شاخص‌گذاري موقعيت جاري و گذشته اشياء متحرك درمجموعه داده‌هاي بزرگ مقياس

Indexing the past and current position of moving objects in large-scale dataset

با افزايش روز افزون سيستم‌هاي هوشمند حمل و نقل و سرويس‌هاي مبتني برمكان كه از داده‌هاي مكاني-زماني بهره مي‌برند، نياز به تكنيك‌ها شاخص‌گذاري جديد براي اين داده‌ها افزايش يافته است. اين داده‌ها مربوط به زمان گذشته، حال يا آينده اشياء متحرك هستند كه شاخص‌هاي موجود عموماً امكان شاخص‌گذاري يكي از اين سه زمان را دارند. داشتن شاخصي يكپارچه براي شاخص‌گذاري همزمان انواع داده‌ها و همچنين پاسخگويي به انواع پرس‌وجوها، يكي از چالش‌هاي اين نوع داده‌ها مي‌باشد كه امكان كاهش فاصله زماني بروزرساني شاخص‌ها را داشته باشد. در اين مقاله روشي يكپارچه با نام PCPI ارائه شده است كه علاوه بر امكان ساخت و نگهداري شاخص‌هاي‌ داده‌هاي مكاني-زماني در زمان گذشته و حال، به صورت همزمان به ترتيب در ديسك و حافظه اصلي، توانايي پاسخ به انواع پرس‌وجو‌هاي مكاني-زماني را دارد. با استفاده از اين تكنيك، از يك مجموعه منبع مشترك براي پردازش و ساخت شاخص‌ها در دو زمان مختلف استفاده شده و اختلاف فاز زماني بين دو شاخص را كاهش داده است. در اين روش از دو داده ساختار به صورت يكپارچه استفاده شده است. يك داده ساختار در حافظه اصلي براي شاخص‌گذاري و نگهداري موقعيت جاري اشياء متحرك، و داده ساختار دوم برروي ديسك براي داده‌هاي خط‌سير اشياء متحرك كه داراي حجم بالايي بوده و امكان نگهداري در حافظه اصلي را ندارند. علاوه بر اين، در PCPI از روش‌هاي تطبيق برنقشه براي حذف اختلالات موجود در داده‌هاي دريافتي از اشياء متحرك مانند اختلال حالت ساكن استفاده شده است كه باعث افزايش دقت پرس‌وجوها مي‌شود. همچنين تاثير روش‌هاي كاهش داده بر افزايش سرعت شاخص‌گذاري، پردازش پرس‌وجو و كاهش اندازه شاخص‌ها در ديسك در مجموعه داده‌هاي بزرگ، در آزمايش‌ها موردبررسي قرار گرفت. نتايج و مقايسه‌‌هاي انجام شده در آزمايش‌هاي تجربي، نشان از كارايي بالاي اين ساختار شاخص‌گذاري دارد.

By increasing intelligent transportation systems (ITS) and location based services (LBS) that take advantage of spatio-temporal data, these data have increased the necessity for new indexing techniques. Indexing methods index these data generally in the past, present or future. Creating an integrated index for indexing data and also answering to various queries which can reduce indices’ updating time, is one of the challenges. The current study introduces an integrated method called “PCPI” (Past and Current Position Indexing) to index and store spatio-temporal data of the past and present in a simultaneous manner in the disk and main memory respectively that has ability to answer various spatio-temporal queries. PCPI uses a same resources for processing and creating indices in two different times. In this method, two data structure is used integratedly: the first data structure indexes and stores current position of moving objects in the main memory, and the second data structure on disk for trajectory data of moving objects that have high volume and cannot be stored in main memory. In addition, PCPI uses map matching methods to remove noises – e.g. stationary state noises- in the data received from the moving objects; this feature adds to accuracy and reliability of the query results. Effects of data reduction techniques on accelerating indexing and query processing and reducing disk space consumption (in massive datasets) were examined. Results of the comparisons made based on the experiments showed higher efficiency of the indexing structure.