[发明专利]一种基于Voronoi图的反k最近邻查询方法

说明书

技术领域

本发明属于空间数据查询技术领域，特别涉及一种基于Voronoi图的反k最近邻查询方法。

背景技术

空间数据库中移动对象查询技术可以应用于城市交通、航空航天、通讯网络等存在移动对象的网络中，它可以根据大量的时空数据来挖掘信息从而提供给客户相关咨询。典型的空间查询是最近邻（nearest neighbors，NN）查询和k最近邻（k nearest neighbors，kNN）查询。例如：旅客会问哪家酒店距离车站最近；司机会查询最近的2个加油站在什么地方。反k最近邻（reverse k nearest neighbors，RkNN）查询是kNN查询的变种，其回答谁把查询对象看成最近邻居，如某个城市的一系列连锁店可能要给客户发布一些广告，每个连锁店发广告的客户群是不同的，这些客户的范围可以定义成为受到某个连锁店影响的客户群，用RkNN查询就可以确定这些群体；还有在移动数据库系统中各个移动对象倾向于在最近或者反向对进的对象中共享一些信息等等。此外，在游戏领域，空间数据库查询技术也有一定的发展前景，比如由美国的Blizzard公司开发的大型网络游戏World of Warcraft中，游戏玩家在地图侦测中发现敌人或寻找建筑物等操作就是kNN和RNN的体现。

RkNN查询则是kNN查询的补充和发展，按数据集的不同分为单色RkNN查询和双色RkNN（BRkNN）查询。F.korn和S.Muthukrishnan提出了RNN查询的概念，并给出了求解RNN的查询方法。使用了两个R树来进行查询、插入、删除操作。Yang和Lin改进了以上的方法，引入了Rdnn树，使得用单一树进行RNN查询和NN查询成为可能。Stanoi提出了一种方法SAE，该方法是没有在预测的情况下进行计算，SAE将查询点的周边范围划分成6个大小相同的扇区。SAE首先在各自的扇区内找到RNN的候选对象；其次，对于每个候选对象完成了一个独立的NN查询来判断这个候选对象是不是最后的结果。Maheshwari等人提出了主存数据结构的RNN查询。对于每个点其结构维持着其到最近邻的距离。

Stanoi的方法在高维空间中，随着维数的增加，RNN的候选值呈现指数增长。效率大幅降低。为了解决这个问题，Singh等人提出了通过执行常规的kNN查询找出RkNN候选值。但该方法的缺点在于不是总能找到所有的RkNN点。Tao的方法与Stanoi相似，称为TPL。TPL分成两个阶段——筛选和精炼，给定一个查询点q，方法递归回到q点未划分的空间，直到没有候选对象剩下。在过滤的步骤时，去除了一些确定为错误结果的候选对象。

在基于Voronoi图的RNN查询方面，李松、郝忠孝提出的在欧几里德平面内的Voronoi图中使用Range-k验证法来查找结果。即以点集中一点为中心，点到查询点的距离为半径生成一个判断圆来以此找出RNN。该方法只适用于对单色RkNN的查询，在双色RkNN查询时存在大量不必要的I/O操作。Maytham Safar则提出了网络Voronoi图的空间中进行RNN查询。方法适用于交通网络等方面，在查询对象频繁更换时效率很低。

Voronoi图是同给定的客体离散集（如点集）的距离确定的空间分解，特别是点集p={p1,p2,…,pn}的Voronoi图被定义为cell集。这里每个cell，V(pi)是一个空间区域，由距离pi比距离p中其他点更近的全部空间数据点组成。Voronoi图可以推广到m阶 Voronoi图（MVD）。在MVD中每个区域中的查询对象依据BRkNN的定义可知，就是当前区域的生成元的RkNN值。如图1所示，查找站点3的R3NN值：首先定位那些生成元所含站点3的Voronoi区域，有V(1,3,5)、V(1,3,4)、 V(1,3,6) 、V(1,2,3)四个。因此，这四个Voronoi区域内所包含的查询对象都是站点3的R3NN查询结果。

但是，现有的使用MVD执行BRkNN查询方法具有明显的缺点：

(1)高代价的预计算。MVD需要预计算所有的MVD的cell和与cell相关的所有信息如生成元、Voronoi边、Voronoi顶点等。

(2)不支持动态改变的k值。MVD仅能适应带有明确k值的RkNN查询，MVD适应k值不大于图的阶数的RkNN查询。因此，这个技术不适用于预先不知道k值或可能动态改变k值的情形。

(3)效率低下的更新操作。对于每个插入或删除操作，cell不得不重新计算。

发明内容