摘要：本文通过官坝蓄水池工程设计,提出了超大直径混凝土圆柱形蓄水池在软基上的结构布置分析及新型防渗材料应用和混凝土细裂纹处理方法。

摘要：轨迹停留蕴含重要语义信息,其有效提取是开展轨迹Stop/Move模型分析的前提。本文首先依据核密度思想,通过累计邻域点时空贡献来定义轨迹点的停留指数,在此基础上设计了停留指数图,以图形方式直观表达轨迹点的时空聚集程度变化。进一步针对源于停留指数的潜在停留段,提出了一种基于潜在停留段时空临近关系的逐级合并算法,以自动发现和提取停留。试验表明,该算法兼顾停留识别的完整性和准确性,可以有效识别复杂多样的轨迹停留,即使面对噪声严重的轨迹,停留提取的正确率依然较高。

摘要：轨迹在地理空间中相对一条有向线移动时,可能发生多次进入、离开、穿过、相遇、折返、停留等拓扑关系。针对轨迹-有向线的时空关联特征,提出语义关联的轨迹-有向线移动过程模型:基本思路是将轨迹-有向线的复杂拓扑细节描述为若干局部拓扑关系的组合,从拓扑和语义的角度描述轨迹相对于有向线的移动过程。最后设计并实现了面向该模型的关系模式,并以两类典型请求为例,分析了轨迹-有向线移动过程的纯SQL查询分析技术。

摘要：OpenStreetMap(OSM)路网数据是一个开放性的数据集,旨在为全球用户提供免费的数字地图资源,但路口转向信息的缺失,成为制约其进一步服务于车辆导航和路径规划的瓶颈。为此,本文提出一种基于地图匹配和字符串映射的路口转向探测方法,通过挖掘众源GNSS轨迹数据在交通路口的动态连接信息,为OSM路网结构赋予转向关系。首先,基于一种自上而下的四叉树分裂思想,设计了OSM路口结构探测方法,进而将路口结构简化为一个连接点;在此基础上改进HMM地图匹配算法,识别漂移异常的轨迹序列,从而将低频、高噪的众源轨迹投影到OSM路段上;接着,引入面向路口的路段字符编码技术,将路口相关的轨迹映射为转向过程中的方向字符串,进一步借助于最优路径分析思想,设计了空字符的信息增强处理方法还原低频轨迹行驶的路线信息,以有效提高短路段的轨迹支持度;最后,直接针对轨迹方向字符串,通过字符串匹配挖掘轨迹在目标路口的转向类别,实现OSM路网的转向信息增强。本文将复杂的路口转向关系识别转化为简单的字符串匹配,基于上海市数据的试验表明,该方法可以识别结构与大小各异的路口转向关系,其精确率达到90%,召回率超过98%,F1值超94%。

摘要：为了实现分布式异构栅格空间数据无缝集成服务,设计了分布式异构栅格数据的集成管理架构,提出了分布式异构栅格数据集成方法,其核心是建立异构栅格数据索引代理、全局逻辑金字塔结构索引和分布式索引注册中心,实现异构金字塔结构栅格数据的集成、更新和服务。

摘要：轨迹数据处理与分析是目前空间信息和数据库等相关领域的研究热点之一。本文从Stop/Move轨迹模型出发,通过集成地理空间上下文信息来建模轨迹数据,并研究轨迹时空模式的查询处理技术。首先分析Stop/Move对象与点/线/面地理空间要素之间的时空关联关系,据此提出显式表达该关联语义的地理关联轨迹模型;在此基础上利用关系-对象数据库技术,为地理关联轨迹模型设计独立于应用的关系模式;接着定义轨迹时空模式查询,并提出基于地理关联轨迹关系模式的SQL处理框架;最后以典型性检索请求为例,讨论分析位置-时间、位置-顺序和位置-关系等3类轨迹时空模式查询的纯SQL处理技术,并以样例轨迹数据验证了本文方法的可行性。

摘要：面向成熟的关系-对象型空间数据库,利用Geohash编码的唯一性、一维性和递归性等特征,提出了一种基于Geohash编码的大规模轨迹数据组织方法及范围查询技术。该方法结合Geohash编码和B+树索引,设计了适应不同尺度范围查询的大规模轨迹数据的关系组织模式,并给出了相应的两阶段查询处理算法,同时提出了一种Z合并优化,以进一步提高范围查询的处理效率。实验结果表明,此方法适合于组织管理与查询分析大规模的轨迹数据,其范围查询性能高于内置的R树索引。

摘要：蕴含着挖掘价值的轨迹数据分布在世界各地,且规模庞大。如何在全球范围内组织轨迹数据并支持高效范围查询成为难题。一种自适应索引组织框架被提出来管理查询全球范围大规模轨迹数据集,其基本思想为:针对不同轨迹数据集,根据Geohash编码,生成层数最深的Geohash格网覆盖住整个轨迹数据集范围;以格网作为根节点,生成Geohash-Trees;为了加快查询定位到对应索引,根据编码前缀相同的特点设计了字典查询树。Geohash-Trees是一种基于格网划分的空间索引,它能够根据轨迹密度自适应使用多种剖分策略划分空间,提高范围查询效率。为了支持索引动态更新,设计了增量插入和更新算法。同时,该索引被移植到商用数据库Oracle中,利用数据库性能高效管理查询轨迹数据。实验结果表明,该方法在范围查询以及占用空间等方面明显优于Oracle内置的R树索引。

摘要：度量轨迹间的相似性不仅是一项基础的研究问题,同时也为众多轨迹数据挖掘应用提供支持。传统相似性度量方法面临数据噪声敏感、算法效率低等问题,难以进行大规模数据计算。当前研究开始尝试使用深度表征学习方法,将高维轨迹数据映射到低维向量空间,通过度量表征间的距离高效地完成相似度计算任务。本文在轨迹表征学习中引入Transformer机制,提出了一种地理空间感知的深度轨迹表征学习方法。首先,使用Geohash编码将二维空间坐标点转换为一维编码序列,使轨迹点在嵌入过程中保留空间相关性。然后,引入Transformer框架构建轨迹表征的深度学习模型,并采用一种隐轨迹点训练模式,以保证模型能从低频、噪声的数据中习得更稳健的向量表示。最后,设计了一个空间感知损失函数,通过距离因子调整模型误差,拉近空间相近轨迹的表征。试验表明,本文方法在轨迹相似性计算任务中超越了基准模型,并且计算效率远高于传统度量方法。

摘要：城市热点区域的实时探测能够提高管理者对突发事件的响应能力。随着物联网、通信技术的发展,出租车运单的起讫信息实时上传至数据中心,形成了持续的上下客数据流。考虑到出租车具有全天候运营、全区域覆盖、数据时空分辨率高等特点,其上下客数据流可作为城市热点区域实时探测的有效信息源。目前,面向静态上下客数据集的热点区域探测方法不支持流式数据的处理,难以直接应用于实时的热点区域探测,而现有流式聚类算法难以同时满足低聚合成本、任意形状类簇识别、灵活扩展性等要求。面对以上挑战,本文基于分布式流计算技术,设计了适用于出租车上下客数据流的城市热点区域探测算法,基本思想为将上下客数据流映射至网格状监控单元,并以时间窗口为单位统计各监控单元热度,在此基础上进行热点单元的分布式识别,最终将热点单元汇聚为热点区域。为了避免分布式算法中聚合算子的性能瓶颈,本文进一步设计了由冗余分区、链接识别、修正规则构建、区域ID修正、区域生成等步骤组成的多阶段分布式区域合并算法。最后,本文基于分布式流计算框架Flink实现了上述算法,并使用武汉市出租车数据集、纽约市出租车上下客数据集模拟数据流开展实验,结果表明本算法可以高效挖掘城市空间的热点区域分布及其动态变化,在并行度为8时吞吐量可达9万条/s,具有较好的性能与可扩展性。