Spatio-Temporal Databases: Complex Motion Pattern Queries

این مختصر چندین تکنیک پردازش پرس‌وجو را ارائه می‌کند، به نام پرس‌وجوهای الگوی حرکتی پیچیده، که به‌طور خاص برای پایگاه‌های داده مکانی-زمانی بسیار بزرگ از اجسام متحرک طراحی شده‌اند. خلاصه با تعریف پرس و جوهای الگوی انعطاف پذیر آغاز می شود که به دلیل ادغام متغیرها و الگوهای حرکتی قدرتمند هستند. این با خلاصه ای از قدرت بیان الگوها و انعطاف پذیری پرس و جوهای الگو دنبال می شود. سپس خلاصه سیستم الگوی مکانی-زمانی (STPS) و پرس و جوهای الگوی مبتنی بر چگالی را ارائه می دهد. پایگاه داده های STPS حاوی میلیون ها رکورد با اطلاعات تماس های تلفن همراه است و در اطراف دکل های تلفن همراه و مکان های دیدنی طراحی شده اند. پرس و جوهای الگوی مبتنی بر چگالی رفتار مجموع مسیرها را به عنوان گروه نشان می دهد. چندین الگوریتم ارزیابی برای یافتن گروه‌هایی از مسیرهایی که در مکان و زمان با هم حرکت می‌کنند، یعنی در فاصله‌ای از پیش تعریف‌شده از یکدیگر ارائه شده‌اند. در نهایت، خلاصه یک چارچوب عمومی به نام DivDB را برای تنوع بخشیدن به نتایج پرس و جو توصیف می کند. دو روش ارزیابی جدید، و همچنین چندین روش موجود، در چارچوب DivDB پیشنهادی توصیف و آزمایش شده‌اند. کارایی و اثربخشی همه پرس‌و‌جوهای الگوی حرکت پیچیده پیشنهادی از طریق یک ارزیابی تجربی گسترده با استفاده از پایگاه‌های داده مکانی-زمانی واقعی و مصنوعی نشان داده می‌شود. این ارزیابی واضح از تکنیک‌های جدید پردازش پرس و جو، پایگاه داده مکانی-زمانی را به منبعی ارزشمند برای متخصصان و محققانی که پایگاه‌های داده، داده‌کاوی، و تشخیص الگو را مطالعه می‌کنند، تبدیل می‌کند.

This brief presents several new query processing techniques, called complex motion pattern queries, specifically designed for very large spatio-temporal databases of moving objects. The brief begins with the definition of flexible pattern queries, which are powerful because of the integration of variables and motion patterns. This is followed by a summary of the expressive power of patterns and flexibility of pattern queries. The brief then present the Spatio-Temporal Pattern System (STPS) and density-based pattern queries. STPS databases contain millions of records with information about mobile phone calls and are designed around cellular towers and places of interest. Density-based pattern queries capture the aggregate behavior of trajectories as groups. Several evaluation algorithms are presented for finding groups of trajectories that move together in space and time, i.e. within a predefined distance to each other. Finally, the brief describes a generic framework, called DivDB, for diversifying query results. Two new evaluation methods, as well as several existing ones, are described and tested in the proposed DivDB framework. The efficiency and effectiveness of all the proposed complex motion pattern queries are demonstrated through an extensive experimental evaluation using real and synthetic spatio-temporal databases. This clear evaluation of new query processing techniques makes Spatio-Temporal Database a valuable resource for professionals and researchers studying databases, data mining, and pattern recognition.