficient aggregation over objects with extent. In: PODS, pp. 121–132 (2002)