基于NoSQL数据库的大规模轨迹数据管理和聚类分析方法

摘要

近年来，随着民用GPS（全球定位系统，Global Positioning System）等定位设备在移动终端上的广泛使用以及基于位置服务（Location-Based Service）和移动社交网络（Mobile Social Network）的发展和普及，大量的轨迹数据在日常生活中正在日益积累并为不同类型的应用所服务，大范围轨迹数据的管理、索引和分析越发显得重要。本文以移动对象轨迹为研究对象，以移动对象存储、查询和分析为主要目标进行研究探讨。
　　本文主要从三方面解决移动对象数据库的几个关键性问题。
　　（1）轨迹数据管理方面：本文分析移动对象数据模型，采用NoSQL分布式数据库存储大规模移动对象的轨迹数据，并对大规模的轨迹数据插入和查询进行了性能优化；
　　（2）轨迹索引方面：本文提出轨迹R树混合索引来提高轨迹查询效率，设计轨迹R树、哈希表和B树的轨迹混合索引，实现了索引内外存交互机制和索引缓存机制，并对轨迹索引的层次性查询算法做了详细介绍。通过时空生成器生成的模拟轨迹数据集，将本文的轨迹R树混合索引同经典的TB树做了索引创建性能和查询性能的实验对比，并对实验数据进行分析。实验表明，本文提出的轨迹R树混合索引方法具有良好的索引创建性能和查询性能；
　　（3）轨迹数据聚类分析方面：本文基于数据挖掘知识对轨迹模型、轨迹划分和轨迹相似度进行问题定义。通过时空数据生成器提供Olburgen路网数据和轨迹模拟数据，在轨迹混合索引减小聚类查询空间从而进行局部轨迹邻近查找的基础上，本文提出基于密度的大规模轨迹聚类方法，并通过实验测试对聚类结果进行分析。实验分析表明本文的基于密度的大规模轨迹聚类方法具有良好的聚类分析能力和高效的聚类分析。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 引言

1.1 研究背景和意义

1.2 国内外研究现状

1.3 研究目标与内容

第2章 轨迹数据管理和聚类分析的相关技术

2.1 MongoDB概述

2.2 轨迹索引处理技术

2.3 轨迹查询处理技术

2.4 轨迹聚类分析技术

第3章 大规模轨迹数据的分布式存储及应用

3.1 轨迹存储组织结构

3.2 分布式存储及查询优化

3.3 分布式存储应用模块

3.4 本章小结

第4章 内外存联动的轨迹R树混合索引

4.1 轨迹索引思路和结构

4.2 轨迹索引分析

4.3 轨迹索引设计

4.4 实验数据的生成

4.5 轨迹查询测试

4.6 本章小结

第5章 基于密度的大规模轨迹聚类分析

5.1 问题定义

5.2 轨迹划分

5.3 相似性度量

5.4 轨迹聚类分析

5.5 轨迹聚类分析测试

5.6 本章小结

第6章 总结与展望

6.1 本文工作总结及创新点

6.2 进一步研究方向

参考文献

致谢

在读期间公开发表论文（著）及科研情况