轨迹数据仓库模型与表格数据可视化分析

# 轨迹数据仓库模型与表格数据可视化分析 ## 1. 轨迹数据仓库模型 ### 1.1 轨迹频率监测与树结构更新 在轨迹数据处理中，为了监测轨迹频率，会在树结构的每个节点额外存储轨迹频率信息。若对于给定的 P 值有多个见证（witness），则会存储每个见证的频率。初始树是为第一个窗口 W1 构建的，记为 BT。随着流中出现新的轨迹，会持续更新该树。具体更新步骤如下： 1. 对于每个新进入的轨迹 Ti ∈ NEW，通过对 BT 进行深度搜索，查找其编码值 E(Ti) 所属的节点 N。 2. 若节点 N 存在，说明 Ti 是频繁的，更新其频率。使用 updateFrequency 函数更新 Ti 的见证 Wi 的频率（同一 P 值可能有多个见证）。 3. 若轨迹在树中不存在，则插入相应节点并标注其时间戳。 4. 随着流的流动，若需要释放内存，则删除较旧的节点（即时间戳较早的节点）。 ### 1.2 仓库架构 轨迹数据仓库采用雪花模式，以更好地处理轨迹的空间特征。该架构包含空间和时间维度，用于描述对象的位置和移动信息。以下是该架构的主要特点： - **无损分区**：轨迹分区步骤是无损操作，因为关注的是聚合信息，所以基于精确点的轨迹表示是无效的，而采用的质数编码方案能有效保留细节信息。 - **事实表与维度表**：除了维度表的键，事实表还包含一组表示聚合信息的度量。常见的度量包括不同轨迹的数量（Intersections）、平均行驶距离（Distance）、平均时间间隔持续时间（Duration）等。 ### 1.3 构建轨迹立方体（TRAC） #### 1.3.1 TRAC 结构 TRAC 由三个表组成： 1. **Items 表**：存储移动对象的信息。 2. **Collection 表**：存储穿越被分析区域的轨迹信息。 3. **Time 表**：存储时间信息。 每个表的维度都有相关的概念层次结构，从低抽象级别到高抽象级别。最低级别对应数据流中跟踪单个对象的单个区域，最高级别通常是 ALL，表示该维度的任何值。 #### 1.3.2 部分物化策略 为了高效回答不同抽象级别的查询，会预计算一些不同概念层次的 TRAC。由于计算所有可能的泛化是非常昂贵的操作，因此采用部分物化策略。具体做法是计算一组用户感兴趣的最低级别 TRAC，以及一小部分经常请求的高级结构，这些高级结构可用于快速计算未物化的 TRAC。 #### 1.3.3 合并立方体 随着流的流动，会重新计算基本的 TRAC 并合并较旧的 TRAC，以节省空间并保持高信息水平。合并时在较高信息级别进行，以避免信息丢失或错误值计算。例如，若要合并的两个立方体的空间层次结构底层分别是街区和城市，合并后的立方体空间层次结构底层将是城市。 #### 1.3.4 算法实现 以下是构建 TRAC 和更新度量的算法： ```plaintext Method: BuildT RAC Input: a trajectory tree BT encoding a trajectory window; a set of measures m to be computed; Output: a trajectory cuboid T RAC; Vars: a tree node N; a set of dimensions dim at a specified granularity level; Method: 1: for each N ∈BT 2: for each dimi 3: if N ̸= null 4: for ```