空间Cube计算方法

随着卫星勘测、遥感影像、GPS等系统的广泛应用,目前各行各业拥有了大量的地理空间数据。空间数据仓库技术将较为成熟的数据仓库和联机分析处理技术应用到空间信息领域,以有效地支持空间分析和决策。空间Cube的构建与维护是空间数据仓库和空间联机分析处理的一个核心问题。文章在介绍空间数据仓库模型和空间Cube的基础上,结合空间聚集计算的特点,给出了几种空间Cube计算的有效方法。

空间数据仓库模型和空间Cube计算方法

1 引言据有关资料统计,目前人类拥有的各种信息90％以上与空间位置相关。随着各种计算机化的数据收集工具的广泛应用,目前人们积累了大量的地理空间数据。例如,各种数字化的专题地图:岩石类型分布地图、降水量地图、人口分布地图、行政区划地图等。同时,随着各类地理信息系统(GIS)软件的广泛应用,这些空间数据大多得到了有效的管理。

空间数据立方体分析操作原理

提出了空间数据立方体的分析操作 ,即主要由概括分析、局部分析、全局分析和旋转分析组成 。

空间数据立方体的建模方法研究

研究了基于空间数据仓库的一种决策分析工具——空间在线分析处理(OLAP)的支撑技术。将普通数据立方体与空间数据立方体进行比较,提出空间数据立方体的维和度量的建模方法,解决了空间维与非空间维、空间度量与数值度量的集成建模问题。

基于模拟退火算法的空间度量物化选择

为了解决空间OLAP的响应速度存在着存储空间和时间代价的矛盾,通过空间立方体的选择物化方法来实现空间要素有效而实用的选择合并,提高联机分析的响应速度.采用模拟退火算法,以空间对象面状区域的合并为例,进行空间度量物化选择,将模拟退火算法融入PIA算法中,同时把空间对象（面状）与其它类型的空间对象（点状、线状）的关联关系（交、含、邻）作为空间对象合并的共享性与实用性的考查指标,加入目标函数当中.实验结果表明：随着空间对象数据的增加,模拟退火算法与PIA算法,两种算法的时间代价仅有较少的增长,均具较好的伸缩性,在空间对象数目100-400时,PIA算法优于模拟退火算法,当空间对象数目大于400后模拟退火算法时间代价缓慢增长,而PIA算法时间代价急剧增大;在模拟退火算法中空间对象集合的空间关联度越高,选中几率越高.融入PIA的模拟退火算法具有良好的伸缩性,并提高了空间度量合并解的优化,增加了空间度量选择物化的实用性.

空间数据立方体的技术框架

系统地论述了研究空间数据立方体的目的和意义,介绍了空间数据立方体的非空间维、空间维、数字度量、空间度量的基本概念和结构,描述了空间数据立方体的完整意思,设计出了空间数据立方体的概念模型即空间数据立方体的星型/雪片模型。最后,基于数学工具———代数系统,给出了空间数据立方体严格的数学定义。

多维数据库检索查询的新机制

结合数据立方体和 R树两种索引方法快速灵活地进行数据查询 ,设计了最近邻接快速查询算法FNN,解决了一般 R树查询中无法快速查询高维度数据的问题 ,使查询更高效、应用更广泛 .

面向“数字城市”多源数据整合和分析的空间数据立方体研究

本论文面向"数字城市"的多源数据整合和分析,定义了空间数据立方体地理空间维、专题维和时间维分别包含的数据种类和内容,设计了它们的维和维层次数据结构;表述了维构成空间数据立方体的方法;确定了维的多维数组组织及存储策略;描述了空间度量的聚集概念,结合具体的图例讲述了点状、线状、面状空间度量的聚集过程。

多维空间分析的关键技术——空间数据立方体

介绍空间数据立方体在“数字城市”建设中的作用以及国内外研究现状;讨论非空间维、空间维、数字度量、空间度量的基本概念和结构,给出空间数据立方体的完整描述。空间数据立方体的分析操作主要由概括分析、局部分析、全局分析和旋转分析组成,介绍这些分析操作的功能和结构;结合具体实例数据介绍多维缓冲区空间分析。

空间OLAP技术研究

针对决策支持系统中空间数据可视化应用趋势,研究基于空间数据仓库的一种决策分析工具———在线分析处理,通过改进空间数据立方体的物化视图选择方法,并进行了实例分析,验证该方法的有效性和优越性,更好地解决空间OLAP响应时间延迟问题.进而扩展空间OLAP应用模型和模式,实现更加完备、灵活的空间OLAP操作功能.

空间数据立方体多维信息空间分析实例

多维信息空间分析是构筑数字城市最为关键的技术之一,而空间数据立方体是解决这个关键技术问题的有效途径;提出了空间数据立方体的分析操作主要由概括分析、局部分析、全局分析和旋转分析组成,简单介绍了这些分析操作功能和结构;在分析操作过程中,采用具体分析功能和例子数据相结合的直观方式列举了多维信息的缓冲区分析、连接分析、网络分析实例。

空间数据立方体的多维数据组织及存储

定义空间数据立方体地理空间维、专题维和时间维分别包含的数据种类和内容;设计它们的维和维层次数据结构;表述地理空间维、专题维和时间维在概念层次和物理层次上构成空间数据立方体的方法;确定地理空间维、专题维和时间维数据的多维数组组织方法,以及多维数据的数据文件和虚拟内存存储策略;表达多维数组中记录间的关联运算和多维数组的压缩方法。

面向数字城市多源数据的空间数据立方体分析研究

系统地介绍了面向数字城市多源数据的空间数据立方体分析操作的基本原理,提出了空间数据立方体的分析操作主要由概括分析、局部分析、全局分析和旋转分析组成。在此基础上,全面叙述了空间数据立方体概括分析、局部分析、全局分析和旋转分析的功能和结构以及分析操作的详细过程。

基于数据盒的多源空间数据敏捷集成方法

随着我国对地观测技术的发展,空间数据种类、数量不断增加,由于不同的空间数据存储在不同的数据中心,实现海量、多源、异构空间数据的快速敏捷集成、满足应用不断变化的数据需求是一个具有挑战性的工作。提出了一种基于“数据盒”的多源空间数据敏捷集成方法,将需要集成的数据与相关应用进行一体化罐装为“数据盒”,分发给数据集成单位,通过“数据蜂巢”平台进行自动化集成。利用“数据盒”技术,可实现海量、多源、异构空间数据“分布式存储、一体化检索、即插即用的自动化集成”,构建分布式多中心架构下多源空间数据“分发即可用”的应用模式。

面向数字城市多源数据的空间数据立方体数据组织研究

定义了面向数字城市多源数据的空间数据立方体地理空间维、专题维和时间维分别包含的数据种类和内容;设计了它们的维和维层次数据结构;表述了地理空间维、专题维和时间维在概念层次上和物理层次上构成空间数据立方体的方法;确定了地理空间维、专题维和时间维数据的多维数组组织方法,以及多维数据的数据文件和虚拟内存存储策略;表达了多维数组中记录间的关联运算和多维数组的压缩方法。

多维数据库和空间多维数据的数学模型与人工智能

多维数据模型是定义了数据仓库的度量和维度结构的数据模型,本文尝试在传统多维数据模型中引进空间距离,从而构造出了空间多维数据模型和空间立方体.简化的逻辑数学公式可以表示各种多维数据库及空间多维数据结构拓扑图,通过建立数学模型可进行计算求解.分析证明,从多维数据库及空间多维数据模型可生成多种新的数学模型,使得多维数据逻辑关系更简单实用、安全可信,并且适用于多种类型多维数据模型的应用环境.除此之外,在多维数据库及空间多维数据分析中将人工智能用于处理多维数据,可用于排错、优化和速度计算等用途.

多维数据库和空间多维数据的数学模型与人工智能

多维数据模型是定义了数据仓库的度量和维度结构的数据模型,文中尝试在传统多维数据模型中引进空间距离,从而构造出了空间多维数据模型和空间立方体.简化的逻辑数学公式可以表示各种多维数据库及空间多维数据结构拓扑图,通过建立数学模型可进行计算求解.分析表明,从多维数据库及空间多维数据模型可生成多种新的数学模型,使得多维数据逻辑关系更简单实用、安全可信,并且适用于多种类型多维数据模型的应用环境.除此之外,在多维数据库及空间多维数据分析中将人工智能用于处理多维数据,可用于排错、优化和速度计算等用途.

空间多维数据模型及OLAP的设计与实现

多维数据模型定义了数据仓库的度量和维度结构 ,是OLAP和某些数据挖掘模型的基础和数据仓库应用的重要手段。但用传统的多维数据模型和OLAP技术处理空间数据具有较大的局限性。文中尝试在传统多维数据模型中引入空间维度 ,在度量中引入指向空间聚合结果的空间聚合索引 ,并引入空间算子集合 ,从而构造出空间多维数据模型和空间立方体。在模型物理实现的基础上 ,试验了空间立方体的OLAP操作。

面向“数字城市”多源数据的空间数据立方体空间度量研究

叙述了面向“数字城市”多源数据的空间数据立方体空间度量的基本定义;描述了空间度量的聚集概念,并结合具体的图例阐述了点状、线状、面状空间度量的聚集过程;解释了空间数据立方体维上钻、维下翻、维层次上钻、维层次下翻的空间度量聚集操作基本原理。

空间数据立方体的空间度量聚集

叙述了空间数据立方体空间度量的基本定义;描述了空间度量的聚集概念,并结合具体图例讲述了点状、线状、面状空间度量的聚集过程;解释了空间数据立方体维上钻、维下翻、维层次上钻、维层次下翻的空间度量聚集操作基本原理。