Más

¿Se muestran los contornos de las carreteras pero no los segmentos, es decir, no hay líneas en las intersecciones?

¿Se muestran los contornos de las carreteras pero no los segmentos, es decir, no hay líneas en las intersecciones?


Tengo las carreteras que solo quiero mostrar en los contornos, pero no en los segmentos (es decir, no desconectadas de cada carretera).

Estoy tratando de disolverlo pero no funciona. Se adjunta un enlace a un archivo de paquete de datos. ¡Por favor ayuda! https://www.dropbox.com/s/55hqr9471v9qxwf/Road%20Test%20package.mpk


Usar Visualización de carreteras mediante dibujo a nivel de símbolo

"Muchos usuarios a menudo necesitan mostrar redes de carreteras y quieren representar su conectividad en términos de pasos superiores, pasos inferiores, puentes, etc. Esto ocurriría en cualquier situación en la que sea necesario representar la conectividad de las carreteras y las vías de navegación".

http://resources.arcgis.com/en/help/main/10.2/index.html#//00s500000014000000


Un truco rápido y fácil que utilizo es tener la capa en el mapa dos veces. La capa superior se muestra como una línea blanca (o relleno blanco y sin contorno si la capa es un polígono) y la copia inferior es negra y el ancho está configurado para ser un poco más ancho que la copia superior.


Puede fusionarlos o disolverlos. Esto crearía una clase de entidad separada, pero haría lo que quisiera.


¿Cómo encontrar vértices de polígono a partir de imágenes de detección de bordes?

Dadas las imágenes del techo de una casa, estoy tratando de encontrar los contornos de los techos. He etiquetado los datos disponibles (como vértices de polígono) que interpolo y creo la imagen de verdad que se muestra a continuación

Utilizo funciones LBP astutas y de líneas duras para entrenar un modelo de ML, los resultados se ven decentes. la salida del modelo se muestra en el medio y la superposición en la imagen de prueba se muestra a la derecha.

2. Qué necesito.

La salida final realmente debería ser un conjunto de polígonos y necesito encontrar los puntos en los que se deben dibujar estos polígonos (vea los puntos resaltados en la imagen a continuación). Entonces, la salida se puede establecer en n segmentos de línea. donde cada segmento de línea es 2 puntos [(x1, y1), (x2, y2)]

3. ¿Cuáles son mis pensamientos / ideas?

una. Operaciones de erosión, dilatación, apertura, cierre, esqueletización

Si bien estas operaciones hacen que las líneas de la imagen anterior sean mucho más ordenadas, no me ayudan a encontrar los vértices de polígono que estoy buscando.

Me gustaría ajustar (varias) líneas a los píxeles blancos de la imagen (algo así como líneas fuertes).

Las intersecciones de estas líneas me darían los vértices de los polígonos que estoy buscando.

Me pregunto si existe una forma más estándar / mejor de lograr lo anterior.


SIN EMBARGO

La navegación informal por streetview muestra esta escena

Así que hay evidencia en ambas direcciones de que & quothighway & quot puede no significar lo mismo para diferentes personas.

De los comentarios: el sitio web de Google Maps tiene un modo de mapa de bicicletas, donde se marcan carriles exclusivos para bicicletas, carriles exclusivos y carreteras aptas para bicicletas. Hay un carril / carril para bicicletas debajo de la carretera.

Hay un arcén, puedes montarlo (si es legal) y el límite de velocidad es bastante bajo. No es el lugar más agradable para montar, pero está bien.

Sin embargo No lo desaconsejaría, porque la parte donde te atropella un autobús no se muestra en la imagen. Dices que estás "pensando en desplazarte en bicicleta", lo que insinúa que no estás acostumbrado, lo que me hace pensar que no estás acostumbrado a identificar rápidamente qué características de la carretera están bien y cuáles son realmente peligrosas. Lo que significa que estás mostrando la imagen incorrecta.

Por ejemplo, lo más probable es que la parte peligrosa esté en la distancia debajo del paso elevado, donde terminará el & quot; carril para bicicletas & quot, o tendrá una situación como esta:

Ahora, en esta situación, si no desea salir de la carretera principal, debe seguir la flecha roja (dibujada a mano), debe pasar del carril 1 al carril 2, pero el automóvil marcado con 1 está en el camino. Por lo tanto, debe permanecer delante del automóvil n. ° 1 y tomar el carril para poder girar a la izquierda y cambiar de carril sin chocar contra el automóvil n. ° 1. Para entonces, el automóvil n. ° 2 ha pasado y el conductor del automóvil n. ° 3 lo ve entrando en su carril. No tiene idea de que en realidad estás apuntando al ridículo carril bici, así que cree que te va a golpear, frena y luego lo choca por detrás.

Sería mucho más seguro posicionarse correctamente con mucha anticipación para no sorprender a los conductores al cambiar de carril en el último segundo, así:

Pero luego debe conducir en una posición semi ilegal entre carriles, con autos en ambos lados, y probablemente necesite ir un poco más rápido para mantenerse al día con el tráfico. Esto es mucho más seguro en un atasco donde los autos son bastante lentos, por lo que puede seguir la corriente y tanto el conductor a su derecha como a su izquierda tienen tiempo suficiente para notar que está allí.

Por lo tanto, sería más seguro viajar en otra carretera, pero si no tiene otra opción, entonces debe pensar con anticipación cómo manejar las intersecciones y los cambios de carril.

Mirar la vista de satélite de Google Maps es una buena idea. Muy a menudo, encontrará mejores rutas o caminos alternativos que no están etiquetados ni son visibles en el mapa de calles, pero que aparecen en la imagen de satélite. Además, esto le dará una idea de qué esperar para que pueda verlo venir y anticiparse.

El tiempo también es importante: entre la luz roja y la luz verde en la dirección perpendicular, hay un momento en el que incluso una intersección peligrosa no tiene automóviles. Por lo tanto, a menudo es una buena idea ser el último en pasar el semáforo justo antes de que se ponga rojo.

Para Oahu específicamente, el Departamento de Transporte de Hawái publica el & quotBike Map Oahu & quot, que describe las rutas en bicicleta alrededor de la isla. Clasifican las rutas en & quot; Aptas para principiantes & quot, & quot; Experimentado & quot; y & quot; No aptas para bicicletas & quot.

Veo que hay un & quot; Sendero para bicicletas de Nimitz & quot que corre paralelo a la autopista Nimitz, que puede resultarle útil (no estoy seguro exactamente de adónde le llevaría su ruta).

Se prohíbe el uso de bicicletas en las autopistas interestatales.

Supongo que técnicamente significa las autopistas con números H (H1, H3, etc.) pero hay otras autopistas como las que muestra en su imagen que tienen sustancialmente el mismo diseño y no me gustaría montar mi bicicleta en ellas incluso si estuviera permitido .

Depende es la respuesta más segura. Tienes que estar cómodo en la carretera protegiendo tu espacio y poder conducir con seguridad. Algunas personas luchan por mantener la calma cuando los autos los pasan y eso, a su vez, las hace incapaces de concentrarse en conducir con seguridad. En la imagen que publicas, lo usaría en el hombro si fuera a menos de 15 MPH. Si iba más rápido como 18 MPH +, tomaría el carril porque no hay mucho espacio para escapar con la barrera de concreto + los escombros están en el arcén. Ahora la única pregunta es si tiene algún camino alternativo que no esté en una carretera principal o que incluso tenga un carril exclusivo para bicicletas. Si es así, iría por ese camino aunque sea un poco más.

Principalmente conduzco en la carretera, por lo que brindaré consejos y experiencias que me funcionaron.

Comprenda las leyes locales para bicicletas y lo que significa tomar un carril cuando no hay arcén ni carril para bicicletas. También trate de entender cómo tomar un carril evita que los autos lo pasen cerca de usted porque saben desde lejos que deben cambiar de carril para adelantarlo. Esto también ayuda a mejorar el flujo del tráfico y la visibilidad de los automóviles que vienen detrás de usted. Aquí hay un sitio que proporciona esa información con más detalles: https://cyclingsavvy.org/road-cycling/#runover

Defina de antemano sus factores desencadenantes de cuándo tomará un carril. Para mí son cuando el arcén no me deja una vía de escape debido a lo estrecho que es, o si hay escombros en el arcén, o si probablemente voy a viajar más del 50% del límite de velocidad del tráfico durante un tramo. A esas velocidades, quiero el carril completo para evitar obstáculos y baches.

La mayoría de los estados y parece que Hawái también permite que las bicicletas tomen un carril en ciertas condiciones: consulte (§291C-145) https://www.hbl.org/bikelaws/

Recomendaría conseguir un espejo retrovisor que puedas colocar en las caídas de la barra o manillar de tu bicicleta. Me ayuda a mantenerme consciente de la situación. También hay un radar de bicicleta orientado hacia atrás, que acabo de recibir y estoy tratando de descubrir cómo montarlo en mi bicicleta, así que aún no lo he usado. Sin embargo, el espejo retrovisor marca una gran diferencia para mí en lo que respecta a la conciencia de la situación (es decir, saber que puedo hacer la transición de un arcén al carril cuando el arcén es irregular, saber que un automóvil me está pasando y / o que ya ha cambiado de carril detrás de mí cuando tomo un carril, etc.)

Me aseguraría de que tenga al menos una luz roja intermitente trasera. Me gusta y uso Bontrager, porque tienen un patrón de destellos que está diseñado para evitar que un conductor simplemente lo desvíe.

La velocidad es tu amiga en la carretera. He montado en carreteras congestionadas cuando comencé a aprender a andar en mi bicicleta de carretera y el límite de velocidad indicado era de al menos 35 o más. Estaba en un lugar que era más denso de lo que verán en el video a continuación, pero la gente me dio espacio cuando tomé un carril. Ahora no estaban contentos con eso y recibirás más bocinazos / personas que te digan lo que sienten por ti. Ciertamente, esto no inspira confianza y tienes que juzgar por ti mismo cuánto de eso estás dispuesto a tolerar hasta que seas capaz de conducir más rápido. Decidí seguir con eso porque sabía que no estaba infringiendo ninguna ley de tráfico y eventualmente llegaría más rápido.

No puedo describir por qué es diferente a la naturaleza humana, pero descubrí que, por alguna razón, una vez que comienzas a llegar a la adolescencia superior oa más de 20 mph en una bicicleta, los autos tienden a hablar menos sobre tener que rodearte. Quizás sea porque no están acostumbrados a que las bicicletas vayan tan rápido y optan por morderse la lengua.

También elijo ejecutar un Go Pro como el equivalente a una cámara de tablero en caso de que ocurra algo en la carretera, puedo concentrarme en acciones evasivas en lugar de obtener información de la matrícula. De hecho, eso en sí mismo también puede ser un impedimento para la furia en la carretera, ya que un conductor cuando estaba haciendo un viaje de recuperación hace un par de semanas y manejando 15 MPH o así se detuvo para comenzar a maldecirme. Una vez que vio que lo estaban grabando, salió de allí y el Go Pro capturó toda su información + voz si algo más hubiera ocurrido allí.

A continuación se muestra un clip de uno de mis paseos. No me acerco a la cámara si eso tiene sentido. Simplemente captura lo que hago normalmente para mantenerme a salvo en la carretera. En este clip, puede ver todo lo que describí anteriormente: control de carril, transición al hombro y la espalda dependiendo de la condición del hombro, etc. Tenga en cuenta que la última vez que monté este tramo fue hace más de un año. No recordaba el estado del arcén, así que verán un paseo realista frente a mí conociendo el estado del pavimento antes del paseo.


1 respuesta 1

render polilínea gruesa con textura de carretera

Al renderizar la polilínea, necesita la matriz TBN, así que use

  • polilínea tangente como tangente
  • superficie normal como normal
  • binormal = tangente x normal

cambiar la posición real del punto p a

y renderizar la línea texturizada (p0, p1). Este enfoque no coincide exactamente con la malla de la superficie, por lo que debe deshabilitar la profundidad o usar algún tipo de combinación. También en curvas cerradas, podría perder algunas partes de una curva (en ese caso, puede renderizar un rectángulo o un disco en lugar de una línea).

cree la malla cambiando la polilínea a los lados a la mitad del tamaño de la carretera

Esto produce un ajuste de la carretera con una malla precisa, pero debido a sus limitaciones, la forma de la carretera puede distorsionarse mucho sin una nueva triangulación de la malla en algunos casos. Yo lo veo así:

  1. para cada segmento de carretera, 2 líneas desplazadas a la mitad del tamaño de la carretera (verde, marrón)
  2. encontrar su intersección (puntos aguamarinos) con el borde compartido de la malla con el punto de control de la carretera actual (punto rojo)
  3. obtenga el punto promedio (punto magenta) de las intersecciones y utilícelo como vértice de la malla de la carretera. En caso de que uno de los puntos esté fuera de la malla compartida, ignórelo. En caso de que ambas intersecciones estén fuera del borde compartido, busque la intersección más cercana con un borde diferente.

Como puede ver, esto puede dar lugar a graves distorsiones del grosor de la carretera en algunos casos (grandes diferencias entre los puntos de intersección o uno de los puntos de intersección está fuera del borde de la malla de la superficie).

Si necesita un grosor de carretera preciso, utilice la intersección de las líneas marcadas como punto de control de la carretera. Para hacerlo posible, use la combinación o deshabilite la profundidad durante el renderizado o agregue este punto a la malla de la superficie volviendo a triangular la malla de la superficie. De ordinario, esta acción también afectará a la malla de la carretera y es necesario repetir varias veces.

Otra forma es el uso de textura combinada para carreteras (como sprites) y calcular la coordenada de textura para los puntos de control. Si la carretera es demasiado gruesa, adelgace cambiando la coordenada de textura. Para que esto funcione, debe seleccionar el punto de intersección más lejano en lugar del promedio. Calcule la mitad del tamaño real de la carretera y, a partir de esa, calcule la coordenada de textura.

Si elimina la limitación (para la malla de la carretera) de que los puntos de vértice de la carretera se encuentran en los segmentos o vértices de la malla de la superficie, simplemente puede usar la intersección de las líneas desplazadas solo. Eso eliminará los artefactos de grosor y simplificará mucho las cosas.


2 respuestas 2

De acuerdo, he estado reflexionando sobre esto por un tiempo y he formulado un algoritmo de retroceso que creo que funcionará. La idea es que intente construir un polígono en sentido antihorario. Y configuraremos el problema de manera que el primer polígono que encontremos sea el más pequeño. De esa manera, no tenemos que encontrarlos todos.

  1. Ordene los segmentos de línea en orden de qué tan cerca están del punto de destino.
    • De ahora en adelante, siempre que necesite recorrer las líneas, repítalas en este orden ordenado
    • Trate los segmentos de línea como líneas infinitas al calcular su distancia desde el punto de destino.
  2. Realice el Paso 3 con el segmento de línea más cercano, utilizando el 2do punto de intersección a lo largo de la línea en el sentido "antihorario"
    • Tome "en sentido antihorario" para indicar la dirección que coloca el punto de destino en el lado izquierdo de la línea.
    • Nota la 1er El punto de intersección es, con suerte, el lugar donde terminaremos una vez que hayamos trabajado alrededor del punto objetivo.

A. Haz un bucle sobre todas las otras líneas que aún no son parte de la forma que estás construyendo, encontrando sus puntos de intersección con esta línea.
B. Ordene los puntos de intersección en sentido antihorario con respecto al punto de destino.

Encuentre el siguiente punto de intersección en sentido antihorario en la línea actual. Si este es el primer punto que estamos revisando en esta línea, entonces el "siguiente" punto es el que está después del punto de intersección que nos llevó a esta línea.

R. Si no existe tal punto (esto podría significar que ya hemos verificado todos los puntos en la línea actual), entonces la solución candidata actual no es factible.

  • Retractarse a la línea anterior y repita Paso 4 con el siguiente punto de esa línea.
  • Si no hay una línea anterior (es decir, está en la línea donde comenzó la forma), Retractarse y hacer Paso 2 con la siguiente línea más cercana, comenzando una nueva forma.

B. Si la línea que forma el punto de intersección no tiene el punto de destino en su lado izquierdo (en sentido contrario a las agujas del reloj), entonces el polígono que formaría no encierra el punto de destino. Repita el paso 4 para la línea actual con su siguiente punto.
C.Si la línea que forma el punto de intersección es la línea con la que comenzaste, entonces hemos encontrado la solución.
D. Si nada de lo anterior es cierto, no Paso 3 para la línea que formó el punto de intersección.


Consultas KNN continuas restringidas en redes de carreteras con mejora de almacenamiento en caché.

RESUMEN: El uso de un sistema de posicionamiento global (GPS) en el sistema de navegación del automóvil permite al conductor realizar una amplia gama de consultas, desde localizar la posición del automóvil, hasta encontrar una ruta desde un origen hasta un destino, o seleccionar dinámicamente la mejor ruta en tiempo real. Con las bases de datos de redes espaciales (SNDB), los objetos están restringidos para moverse en rutas predefinidas (por ejemplo, carreteras) que están especificadas por una red subyacente. En nuestro trabajo anterior, propusimos un enfoque novedoso, denominado Expansión de red incremental progresiva (PINE), para admitir de manera eficiente varias consultas espaciales. En este trabajo, utilizamos nuestro sistema PINE desarrollado para respaldar de manera eficiente las consultas restringidas continuas de K vecinos más cercanos (RCKNN). RCKNN encuentra continuamente los K objetos más cercanos a un punto de consulta en una ruta determinada que se encuentran dentro de un límite de distancia especificado. Nuestra solución aborda un nuevo tipo de consulta plausible para muchas aplicaciones donde la respuesta a la consulta no solo depende de las distancias de los vecinos más cercanos, sino también de las necesidades del usuario o de la aplicación. Al distinguir entre dos tipos de puntos de división, reducimos el número de cálculos necesarios para recuperar los RCKNN de un objeto en movimiento. Además, definimos un modelo de almacenamiento en caché para acelerar el tiempo de respuesta de la consulta RCKNN.

Descriptores de Sujeto y Categorias

H.2.4 [Sistemas] Procesamiento de consultas H.2.8 [Aplicaciones de bases de datos]: Bases de datos espaciales y SIG C.2.3 [Operaciones de red]

K Vecinos más cercanos, sistema de posicionamiento global

Palabras clave: sistema de navegación, bases de datos en red, bases de datos espaciales

1. Introducción y antecedentes

Durante la última década, debido al rápido desarrollo de la tecnología de la información (TI), se introdujeron nuevas aplicaciones que van más allá de los sistemas tradicionales basados ​​en la web y, por lo tanto, presentan nuevos desafíos para investigadores, desarrolladores y usuarios. Se han propuesto y estudiado varios tipos de consultas espaciales (por ejemplo, vecino más cercano - NN, K vecinos más cercanos - KNN, vecino más cercano continuo - CNN, k vecinos más cercanos continuos - CKNN) y se han estudiado en el contexto de las bases de datos espaciales. El tipo más común es la consulta KNN de punto, que se define como: dado un conjunto de objetos espaciales (o puntos de interés) y un punto de consulta de entrada, recuperar los (K) vecinos más cercanos a ese punto de consulta. El NN es el objeto de destino con la ruta más corta desde el punto de consulta en la ruta. La implementación eficiente de la consulta KNN es de especial interés en los sistemas de información geográfica (SIG). Por ejemplo, un dispositivo GPS en un vehículo brinda información de la ubicación de un objeto, que, una vez ubicado en un mapa, sirve como base para encontrar los K restaurantes o estaciones de servicio más cercanos con el camino más corto hacia ellos.

Se han introducido diferentes variaciones de consultas KNN. Una variación son los KNN continuos de cualquier punto de una ruta determinada. Como ejemplo, cuando el dispositivo GPS del vehículo inicia una consulta para encontrar continuamente las 3 gasolineras más cercanas al vehículo en cualquier punto de una ruta desde el origen hasta el destino. El resultado es un conjunto de intervalos o puntos de división donde los KNN de un objeto en movimiento en una ruta serán los mismos hasta estos puntos.La versatilidad de la búsqueda de K vecinos más cercanos aumenta sustancialmente si consideramos otras variaciones de la misma, como las consultas KNN continuas (CKNN) y las consultas CKNN restringidas (RCKNN). La consulta CKNN se define como el K punto de interés más cercano a cada punto de una ruta, y ha encontrado aplicaciones en los SIG (p. ej., encontrar mis 3 gasolineras más cercanas en cualquier punto durante mi ruta desde la ciudad A a la ciudad B.) El resultado de este tipo de consulta es un conjunto de tuplas & ltresult, interval & gt tal que el resultado es el KNN de todos los puntos en el intervalo correspondiente ordenados por distancias al punto de consulta. El intervalo está definido por dos puntos finales, llamados puntos de división, que especifican en qué parte de la ruta cambiarán los KNN de un objeto en movimiento. Esto significa que los KNN de un objeto que viaja en un intervalo de la ruta permanecen iguales durante todo ese intervalo, hasta que alcanza un punto de división donde cambian sus KNN. Con RCKNN, solo se devuelven los puntos de interés que se encuentran dentro de una distancia de red fija d alrededor del objeto de consulta. Esto agilizaría la ejecución de las consultas de CKNN debido a la reducción de los puntos de interés a recuperar.

Teniendo en cuenta que los dispositivos móviles, como los navegadores, suelen tener recursos de memoria limitados y menor potencia computacional, en [16] [25] propusimos un enfoque novedoso que reduce el problema del cálculo de distancia en una red muy grande al problema de cálculo de distancia en una serie de redes mucho más pequeñas más alguna expansión de red "local" en línea. La idea principal detrás de ese enfoque, denominada Expansión de red incremental progresiva (PINE), es dividir primero una red grande en regiones más pequeñas / más manejables. Lo logramos generando un diagrama de red de Voronoi sobre los puntos de interés. Cada celda de este diagrama de Voronoi está centrada por un objeto (por ejemplo, un restaurante) y contiene los nodos (por ejemplo, vehículos) que están más cerca de ese objeto en la distancia de la red (y no la distancia euclidiana). A continuación, precalculamos la entre distancias para cada celda. Es decir, para cada celda, calculamos previamente las distancias a través de los puntos fronterizos de las celdas adyacentes. Esto reducirá el tiempo y el espacio previos al cálculo al localizar el cálculo en celdas y un puñado de pares de nodos de celdas vecinas. Ahora, para encontrar los k vecinos más cercanos de un objeto de consulta q, primero encontramos el primer vecino más cercano simplemente ubicando la celda de Voronoi que contiene q. Esto se puede lograr fácilmente utilizando un índice espacial (por ejemplo, árbol R) que se genera para las células de Voronoi. Luego, comenzando desde el punto de consulta q, realizamos la expansión de la red en dos escalas diferentes simultáneamente para: 1) calcular la distancia desde q a su primer vecino más cercano (su punto central de la celda de Voronoi), y 2) explorar los objetos que están cerca de q (centros de las celdas de Voronoi circundantes) y calcular sus distancias a q durante la expansión. Al resolver consultas RCKNN, es importante tener en cuenta que la emisión de una consulta tradicional de vecino más cercano en cada punto del segmento de línea no es factible debido a la gran cantidad de consultas generadas y la gran sobrecarga. El desafío para este tipo de consulta es encontrar de manera eficiente la ubicación de los puntos de división en la ruta. O en otras palabras, en qué parte del camino cambia el KNN. La idea principal detrás de nuestro enfoque es que los KNN de cualquier objeto en un camino entre dos nodos adyacentes (por ejemplo, intersección en la red de carreteras) pueden ser un subconjunto de cualquier punto de interés (por ejemplo, gasolineras) en el camino. Por lo tanto, la solución se basa en romper todo el camino hacia segmentos más pequeños (subrutas), donde cada segmento está rodeado por dos nodos adyacentes. Nuestro enfoque se basa entonces en encontrar las distancias mínimas entre dos vecinos subsiguientes más cercanos de un objeto, solo cuando los dos vecinos pueden tener un punto de división entre ellos. Esta distancia especifica la distancia mínima que el objeto puede moverse sin requerir que se emita una nueva consulta KNN.

Dividimos el problema en dos casos, dependiendo del número de vecinos solicitados por una consulta RCKNN. Cuando solo se solicita el primer vecino más cercano (por ejemplo, encontrar solo el restaurante más cercano a un vehículo mientras está en movimiento), nuestra solución se basa completamente en el modelo PINE. Mostramos que los puntos de división en la ruta son simplemente las intersecciones de la ruta con la red de polígonos de Voronoi (NVP) de la red, que son un subconjunto de los puntos fronterizos de las NVP. El segundo caso es cuando RCKNN solicita más de un vecino, la idea principal detrás de nuestro enfoque es que el KNN de cualquier objeto en una ruta entre dos nodos adyacentes (por ejemplo, intersección en el sistema de carreteras) solo puede ser un subconjunto de cualquier punto de interés (por ejemplo, restaurantes) en la ruta, más los KNN de los nodos finales. Por lo tanto, primero debemos encontrar los KNN de las intersecciones en la ruta usando PINE, y luego encontrar la ubicación de los puntos de división entre dos nodos adyacentes y sus KNN asociados.

Para encontrar de manera eficiente la ubicación de los puntos de división en la ruta, usamos una versión modificada del algoritmo IE propuesto por [9]. La solución se basa en dividir toda la ruta en segmentos más pequeños, donde cada segmento tiene dos puntos finales (por ejemplo, intersecciones adyacentes en la red de carreteras) y encontrar los KNN de todos los nodos en cada segmento. Hay un punto de división entre dos nodos adyacentes con diferentes KNN. La ubicación de los puntos de división se puede encontrar especificando primero si cada NN está aumentando o disminuyendo, dependiendo de las distancias desde un objeto de consulta a los KNN de los nodos a medida que los objetos se mueven, luego calculando un punto de división para cada miembro creciente del conjunto de candidatos con cada NN decreciente, o viceversa. En cada paso del algoritmo, verificamos si los puntos (puntos de interés, puntos de intersección o puntos fronterizos) que se exploran están dentro de una distancia de red d alrededor del punto de consulta. De lo contrario, dejamos de expandirnos en esa dirección.

Además, distinguimos entre diferentes puntos de división. Un tipo de puntos de división donde reemplazamos el (los) elemento (s) de la lista KNN con (a) uno (s) diferente (s) en comparación con la lista KNN del nodo inicial de un segmento se llama "Elemento-Punto dividido" (ESP). Otro tipo de puntos de división en los que cambiamos el orden de los elementos del KNN se llama "Order-SplitPoint" (OSP). En algunas aplicaciones, solo nos interesan los k vecinos más cercanos y no sus distancias ordenadas (es decir, siendo el primer vecino más cercano o el segundo.) Por ejemplo, supongamos que mientras viajamos en automóvil, emitimos una consulta para encontrar los cinco restaurantes más cercanos a nosotros, sin embargo, optaríamos por ir al que sirva nuestra cocina favorita y no necesariamente el más cercano. La consulta puede devolver los siguientes cinco restaurantes más cercanos en orden ascendente: indio, italiano, americano, chino e indonesio. Aunque el restaurante indio es el más cercano, podríamos ir al restaurante americano si nos gusta la cocina americana. Aquí, la elección no se basó en distancias puras. Si la aplicación no requiere el orden de los KNN, solo tenemos que guardar los puntos ESP e ignorar el OSP. La intuición es que el recuento total de todos los ESP es menor que el OSP.

Al contrastarlo con [9], nuestro método reduce el número de consultas KNNs realizadas y elimina la necesidad de actualizar las direcciones (aumentando, disminuyendo) del NN a medida que el objeto se mueve. Solo generamos una tabla para proporcionar la información sobre dónde se producirá el ESP / OSP y las sugerencias para los elementos KNN en cada punto de interrupción. Por lo tanto, se reduce el número de cálculos para recuperar el KNN continuo de un objeto en movimiento.

Nuestros resultados experimentales en [16] [25] mostraron que V [N.sup.3] falló en responder algunas consultas de CKNN y proporcionó resultados no válidos. Nuestro análisis del algoritmo identificó algunas fallas en el algoritmo, especialmente en los casos en los que ambos puntos finales de un segmento de línea (enlace de carretera) tienen un vecino más cercano en común. En este caso, el algoritmo asume que mientras se mueve de un punto final al otro, la distancia al vecino común más cercano aumenta o disminuye en todo el enlace. Sin embargo, nuestra investigación y análisis mostraron que este no es el caso. Por lo general, la distancia aumenta hasta llegar a un punto de división virtual (no real). En este punto, la distancia se reduce porque el camino más corto al vecino común más cercano pasaría por el segundo punto final. Por lo tanto, en este artículo proporcionamos un algoritmo modificado para resolver ese problema.

Finalmente, teniendo en cuenta la limitación de los recursos de memoria, proponemos un nuevo mecanismo de almacenamiento en caché que se utilizará dentro del sistema de navegación para agilizar la respuesta a las consultas de RCKNN.

El tipo de consulta más común que se encuentra en las bases de datos espaciales es la consulta del punto k vecino más cercano (KNN), que se define como: dada una consulta de punto en un espacio multidimensional, encontrar los k objetos más cercanos en la base de datos al punto de consulta. Este tipo de consulta se utiliza ampliamente en los sistemas de información geográfica (SIG) y, por lo tanto, fue el foco de muchas investigaciones. Hay dos grupos de algoritmos propuestos para abordar la consulta KNN. Algunos de los algoritmos se basan en la utilización de distancias euclidianas, otros algoritmos se basan en distancias de red. Las consultas KNN regulares son la base para varias variaciones de consultas como el KNN continuo restringido. En esta sección, presentamos una descripción general del trabajo anterior relacionado con la consulta KNN y sus variaciones.

El trabajo existente en el primer grupo considera espacios cartesianos (típicamente euclidianos), donde la distancia entre dos objetos está determinada por su posición relativa en el espacio. La principal desventaja con los enfoques en [15] [11] [18] es que los cálculos de la ruta más corta se realizan basándose en distancias euclidianas, mientras que en la práctica, los objetos generalmente se mueven solo en caminos predefinidos. Esto hace que los cálculos de distancia dependan de la conectividad entre estos objetos. Aquí, la medida importante es la distancia de la red, lo que hace que los algoritmos del primer grupo no sean prácticos para SNDB.

El otro grupo de investigación se centra en resolver el KNN para bases de datos de redes espaciales. En estas bases de datos, se capturan las conexiones de red subyacentes y la distancia entre dos objetos es la longitud de la ruta más corta que los conecta. Los enfoques en [13] [8] [16] admiten las consultas KNN exactas en bases de datos de redes espaciales.

La solución en [13], denominada Expansión Incremental de la Red (INE), introduce una arquitectura que integra la red y la información euclidiana. Se basa en la creación de una región de búsqueda para el punto de consulta que se expande a partir de la consulta y que es similar al algoritmo de Dijkstra. Las ventajas de este enfoque son: 1) ofrece un método para encontrar la distancia exacta en las redes y 2) la arquitectura puede admitir otras consultas espaciales como la búsqueda de rango y los pares más cercanos. Sin embargo, este enfoque adolece de un rendimiento deficiente cuando los objetos (por ejemplo, restaurantes) no están densamente distribuidos en la red porque esto conducirá a que se recuperen grandes porciones de la base de datos. Este problema también ocurre con valores grandes de k.

El enfoque del vecino más cercano de red basado en Voronoi (V [N.sup.3]) propuesto en [8] se basa en las propiedades de los diagramas de Voronoi de red (NVD). Utiliza cálculos previos localizados de las distancias de la red para un porcentaje muy pequeño de nodos vecinos en la red para mejorar el tiempo de respuesta a las consultas y reducir los accesos al disco. Además, los polígonos de red Voronoi (NVP) de un NVD se pueden utilizar directamente para encontrar el primer vecino q más cercano. Posteriormente, la información de adyacencia de NVP proporciona un conjunto candidato para otros vecinos más cercanos de q. Finalmente, las distancias calculadas previamente se utilizan para refinar el conjunto. El proceso de filtrado / refinamiento en V [N3] es iterativo: en cada paso, primero se genera un nuevo conjunto de candidatos a partir de los VNP, luego las distancias precalculadas se utilizan para seleccionar "solo el siguiente" vecino más cercano. de q. Las ventajas de este enfoque son: 1) ofrece un método que encuentra las distancias exactas en las redes, 2) un tiempo de respuesta de consulta rápido y 3) devuelve progresivamente los k vecinos más cercanos y sus distancias desde el punto de consulta. La principal desventaja de este enfoque es su necesidad de precalcular y mantener dos conjuntos de datos diferentes: 1) cálculo de consulta a borde: calcular las distancias de la red desde q hasta los puntos fronterizos del polígono de Voronoi de su red circundante, y 2) borde a cálculo de borde: calcular las distancias de la red desde los puntos fronterizos de NVP de q hasta los puntos fronterizos de cualquiera de los otros NVP. Además, este enfoque sufre en el rendimiento con conjuntos de datos de menor densidad.

Propusimos en [16] un enfoque novedoso, denominado PINE, para abordar de manera eficiente las consultas KNN en SNDB. La idea principal detrás de este enfoque es dividir primero una red grande en regiones más pequeñas y manejables, luego calcular previamente las distancias entre las regiones. Esos dos pasos se pueden implementar fácil y eficientemente usando un diagrama de Voronoi de primer orden, luego se puede usar un cálculo similar al INE para el cálculo de distancias internas. La ventaja de PINE es que tiene menos tiempo de acceso al disco y menos tiempo de CPU que V [N.sup.3]. Además, el rendimiento de PINE es independiente de la densidad y distribución de los puntos de interés y la ubicación del objeto de consulta. Al realizar cálculos a través de la red solo para los puntos fronterizos de las regiones vecinas, evitamos cálculos globales más adelante.

Las soluciones propuestas para las consultas KNN regulares se utilizan directamente o se han adaptado para abordar las variaciones de las consultas KNN, como las consultas RCKNN. Dada una ruta predefinida, una consulta continua recupera tuplas de la forma & ltresult, interval & gt donde cada resultado va acompañado de un intervalo futuro, durante el cual es válido. A pesar de la importancia de las consultas continuas en las SNDB, los escasos estudios en la literatura están diseñados para espacios euclidianos (por ejemplo, [21], que no son aplicables a las SNDB.

Por ejemplo, el enfoque propuesto en [21] utiliza el árbol R como método de acceso a la partición de datos subyacente. Su algoritmo atraviesa el árbol y poda los accesos innecesarios a los nodos basándose en algunas heurísticas que utilizan distancias euclidianas. Su objetivo es realizar una única consulta de toda la ruta. El algoritmo comienza con una lista inicial de puntos de división (SL) que contiene solo los nodos inicial y final de la ruta, y una lista inicial vacía de NN, y luego actualiza gradualmente el SL durante el procesamiento de la consulta. Después de cada paso, el SL contiene el resultado actual con respecto a todos los puntos de datos procesados ​​hasta el momento. El resultado final contiene cada punto de división que permanece en SL después de la terminación junto con su vecino más cercano. La ventaja de [21] es que evita múltiples escaneos de la base de datos al informar el resultado con un solo recorrido de la base de datos. Sin embargo, todavía tiene la mayor desventaja de utilizar distancias euclidianas que no son aplicables a las distancias de la red.

Finalmente, [9] abordan el problema de las consultas CKNN en las redes de carreteras. Propusieron dos técnicas denominadas: examen de intersección (IE) y algoritmo de límite superior (UBA) para encontrar la ubicación y el KNN de los puntos de división en la ruta. La primera solución, IE, encuentra los KNN de todos los nodos en una ruta dividiendo la ruta en segmentos y solo examinando los KNN de los nodos de intersección. Hay un punto de división en la ruta más corta entre dos nodos adyacentes con diferentes KNN y se calcula la ubicación de ese punto. El segundo enfoque, UBA, mejora el rendimiento de IE al reducir el número de cálculos KNN al eliminar el cálculo de KNN para los nodos que no pueden tener puntos de división entre ellos. La intuición de UBA es que cuando un objeto de consulta se mueve ligeramente, es muy probable que sus KNN sigan siendo los mismos. UBA propone un método para encontrar la distancia mínima que el objeto puede moverse sin requerir la emisión de un nuevo KNN.

Hay tres defectos de [8]: 1) el número total de puntos de división calculados usando este algoritmo es a veces redundante o inútil para algunos tipos de aplicaciones como explicamos en la sección 1, 2) La distancia a todos los KNN de ambos nodos finales (es decir, la distancia a la lista de candidatos de cada segmento) se actualizan y ordenan en cada punto de división que incurre en una sobrecarga innecesaria, y 3) El algoritmo PINE es más eficiente que VN3 para encontrar el KNN de un punto. (Para obtener resultados experimentales, consulte [16]). Hasta donde sabemos, [9] es el único enfoque que utiliza distancias de red para encontrar CKNN.

En la sección 3 discutimos nuestro enfoque para resolver RCKNN usando PINE.

3. Consultas restringidas continuas de k vecinos más cercanos (RCKNN)

Las consultas de vecino más cercano continuas restringidas se definen como la determinación de los k vecinos más cercanos de cualquier objeto en una ruta determinada que se encuentran dentro de una distancia de red d del objeto de consulta. Un ejemplo de este tipo de consulta se muestra en la Figura 1. En este ejemplo, un objeto en movimiento (por ejemplo, un automóvil) viaja a lo largo de la ruta ([L1], [L2], [L .3], [L4]) (especificado por las líneas discontinuas) y estamos interesados ​​en encontrar los primeros 3 vecinos más cercanos (los vecinos se especifican en la figura por <[n. 1],. [n. 8]>) al objeto en cualquier punto dado de la ruta que esté dentro de una distancia de red d desde el objeto de consulta. El resultado de una consulta KNN continua restringida es un conjunto de puntos de división y sus KNN asociados. Los puntos de división especifican las ubicaciones en la ruta donde cambian los KNN del objeto. El desafío para este tipo de consulta es encontrar de manera eficiente la ubicación de los puntos de división en la ruta.

En esta sección discutimos nuestra solución para consultas RCKNN en bases de datos de redes espaciales. Primero presentamos nuestro enfoque para los escenarios cuando solo se desea el primer NN (es decir, RCNN), y luego para los casos en los que se solicita el RCKNN de cualquier punto en una ruta determinada.

3.1. Consultas 1NN continuas restringidas (RCNN) mediante PINE

Nuestra solución para consultas CNN restringidas se basa en nuestro trabajo anterior PINE que divide la red en polígonos Voronoi (NVP) de red de primer orden disjuntos (Safar, 2005) de tal manera que el primer vecino más cercano de cualquier punto dentro de un polígono es el generador. de ese polígono. Para encontrar el RCNN de una ruta dada, primero buscamos los puntos de división en la ruta en la que cambia el NN. Al cruzar la ruta con los NVP de la red, los puntos de intersección especifican los puntos de división, que a su vez, definen los segmentos de la ruta dentro de cada polígono. Como resultado, el primer NN continuo restringido para cada punto en un segmento dentro de un polígono es el generador de ese polígono, si está dentro de una red d distancia de ese punto.Sin embargo, este enfoque no se puede extender a las consultas RCKNN porque el NVD es un diagrama de red de primer orden que solo puede especificar el primer NN.

3.2. Consultas KNN continuas restringidas (RCKNN) mediante PINE

Nuestro algoritmo para encontrar el KNN continuo restringido de cualquier punto en una ruta, comienza dividiendo la ruta en segmentos más pequeños de acuerdo con algunas propiedades, luego encuentra el KNN continuo restringido para cada segmento y, finalmente, genera el conjunto de resultados para toda la ruta mediante uniendo los resultados para todos los segmentos. Se muestra que debe haber un punto de división en la ruta más corta entre los nodos de los segmentos si los nodos finales tienen diferentes KNN [9]. De lo contrario, el conjunto de KNN continuo restringido permanecería fijo en ese segmento si los KNN en ese enlace están dentro de una distancia de red d desde el punto de consulta. Para encontrar de manera eficiente la ubicación de los puntos de división, nuestro algoritmo realiza los siguientes pasos:

Paso 1: El primer paso es dividir la ruta original en segmentos más pequeños utilizando la técnica propuesta por [9] de manera que los puntos finales de cada segmento sean una intersección o un punto de interés.

Paso 2: Luego, encontramos los KNNs de los nodos finales de cada segmento usando nuestro algoritmo KNNs (PINE) [16] [25]. Se muestra que los KNN continuos restringidos de cada segmento son un subconjunto de la unión de KNN de los puntos finales de ese segmento que llamamos a esta unión la lista de candidatos. A partir de esta lista, generamos una nueva lista ordenada de los vecinos más cercanos para el punto de inicio del segmento. En otras palabras, la lista se ordena según las distancias al nodo inicial del segmento ([L.sub.y]). Similar a [9], también especificamos la dirección de cada vecino (aumento / disminución) según si la distancia a ese vecino aumenta o disminuye a medida que el objeto de consulta se mueve desde el punto de inicio del segmento hasta un punto de división.

Paso 3: Elimine de la lista de candidatos los puntos KNN que se encuentran dentro de una distancia de red mayor que d desde el punto de consulta.

Paso 4: En este paso, intentamos encontrar las ubicaciones de los puntos de división, ya que sabemos que si los nodos finales tienen KNN diferentes, entonces debe haber uno o más puntos de división en la ruta más corta entre los segmentos. nodos [9]. Para cada miembro del conjunto con dirección creciente, compárelo con cada vecino de dirección decreciente para encontrar la ubicación (relativa al nodo inicial de un segmento [Ly]) de todos los puntos de división en un segmento usando el siguiente método: Punto de división (P) generado a partir de [flecha hacia arriba] (pn.sub.i], [d.sub.n]) y [flecha hacia abajo] ([n.sub.j], [EXPRESIÓN MATEMÁTICA NO REPRODUCIBLE EN ASCII]) que está a una distancia de ([EXPRESIÓN MATEMÁTICA NO REPRODUCIBLE EN ASCII]) / 2- [EXPRESIÓN MATEMÁTICA NO REPRODUCIBLE EN ASCII] de la ubicación [L.sub.y] (nota: [EXPRESIÓN MATEMÁTICA NO REPRODUCIBLE EN ASCII] y [MATEMÁTICA NO REPRODUCIBLE EN ASCII] EXPRESIÓN NO REPRODUCIBLE EN ASCII] son ​​las distancias desde la ubicación [L.sub.y].) El número total de puntos de división es siempre igual al número de vecinos de distancia creciente multiplicado por el número de vecinos de distancia decreciente y todos deben ser generados. Más adelante distinguiremos entre dos tipos de puntos de división.

Paso 5: Guardamos los resultados del paso anterior para el segmento ([Ly], [Ly + 1]) en un formato de tabla ordenado incrementalmente según distancias a [Ly]. Cada fila tiene tres entradas: (1) punto de división ([P.sub.i]), (2) distancia entre [P.sub.i] y [L.sub.y (dpi)], (3) y división -NN que es una tupla ([n.sub.i], [n.sub.j]) tal que los puntos de división se generan a partir de estos dos vecinos [n.sub.i] y [n.sub.j]. Para ver el pseudocódigo completo del algoritmo, consulte la Figura 2.

Dada la tabla, se puede encontrar fácilmente el KNN continuo restringido para un objeto en movimiento en el intervalo [Ly], [Ly + 1]. Comenzando con la lista de KNN del nodo inicial [L.sub.y], los KNN permanecen iguales a medida que el objeto se mueve hasta que alcanza el primer punto de división donde los KNN pueden cambiar según uno de los tres casos interpretados de la tercera columna entradas de la tabla guardada (por ejemplo, Tabla 1.) En un punto de división (P), la división NN ([n.sub.i], [n.sub.j]) podría significar (i) vecinos [n. sub.i] y [n.sub.j] cambiarán su orden en la lista KNN si ambos ya están en la lista (llamamos a estos puntos de división OSP), (ii) [n.sub.j] reemplazará [n.sub.i] en la lista KNN si [n.sub.j] no está ya en la lista (llamamos a estos puntos de división ESP), o (iii) nada va a cambiar en la lista KNN si ambos [ n.sub.i] y [n.sub.j] no están en la lista. Tenga en cuenta que el proceso de búsqueda de la tabla es progresivo en cada iteración (paso), ya que el objeto de consulta viaja entre puntos de división, depende del resultado de su paso anterior.

En [9], el algoritmo realiza un seguimiento de los elementos de la lista de candidatos y actualiza sus distancias al punto de división correspondiente en cada paso. No estamos actualizando las distancias entre los puntos de división y el KNN candidato porque esto incurre en cálculos innecesarios y almacenamiento de desperdicios. En otras palabras, estas distancias no son válidas cuando el objeto de consulta se mueve entre puntos de división y, si es necesario, las distancias a los KNN deben calcularse en línea dependiendo de la ubicación actual del objeto de consulta.

La Tabla 1 muestra los resultados de un ejemplo de aplicación del algoritmo anterior para el segmento ([L1], [L2]), donde el primer punto de división para este segmento es [P4] . Por tanto, los KNN de cualquier punto en el intervalo ([L1], [P4]) son iguales a los KNN de [L1] (y [P4]), para cualquier punto en el segmento ([P4], [P.sub.1]) es igual a KNNs de [P.sub.4] (y [P.sub.1]), y así sucesivamente. Tenga en cuenta que las distancias desde un objeto de consulta, que se encuentra entre dos puntos de división, a sus KNN se pueden calcular de manera similar. Los resultados para los segmentos ([L2], [n3]), ([n3], [L3]) y ([L3], [ L4]) se puede encontrar de forma similar. Además, todos los KNN que se muestran en la tabla están a una distancia menor que la distancia de red d del objeto de consulta.

Para ilustrar nuestra técnica, usamos el siguiente ejemplo: supongamos que en la Figura 1, estamos interesados ​​en encontrar los tres vecinos más cercanos a cualquier punto del camino ([L1], [L2], [ L3], [L4]) que se encuentran dentro de una distancia de red d = 8. Nos centramos en el primer segmento ([L1], [L2]), el otros segmentos posteriores pueden tratarse de manera similar.

Paso 1: El primer paso es romper la ruta original ([L1], [L2], [L3], [L4]) a segmentos más pequeños de modo que los puntos finales de cada segmento son una intersección o puntos de interés. Para el ejemplo dado, los segmentos resultantes serán ([L1], [L2]), ([L2], [n. 3]), ([n. sub.3], [L3]), ([L3], [L4]).

Paso 2: Luego determinamos los KNN de los dos nodos finales de cada segmento. Los tres restaurantes más cercanos de [L1] y [L2] con sus distancias son <([n. 1], 3), ([n. 2], 5), ( [n. 3], 7)> y <([n. 3], 1), ([n. 5], 4), ([n. 4], 5)>, respectivamente. Dado que ambos puntos finales de los segmentos tienen un conjunto diferente (o superpuesto) de KNN, entonces sabemos que debe haber (un) punto (s) de división entre [L1] y [L2] y que los KNN de cualquier punto en el segmento ([L1], [L2]) es un subconjunto de la lista de candidatos <[n. 1], [n. 2], [ n. 3], [n. 4], [n. 5]>. A continuación, generamos una nueva lista ordenada para [L1] KNN, especificando si el NN está aumentando o disminuyendo usando los símbolos [flecha arriba] y [flecha abajo], respectivamente. El resultado de este paso es <[flecha arriba] ([n.1], 3), [flecha arriba] ([n.2], 5), [flecha abajo] ([n.3 ], 7), [flecha hacia abajo] ([n. 5], 10), [flecha hacia abajo] ([n. 4], 11)>. Nótese que las distancias para el NN se calculan a partir de [L1].

Paso 3: Luego eliminamos todos los KNN de los dos nodos finales de cada segmento que están dentro de una distancia mayor que 8 de los puntos de consulta ([L1] y [L2]). Sin embargo, dado que [n. 1], [n. 2] y [n. 3] están todos dentro de una distancia menor que 8 de [L1] (7 y menos) y [ n. 3], [n. 5] y [n. 4] están dentro de una distancia menor que 8 de [L2] (5 y menos), entonces no los eliminamos. .

Paso 4: para cada miembro creciente [flecha hacia arriba] del conjunto, lo comparamos con cada miembro decreciente [flecha hacia abajo] para encontrar la ubicación de los puntos de división. En este ejemplo, tenemos 2 elementos crecientes ([flecha arriba] ([n.1], 3), [flecha arriba] ([n.2], 5)) y 3 elementos decrecientes ([flecha abajo ] ([n. 3], 7), [flecha hacia abajo] ([n. 5], 10), [flecha hacia abajo] ([n. 4], 11)). Por lo tanto, tenemos que generar un total de 2 * 3 = 6 puntos de división. El primer punto de división ([P.sub.1]) se genera a partir de [flecha arriba] ([n.1], 3) y [flecha abajo] ([n.3], 7) y está en una distancia de (7 + 3) 2 - 3 = 2 de [L1]. El segundo punto de división ([P2]) se genera a partir de [flecha hacia arriba] ([n. 1], 3) y [flecha hacia abajo] ([n. 5], 10) y está en una distancia de (10 + 3) 2 - 3 = 3,5 de [L1]. Del mismo modo, calculamos el resto de los puntos de división.

Paso 5: Los puntos de división generados a partir del paso 4 se ordenan de forma incremental según sus distancias a [L1]. En este ejemplo, [P4] tiene la distancia más corta a [L1], que es igual a 1, por lo que está en la parte superior de la Tabla 1 y primero en la Figura 3. Las entradas de la tercera columna representan los NN a partir de los cuales se genera el punto de división correspondiente. Por ejemplo, cuando generamos [P1] en el paso 3, comparamos [n. 1] con [n. 3] por lo tanto (1, 3) en la columna. De manera similar, para generar [P2], comparamos n1 con n5, por lo tanto (1, 5) en la columna. La Tabla 1 muestra los resultados de este paso para el segmento ([L1], [L2]). Usando esta tabla podemos resolver el problema de nuestro ejemplo. El problema era encontrar los tres vecinos más cercanos continuos de un punto de consulta que se movía de L1 a [L4]. Para resolver eso, comenzamos con el paso 1 para obtener la Tabla 1. Nuestro (IE modificado) dice que comenzando desde [L1] hasta el primer punto de división ([P4]) los 3 NN son [[n .sub.1], [n. 2], [n. 3]] ordenados de acuerdo a distancias a [L1], de la lista en el paso 2. Una vez que llegamos a [P.sub. 4], luego moviéndome hacia [P.sub.1] mi 3NN cambiará de la siguiente manera:

* Mire la entrada [P4] en la Tabla 1 [[P4] [valor absoluto de 1] (2,3)] la entrada de la tercera columna indica un cambio en [n. 1] y [n. 3]. Si estos vecinos ya estaban en la lista de [L1] 3NN, entonces cambiamos el orden de los elementos solamente. Mi nuevo 3NN de [P.sub.4] [flecha derecha] [P.sub.1] es el mismo que el formulario 3NN [L.sub.1] [flecha derecha] [P.sub.4] excepto por el cambio de posiciones [n. 2] con [n. 3]. Los 3 NN resultantes para la ruta [P4] [flecha derecha] [P1] son ​​[[n. 1], [n. 3], [n. 2] ] ordenados según las distancias a [P4].

* Luego de [P.sub.1] [flecha derecha] [P.sub.5], miramos la entrada P1 en la misma tabla y vemos ([n.1], [n.3]) en la tercera columna. Si los dos elementos de la tupla ya estaban en la lista ordenada de los 3NN de [P.sub.4], entonces cambiamos su orden como sucedió con el punto de división P4 anterior. Los 3NN resultantes son los mismos que los 3NN de [L1] [flecha derecha] [P4] con un cambio en las posiciones de [n. 1] y [n. 3] para obtener estos 3NNs [[n. 3], [n. 1], [n. 2]].

* Luego, de [P5] [flecha derecha] [P6], miramos la entrada [P5] en la misma tabla y vemos (2, 5) en la tercera columna. Si uno de los vecinos en la tupla está en la lista ordenada de los 3NN de [P.sub.1] y el otro no lo está, entonces sacamos uno y lo reemplazamos con el otro elemento. El 3NN resultante es el mismo que el 3NN de [P.sub.1] [flecha derecha] [P.sub.4] con reemplazo de un vecino [n.sub5] con [n.sub.2] para obtener esto 3NN [[n. 3], [n. 1], [n. 5]], clasificados según las distancias a [P5].

* Continuando el viaje para llegar a [P6] desde [P5], la entrada de la tabla para [P6] tiene ([n. 2], [n. 4] ) que no están en la lista 3NN de [P.sub.5]. Esto significa que en este punto de división no hay cambios en los vecinos más cercanos de los del punto de división anterior y permanece [[n. 3], [n. 1], [n. 5] ] para el intervalo] [P.sub.1] [flecha derecha] [P.sub.5] [P.sub.6] [. De [P2] [flecha derecha] [P3], encontramos (1, 5) en la Tabla 1, por lo que los nuevos 3NN son [[n. 3], [n. 5], [n. 1]]. Finalmente, llegamos al final del segmento [L2] desde [P3]. Mirando (1, 4) en la tabla, los nuevos 3NN para el intervalo [P3] [flecha derecha] [L2] son ​​[[n. 3], [n. 5], [n. 4]].

Como puede observar, en los puntos de división [P5] y [P3], reemplazamos los elementos del 3NN con otros elementos de acuerdo con las entradas en la Tabla1, por lo que estos puntos se denominan (ESP). Además, en los puntos de división [P4], [P1], [P6] y [P2] solo cambiamos el orden de los vecinos a medida que avanzábamos por los pasos , por eso estos se denominan (OSP). La Figura 4 ilustra estos tipos de puntos de división para el intervalo ([L1], [L2])

3.3. Ampliaciones y mejoras de RCKNN

Nuestros resultados experimentales en [16] [25] mostraron que V [N.sup.3] falló en responder algunas consultas de CKNN y proporcionó resultados no válidos. Nuestro análisis del algoritmo identificó algunas fallas en el algoritmo, especialmente en los casos en los que ambos puntos finales de un segmento de línea (enlace de carretera) tienen un vecino más cercano en común. En este caso, el algoritmo asume que mientras se mueve de un punto final al otro, la distancia al vecino más cercano común aumenta o disminuye a través del enlace. Sin embargo, nuestra investigación y análisis mostraron que este no es el caso. Por lo general, la distancia aumenta hasta llegar a un punto de división virtual (no real). En este punto, la distancia disminuye porque el camino más corto al vecino común más cercano pasaría por el segundo punto final. Por lo tanto, en esta sección proporcionamos un algoritmo modificado para resolver ese problema.

Un ejemplo de este tipo de situación se muestra en la Figura 5, donde un objeto en movimiento (por ejemplo, un automóvil) viaja a lo largo del camino (A, B) y estamos interesados ​​en encontrar los primeros 4 restaurantes más cercanos al objeto en cualquier momento dado. punto en el camino. El resultado de una consulta NN continua es un conjunto de puntos de división y su KNN asociado. Los puntos de división especifican las ubicaciones en la ruta donde cambia el KNN del objeto. En otras palabras, el KNN de cualquier objeto en el segmento (o intervalo) entre dos puntos de división adyacentes es el mismo que el KNN de los puntos de división. El desafío para este tipo de consulta es encontrar de manera eficiente la ubicación de los puntos de división en la ruta.

En la Figura 5 tenemos un automóvil que viaja de A a B y queremos encontrar los 4 vecinos más cercanos mientras se mueve hacia B. Según [8] los 4 NN para el automóvil serán un subconjunto de los 4 NN de A y 4 NN de B. Por lo tanto, seguimos el siguiente algoritmo:

Paso 1: Primero encontramos los 4 NN para A y para B. 4NN para A = <(r1,2), (r5,3), (r4,4), (r2,8)>, 4NN para B = < (r2,3), (r3,4), (r4,5), (r1,7)> (suponga que todos están dentro de una distancia de red especificada d desde el punto de consulta)

Paso 2: Decida qué vecinos son comunes y cuáles no: Vecinos comunes: r1, r4, r2, Vecinos poco comunes: r5, r3

Paso 3: para puntos poco comunes:

* r5 (uno de los cuatro vecinos más cercanos de A) la distancia siempre aumentará [flecha hacia arriba] a medida que el automóvil se mueva de A a B

* r3 (uno de los cuatro vecinos más cercanos de B) la distancia siempre disminuirá [flecha hacia abajo] a medida que el automóvil se mueva de A a B

* Si el camino más corto pasa por uno de los nodos (A o B) todo el tiempo

* r2 (el camino más corto siempre pasará por B) [flecha derecha] la distancia siempre disminuirá [flecha abajo] a medida que el automóvil se mueve de A a B

* r1 (el camino más corto siempre pasará por A) [flecha derecha] la distancia siempre aumentará [flecha arriba] a medida que el automóvil se mueve de A a B

* Si la ruta más corta no pasa por uno de los nodos (A o B) todo el tiempo (por ejemplo, al principio, la ruta más corta pasa por A y luego la ruta más corta pasa por B). Para r4 al inicio, la distancia desde el automóvil a r4 comenzará con un aumento [flecha hacia arriba] ya que el camino más corto pasa por A, pero en algún punto la distancia desde el automóvil a r4 disminuirá [flecha hacia abajo] desde el camino más corto pasará por B. Este punto será el medio de la ruta (r4, A, B, r4). Para encontrar este punto usamos la siguiente ecuación: X = (AC + AB + BC) / 2. Por lo tanto, la distancia desde el punto de inicio (punto de conmutación) = X-AC

Paso 5: Forme una lista que contenga A y B 4 NN (agregue la distancia entre A y B a los vecinos de B) y agregue los indicadores de aumento, disminución y cambio: <(r1,2) [flecha arriba], (r5, 3) [flecha arriba], (r4,4) [flecha arriba] [3.sup. *] O [7.sup. *], (R2,8) [flecha abajo], (r3,9) [flecha abajo ]>. [3.sup. *] Significa que cambiaremos el indicador después de que el automóvil cruce 3 unidades de A hacia B (o cuando la distancia de r4 al automóvil sea igual a 7 a través de A).

Paso 6: Encuentre el punto de división y compárelo con el valor del cambio. Si es mayor, realice el cambio y luego vuelva a calcular el punto de división. Para cada punto de división, decida si es un punto de división de orden (OSP) (donde solo cambió el orden de los 4 NN), o es un punto de división de elemento (ESP)

* Encuentra el punto de división: los puntos de división se encontrarán siempre que tengamos [flecha hacia arriba] seguida de [flecha hacia abajo]

* Primer punto de división entre r4 y r2 y estará en 6 y después de que el automóvil cruce 2 unidades (que es & lt punto de conmutación). Este punto de división llamado OSP (los primeros 4 vecinos más cercanos no cambiarán)

Paso 7: Actualice la lista agregue 2 unidades a los pares que tienen el indicador [flecha hacia arriba] y reste 2 de los pares que tienen el indicador [flecha hacia abajo]. La nueva lista será la siguiente:

Paso 8: Vaya a los pasos 6 y 7 nuevamente

* Entre r2, r5 [flecha derecha] después de 0,5 unidades (2,5 de A)

* Entre r4, r3 [flecha derecha] después de 0,5 unidades (2,5 de A)

* El mismo punto de división en este punto de división, uno de los 4 vecinos más cercanos se cambiará, por lo que este es ESP:

Paso 9: Vaya a los pasos 6 y 7 nuevamente

* Entre r1, r2 [flecha derecha] después de 0,5 unidades (3 de A que = punto de conmutación).

* Entre r5, r3 [flecha derecha] después de 0,5 unidades (3 de A que = punto de conmutación).

* Este punto de división llamado OSP (los primeros 4 vecinos más cercanos no cambiarán)

* Pero también se llama punto de conmutación donde el camino más corto del punto común r4 pasará por B en lugar de pasar por A y la distancia del automóvil disminuirá a medida que el automóvil se mueva hacia B:

Paso 10: Repita 6 y 7 hasta que los primeros 4 pares de la lista = 4NN para B = <(r2,3), (r3,4), (r4,5), (r1,7)>, que son r2, r3, r4, r1

4. Un mecanismo de caché para consultas RCKNN

Teniendo en cuenta que los dispositivos móviles como los navegadores suelen tener recursos de memoria limitados, en esta sección proponemos un nuevo mecanismo de almacenamiento en caché que se utilizará dentro del sistema de navegación para agilizar la respuesta a las consultas de RCKNN.

4.1. Información que se almacenará en caché

Suponemos que los siguientes son los diferentes tipos de información que se calculan sobre la marcha en el sistema de navegación del automóvil y, por lo tanto, requieren almacenamiento en caché.

1. Divida los puntos para cada segmento (después de que el mapa se haya subdividido convenientemente en segmentos delimitados por nodos), que son un conjunto finito de nodos.

2. KNN para puntos de interés específicos, que también son un conjunto finito de nodos.

3. CKNN o RCKNN para un segmento particular bajo consideración, que también son un conjunto finito de nodos.

Los datos precalculados almacenados en la base de datos constan de:

1. Distancias entre puntos (para buscar en el mapa), que son de números fijos.

2. Lista de enlaces que se originan en un nodo en particular, que son un conjunto finito de nodos.

Tenga en cuenta que los términos punto y nodo se han utilizado indistintamente en este documento. Seguimos adelante, con los supuestos anteriores. A continuación, enumeramos nuestras observaciones sobre el diseño de la caché para el problema CKNN o RCKNN.

La caché que proponemos sería de un tamaño fijo (fracción de la memoria del cliente), que sería capaz de acomodar la información heterogénea de las categorías especificadas anteriormente. El rendimiento de la memoria caché se vería obstaculizado si lo dividimos en fragmentos fijos / dinámicos, cada uno para contener una categoría particular de información. Puede haber situaciones en las que un fragmento particular se desborde (requiriendo así más memoria), mientras que otro podría quedar vacío. Para superar esto, proponemos almacenar las diferentes categorías de información en forma de registros predefinidos, eliminando así la necesidad de dividir la caché. La información de cada tipo se denomina paquete de información. Se utilizan diferentes estructuras de paquetes de información para almacenar KNN, SP y CKNN / RCKNN. Por tanto, la caché almacenaría estos diferentes paquetes de información (independientemente del orden) hasta que se alcance su capacidad máxima de memoria. Estos paquetes de información se someterían a Reemplazo / Desalojo de la caché, según nuestro algoritmo de caché.

4.3. Estructura de los INFO-PAQUETES

Cada paquete de información consta de un encabezado que indica el tipo de información como se ve en la Figura 6.

* KNN: El paquete almacena el INFO_TYPE, el punto para el que se calcula KNN, el número de KNN para el punto, el tamaño total requerido por el paquete y la lista de KNN para el punto. El TAMAÑO del paquete nos permite decidir si un Paquete se puede acomodar en la caché o no.

* SP: El paquete almacena el INFO_TYPE, el segmento de línea entre el cual se calculan los puntos de división, el número de puntos de división, el tamaño total del paquete y una lista de todos los puntos de división con sus distancias desde el inicio del segmento de línea + NN de división.

* CKNN o RCKNN: El almacenamiento es similar a los KNN excepto que en lugar de un solo punto, se almacena todo el segmento de línea entre los que se encuentran los CKNN o RCKNN.

Asignamos prioridades para los tres tipos de información mencionados anteriormente como: KNN & gt SP & gt CKNN / RCKNN. Esto es razonable porque los CKNN / RCKNN pueden derivarse de los SP, mientras que los SP pueden derivarse de los KNN. Por lo tanto, nuestra política intenta retener tantos paquetes KNN relevantes como sea posible en la caché y solo una fracción de los paquetes SP, CKNN / RCKNN.

4.4. Escenarios de desalojo y reemplazo de caché

Se requiere una estrategia de reemplazo de caché eficiente para garantizar que la caché siempre se llene solo con los paquetes de información relevantes y expulsar todos los obsoletos. Supongamos que nuestro caché contiene una cantidad considerable de información después de que el cliente recorre cierta distancia. Discutimos el contenido de la caché en varias etapas.

* El cliente está posicionado entre [L1] y [L2]: En este instante, el caché contiene: (a) KNNs de [L.sub.1], (b) KNNs de [L. sub.2], (c) Puntos de división entre [L1] y [L2], (d) CKNNs / RCKNNs para el segmento [L1] - [L2] .

* El cliente completa el segmento de línea [L1] - [L2] y se posiciona en [L2]: En este instante, el caché contiene: (a) KNN de [L1 ], (b) KNNs de [L2], (c) Puntos de división entre [L1] y [L2], (d) CKNNs / RCKNNs para el segmento [Lsub. 1] - [L2]. Ahora necesitamos actualizar la caché, porque el cliente tomaría un segmento diferente. El punto de partida del nuevo segmento sería [L2], pero no conocemos el otro punto. En esta etapa, asumimos que a partir de [L2], el cliente se movería hacia el MÁS CERCANO de todas las CKNN / RCKNN calculadas para el segmento [L1] - [L2], decir [n. 6]. Basándonos en este vecino, podríamos identificar el segmento (que contiene al vecino) y almacenar los KNN para el otro extremo, digamos [L3]. Pero puede haber situaciones en las que el cliente viole este comportamiento normal y en lugar de elegir al vecino MÁS CERCANO, se mueva hacia los próximos más cercanos. Para resolver este problema, clasificamos las CKNN / RCKNN del segmento [L1] - [L2] en orden creciente y buscamos previamente los KNN de tantos puntos de intersección como sea posible basándose en ellos. Por ejemplo, si los CKNN / RCKNN ordenados son <[n.6], [n.3], [n.2]>, intentamos agregar los KNN de [L3] (ya que [n. 6] se encuentra en el segmento [L2] - [L3]) a la memoria caché. Si hay algo más de espacio disponible en la caché, pre-buscamos el siguiente conjunto KNN de [L4] (ya que [n. 3] se encuentra en el segmento [L2] - [L. sub.4]). Por lo tanto, los KNN para la mayoría de los segmentos se pueden obtener previamente en la memoria caché según la memoria disponible. Otra observación en este punto es que, si no hay espacio para traer ni siquiera un nuevo conjunto KNN, entonces los intentos de desalojar la caché son en el siguiente orden:

* Para desalojar primero las CKNN / RCKNN almacenadas para [L1] - [L2]

* Si el espacio aún no es suficiente, desaloje los puntos de división almacenados para [L1] - [L2]

* Si todavía el espacio no es suficiente, desalojar los KNN almacenados para [L1].

Este orden se realiza en función de la prioridad de estos tipos de información discutidos anteriormente. Supongamos aquí que debido a la falta de espacio, sólo se desalojan las CKNNs / RCKNNs para [L1] - [L2].

* El cliente elige el segmento de línea [L2] - [L3] y se mueve hacia [L3]: En este instante el caché contiene: (a) KNN de [L1] , [L2], [L3], y los de otros puntos de intersección calculados. Aunque los otros KNN no son de uso inmediato, se retienen si existe espacio en la caché. (b) Puntos de división correspondientes a [L1] - [L2], [L2] - [L3], (c) CKNNs / RCKNNs para [L.sub .2] - [L3]. Cabe señalar en esta etapa que, si la memoria caché no tiene espacio para acomodar los puntos de división recién calculados para [L2] - [L3] y CKNNs / RCKNNs para [L2 ] - [L3], luego se desalojan los puntos de división para [L1] - [L2]. Si aún es necesario el desalojo, se desalojan todos los KNN innecesarios de otros puntos de intersección.

Esta es la base de nuestro algoritmo de almacenamiento en caché que describimos a continuación:

Realizamos varios experimentos para evaluar el rendimiento de nuestros algoritmos mejorados utilizando PINE para resolver las consultas KNN continuas restringidas. Utilizamos conjuntos de datos del mundo real obtenidos de NavTech Inc., utilizados para dispositivos de navegación y GPS instalados en automóviles, y representan una red de aproximadamente 110,000 enlaces y 79,800 nodos del sistema de carreteras en el centro de Los Ángeles. Los experimentos utilizaron Oracle 9 como servidor de base de datos. Usamos diferentes conjuntos de puntos de interés (por ejemplo, restaurantes, centros comerciales, etc.)

En el primer experimento, presentamos los resultados promedio de 20 ejecuciones de consultas K vecinas más cercanas continuas restringidas (RCKNN) donde K varió de 5 a 20, y cambió la distancia de red d de 500 a 16000 metros. Calculamos la cantidad de veces que se emitió la consulta KNN para responder a una consulta RCKNN, la cantidad de puntos de división en la ruta y el tiempo de ejecución en segundos. El origen y el destino de las rutas de viaje se generaron aleatoriamente con longitudes aleatorias, sin embargo, nos aseguramos de no visitar ningún nodo más de una vez (para evitar ciclos).

Calculamos los resultados promedio de 20 ejecuciones de las consultas RCKNN mejoradas utilizando PINE para diferentes entidades (hospitales, restaurantes, etc.) Las entidades tienen diferente población y razón de cardinalidad (es decir, el número de entidades sobre el número de enlaces en la red , ver Tabla 2.) Por ejemplo, en la Tabla 3 mostramos el tiempo de respuesta de la consulta con el valor de K variando de 5 a 20, y para diferentes valores de K (valores de <5, 10, 15, 20>) cambiamos la distancia de restricción d de 500 a 16000 metros. Tenga en cuenta que las distancias de restricción son diferentes para diferentes entidades y está aumentando con entidades de menor densidad. Esto se debe al hecho de que, cuanto menor sea la densidad de una entidad, más se extenderán esas entidades en el mapa. Por lo tanto, necesitamos aumentar el valor de la distancia de restricción d solo para asegurarnos de obtener al menos una solución para cualquier consulta. La primera columna de la tabla especifica la distancia de restricción d. Desde la tercera columna en adelante, cada entrada de la tabla tiene tres valores (promediados en 20 ejecuciones): 1) Número de consultas KNN que se emitieron, 2) Número de puntos de división en la ruta y 3) Tiempo de ejecución en segundos.

De la Tabla 3, concluimos que el número total de consultas KNN emitidas es casi constante (en promedio alrededor de 10) independientemente de: 1) la densidad de las entidades, 2) la distancia de restricción d, y 3) el valor K (número de vecinos.) Esto se debe a que el número de consultas KNN emitidas depende únicamente de la forma en que la ruta original se divide en segmentos más pequeños. Los puntos finales de esos segmentos son una intersección o puntos de interés. El número de intersecciones en el mapa depende únicamente de las carreteras y no de las entidades y, por lo tanto, es fijo para todas las consultas emitidas. Además, para diferentes entidades hemos elegido diferentes distancias de restricción (aumentos con densidades más bajas), por lo tanto, el número de puntos de interés es casi fijo para las diferentes longitudes de ruta en diferentes entidades.

También es obvio de la Tabla 3 que, a medida que aumentamos la distancia de restricción d, aumenta el tiempo de ejecución y el número de puntos derramados. Esto se debe al hecho de que, a medida que aumentamos nuestra distancia de restricción, permitimos que se exploren más intersecciones y puntos de interés y, por lo tanto, aumenta el tiempo de ejecución y el número de puntos de división. Además, a medida que aumentamos el valor de K, el tiempo de ejecución y el número de puntos de división aumentan por las mismas razones mencionadas anteriormente. En las Figuras 7-9, mostramos el desempeño de nuestro algoritmo RCKNN en un tipo de entidad de datos (Escuelas) para ilustrar el comportamiento que describimos anteriormente. Otras entidades muestran exactamente el mismo comportamiento.

Además, la Tabla 3 muestra que a medida que disminuimos la densidad de los puntos de interés, el tiempo de ejecución aumenta, sin embargo, el número de puntos de división disminuye (consulte las Figuras 10-12 para ver un ejemplo con d = 2000m). densidad de las entidades, el punto de interés se extendería en un área más grande y, por lo tanto, habría que explorar un mayor número de puntos. Sin embargo, se crean menos puntos de división, porque con la disminución de la densidad, menos puntos de interés estarían más cerca del punto de consulta y, por lo tanto, se realizan menos cambios en la lista de vecinos más cercanos.

En el segundo experimento, estudiamos el efecto de aumentar el valor de K y las densidades de los puntos de interés sobre el número total de ESP (Puntos de división de elementos) y OSP (Puntos de división de objetos). Presentamos los resultados promedio de 20 corridas de consultas continuas mejoradas de K vecino más cercano (CKNN) donde K varió de 2 a 10 para diferentes entidades (hospitales, restaurantes, etc.) Las rutas de viaje desde el origen al destino se generaron aleatoriamente con longitudes aleatorias (en promedio 2 Km.) En la tabla 4 mostramos los resultados para diferentes valores de K (valores de <2, 4, 6, 8, 10>). La primera columna de la tabla especifica el tipo de entidad. A partir de la tercera columna en adelante, cada entrada de la tabla tiene tres valores (promediados en 20 carreras): 1) Número total de puntos de división (SP), 2) Número de puntos de división de elementos (ESP) y 3) Número de puntos de división de pedidos (OSP).

La Tabla 4 muestra que a medida que disminuimos la densidad de los puntos de interés, el número de puntos de división disminuye por las mismas razones que discutimos anteriormente en los resultados del primer experimento. Además, a medida que aumentamos el valor de K para la misma entidad, el número de puntos de división aumenta por las mismas razones mencionadas anteriormente. Para valores pequeños de K, obtenemos casi el mismo número de OSP y ESP en los SP. Sin embargo, notamos que a medida que aumentamos el valor K y la densidad de los puntos de interés, el porcentaje de OSP aumenta drásticamente sobre el porcentaje de ESP, y en algunos casos tenemos el 94% de los SP son OSP (ver Figuras 13 y 14.) En promedio sobre todos los experimentos, el porcentaje de OSP fue 77,6% y ESP fue 22,4%. Lo que significa que, por lo general, las respuestas de la consulta (puntos de interés) permanecen fijas, pero su orden de distancia a los puntos de consulta cambia.

En el experimento final, estudiamos el efecto de aumentar la longitud de la ruta de viaje sobre el número total de puntos ESP y OSP. En la Tabla 5 mostramos los resultados para diferentes longitudes de trayectorias de viaje (valores de <2, 4, 6, 8, 10> Km.). La primera columna de la tabla especifica la trayectoria de viaje en kilómetros. Desde la tercera columna en adelante, cada entrada de la tabla tiene tres valores (promediados en 20 ejecuciones): 1) Número total de SP, 2) Número de ESP y 3) Número de OSP.

La Tabla 5 muestra que a medida que aumentamos la longitud de la ruta de viaje, aumenta el número de SP. Además, la proporción de OSP sobre ESP aumenta dramáticamente (ver Figuras 15-16) por las mismas razones que discutimos anteriormente en los resultados del primer experimento. En promedio, en todos los experimentos, el número de OSP fue 6,5 veces mayor que el de ESP, y en promedio constituyen el 89% de los SP.

6. Conclusión y labor futura

En nuestro trabajo anterior, propusimos un enfoque novedoso, denominado Expansión de red incremental progresiva (PINE), para respaldar de manera eficiente las consultas NN y KNN. En este trabajo, utilizamos nuestro sistema PINE desarrollado para admitir de manera eficiente otras consultas espaciales, como las consultas de vecino más cercano continuo restringido (RCKNN). RCKNN es un tipo importante de consulta que encuentra continuamente los K objetos más cercanos a un punto de consulta en una ruta determinada dentro de una distancia límite restringida. El resultado de este tipo de consulta es un conjunto de intervalos (definidos por puntos de división) y sus KNN correspondientes. Esto significa que el KNN de un objeto que viaja en un intervalo de la ruta permanece igual durante todo ese intervalo, hasta que alcanza un punto de división donde cambian sus KNN. Los métodos existentes para RCKNN se basan en distancias euclidianas. En este artículo proponemos un nuevo algoritmo para responder RCKNN en Spatial Network Database (SNDB) donde la medida importante para el camino más corto son las distancias de la red en lugar de las distancias euclidianas. Nuestra solución aborda un nuevo tipo de consulta plausible para muchas aplicaciones donde la respuesta a la consulta no solo depende de las distancias de los vecinos más cercanos, sino también de la necesidad del usuario o de la aplicación. Al distinguir entre dos tipos de puntos de división, reducimos el número de cálculos para recuperar el KNN continuo restringido de un objeto en movimiento. Esto se logró distinguiendo entre dos tipos de puntos de división (ESP, OSP), lo que redujo el número de cálculos para recuperar el KNN continuo restringido de un objeto en movimiento. Además, definimos un modelo de almacenamiento en caché para agilizar aún más el tiempo de respuesta para las consultas RCKNN.

Este documento muestra el camino hacia varias direcciones prácticas e interesantes para el trabajo futuro en diferentes consultas espaciales utilizando la estructura PINE. Muchos trabajos están redireccionando el uso de este tipo de consultas de un método científico a una aplicación comercial real en varios campos como las telecomunicaciones y los servicios basados ​​en la ubicación. Planeamos extender nuestros algoritmos y estructuras para abordar consultas KNN de grupo, KNN restringido, KNN inverso, RNN continuo y RNN de grupo utilizando diferentes modelos de almacenamiento en caché.

Recibido el 26 de agosto de 2006 Revisado y aceptado el 21 de julio de 2007

[1] Berchtold, S. y col. (1997). Búsqueda rápida del vecino más cercano en un espacio de alta dimensión, en: Actas de ICDE, Orlando, Florida, EE. UU.

[2] Bozkaya, T. et al. (1997). Indexación basada en la distancia para espacios métricos de alta dimensión, Actas de SIGMOD, Tucson, Arizona, EE. UU.

[3] Chiueh, T (1994). Indexación de imágenes basada en contenido, Actas de VLDB, Santiago de Chile, Chile.

[4]. Ciaccia, P y col. (1997). M-tree: An Efficient Access Method for Similarity Search in Metric Spaces, Proceedings of the VLDB Journal, págs. 426-435.

[5] Corral, Y. et al. (2000). Consultas de pares más cercanos en bases de datos espaciales, IN: Proceedings of ACM SIGMOD International Conference on Management of Data, Dallas, EE. UU.

[6] Hjaltason, G.R. et al. (1999). Navegación a distancia en bases de datos espaciales, en: Proceedings of TODS, No. 2, p. 265-318, vol. 24.

[7] Jung, S. et al. (2002). Un modelo de cálculo de ruta eficiente para mapas de ruta topológicos estructurados jerárquicamente, transacción IEEE sobre conocimiento e ingeniería de datos.

[8] Kolahdouzan, M. y col. (2004). Búsqueda de vecinos más cercanos K basada en Voronoi para bases de datos de redes espaciales, Actas de VLDB.

[9] Kolahdouzan, M. et al. (2004). Consultas continuas de vecinos más cercanos de K en bases de datos de redes espaciales, en: Actas del segundo taller sobre gestión de bases de datos espacio-temporales STDBM.

[10] Kollios, G. et al. (1999). Consultas de vecinos más cercanos en un entorno móvil, Actas del Taller internacional sobre gestión de bases de datos espacio-temporales, p. 119-134.

[11] Korn, F y col. (1996). Búsqueda rápida de vecinos más cercanos en bases de datos de imágenes médicas, Actas de VLDB, Mumbai, India.

[12] Okabe, A. et al. (2000). Teselaciones espaciales, conceptos y aplicaciones de los diagramas de Voronoi. John Wiley and Sons Ltd., segunda edición.

[13] Papadias, D et al. (2003). Procesamiento de consultas en bases de datos de redes espaciales ", Actas de VLDB: 802-813.

[14] Rigaux, P. et al. (2002). Bases de datos espaciales con aplicaciones a SIG, Morgan Kaufmann.

[15] Roussopoulos, Net al. (1995) Consultas a los vecinos más cercanos, Actas de SIGMOD, San José, California.

[16] Safar, M. (2005) .K Búsqueda de vecinos más cercanos en sistemas de navegación, Journal of Mobile Information Systems (MIS), IOS Press.

[17] Saltenis, S. et al. (2000). Indexación de las posiciones de objetos en movimiento continuo, Actas de ACM SIGMOD.

[18] Seidl, T. et al. (1998).Búsqueda óptima de vecinos más cercanos de varios pasos ", Actas de SIGMOD, Seattle, Washington, EE. UU.

[19] Shahabi, C. et al. (2002). Una técnica de integración de redes de carreteras para k-búsqueda de vecinos más cercanos en bases de datos de objetos en movimiento, Actas de ACMGIS, McLean, VA, EE. UU.

[20] Song, Z. et al. (2001). Búsqueda de vecino más cercano para un punto de consulta en movimiento, en: Actas del 7º Simposio internacional sobre avances en bases de datos espaciales y temporales.

[21] Tao, Y. et al. (2002). Búsqueda continua de vecinos más cercanos, Actas de VLDB, Hong Kong, China.

[22] Tao, Yet al. (2004) Búsqueda de kNN inversa en dimensionalidad arbitraria, Actas de las 30 bases de datos muy grandes (VLDB), p. 744-755, Toronto, Canadá, 29 de agosto al 3 de septiembre.

[23] Yiu, M. Let al. (2005). Vecino más cercano inverso en gráficos grandes, en: Actas de ICDE 2005: 186-187.

[24] Yu, C et al. (2001). Indexación de la distancia: un método eficiente para el procesamiento KNN, Actas de la Conferencia de bases de datos muy grandes (VLDB).

[25] Safar, M (2006). Consultas KNN continuas mejoradas utilizando PINE en redes de carreteras. Actas de la 1ª Conferencia Internacional sobre Gestión de la Información Digital (ICDIM).

Maytham Safar (1), Dariush Ebrahimi (2), Mary Magdalene Jane F. (3), R. Nadarajan (4)


Mosaico cultural de Asia oriental

Los cuatro países que componen lo que llamamos "Asia Oriental" - China, Japón, Corea del Norte y del Sur, Vietnam - tienen todos elementos en común, pero, por supuesto, también hay una gran diversidad entre ellos.

Idiomas

Los cuatro países del este de Asia:

China sino-tibetano familia de lenguas

Corea y Japón Eurasiático o Altaico familia de lenguas

Austroasiático de Vietnam familia de lenguas

Usó el sistema de escritura chino para escribir sus propios idiomas hablados.

Tiempo extraordinario, ellos adaptado, modificado y agregado este sistema de escritura para adaptarse mejor a los sonidos y la sintaxis de su propio idioma hablado

Al mismo tiempo, los embajadores, burócratas, diplomáticos, eruditos y pensadores religiosos aprendieron y usaron el chino clásico, escrito y hablado, para comunicarse entre sí, aproximadamente desde el siglo VII hasta el XIX. Esto fue similar al uso del latín en Europa occidental en el período clásico y más tarde del francés, cuando Francia llegó a dominar en tamaño y a enviar embajadores alrededor del siglo XVIII. Las élites de los cuatro países intercambiaron ideas sobre el confucianismo y el budismo, y lo hicieron en chino clásico escrito. De ese modo, la creación de una "civilización de Asia Oriental" compartida, al igual que el latín y el francés habían facilitado la evolución de lo que se conoce como "civilización occidental".

El chino clásico siguió siendo el idioma escrito más prestigioso en toda la región de Asia oriental hasta el siglo XIX, la insignia visible de un estándar alfabetizado común de civilización. [Génesis de EA, pag. 8]

Chino

Las inscripciones en idioma chino, y por lo tanto la historia china en el sentido más verdadero, aparecen por primera vez en la Llanura Central alrededor del 1200 a. C. Este fue un desarrollo cuya importancia no se puede exagerar. [Génesis de EA, pag. 8]

El uso continuo durante más de 3.000 años de este mismo idioma y esta misma escritura (con algunas modificaciones) se encuentra en el corazón mismo de la tradición cultural china, y literatura escrita en el idioma chino clásico también forma el eslabón más crítico que une a China con las otras partes no chinas del este de Asia, demarcándolos muy visiblemente del resto del mundo. [Génesis de EA, pag. 8]

Las escrituras de Asia Oriental (basadas en China) han sido consideradas como los únicos sistemas de escritura en la tierra que todavía se usan con normalidad en la actualidad y que no derivan en última instancia del egipcio. [Génesis de EA, pag. 8]

Nota sobre los caracteres chinos en China y Asia oriental
El significado de los caracteres chinos, utilizados como sistema de escritura, puede ser entendido por personas que hablan diferentes dialectos e idiomas en toda China y en los otros países del este asiático como Japón, Corea y Vietnam. La forma más fácil de pensar cómo esto es posible es por analogía con el uso de números arábigos, "1", "2", etc., que tienen el mismo significado dondequiera que estén escritos, a pesar de la pronunciación del número en el idioma del escritor.

El idioma chino [Asia para educadores]
Esta descripción general del idioma chino, tanto hablado como escrito, incluye una lectura introductoria para los profesores, una guía de pronunciación del chino mandarín y una lectura sobre la historia, la pronunciación y el sistema de escritura del idioma chino.

Idioma chino: mitos y realidades [Sociedad de Asia]
Ensayo breve e informativo que desacredita las nociones populares de que el chino "escribe en imágenes" o de que el chino es un idioma monosilábico, donde cada palabra es una sola sílaba. Una introducción informativa al idioma y su lugar en China y la civilización más grande de Asia Oriental.

Escritura china [Sociedad de Asia]
Breve ensayo que explica la naturaleza de los caracteres chinos como sistema de escritura.

Aprender chino en línea [Universidad Estatal de California, Long Beach]
Un excelente recurso para todos los aspectos del aprendizaje del idioma chino. Desarrollado por el Dr. Tianwei Xie del Departamento de Estudios Asiáticos y Asiáticos Americanos de la Universidad Estatal de California, Long Beach. Seleccione & quot; Caracteres & quot del menú lateral, luego & quot; Caracteres animados & quot; de la lista de la página principal para ver demostraciones animadas del orden de los trazos de muchos de los caracteres chinos más comunes.

Caligrafía china [Asia para educadores]
Esta introducción a la caligrafía china incluye una lectura sobre la caligrafía china, discutiendo sus diversos estilos, técnicas y materiales, dos ejercicios de caligrafía para el aula y preguntas de discusión.

Caligrafía [Libro de consulta visual de la civilización china, Universidad de Washington]
Un libro de consulta visual de la civilización china, preparado por la profesora de historia de la Universidad de Washington Patricia Buckley Ebrey, es un recurso excelente, con imágenes, preguntas para discusión, mapas y lecturas sugeridas en todo momento. Esta unidad en particular analiza los tipos de técnicas de escritura caligráfica china de transmisión y caligrafía durante tres períodos de la historia china: el período de las Seis Dinastías, el período Tang y la China moderna.

Caligrafía china [Sociedad de Asia]
"La caligrafía china tiene una historia de dos milenios. [Este ensayo de antecedentes explora] los inicios, las ideas detrás, las razones y las tecnologías que dieron origen a esta forma de arte convincente. & Quot

Caligrafía china, el arte de escribir [Instituto de China: China360]
Los estudiosos generalmente reconocen que hubo cuatro veces en el mundo en que se inventó la escritura. Jeroglíficos egipcios y mayas, caracteres chinos y cuneiforme sumerio, que es de donde deriva nuestro alfabeto. Todo menos el idioma escrito chino es fonético. Los chinos llevan escribiendo más de 3.500 años.

Nombres chinos [Asia para educadores]
Una descripción general de la práctica china de nombrar generacionales con caracteres significativos.

¿Lo que hay en un nombre? Ríos, ciudades y provincias de China [Asia para educadores]
Un ejercicio de traducción con los nombres de ríos, ciudades y provincias de China.

Rastros de ideas: comunicación a través de la escritura y la tecnología [Rastros visibles, Sociedad de Asia]
La sección "Rastros de ideas" del plan de estudios de Rastros visibles (basada en la exhibición de 2000 Rastros visibles: libros raros y colecciones especiales de la Biblioteca Nacional de China) incluye dos ensayos relacionados con la caligrafía china: "Tradición y transformación en el sistema de escritura chino", que examina las características del chino escrito y su desarrollo a lo largo del tiempo, y "Escritura y tecnología en China", que examina las tecnologías para la escritura y la impresión.

Escritura e idioma chino [Omniglot]
Una discusión concisa sobre los orígenes y la historia del lenguaje escrito chino. Con diagramas.

Japonés

HABLANDO Y ESCRIBIENDO [Asia para educadores]
Sobre hablar y escribir japonés, con una discusión sobre & quotkanji & quot, caracteres chinos adaptados para japonés escrito.

Japonés (Nihongo) [Omniglot]
Una discusión concisa sobre los orígenes y la historia de la lengua escrita japonesa. Con diagramas. Consulte también Kanji japonés en este sitio web para obtener texto explicativo y gráficos sobre el uso de caracteres chinos en japonés escrito.

Coreano

El idioma coreano [Sociedad de Asia]
Descripción general del idioma coreano.

El alfabeto más increíble del mundo [Sociedad de Asia]
Una explicación de los orígenes y características del alfabeto coreano, han'gul. Incluye entrevista en video del lingüista James McCawley y recurso visual del guión.

coreano [Omniglot]
Una historia concisa del coreano escrito. Con gráficos del alfabeto Hangeul (Han'gul).

Introducción al coreano: tabla de letras coreanas, con guía de pronunciación [langintro.com]
Muestra consonantes y vocales coreanas en gráficos separados, con sonidos romanizados.

Vietnamita

vietnamita [U de Pensilvania]

Hay muchos alimentos que son comunes en los países del este de Asia. Dos de los más frecuentes son y arroz.

“Históricamente, los orígenes del té y las islas se remontan aproximadamente al 2700 a. C. Se cree que se descubrió por primera vez en las zonas montañosas de China y las provincias del extremo occidental de Sichuan y Yunnan. & Quot [Fuente: China.com]

La cultura del té se extendió por todo el este de Asia y, finalmente, hacia el oeste. Muchas tradiciones en China, Corea y Japón implican beber té.

Los mapas a continuación muestran áreas de cultivo de té en el este de Asia y China, respectivamente. Formosa, que se muestra en estos mapas, es la actual Taiwán, pero el nombre Formosa se sigue utilizando en los nombres de los tés, siendo el más conocido & quot; Formosa oolong & quot. tres hojas de té y una yema, que luego se procesan de una manera particular para proporcionar un té con un sabor delicado. Para obtener más información sobre el proceso oolong, visite el sitio web del té Oolong).

Perfil de la planta: té [Cultivos vegetales] Un breve perfil de la planta del té, con imágenes.

Grabado de una planta de té con tallo floral y segmentos florales. Fuente: Wellcome Library, Londres.
Té en China

El viaje comestible por China [ThinkQuest]
Haga clic en & quot; Casa de té & quot; en la parte inferior de la página para ver dos secciones centradas en el té. & quotHistory Corner & quot - para una breve historia del té en China - y & quotThe Tea Laboratory & quot - para una descripción general de los diferentes tipos de té y costumbres del té.

Té en Japón

Proyecto de casa de té de la Universidad de Cornell [Universidad de Cornell]
Un excelente sitio web para aprender sobre las tradiciones japonesas en arquitectura, cerámica y beber té. Los videoclips, las fotografías y el texto ilustran la construcción de una casa de té japonesa tradicional, comenzando desde la siembra de juncos hasta la estructura terminada.

La ceremonia del té japonesa (Chaji) [Compañía de Comercio de la Montaña Sagrada]
Una descripción de la ceremonia del té, los implementos utilizados, la casa de té, los aspectos espirituales. Con fotografías.

Ceremonia del té japonesa
Descripciones completas de todos los aspectos de la ceremonia del té y enlaces a otros sitios con información sobre este tema.

Té en Corea

Corea: el otro país del té [Boletín de TeaMuse]
Un artículo sobre la historia del consumo de té en Corea.

La forma coreana del té [Sociedad de Corea]

Arroz en Asia Oriental

Agricultura de arroz húmedo en China [Asia para educadores]
En todo el este de Asia, el arroz es un cultivo agrícola común, alimento y producto comercial. La siguiente lectura breve presenta el sistema agrícola de arroz húmedo. El enlace abrirá una nueva ventana.

Año Internacional del Arroz: 2004 [Organización de las Naciones Unidas para la Agricultura y la Alimentación (FAO)]
Lista de sitios web preparados para el Año Internacional del Arroz 2004

Banco de conocimientos sobre arroz [Instituto Internacional de Investigaciones sobre el Arroz]
Recursos multimedia en línea sobre el arroz en los países de Asia oriental y sudoriental

Arroz en China

Comida y geografía de China [Asia para educadores]
Un ejercicio en el aula con una nota del maestro, un ensayo y preguntas para debatir sobre diferentes regiones de comida china.

Pedir una comida china [Asia para educadores]
Este ejercicio está diseñado para presentar a los estudiantes la cocina china.

Arroz en Japón

ARROZ: es más que un alimento [PDF] [Compendio del Japón, noviembre de 1993]
El arroz como concepto cultural en Japón.

El jardín secreto de Japón: el milagro del arroz [NOVA, PBS]
Una buena presentación del cultivo del arroz en Japón. Con texto, fotos, enlaces.

Arroz en Corea

Comida coreana: arroz y platos de arroz [Vida en Corea]
Se incluye información sobre el arroz en Corea y recetas.

Arroz en Vietnam

Experto en arroz
Este gran sitio web fue construido por estudiantes en Taiwán. Contiene información y fotografías sobre todos los aspectos de la industria del arroz en el valle de Huatung en Taiwán. Primero haga clic en los enlaces de encabezado en el costado de la página y luego en los enlaces blancos sobre fondo negro para encontrar toda la información.

Fotografía: Arroz en Vietnam (Ciudad Ho Chi Minh) [terragalleria.com]
Esta fotografía muestra cómo los diferentes tipos de arroz son viejos en Vietnam.

Palillos

Ropa

Hoy en día, la gente del este de Asia usa "ropa internacional", tal como la usan las personas en los Estados Unidos y en todo el mundo. Las imágenes que se muestran aquí son las de “ropa tradicional” que se habría usado tradicionalmente y que a menudo todavía se usa en fechas importantes y para celebraciones en estos países. (Las personas en los Estados Unidos, cuando se les pide que usen "ropa tradicional", estarían más inclinadas a usar "ropa tradicional" del país de sus antepasados ​​o elegir ropa usada en los primeros días por los colonos en todo Estados Unidos).

Porcelana

Túnicas imperiales [Museo Metropolitano de Arte]

Yi Woman en traje típico, Provincia de Sichuan, década de 1980 [Visual Sourcebook of Chinese Civilization, University of Washington] (izquierda), Monje chino vistiendo túnicas en la tradición Mahayana, 20th C (derecha) [Asociación de Educación del Buddha Dharma]

Japón

Noh Robe, período Edo (1615-1868), segunda mitad del siglo XVIII [Museo Metropolitano de Arte]

Abrigo bordado (attush), Ainu, Kokkaido, finales del siglo XIX

Plebeyo en Kosode (kimono de manga corta), período Edo temprano

Monje budista de la secta Jishu con túnica ami-e, período Kamakura

Samurai en ropa interior de cadena y casco, período Edo

Corea

Handbok para mujer, siglo XX basado en los estilos de la dinastía Joseon (1392-1910)

Handbok para hombre, s. XX basado en los estilos de la dinastía Joseon

Túnicas ceremoniales para el rey y la reina, dinastía Joseon

Vietnam

Viaje a Vietnam: vestimenta [Museo del descubrimiento de niños y rsquos de San José]
(texto y fotos cortesía de este sitio web)

El vestido tradicional nacional en Vietnam es el ao dai, una túnica de seda con pantalones usados ​​por mujeres y hombres. Los Ao dài se usan para ocasiones especiales, incluido el Tet, la celebración del año nuevo. Desde el siglo XX, los vietnamitas también han usado ropa contemporánea que es popular en muchos lugares del mundo.

Religión

La naturaleza del cosmos

Porcelana
Corea

Taegeuk: la bandera de Corea del Sur [Sociedad de Asia] RELIGIÓN
Los elementos de la bandera simbolizan las fuerzas duales de la naturaleza. El círculo rojo y azul en el medio de la bandera se llama taegeuk en coreano (t'ai chi en chino), que, traducido literalmente, significa & quotsupreme ultimate & quot. El círculo está dividido en dos partes, cada una de las cuales se asemeja a una coma. La parte superior roja representa las fuerzas del yang (yang en chino también), y la parte inferior azul representa las fuerzas de um (yin en chino).

ANCESTOR Veneración y religión popular

Porcelana
Vietnam

Viaje a Vietnam - Altares [Museo del descubrimiento de niños y rsquos de San José]
Casi todos los hogares, oficinas y negocios de Vietnam tienen un pequeño altar para honrar a los antepasados. El altar generalmente incluye un incensario, al menos un jarrón para flores, una pequeña lámpara de aceite y un lugar para hacer ofrendas de comida, dulces y té. Colgadas junto al altar o sentadas en el altar hay fotos de miembros de la familia que han fallecido.

Religión en Vietnam [Sociedad de Asia]
Un ensayo introductorio sobre la cosmovisión vietnamita a lo largo de los siglos.

Altares familiares en Vietnam y arroz en Vietnam [Universidad de Cornell]
Los estudiantes identificarán las principales religiones practicadas en Vietnam y los principios básicos de cada religión. Comprenda que los vietnamitas (como de hecho la mayoría de los asiáticos del sudeste) rara vez creen que estas religiones sean mutuamente excluyentes. Identificar los componentes principales de un altar familiar y el uso o simbolismo de cada elemento. Explore el impacto del Culto de los Ancestros en la vida familiar en Vietnam.

Corea

Religiones históricas y modernas de Corea [Sociedad de Asia]
A diferencia de algunas culturas donde predomina una sola religión, la cultura coreana incluye una amplia variedad de elementos religiosos que han dado forma a la forma de pensar y comportarse de las personas. En las primeras etapas de la historia de Corea, las funciones religiosas y políticas se combinaron, pero luego se diferenciaron.

Sistemas de creencias coreanos [Sociedad de Asia]
Extractos del Sermón del Monte de Jesús, las cuatro nobles verdades del budismo, las analectas de Confucio, que se utilizarán para examinar la confluencia y coexistencia de los sistemas de creencias en Corea.

Japón

Adoración a los antepasados ​​en Japón
La mayoría de las prácticas históricamente conocidas de culto a los antepasados ​​en Japón son adaptaciones de las costumbres chinas. Con el paso del tiempo y en convivencia con la religión sintoísta, el budismo japonés comenzó a enfatizar los ritos de la muerte y las ceremonias conmemorativas. Aunque el confucianismo nunca se desarrolló por completo en Japón, los ideales confucianos cuasirreligiosos de piedad filial se volvieron importantes y, a veces, se incorporaron en las enseñanzas de las sectas budistas japonesas, reforzando así el respeto por los antepasados ​​(Tamaru 1972).

BUDISMO

Budismo en Asia oriental y sudoriental

Budismo [OMuERAA, Asia para educadores]

Difusión del budismo en la ruta de la seda
Mapa que muestra dónde floreció el budismo chino a lo largo de la Ruta de la Seda [Biblioteca Británica]

Visiones de la iluminación: el arte del budismo [Museo de Asia Pacífico] Un excelente sitio web flash sobre el budismo. Para acceder al mapa Spread of Buddhism, haga clic en cualquier tema, luego haga clic en & quotTimeline & amp Map & quot en la parte inferior central. Luego, seleccione & quotSpread of Buddhism & quot al final de la línea de tiempo (abajo a la derecha)

Budismo en la Ruta de la Seda [Proyecto internacional de Dunhuang]
El Proyecto Internacional Dunhuang es una colaboración internacional innovadora para hacer que la información y las imágenes de todos los manuscritos, pinturas, textiles y artefactos de Dunhuang y los sitios arqueológicos de la Ruta de la Seda Oriental estén disponibles gratuitamente en Internet y para fomentar su uso a través de programas educativos y de investigación . & quot Este sitio web es un recurso verdaderamente completo para enseñar sobre la Ruta de la Seda. Ver especialmente el EDUCACIÓN & gtTEACH sección para enseñar sitios web sobre varios temas, incluyendo Budismo en la Ruta de la Seda. “Las civilizaciones que florecieron a lo largo de la Ruta de la Seda en el primer milenio de nuestra era estaban abiertas a las influencias culturales y religiosas de Oriente y Occidente. Muchas religiones, incluido el cristianismo, el budismo, el hinduismo, el islam, el zoroastrismo y el maniqueísmo, ganaron nuevos seguidores. Pero fue el budismo, recorriendo las rutas comerciales de la Ruta de la Seda, lo que se convirtió en el factor común que unía a los diferentes pueblos de la Ruta de la Seda. & Rdquo

El budismo y su difusión a lo largo de la Ruta de la Seda [Fundación Ruta de la Seda]
Texto con imágenes, mapas de área, cronología de eventos y nombres de figuras clave en la expansión del budismo desde la India hasta el este de Asia.

Lección 1: La historia de Buda y las cuatro nobles verdades
Pregunta esencial: ¿Cómo podría la historia de la vida de Buda y rsquos hacernos reconsiderar nuestra comprensión del éxito?
Reparto: La historia del Buda

Lección 2: Budismo Mahayana y Bodhisattva Guanyin
Documento 1: Un pasaje del Sutra del loto
Documento 2: Una historia milagrosa de Guantin
Pregunta esencial: ¿Quién es Guanyin y qué nos dice sobre cómo la gente encuentra soluciones a los problemas de la vida?

Lección 3: Enseñanzas de la moral budista
Pregunta esencial: ¿Cómo definen los budistas el bien y el mal, el bien y el mal y el comportamiento moral? Para los budistas, ¿qué es una vida moral?
Folleto: Budismo básico y moralidad budista
Actividad: Moralidad budista: cuestionario para estudiantes

Extractos de textos religiosos [Ensayo de fondo]
“Las Rutas de la Seda abarcaron una diversidad de culturas que abarcan numerosas religiones y visiones del mundo desde una vasta región que se extiende desde Venecia, Italia, hasta Heian (actual Kioto), Japón. Entre estos dos puntos finales geográficos, los sistemas de creencias que están representados incluyen el budismo, el confucianismo, el cristianismo, el taoísmo, el hinduismo, el islam, el judaísmo y el sintoísmo. . Esta lectura presenta comparaciones temáticas entre textos de [estas] grandes religiones del mundo.

La regla de oro de la reciprocidad [Plan de estudios]
Utiliza extractos de textos religiosos traducidos (enlace arriba). & quotLos estudiantes aprenden sobre la regla de oro de la reciprocidad al comparar citas de las principales religiones del mundo. Luego, los estudiantes crean su propia versión de la regla de oro. & Quot

Budismo en China

Budismo [Libro de consulta visual de la civilización china, Universidad de Washington]
"Esta unidad ofrece evidencia de cómo el budismo cambió la cultura visual de China, mostrando la evolución de imágenes de deidades, además de vistas de templos y personas que practicaban el budismo". Un libro de consulta visual de la civilización china fue preparado por la profesora de historia de la Universidad de Washington, Patricia Buckley Ebrey. Con preguntas para discusión, cronogramas, mapas y lecturas sugeridas. Seleccione HOME para encontrar un enlace a las guías de los profesores para todos los temas que aparecen en el sitio web.

Budismo: la tradición & quotImportada & quot [Asia para educadores]
Esta sección del módulo didáctico AFE, Viviendo en el cosmos chino: comprensión de la religión en la China imperial tardía, 1644-1911, examina la historia del budismo en China. Incluye una descripción general del budismo y sus orígenes en la India.

Budismo en China [Sociedad de Asia]
"Una breve introducción al budismo en China". Para comprender los sistemas de creencias chinos, es importante no tomar los términos al pie de la letra, la palabra "religión" (zongjiao), por ejemplo, no existía en el léxico chino hasta el siglo XIX. Apreciar la complejidad de los sistemas de creencias chinos es crucial para comprender las fuerzas que ayudaron a dar forma a China.

Budismo en Japón

Budismo en Japón [Sociedad de Asia]

Budismo en Corea

CONFUCIONISMO

Las tres enseñanzas [Sociedad de Asia]
Hay un significado perdurable del confucianismo en la cultura de Asia oriental y sus intersecciones con el taoísmo y el budismo, conocidos colectivamente como las & quot; tres enseñanzas & quot de la tradición china.

Introducción al pensamiento confuciano [Asia para educadores]
Una lectura de antecedentes sobre el impacto de la filosofía confuciana en el gobierno y la sociedad chinos.

¿Qué dijo Confucio? [Asia para educadores]
Una breve lectura de antecedentes sobre la persona Confucio y sus escritos.

Plan de lección • Confucianismo: comprensión y aplicación del Analectas de Confucio [PDF] [Educación sobre Asia, Asociación de Estudios Asiáticos]
Un plan de lección que pide a los estudiantes no solo que expliquen el significado de un pasaje del Analectas pero también para dar un ejemplo contemporáneo de la situación que describe Confucio.

Unidad de video • Enseñanza confuciana [Asia para educadores]
Una unidad de video sobre las enseñanzas confucianas que cubre los tres valores esenciales sobre los que descansa el conficianismo: piedad filial, humanidad y ritual. Con la participación de Irene Bloom, Wm. Theodore de Bary y Myron Cohen de la Universidad de Columbia, y el presidente emérito de la Asia Society, Robert Oxnam.
Sección Temas:
1. Tres valores confucianos
Piedad filial (Xiao)
• • •
Adoración de los ancestros
• • •
Humanidad (Ren)
• • •
Ritual (Li)
• • • • •
Ritual en la vida cotidiana
2. Reciprocidad / Las cinco relaciones

El hombre es un ser social
3.
Sobre el gobierno
El caballero
4.
En educación
Los clásicos
5.
¿Es religioso el pensamiento confuciano?
El Emperador y el Mandato del Cielo

Fuente primaria con DBQ Selecciones del Analectas confucianas [PDF] [Asia para educadores]

DAOISMO

Introducción al taoísmo [Asia para educadores]
Una breve descripción general introductoria del taoísmo y los escritos de Laozi y Zhuangzi.

Planes de lecciones • Taoísmo y las artes de China [Instituto de Arte de Chicago]
Un excelente sitio web para enseñar sobre el taoísmo. Cubre los siguientes tres temas: 1) Tradición taoísta (discute Laozi, la cosmología taoísta y los sagrados inmortales) 2) La Iglesia taoísta (discute el taoísmo religioso, el ritual y el panteón taoísta) 3) El Renacimiento taoísta (discute la religión popular, las manifestaciones divinas de yin y alquimia interior). También presenta más de 25 obras de arte, diagramas relacionados, un mapa, glosario, bibliografía y seis planes de lecciones para los niveles de secundaria y secundaria.

Taoísmo [Sociedad de Asia]
Una descripción general introductoria.

Plan de lección • Actitudes hacia la naturaleza en el arte taoísta [Sociedad de Asia]
Una breve lección que "ayuda a los estudiantes a comprender la diferencia entre cuántos occidentales ven la naturaleza y cuántos chinos (en particular los taoístas y los literatos) se sentían acerca del mundo natural que los rodeaba". [Utiliza] poemas chinos y pinturas de paisajes como fuentes primarias. & Quot

Zhuangzi / Zhuang Zhou, ca. 360-280 a. C.

SINTOÍSMO

Sintoísmo [Asia para educadores]
Texto adaptado de un artículo publicado originalmente en 1982 en ENFOCAR revista, de Paul B. Watt, actualmente profesor de estudios asiáticos en la Universidad DePauw. Incluye preguntas de discusión para estudiantes.

Religión y ética: sintoísmo [BBC]
La página del portal de religión y ética de la BBC sobre el sintoísmo, con enlaces a artículos sobre muchos aspectos del sintoísmo, incluidas creencias, historia, ritos y rituales, textos clave y festivales.

Espacios sagrados en el sintoísmo [Enseñanza de la religión comparada a través del arte y la arquitectura, Oficina de Recursos para Estudios de Área Internacional, Universidad de California en Berkeley]
Excelente información sobre los santuarios sintoístas. Este es un sitio web de recursos visuales creado para un taller de maestros sobre la enseñanza de la religión comparada a través del arte y la arquitectura.

sintoísmo (literalmente & ldquothe camino de los dioses & rdquo) es el sistema de creencias nativo de Japón y es anterior a los registros históricos

CHAMANISMO

Antiguos dioses, nuevos tiempos: un ritual de chamán en Corea del Sur [Educación sobre Asia]
Los chamanes son especialistas religiosos que se percibe que tienen la capacidad de tratar directamente con los espíritus en nombre de la comunidad, ya sea enviando su propia alma en un viaje a otros reinos o llamándolos al aquí y ahora y manifestándolos en sus propios cuerpos. . Los chamanes dan testimonio de sus encuentros con los espíritus a través de sus propios cuerpos, ya sea en un viaje emprendido en estado de trance o manifestando la presencia de los espíritus a través de su propia voz, gestos, danzas y mimos. Debido a que los chamanes se describieron por primera vez en Siberia entre cazadores y pastores, su trabajo a veces se describe como una religión "antigua" o "primitiva", pero los chamanes han tenido una historia larga y expansiva en los reinos sofisticados y luego en los estados nacionales del este y sureste de Asia. Como ilustra el siguiente relato, una práctica chamánica viva debe involucrar efectivamente al mundo contemporáneo que la rodea.

Casas Arquitectura y Geomancia

ARQUITECTURA

Porcelana

Un libro de consulta visual de la civilización china [Universidad de Washington] Arquitectura de la casa: variación regional
Fotografías, texto y preguntas para estudiantes.

Fomentar el pensamiento de las casas como formas dinámicas de cultura material.

Estimular el pensamiento sobre las relaciones entre los espacios dentro de una casa y la organización social de una familia.

Comprender la variación sustancial en las formas de vivienda de China y rsquos (y América y rsquos), al igual que con otros aspectos de la cultura material.

Apreciar las diferencias en los estilos de vida / patrones de vida a través del tiempo y el espacio.

Fomentar la apreciación de la comparación intercultural.

Mujeres en la China tradicional [Sociedad de Asia]
En China, desde tiempos muy remotos, los hombres han sido vistos como el núcleo de la familia.

Arquitectura vernácula en China

La "arquitectura vernácula" se refiere a las viviendas comunes que habitan las personas y proporciona una entrada útil a cómo los humanos interactúan con su entorno y crean mosaicos culturales - paisajes culturales - a menudo de gran belleza pero siempre de arquitectura de utilidad en toda China.

Arquitectura vernácula china [Ronald G. Knapp, SUNY New Paltz]
Esta lista de enlaces web es otro gran recurso de investigación para profesores y estudiantes.

Arquitectura rural en China

Arquitectura rural china [Revista Atlas]
Texto de Ronald G. Knapp, fotografías de Olivier Laude. Imágenes de rural

Casas: Arquitectura e interiores de casas [Libro de consulta visual de la civilización china, Universidad de Washington]
Para obtener antecedentes sobre cómo la geografía dio forma a los patrones residenciales en China

Yin Yu Tang: un hogar chino [Museo Peabody Essex]
Este sitio web innovador con gráficos poderosos, animación efectiva y una narrativa convincente presenta una vista interactiva intensiva, un recorrido virtual, de la casa y el hogar de la familia Huang durante muchas generaciones. Ahora ubicada en el Museo Peabody Essex en Salem, Massachusetts, esta notable casa fue desmontada en la provincia china de Anhui y trasladada a los Estados Unidos.

La familia china tradicional y el linaje de amplificador [por el profesor de antropología de UC San Diego, David K. Jordan]
Servirá como fondo útil para el sitio web de Yin Yu Tang.
Variacion regional: Algunas residencias chinas son verdaderamente únicas, como las grandes viviendas redondas de murallas para familias extendidas Hakka que se encuentran en el suroeste de la provincia de Fujian.

Japón

Visitar una casa japonesa
Este sitio web tiene información útil, pero parte de la ortografía y la gramática están mal traducidas (graciosamente) del japonés.

Creación de cursos sobre el medio ambiente desde una perspectiva asiática: visualización de la naturaleza en Japón [PDF] [Educación sobre Asia]
Este plan de lección alentará a los estudiantes a comenzar a pensar en la cultura a través de la lente del paisaje. Los usuarios deberán registrarse en Education About Asia para acceder al artículo (el registro es gratuito).

Casas Japonesas

Aunque Japón es significativamente más pequeño que China, es importante reconocer las variaciones regionales de Japón. Las casas, así como otros aspectos de la cultura material japonesa, son útiles para comprender el carácter regional de la cultura japonesa.

Casas Japonesas [Kids Web Japan]
Analiza la historia, la estructura y el mobiliario de las casas japonesas. Con un juego para visitar una casa virtual.

Pueblo de Shirakawa: Patrimonio de la Humanidad

SITIOS WEB SOBRE EL PUEBLO ALPINO DE SHIRAKAWA Y SU ARQUITECTURA:

Corea

Las casas tradicionales en Corea se ven mejor hoy en día en las aldeas de los museos, donde el mosaico regional de Corea es más evidente.

Sitios web sobre casas tradicionales coreanas

El valor y el significado de la familia coreana [Sociedad de Asia]
Los niños contraen una deuda con sus padres que los dieron a luz y los criaron. Esta deuda está detrás de la idea del deber filial: tratar a los padres con respeto en todo momento, cuidarlos en su vejez, llorarlos bien en los funerales adecuados y realizar ceremonias para ellos después de su muerte. Sin embargo, incluso cumplir con estos deberes no es suficiente para pagar la deuda con los padres. El reembolso total también implica tener hijos y mantener la continuidad de la línea familiar.

Vietnam

Arquitectura [Viaje a Vietnam]
La arquitectura de Vietnam es única y hermosa. Los hogares, las empresas, las puertas de enlace y los edificios especiales en todo el país varían según la región y el propósito.

Casas RuralesDos casas con techo de paja elevadas sobre columnas de madera, Mai Chau

GEOMANCY / FENGSHUI


Características estadísticas y análisis comunitario de las redes viales urbanas

Las redes de carreteras urbanas son típicos sistemas complejos, que son cruciales para nuestra sociedad y nuestra economía. En este estudio, se investigan las características topológicas de una serie de redes de carreteras urbanas basadas puramente en carreteras físicas en lugar de rutas de vehículos o autobuses para descubrir características estructurales únicas subyacentes, especialmente en comparación con otros tipos de redes de transporte. Sobre la base de estos índices topológicos, también se exploran las correlaciones entre los índices topológicos y la pequeñez de las redes de carreteras urbanas. El hallazgo muestra que no hay un pequeño mundo significativo para las redes de carreteras urbanas, que aparentemente es diferente de otras redes de transporte. A continuación, se lleva a cabo la detección comunitaria de redes viales urbanas. Los resultados revelan que las comunidades y la jerarquía de las redes viales urbanas tienden a seguir una regla de naturaleza general.

1. Introducción

Las redes de carreteras urbanas (URN) son fundamentales para sustentar nuestra sociedad y nuestra economía [1]. En particular, hoy en día, con la creciente popularidad de las tecnologías relacionadas con las ciudades inteligentes y los sistemas de infraestructura de vehículos cooperativos (CVIS), las carreteras físicas y sus URN constituyentes que transportan la mayoría de los tráficos urbanos están recibiendo cada vez más atención. Mientras tanto, los URN pueden describirse como típicos sistemas complejos en red [2], ya que hay un gran número de componentes espaciales con estructuras e interacciones complejas entre diferentes componentes. Desde que Watts y Strogats [3] y Barabasi y Albert [4] propusieron redes de “mundo pequeño” y redes libres de escala, respectivamente, la teoría de redes complejas se ha considerado una buena herramienta para observar y analizar características topológicas y estructurales de sistemas en red. [5].

De hecho, la teoría de redes complejas se ha aplicado al estudio de diversas redes de transporte, como el transporte público [6–9], el transporte aéreo [10, 11], el transporte ferroviario [12, 13] y el transporte marítimo [14, 15]. ]. Sienkiewicz y Hołyst [16] exploraron los sistemas de la red de transporte público (PTN) de 22 ciudades de Polonia, y los resultados muestran que las características topológicas de estas ciudades, como la distribución de grados y grados, la longitud media de la ruta y los coeficientes de conglomerados, tienden a seguir distribución de la ley de potencia y distribución exponencial, y estos PTN también demuestran un pequeño mundo significativo. Después de esto, Xu et al. [17] investigó las propiedades topológicas de tres redes de transporte en autobús en Beijing, Shanghai y Nanjing. La distribución de grados en las tres ciudades muestra leyes de potencia en el espacio. L (los nodos se refieren a estaciones y los enlaces indican que existe al menos una ruta entre dos estaciones consecutivas), mientras que en el espacio PAG (los nodos denotan estaciones, mientras que los enlaces existen cuando dos estaciones son compartidas por al menos una ruta), la distribución de grados acumulados sigue una distribución exponencial. Del mismo modo, Von Ferber et al. [6] exploró las redes de transporte público (PTN) en 14 ciudades, y los resultados muestran que estas PTN tienen altos coeficientes de agrupamiento y caminos más cortos promedio relativamente bajos, que son características típicas de un mundo pequeño. Una red de transporte de autobuses dirigida y ponderada en Beijing también sugiere que esta red de autobuses es una red de mundo pequeño [18]. Para examinar la relación entre el tamaño de la ciudad y la centralidad de la red, Derrible [19] investigó la centralidad de intermediación de 28 sistemas de metro en todo el mundo. Dimitrov y Ceder [7] examinaron la estructura y las características topológicas de la red de autobuses en Auckland, Nueva Zelanda, basándose en las rutas de autobuses. Además de esto, Sun et al. [20] analizaron las características topológicas de la red de tránsito ferroviario de Beijing (BRTN), y las estaciones vulnerables y las fallas en cascada de la BRTN se estudiaron bajo diferentes ataques intencionales basados ​​en índices de grado, intermediación y fuerza. De Regt y col. [21] analizaron las características topológicas y espaciales de los PTN en el Reino Unido, y se investigaron los PTN como Londres, Manchester, West Midlands y el ferrocarril nacional para discriminar su estabilidad. En particular, encontraron la dinámica de carga universal de estos sistemas, que es útil para la eficiencia del PTN.

Además de las redes de transporte público, también se han explorado las características estadísticas de las redes aéreas [10, 11, 22], las redes ferroviarias [12, 13] y las redes de buques de carga [14, 15] basándose en la teoría de redes complejas. Aunque la teoría de redes complejas se ha utilizado con frecuencia para estudiar muchos tipos de redes de transporte, la investigación de redes complejas relacionadas con las redes de carreteras urbanas (URN) que consisten en segmentos de carreteras y cruces, que transportan directamente la mayoría de los tráficos urbanos, es muy limitada. Jiang y col. [23] intentó caracterizar la estructura topológica de seis redes de calles urbanas desde la perspectiva de la correlación de grados, y encontraron que las redes reorganizadas de seis redes de calles tienden a desviar las propiedades del mundo pequeño en comparación con las redes originales. Después de esto, Kirkley et al. [24] se centró principalmente en la centralidad de intermediación de 97 ciudades en todo el mundo para demostrar la invariancia de su distribución estadística para redes planas.Además, otros estudios previos investigaron ciertas redes de carreteras de la ciudad en representación dual (los nodos se refieren al conjunto de bordes que comparten atributos comunes) para observar el crecimiento de la ciudad o modelar la congestión [25, 26] o se enfocaron en la robustez y respuesta de las redes de carreteras bajo diferentes estrategias de ataque [27, 28]. Sin embargo, varias preguntas relacionadas con las URN aún no están claras: por ejemplo, en comparación con otras redes de transporte, ¿cuáles son las características estadísticas comunes de las URN en diferentes países? ¿Cómo son la pequeñez y las relaciones subyacentes entre las características estadísticas? ¿Cómo son las características de comunidad y jerarquía de las URN y qué tipo de reglas pueden seguir? Este estudio se realiza y organiza en base a estas preguntas, y responder a estas preguntas es el mensaje central que estamos tratando de transmitir. Para responder a estas preguntas, este artículo investiga las características topológicas de las redes de carreteras urbanas de varias ciudades de Europa y América del Norte con el fin de explorar las características estructurales sustanciales de estas redes. Además, también se realizan análisis de pequeños mundos y detección de comunidades.

El resto de este documento está organizado de la siguiente manera. La sección 2 presenta los índices topológicos ampliamente utilizados en el campo de la ciencia de redes. La Sección 3 presenta el análisis estadístico de las redes viales urbanas, y también se realiza el análisis del mundo pequeño. Después de esto, el análisis de correlación entre algunos índices topológicos se investiga en la Sección 4. La Sección 5 explora las detecciones comunitarias de las redes viales urbanas y, finalmente, sacamos conclusiones en la Sección 6. La estructura de nuestro estudio está organizada de manera lógica, y las secciones anteriores pueden respaldar los siguientes. Por ejemplo, las secciones 4 y 5 se basan en el análisis estadístico de los índices topológicos de las URN.

2. Antecedentes y base de datos

En este artículo, se emplea la teoría de redes complejas para explorar las características topológicas de las redes de carreteras urbanas (URN), ya que es una buena herramienta para estudiar sistemas muy complejos. Los datos asociados con las URN utilizadas en este estudio se obtienen de un sitio web (http://www.bgu.ac.il/∼bargera/tntp/), que se utiliza con frecuencia para problemas de transporte. A diferencia del espacio típico L y espacio PAG representaciones [29] y representación de información dual [30], los nodos de una red vial urbana se refieren a las intersecciones de calles o carreteras urbanas, mientras que los enlaces representan los segmentos de calles o carreteras que conectan los nodos. Vale la pena señalar que la construcción de URN no es nuestro enfoque, y utilizamos directamente los datos de URN del sitio web (http://www.bgu.ac.il/∼bargera/tntp/) desarrollado por los académicos en el campo. de transportación. Debido a la falta de datos de tráfico, no tenemos en cuenta el tráfico en las carreteras. Además, todos los URN utilizados en el estudio están conectados. Las redes de carreteras urbanas se pueden dividir en ponderadas o no ponderadas en función de si los enlaces están etiquetados con un peso, que puede ser la longitud de los enlaces o el flujo de tráfico en dichos enlaces, etc. [31]. El peso de los enlaces depende del propósito de la investigación.

Las URN utilizadas en este documento representan principalmente ciudades de Europa y América del Norte debido al alcance limitado de las fuentes de datos. Específicamente, estos URN son Austin, Chicago, Filadelfia, Anaheim, Winnipeg, Berlín Central, Barcelona, ​​Terrassa y Hessen, y el tamaño de los URN varía, desde 416 a 13,389 nodos. Dicha información, incluido el número de enlaces, se presenta en la Tabla 1.

La Tabla 2 resume seis índices topológicos usados ​​en este artículo: grado, coeficiente de agrupamiento, longitud de camino promedio (APL), centralidad de proximidad, centralidad de intermediación y eficiencia. Para distinguir los índices globales y locales [34], la eficiencia y el APL se presentan en las dos últimas filas, y estos dos índices pueden presentar el desempeño global de las URN desde diferentes perspectivas. Aquí, usamos estos seis índices para analizar las propiedades topológicas de las URN.

es la conexión entre el nodo I y nodo j Si I y j estan conectados,

es 1 de lo contrario, es 0. El grado medio de una red, denotado como

, es el promedio del grado de todos sus nodos [32]. La distribución de grados de la red.


Número especial "Sistemas dinámicos"

Un número especial de Entropía (ISSN 1099-4300). Este número especial pertenece a la sección "Complejidad".

Fecha límite para la presentación de manuscritos: cerrado (31 de agosto de 2013) .

¡Edición impresa disponible!
Una edición impresa de este número especial está disponible aquí.