أكثر

هل يتم عرض مخططات الطريق وليس أجزاء منها ، أي لا توجد خطوط عند التقاطعات؟


لدي الطرق التي أريد عرضها فقط في المخططات التفصيلية ولكن ليس على الأجزاء (أي ليست منفصلة عن كل طريق).

أحاول حل ولكن لا يعمل. مرفق ارتباط بملف حزمة البيانات. الرجاء المساعدة! https://www.dropbox.com/s/55hqr9471v9qxwf/Road٪20Test٪20package.mpk


يستخدم عرض الطرق باستخدام رسم مستوى الرمز

"غالبًا ما يحتاج العديد من المستخدمين إلى عرض شبكات الطرق ويريدون تمثيل اتصالهم من حيث الممرات العلوية والممرات السفلية والجسور وما إلى ذلك. قد يحدث هذا في أي موقف يلزم فيه تصوير اتصال الطرق ومسارات التنقل."

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


إحدى الحيل السريعة والسهلة التي أستخدمها هي جعل الطبقة في الخريطة مرتين. يتم عرض الطبقة العلوية على هيئة خط أبيض (أو تعبئة بيضاء ولا يوجد مخطط تفصيلي إذا كانت الطبقة مضلع) وتكون النسخة السفلية سوداء ويتم تعيين العرض ليكون أعرض قليلاً من النسخة العلوية.


يمكنك دمجها أو حلها. سيؤدي هذا إلى إنشاء فئة ميزة منفصلة ، ولكنها ستفعل ما تريد.


كيف تجد رؤوس المضلع من صور الكشف عن الحواف؟

بالنظر إلى صور سطح المنزل ، أحاول أن أجد ملامح الأسطح. لقد قمت بتسمية البيانات المتاحة (كرؤوس المضلع) والتي أقوم بتحويلها وإنشاء صورة الحقيقة الموضحة أدناه

أستخدم ميزات بارعة وخطوط hough-line و LBP لتدريب نموذج ML ، تبدو النتائج لائقة. يظهر إخراج النموذج في المنتصف ، ويظهر التراكب على صورة الاختبار على اليمين.

2. ما أحتاجه.

يجب أن يكون الناتج النهائي مجموعة من المضلعات وأحتاج إلى العثور على النقاط التي يجب رسم هذه المضلعات عليها (انظر النقاط المميزة في الصورة أدناه). لذلك يمكن تعيين الإخراج من مقاطع خط n. حيث يكون كل مقطع خطي نقطتين [(x1، y1)، (x2، y2)]

3. ما هي أفكاري / أفكاري

أ. عمليات التعرية ، التوسيع ، الفتح ، الإغلاق ، الهيكل العظمي

بينما تجعل هذه العمليات الخطوط في الصورة أعلاه أكثر إتقانًا ، فإنها لا تساعدني في العثور على رؤوس المضلع التي أبحث عنها.

أرغب في ملاءمة (عدد) الخطوط للبكسل الأبيض في الصورة (شيء مثل خطوط hough).

سوف تعطيني تقاطعات هذه الخطوط رؤوس المضلعات التي أبحث عنها.

أتساءل عما إذا كانت هناك طريقة قياسية / أفضل لتحقيق ما ورد أعلاه.


ومع ذلك

يظهر هذا المشهد من خلال التصفح العادي حول التجوّل الافتراضي

لذلك توجد أدلة في كلا الاتجاهين على أن & quothighway & quot قد لا تعني نفس الشيء لأشخاص مختلفين.

من التعليقات - يحتوي موقع خرائط Google على وضع خريطة الدراجات ، حيث يتم تحديد مسارات مخصصة للدراجات وممرات مخصصة وطرق مناسبة للدراجات. يوجد مسار / ممر للدراجات أسفل الطريق.

هناك كتف ، يمكنك الركوب عليها (إذا كان ذلك قانونيًا) والحد الأقصى للسرعة منخفض جدًا. ليس المكان الأكثر متعة للركوب ، لكن لا بأس.

ومع ذلك أنصح بعدم القيام بذلك ، لأن الجزء الذي تصطدم به الحافلة لا يظهر في الصورة. أنت تقول إنك تفكر في التنقل بالدراجة & quot ؛ مما يلمح إلى أنك لست معتادًا على ذلك ، مما يجعلني أعتقد أنك لست معتادًا على التعرف بسرعة على ميزات الطريق الجيدة وأيها خطيرة حقًا. مما يعني أنك تظهر الصورة الخاطئة.

على سبيل المثال ، من المرجح أن يكون الجزء الخطير في المسافة أسفل الجسر ، حيث سينتهي إما & quotbike lane & quot ، أو سيكون لديك موقف مثل هذا:

الآن في هذه الحالة ، إذا كنت لا تريد الخروج من الطريق الرئيسي ، فأنت بحاجة إلى اتباع السهم الأحمر (المرسوم باليد) ، وعليك الانتقال من الممر 1 إلى المسار 2 ، ولكن السيارة التي تحمل علامة 1 في الطريق. لذلك عليك البقاء أمام السيارة رقم 1 ، واتخاذ المسار ، لتتمكن من الانحراف إلى اليسار وتغيير المسار دون الاصطدام بالسيارة رقم 1. بحلول ذلك الوقت ، تكون السيارة رقم 2 قد مرت ، ويرى سائق السيارة رقم 3 أنك تسير في مساره. ليس لديه أي فكرة عن أنك تستهدف في الواقع ممر الدراجات المضحك ، لذلك يعتقد أنه سيضربك ، ويتراكم على المكابح ، ثم ينطلق من الخلف.

سيكون من الأكثر أمانًا أن تضع نفسك جيدًا في وقت مبكر حتى لا تفاجئ السائقين بتغيير المسار في اللحظة الأخيرة ، مثل:

ولكن عليك بعد ذلك الركوب في وضع شبه غير قانوني بين الممرات ، مع وجود سيارات على كلا الجانبين ، وربما تحتاج إلى السير بشكل أسرع قليلاً لمواكبة حركة المرور. يعد هذا أكثر أمانًا في حالة الازدحام المروري حيث تكون السيارات بطيئة جدًا ، لذا يمكنك السير مع التدفق ويكون لدى كل من السائق على يمينك ويسارك وقتًا كافيًا لملاحظة أنك هناك.

لذا ، سيكون الركوب على طريق آخر أكثر أمانًا ، ولكن إذا لم يكن لديك خيار آخر ، فأنت بحاجة إلى التفكير مسبقًا في كيفية التعامل مع التقاطعات وتغييرات الحارات.

يعد النظر إلى خرائط Google عبر الأقمار الصناعية فكرة جيدة. في كثير من الأحيان ستجد طرقًا أو مسارات بديلة أفضل لم يتم تصنيفها أو رؤيتها على خريطة الشارع ولكنها تظهر على صورة القمر الصناعي. سيعطيك هذا أيضًا فكرة عما يمكن توقعه حتى تتمكن من رؤيته قادمًا وتوقعه.

التوقيت مهم أيضًا: بين الضوء الأحمر والضوء الأخضر من الاتجاه العمودي ، هناك لحظة لا يوجد فيها حتى التقاطع الخطير أي سيارات. لذلك غالبًا ما تكون فكرة جيدة أن تكون آخر شخص يمر بإشارة المرور قبل أن يتحول إلى اللون الأحمر.

بالنسبة إلى أواهو على وجه التحديد ، تنشر وزارة النقل في هاواي & quotBike Map Oahu & quot التي تحدد مسارات الدراجات في جميع أنحاء الجزيرة. إنهم يصنفون الطرق إلى & quot ؛Novice friendly & quot، & quotExperienced & quot، و & quot؛ Not Bike Friendly & quot.

أرى أن هناك & quotNimitz مسار دراجات & quot يمتد بالتوازي مع طريق Nimitz السريع ، والذي قد تجده مفيدًا (لست متأكدًا بالضبط إلى أين سيأخذك مسارك).

يحظر على الدراجات استخدام الطرق السريعة بين الولايات.

أفترض أن هذا يعني تقنيًا الطرق السريعة المرقمة بـ H (H1 ، H3 ، إلخ) ولكن هناك طرق سريعة أخرى مثل التي تظهر في صورتك والتي هي إلى حد كبير نفس التخطيط ولا أريد ركوب دراجتي عليها حتى لو كان مسموحًا بذلك .

هذا يعتمد على الإجابة الأكثر أمانًا. عليك أن تكون مرتاحًا على الطريق لحماية مساحتك ، وأن تكون قادرًا على القيادة بأمان. يكافح بعض الأشخاص للبقاء هادئين عندما تتجاوزهم السيارات وهذا بدوره يجعلهم غير قادرين على التركيز على الركوب بأمان. في الصورة التي تنشرها ، سأركب ذلك في الكتف إذا كنت أبطأ من 15 ميلا في الساعة. إذا كنت أسير أسرع مثل 18 ميلا في الساعة + ، فسأخذ الممر لأنه لا يوجد متسع كبير للهروب مع وجود الحاجز الخرساني + الحطام في الكتف. الآن السؤال الوحيد هو هل لديك أي مسارات بديلة ليست على طريق رئيسي أو قد يكون لديك حارة مخصصة للدراجات. إذا كان الأمر كذلك ، فسأذهب على هذا النحو حتى لو كان أطول قليلاً.

أقود الركوب على الطريق بشكل أساسي ، لذا سأقدم النصائح والتجارب التي نجحت معي.

افهم القوانين المحلية الخاصة بالدراجات وما يعنيه أن تسلك حارة عندما لا يكون هناك مسار للكتف أو الدراجة. حاول أيضًا أن تفهم كيف أن أخذ حارة يمنع السيارات من المرور بالقرب منك لأنهم يعلمون من بعيد أنه يجب عليهم تغيير المسارات لتجاوزك. يساعد هذا أيضًا على تحسين تدفق حركة المرور ورؤيتك للسيارات خلفك. إليك موقع يوفر هذه المعلومات بمزيد من التفاصيل: https://cyclingsavvy.org/road-cycling/#runover

حدد مسبقًا محفزاتك للوقت الذي ستأخذ فيه حارة. بالنسبة لي ، هم عندما لا يترك لي الكتف أي مسار للهروب بسبب ضيقه ، أو إذا كان هناك حطام في الكتف ، أو إذا كنت سأسافر على الأرجح بنسبة 50٪ + من الحد الأقصى لسرعة حركة المرور أثناء التمدد. بهذه السرعات ، أريد المسار الكامل لتجنب العقبات والحفر.

معظم الولايات ويبدو أن هاواي تسمح أيضًا للدراجات بأخذ مسار في ظروف معينة: انظر (§291C-145) https://www.hbl.org/bikelaws/

أوصي بالحصول على مرآة الرؤية الخلفية التي يمكنك وضعها على قطرات قضيب الدراجة أو المقود. يساعدني في الحفاظ على الوعي بالموقف. هناك أيضًا رادار خلفي للدراجات ، والذي حصلت عليه للتو وأحاول معرفة كيفية تركيبه على دراجتي ، لذا لم أستخدمه بعد. ومع ذلك ، فإن مرآة الرؤية الخلفية تُحدث فرقًا كبيرًا بالنسبة لي فيما يتعلق بإدراك الموقف (على سبيل المثال ، معرفة أنني أستطيع الانتقال من كتف إلى حارة عندما يكون الكتف مخطئًا ، ومعرفة أن السيارة تمر بي و / أو قد غيرت الممرات خلفي بالفعل عندما أسلك حارة ، وما إلى ذلك)

أود التأكد من أن لديك على الأقل ضوء أحمر وامض خلفي. أنا أحب Bontrager وأستخدمه ، لأن لديهم نمط فلاش مصمم لمنع السائق من تقسيمه فقط.

السرعة هي صديقك على الطريق. لقد ركبت في طرق مزدحمة عندما بدأت في تعلم ركوب دراجتي وكان الحد الأقصى للسرعة 35 على الأقل أو أكثر. كان في موقع كان أكثر كثافة مما ستراه في الفيديو أدناه ، لكن الناس أعطوني مساحة عندما اتخذت مسارًا. الآن لم يكونوا سعداء حيال ذلك وستحصل على المزيد من الأشخاص الذين يخبروك عن شعورهم تجاهك. هذا بالتأكيد ليس مصدر إلهام للثقة وعليك أن تحكم بنفسك على مقدار ما أنت على استعداد لتحمله حتى تتمكن من الركوب بشكل أسرع. اخترت التمسك به لأنني كنت أعرف أنني لا أخالف أي قوانين مرور وسأكون أسرع في النهاية.

لا أستطيع أن أصف سبب كونها غير الطبيعة البشرية ، لكنني وجدت لسبب ما بمجرد أن تبدأ في الوصول إلى المراهقين الأعلى أو أكثر من 20 ميلاً في الساعة على دراجة ، تميل السيارات إلى أن تكون أقل صخبًا حول الاضطرار إلى الالتفاف حولك. ربما لأنهم لم يعتادوا رؤية الدراجات تسير بهذه السرعة ويختارون أن يعضوا لسانهم.

أختار أيضًا تشغيل Go Pro كمكافئ لكاميرا dash في حالة حدوث شيء ما على الطريق ، يمكنني التركيز على الإجراءات المراوغة مقابل الحصول على معلومات لوحة الترخيص. في الواقع ، يمكن أن يكون هذا في حد ذاته أيضًا رادعًا للغضب على الطريق كسائق واحد عندما كنت أقوم برحلة التعافي قبل أسبوعين وركوب 15 ميل في الساعة أو نحو ذلك للتوقف لبدء شتمي. بمجرد أن رأى أنه يتم تسجيله ، قام بإخراجها من هناك وقام Go Pro بالتقاط جميع معلوماته + صوته إذا حدث شيء آخر هناك.

يوجد أدناه مقطع من إحدى جولاتي. أنا لا أركب إلى الكاميرا إذا كان ذلك منطقيًا. إنه يلتقط ما أفعله عادةً للبقاء آمنًا على الطريق. في هذا المقطع ، ترى كل ما وصفته أعلاه - التحكم في الممر ، والانتقال إلى الكتف والظهر حسب حالة الكتف ، وما إلى ذلك. لاحظ أن آخر مرة ركبت فيها هذا الامتداد كانت منذ أكثر من عام. لم أتذكر حالة الكتف لذلك سترى رحلة واقعية مقابل معرفة حالة الرصيف قبل الركوب.


1 إجابة 1

جعل متعدد الخطوط السميكة مع نسيج الطريق

أثناء تقديم متعدد الخطوط ، تحتاج إلى مصفوفة TBN لذا استخدمها

  • ظل متعدد الخطوط كماماسا
  • سطح طبيعي كالمعتاد
  • ثنائي الشكل = ظل x عادي

تحويل الموضع الفعلي للنقطة p إلى

وتجسيد خط محكم (p0 ، p1). هذا الأسلوب لا يتطابق بدقة مع شبكة السطح ، لذا تحتاج إلى تعطيل العمق أو استخدام نوع من المزج. أيضًا في المنعطفات الحادة ، قد تفقد بعض أجزاء المنحنى (في هذه الحالة يمكنك عرض مستطيل أو قرص بدلاً من الخط.

قم بإنشاء الشبكة عن طريق تحويل الخطوط المتعددة إلى الجوانب بمقدار نصف حجم الطريق

ينتج عن ذلك توافق دقيق للطريق ، ولكن نظرًا لقيودك ، يمكن أن يتشوه شكل الطريق بشدة دون إعادة تثليث الشبكة في بعض الحالات. وأرى أنه من هذا القبيل:

  1. لكل جزء من الطريق المصبوب ، خطان يتم إزاحتهما بمقدار نصف حجم الطريق (أخضر ، بني)
  2. العثور على تقاطعهم (النقاط المائية) مع حافة شبكة مشتركة مع نقطة التحكم في الطريق الحالية (نقطة حمراء)
  3. احصل على متوسط ​​النقطة (نقطة أرجوانية) من التقاطعات واستخدمها كرأس لشبكة الطريق. في حالة وجود إحدى النقاط خارج الشبكة المشتركة ، تجاهلها. في حالة وجود كلا التقاطعين خارج الحافة المشتركة ، ابحث عن أقرب تقاطع بحافة مختلفة.

كما ترى ، يمكن أن يؤدي ذلك إلى حدوث تشوهات خطيرة في سمك الطريق في بعض الحالات (اختلافات كبيرة بين نقاط التقاطع ، أو تكون إحدى نقاط التقاطع خارج حافة شبكة السطح).

إذا كنت بحاجة إلى سمك دقيق للطريق ، فاستخدم تقاطع الخطوط المصبوبة كنقطة تحكم في الطريق بدلاً من ذلك. لجعل ذلك ممكنًا إما استخدام المزج أو تعطيل العمق أثناء التجسيد أو إضافة هذه النقطة إلى شبكة السطح عن طريق إعادة تثليث شبكة السطح. سيؤثر مثل هذا الإجراء الخشن أيضًا على شبكة الطريق وتحتاج إلى التكرار عدة مرات.

طريقة أخرى هي استخدام نسيج ممزوج للطريق (مثل العفاريت) وحساب إحداثيات النسيج لنقاط التحكم. إذا كان الطريق سميكًا جدًا ، فقم بتخفيفه عن طريق تغيير إحداثي الزخرفة. لإنجاز هذا العمل ، تحتاج إلى تحديد أبعد نقطة تقاطع بدلاً من المتوسط. احسب الحجم الحقيقي للنصف للطريق ومن تنسيق هذا النسيج الحساس.

إذا تخلصت من القيد (لشبكة الطريق) التي تكون نقاط قمة الطريق عند أجزاء الشبكة السطحية أو الرؤوس ، فيمكنك ببساطة استخدام تقاطع الخطوط المنقولة وحدها. سيؤدي ذلك إلى التخلص من القطع الأثرية السماكة وتبسيط الأمور كثيرًا.


2 إجابات 2

حسنًا ، لقد كنت أفكر في هذا لفترة من الوقت ، وقد قمت بصياغة خوارزمية التراجع التي أعتقد أنها ستنجح. الفكرة هي أنك ستحاول بناء مضلع بطريقة عكس اتجاه عقارب الساعة. وسنقوم بإعداد المشكلة بحيث يكون المضلع الأول الذي نجده هو الأصغر. بهذه الطريقة ، لا يتعين علينا العثور عليهم جميعًا.

  1. قم بفرز مقاطع الخط حسب مدى قربها من النقطة المستهدفة.
    • من الآن فصاعدًا ، كلما احتجت إلى التكرار فوق الخطوط ، قم باللف عليها بالترتيب الفرز
    • تعامل مع مقاطع الخط كخطوط لانهائية عند حساب المسافة من النقطة المستهدفة.
  2. نفذ الخطوة 3 مع أقرب مقطع خط ، باستخدام الثاني نقطة التقاطع على طول الخط في اتجاه "عكس اتجاه عقارب الساعة"
    • خذ "عكس اتجاه عقارب الساعة" للإشارة إلى الاتجاه الذي يضع نقطة الهدف على الجانب الأيسر من الخط.
    • لاحظ ال الأول نأمل أن تكون نقطة التقاطع هي المكان الذي سننتهي فيه بمجرد أن نعمل في طريقنا حول نقطة الهدف

أ. عقد حلقة فوق جميع الخطوط الأخرى التي ليست بالفعل جزءًا من الشكل الذي تقوم ببنائه ، وإيجاد نقاط تقاطعها مع هذا الخط
ب- افرز نقاط التقاطع عكس اتجاه عقارب الساعة فيما يتعلق بالنقطة المستهدفة.

ابحث عن نقطة التقاطع التالية عكس اتجاه عقارب الساعة على الخط الحالي. إذا كانت هذه هي النقطة الأولى التي نتحقق منها على هذا الخط ، فإن النقطة "التالية" هي النقطة التي تلي نقطة التقاطع التي أوصلتنا إلى هذا الخط.

ج: إذا لم يكن هناك مثل هذه النقطة (قد يعني هذا أننا قمنا بالفعل بالتحقق من جميع النقاط الموجودة في السطر الحالي) ، فإن حل المرشح الحالي غير ممكن.

  • تراجع إلى السطر السابق وكرر الخطوة 4 مع النقطة التالية على هذا الخط.
  • إذا لم يكن هناك سطر سابق (أي أنك على الخط الذي بدأت منه الشكل) ، تراجع وتفعل الخطوة 2 بالسطر التالي الأقرب ، بدء شكل جديد.

ب. إذا كان الخط الذي يشكل نقطة التقاطع لا يحتوي على نقطة الهدف على جانبه الأيسر (عكس اتجاه عقارب الساعة) ، فإن المضلع الذي سيشكله لا يحيط بالنقطة المستهدفة. كرر الخطوة 4 للخط الحالي مع نقطته التالية.
ج. إذا كان الخط الذي يشكل نقطة التقاطع هو الخط الذي بدأت به ، فقد وجدنا الحل
D. إذا لم يكن أي مما سبق صحيحًا ، فافعل الخطوه 3 للخط الذي شكل نقطة التقاطع.


استعلامات KNN المستمرة المقيدة على شبكات الطرق مع تحسين التخزين المؤقت.

الملخص: يتيح استخدام نظام تحديد المواقع العالمي (GPS) في نظام الملاحة في السيارة للسائق إجراء مجموعة واسعة من الاستعلامات ، من تحديد موقع السيارة ، إلى العثور على طريق من مصدر إلى وجهة ، أو اختيار أفضل طريق ديناميكيًا في في الوقت الحالى. باستخدام قواعد بيانات الشبكة المكانية (SNDB) ، يتم تقييد حركة الكائنات في مسارات محددة مسبقًا (مثل الطرق) التي تحددها شبكة أساسية. في عملنا السابق ، اقترحنا نهجًا جديدًا ، يسمى توسيع الشبكة التدريجي التدريجي (PINE) ، لدعم العديد من الاستعلامات المكانية بكفاءة. في هذا العمل ، نستخدم نظام PINE المطور لدينا لدعم استعلامات Restricted Continuous K Nearest Neighbours (RCKNNs) بكفاءة. يعثر RCKNN باستمرار على أقرب كائنات K إلى نقطة استعلام على مسار معين يقع ضمن مسافة محددة. يعالج حلنا نوعًا جديدًا من الاستعلام يكون مقبولًا للعديد من التطبيقات حيث لا تعتمد الإجابة على الاستعلام فقط على مسافات أقرب الجيران ، ولكن أيضًا على احتياجات المستخدم أو التطبيق. من خلال التمييز بين نوعين من نقاط الانقسام ، نقوم بتقليل عدد العمليات الحسابية المطلوبة لاسترداد RCKNNs لكائن متحرك. نحدد أيضًا نموذج التخزين المؤقت لتسريع وقت استجابة استعلام RCKNN.

الفئات واصفات الموضوع

H.2.4 [الأنظمة] معالجة الاستعلام H.2.8 [تطبيقات قواعد البيانات]: قواعد البيانات المكانية و GIS C.2.3 [عمليات الشبكة]

K أقرب الجيران ، نظام تحديد المواقع العالمي

الكلمات المفتاحية: نظام الملاحة ، قواعد بيانات الشبكة ، قواعد البيانات المكانية

1. مقدمة وخلفية

على مدار العقد الماضي ، نظرًا للتطورات السريعة في تكنولوجيا المعلومات (IT) ، تم تقديم تطبيقات جديدة تتجاوز الأنظمة القائمة على الويب التقليدية ، وبالتالي تأتي مع تحديات جديدة للباحثين والمطورين والمستخدمين. تم اقتراح ودراسة عدة أنواع من الاستعلامات المكانية (على سبيل المثال ، أقرب جار - NN ، K أقرب جيران - KNN ، أقرب جار مستمر - CNN ، مستمر k أقرب جيران - CKNN) في سياق قواعد البيانات المكانية. النوع الأكثر شيوعًا هو استعلام KNN النقطي ، والذي يتم تعريفه على النحو التالي: نظرًا لمجموعة من الكائنات المكانية (أو نقاط الاهتمام) ، ونقطة استعلام الإدخال ، قم باسترداد (K) أقرب جيران لنقطة الاستعلام تلك. NN هو الكائن الهدف مع أقصر مسار من نقطة الاستعلام على المسار. يعد التنفيذ الفعال لاستعلام KNN ذا أهمية خاصة في أنظمة المعلومات الجغرافية (GIS). على سبيل المثال ، يعطي جهاز GPS في السيارة معلومات عن موقع الكائن ، والذي ، بمجرد وضعه على الخريطة ، يعمل كأساس للعثور على أقرب مطاعم K أو محطات الوقود مع أقصر مسار لها.

تم تقديم أشكال مختلفة من استعلامات KNN. أحد الاختلافات هو KNNs المستمرة لأي نقطة على مسار معين. كمثال عندما يبدأ جهاز GPS الخاص بالمركبة استعلامًا للعثور باستمرار على أقرب 3 محطات وقود للمركبة في أي نقطة من المسار من المصدر إلى الوجهة. والنتيجة هي مجموعة من الفواصل الزمنية أو نقاط الانقسام حيث تكون KNNs لكائن متحرك على مسار ما هي نفسها حتى هذه النقاط.يزداد تعدد استخدامات البحث عن أقرب جيران K بشكل كبير إذا أخذنا في الاعتبار الاختلافات الأخرى مثل KNN المستمر (CKNN) واستعلامات CKNN المقيدة (RCKNN.) يتم تعريف استعلام CKNN على أنه أقرب نقطة اهتمام K لكل نقطة على المسار ، ووجد تطبيقات في نظم المعلومات الجغرافية (على سبيل المثال ، اعثر على أقرب 3 محطات وقود في أي نقطة أثناء طريقي من المدينة أ إلى المدينة ب) نتيجة هذا النوع من الاستعلام عبارة عن مجموعة من المجموعات والنتيجة والفاصل الزمني و GT بحيث تكون النتيجة هي KNN لجميع النقاط في الفترة المقابلة مرتبة حسب المسافات إلى نقطة الاستعلام. يتم تحديد الفاصل الزمني بنقطتي نهاية ، تسمى نقاط الانقسام ، والتي تحدد مكان تغيير KNNs لكائن متحرك على المسار. هذا يعني أن KNNs لكائن يتحرك على فاصل زمني واحد من المسار تظل كما هي طوال تلك الفترة ، حتى تصل إلى نقطة الانقسام حيث تتغير KNNs. باستخدام RCKNN ، يتم إرجاع نقاط الاهتمام الموجودة ضمن مسافة شبكة ثابتة d حول كائن الاستعلام فقط. سيؤدي ذلك إلى تسريع تنفيذ استعلامات CKNN بسبب تقليل نقاط الاهتمام التي سيتم استردادها.

مع الأخذ في الاعتبار أن الأجهزة المحمولة مثل الملاحين عادة ما تكون محدودة بموارد الذاكرة ولديها قوة حسابية أقل ، في [16] [25] اقترحنا نهجًا جديدًا يقلل من مشكلة حساب المسافة في شبكة كبيرة جدًا ، في مشكلة حساب المسافة في عدد من الشبكات الأصغر بكثير بالإضافة إلى بعض توسع الشبكة "المحلية" على الإنترنت. الفكرة الرئيسية وراء هذا النهج ، المسمى بالتوسع التدريجي للشبكة (PINE) ، هو تقسيم شبكة كبيرة أولاً إلى مناطق أصغر / أكثر قابلية للإدارة. لقد حققنا ذلك من خلال إنشاء مخطط شبكة Voronoi فوق نقاط الاهتمام. تتمركز كل خلية في مخطط Voronoi هذا بواسطة كائن واحد (على سبيل المثال ، مطعم) وتحتوي على العقد (على سبيل المثال ، المركبات) الأقرب لهذا الكائن في مسافة الشبكة (وليس المسافة الإقليدية.) بعد ذلك ، نحسب مسبقًا المسافات البينية لكل خلية. أي ، لكل خلية ، نحسب مسبقًا المسافات عبر النقاط الحدودية للخلايا المجاورة. سيؤدي ذلك إلى تقليل وقت ومساحة الحساب المسبق عن طريق ترجمة الحساب إلى خلايا وحفنة من أزواج عقدة الخلية المجاورة. الآن ، للعثور على k الأقرب لجوار كائن الاستعلام q ، نجد أولاً أقرب جار عن طريق تحديد موقع خلية Voronoi التي تحتوي على q. يمكن تحقيق ذلك بسهولة عن طريق استخدام فهرس مكاني (على سبيل المثال ، R-tree) يتم إنشاؤه لخلايا Voronoi. بعد ذلك ، بدءًا من نقطة الاستعلام q ، نقوم بتوسيع الشبكة على مقياسين مختلفين في وقت واحد من أجل: 1) حساب المسافة من q إلى أقرب جار لها (نقطة مركز خلية Voronoi الخاصة بها) ، و 2) استكشاف الكائنات القريبة من q (مراكز خلايا Voronoi المحيطة) وحساب مسافاتهم إلى q أثناء التمدد. في حل استعلامات RCKNN ، من المهم ملاحظة أن إصدار استعلام جار أقرب تقليدي في كل نقطة من المقطع الخطي غير ممكن نظرًا للعدد الكبير من الاستعلامات التي تم إنشاؤها والنفقات العامة الكبيرة. يتمثل التحدي الذي يواجه هذا النوع من الاستعلام في العثور بكفاءة على موقع النقطة (النقاط) المنقسمة على المسار. أو بعبارة أخرى ، حيث يتم تغيير KNN في المسار. الفكرة الرئيسية وراء نهجنا هي أن KNNs لأي كائن على مسار بين عقدتين متجاورتين (على سبيل المثال ، تقاطع في شبكة الطرق) يمكن أن تكون مجموعة فرعية من أي نقاط اهتمام (على سبيل المثال ، محطات الوقود) على المسار. وبالتالي ، يعتمد الحل على تقسيم المسار بالكامل إلى مقاطع أصغر (مسارات فرعية) ، حيث يُحاط كل مقطع بنقطتين متجاورتين. يعتمد نهجنا بعد ذلك على إيجاد الحد الأدنى للمسافات بين جارتين متجاورتين لاحقة لكائن ما ، فقط عندما يمكن أن يكون للجارتين نقطة انقسام بينهما. تحدد هذه المسافة الحد الأدنى للمسافة التي يمكن أن يتحرك بها الكائن دون الحاجة إلى إصدار استعلام KNN جديد.

نقسم المشكلة إلى حالتين ، اعتمادًا على عدد الجيران المطلوب بواسطة استعلام RCKNN. عندما يتم طلب الجار الأول فقط (على سبيل المثال ، العثور على أقرب مطعم فقط للمركبة أثناء سفرها) ، يعتمد حلنا بالكامل على نموذج PINE. نوضح أن نقاط الانقسام على المسار هي ببساطة تقاطعات المسار مع شبكة Voronoi polygons (NVPs) للشبكة ، وهي مجموعة فرعية من النقاط الحدودية لـ NVPs. الحالة الثانية هي عندما يطلب RCKNN أكثر من جار واحد ، فإن الفكرة الرئيسية وراء نهجنا هي أن KNN لأي كائن على مسار بين عقدتين متجاورتين (على سبيل المثال ، التقاطع في نظام الطريق) لا يمكن أن يكون سوى مجموعة فرعية من أي نقطة ذات أهمية (على سبيل المثال ، المطاعم) على المسار ، بالإضافة إلى KNNs الخاصة بالعقد النهائية. لذلك ، نحتاج أولاً إلى إيجاد KNNs للتقاطعات على المسار باستخدام PINE ، ثم إيجاد موقع نقاط الانقسام بين عقدتين متجاورتين و KNN المرتبطة بهما.

للعثور على موقع نقطة (نقاط) الانقسام بكفاءة على المسار ، نستخدم نسخة معدلة من خوارزمية IE التي اقترحتها [9]. يعتمد الحل على تقسيم المسار بالكامل إلى أجزاء أصغر ، حيث يحتوي كل جزء على نقطتي نهاية (على سبيل المثال ، التقاطعات المجاورة في شبكة الطرق) ، وإيجاد KNNs لجميع العقد في كل جزء. هناك نقطة انقسام بين عقدتين متجاورتين مع KNNs مختلفة. يمكن العثور على موقع نقاط الانقسام عن طريق تحديد ما إذا كانت كل NN تتزايد أو تتناقص ، اعتمادًا على المسافات من كائن الاستعلام إلى KNN للعقد أثناء تحرك الكائنات ، ثم حساب نقطة الانقسام لكل عضو متزايد في تعيين مرشح مع كل NN المتناقصة ، أو العكس. في كل خطوة من خطوات الخوارزمية ، نتحقق مما إذا كانت النقاط (نقاط الاهتمام أو نقاط التقاطع أو النقاط الحدودية) التي يتم استكشافها تقع ضمن مسافة الشبكة d حول نقطة الاستعلام. وإلا فإننا نتوقف عن التوسع في هذا الاتجاه.

بالإضافة إلى ذلك ، نحن نميز بين نقاط الانقسام المختلفة. نوع واحد من نقاط الانقسام حيث نستبدل عنصر (عناصر) قائمة KNN بـ (أ) عنصر (عناصر) مختلف مقارنة بقائمة KNN لعقدة بداية المقطع يسمى "Element- SplitPoint" (ESP). نوع آخر من نقاط الانقسام التي نغير فيها ترتيب عناصر KNN يسمى "Order- SplitPoint" (OSP.) في بعض التطبيقات ، نحن نهتم فقط بأقرب جيران k وليس مسافاتهم المرتبة (على سبيل المثال ، كونها أول أقرب جار أو الثاني.) على سبيل المثال ، لنفترض أننا أثناء سفرنا بالسيارة ، نصدر استعلامًا للعثور على أقرب خمسة مطاعم لنا ، ومع ذلك ، فإننا نختار الذهاب إلى المطعم الذي يقدم مأكولاتنا المفضلة و ليس بالضرورة الأقرب. قد يعرض الاستعلام أقرب خمسة مطاعم التالية بترتيب تصاعدي: الهندي والإيطالي والأمريكي والصيني والإندونيسي. على الرغم من أن المطعم الهندي هو الأقرب ، يمكننا الذهاب إلى المطعم الأمريكي إذا أحببنا المطبخ الأمريكي. هنا ، لم يكن الاختيار قائمًا على مسافات صافية. إذا كان التطبيق لا يتطلب ترتيب KNNs ، فحينئذٍ يتعين علينا فقط حفظ نقاط ESP وتجاهل OSP. الحدس هو أن العدد الإجمالي لجميع ESP أقل من OSP.

بمقارنتها مع [9] ، تقلل طريقتنا عدد استعلامات KNNs التي يتم إجراؤها وتلغي الحاجة إلى تحديث اتجاهات NN (زيادة ، نقصان) أثناء تحرك الكائن. نقوم فقط بإنشاء جدول واحد لتوفير المعلومات حول مكان حدوث ESP / OSP ، والتلميحات الخاصة بعناصر KNN في كل نقطة توقف. وبالتالي ، تقليل عدد الحسابات لاسترداد KNN المستمر لجسم متحرك.

أظهرت نتائجنا التجريبية في [16] [25] أن V [N.sup.3] فشل في الإجابة على بعض استفسارات CKNN وقدم نتائج غير صالحة. حدد تحليلنا للخوارزمية بعض العيوب في الخوارزمية ، خاصة في الحالات التي يكون فيها كل من نقطتي النهاية لجزء خطي (رابط الطريق) لهما أقرب جار مشترك. في هذه الحالة ، تفترض الخوارزمية أنه أثناء الانتقال من نقطة نهاية إلى أخرى ، تزداد المسافة إلى أقرب جار مشترك أو تنقص خلال الارتباط. ومع ذلك ، أظهر تحقيقنا وتحليلنا أن الأمر ليس كذلك. عادة ما تزداد المسافة حتى تصل إلى نقطة تقسيم افتراضية (ليست حقيقية). عند هذه النقطة ، تنخفض المسافة لأن أقصر مسار إلى أقرب جار مشترك سيمر عبر نقطة النهاية الثانية. ومن ثم ، نقدم في هذه الورقة خوارزمية معدلة لحل هذه المشكلة.

أخيرًا ، مع الأخذ في الاعتبار القيود المفروضة على موارد الذاكرة ، نقترح آلية تخزين مؤقت جديدة لاستخدامها داخل نظام الملاح لتسريع استجابة الاستعلام لاستعلامات RCKNN.

أكثر أنواع الاستعلام شيوعًا التي تتم مواجهتها في قواعد البيانات المكانية هو استعلام النقطة k الأقرب إلى الجار (KNN) ، والذي يتم تعريفه على النحو التالي: نظرًا لاستعلام نقطة في مساحة متعددة الأبعاد ، ابحث عن أقرب كائنات في قاعدة البيانات إلى نقطة الاستعلام. يستخدم هذا النوع من الاستعلام على نطاق واسع في نظم المعلومات الجغرافية (GIS) وبالتالي كان محور العديد من الأبحاث. هناك مجموعتان من الخوارزميات المقترحة لمعالجة استعلام KNN. تعتمد بعض الخوارزميات على استخدام المسافات الإقليدية ، وتستند الخوارزميات الأخرى إلى مسافات الشبكة. تعد استعلامات KNN العادية أساسًا للعديد من أشكال الاستعلام مثل Restricted Continuous KNN. في هذا القسم ، نستعرض الأعمال السابقة المتعلقة باستعلام KNN وتنوعاته.

يأخذ العمل الحالي في المجموعة الأولى بعين الاعتبار المساحات الديكارتية (الإقليدية عادةً) ، حيث يتم تحديد المسافة بين كائنين من خلال موقعهما النسبي في الفضاء. يتمثل العيب الرئيسي في الأساليب في [15] [11] [18] في أنه يتم إجراء حسابات المسار الأقصر بناءً على المسافات الإقليدية بينما في الممارسة العملية ، تتحرك الكائنات عادةً فقط على طرق محددة مسبقًا. هذا يجعل حسابات المسافة تعتمد على الاتصال بين هذه الكائنات. هنا ، المقياس المهم هو مسافة الشبكة ، مما يجعل الخوارزميات في المجموعة الأولى غير عملية لـ SNDB.

تركز مجموعة البحث الأخرى على حل KNN لقواعد بيانات الشبكة المكانية. في قواعد البيانات هذه ، يتم التقاط اتصالات الشبكة الأساسية والمسافة بين كائنين هي طول أقصر مسار يربط بينهما. الأساليب في [13] [8] [16] تدعم استعلامات KNN الدقيقة على قواعد بيانات الشبكة المكانية.

يقدم الحل في [13] ، المسمى توسيع الشبكة الإضافية (INE) ، بنية تدمج معلومات الشبكة والإقليدية. يعتمد على إنشاء منطقة بحث لنقطة الاستعلام التي تتوسع من الاستعلام الذي يشبه خوارزمية Dijkstra. مزايا هذا النهج هي: 1) أنه يوفر طريقة لإيجاد المسافة الدقيقة في الشبكات ، و 2) يمكن للهندسة المعمارية أن تدعم الاستعلامات المكانية الأخرى مثل البحث عن النطاق والأزواج الأقرب. ومع ذلك ، فإن هذا النهج يعاني من ضعف الأداء عندما لا يتم توزيع الكائنات (على سبيل المثال ، المطاعم) بكثافة في الشبكة لأن هذا سيؤدي إلى استرداد أجزاء كبيرة من قاعدة البيانات. تحدث هذه المشكلة أيضًا مع القيم الكبيرة لـ k.

يعتمد نهج أقرب الجوار المستندة إلى Voronoi (V [N.sup.3]) المقترح في [8] على خصائص مخططات Voronoi للشبكة (NVD). يستخدم حسابات مسبقة محلية لمسافات الشبكة لنسبة مئوية صغيرة جدًا من العقد المجاورة في الشبكة لتحسين وقت استجابة الاستعلام وتقليل الوصول إلى القرص. بالإضافة إلى ذلك ، يمكن استخدام Network Voronoi Polygons (NVPs) الخاصة بـ NVD مباشرةً للعثور على أقرب جار. بعد ذلك ، توفر معلومات التقارب الخاصة بـ NVP مجموعة مرشحة لأقرب جيران آخرين لـ q. أخيرًا ، تُستخدم المسافات المحسوبة مسبقًا لتحسين المجموعة. عملية التصفية / التحسين في V [N.sup.3] تكرارية: في كل خطوة ، يتم أولاً إنشاء مجموعة جديدة من المرشحين من VNPs ، ثم يتم استخدام المسافات المحسوبة مسبقًا لتحديد "الجار التالي فقط" من q. مزايا هذا الأسلوب هي: 1) أنه يوفر طريقة للعثور على المسافات الدقيقة في الشبكات ، 2) وقت استجابة الاستعلام السريع ، و 3) إرجاع k الأقرب بشكل تدريجي ومسافاتهم من نقطة الاستعلام. العيب الرئيسي لهذا النهج هو حاجته إلى الحوسبة المسبقة والحفاظ على مجموعتين مختلفتين من البيانات: 1) الاستعلام إلى حساب الحدود: حساب مسافات الشبكة من q إلى النقاط الحدودية لشبكتها المغلقة Voronoi polygon ، و 2) الحدود إلى حساب الحدود: حساب مسافات الشبكة من النقاط الحدودية لـ NVP لـ q إلى النقاط الحدودية لأي من NVPs الأخرى. علاوة على ذلك ، يعاني هذا النهج في الأداء مع مجموعات بيانات أقل كثافة.

اقترحنا في [16] نهجًا جديدًا ، يسمى PINE ، لمعالجة استفسارات KNN بكفاءة في SNDBs. الفكرة الرئيسية وراء هذا النهج هي أولاً تقسيم شبكة كبيرة إلى مناطق أصغر يمكن إدارتها ، ثم حساب المسافات مسبقًا عبر المناطق. يمكن تنفيذ هاتين الخطوتين بسهولة وكفاءة باستخدام مخطط فورونوي من الدرجة الأولى ، ثم يمكن استخدام حساب مشابه لـ INE لحساب المسافات البينية. تكمن ميزة PINE في أنها توفر وقت وصول أقل إلى القرص ووقت أقل لوحدة المعالجة المركزية من V [N.sup.3]. بالإضافة إلى ذلك ، فإن أداء PINE مستقل عن كثافة وتوزيع نقاط الاهتمام وموقع كائن الاستعلام. من خلال إجراء الحساب عبر الشبكة للنقاط الحدودية للمناطق المجاورة فقط ، نتجنب الحسابات العالمية لاحقًا.

الحلول المقترحة لاستعلامات KNN العادية إما مستخدمة مباشرة أو تم تكييفها لمعالجة الاختلافات في استعلامات KNN مثل استعلامات RCKNN. بالنظر إلى المسار المحدد مسبقًا ، يقوم الاستعلام المستمر باسترداد مجموعات من النموذج & ltresult ، والفاصل الزمني & gt حيث تكون كل نتيجة مصحوبة بفاصل زمني مستقبلي ، تكون خلاله صالحة. على الرغم من أهمية الاستعلامات المستمرة في SNDBs ، فإن الدراسات النادرة في الأدبيات مصممة للمساحات الإقليدية (على سبيل المثال ، [21] ، والتي لا تنطبق على SNDBs.

على سبيل المثال ، الأسلوب المقترح في [21] يستخدم R-tree كطريقة أساسية للوصول إلى قسم البيانات. تجتاز الخوارزمية الخاصة بهم الشجرة وتقليم الوصول غير الضروري إلى العقدة بناءً على بعض الاستدلالات التي تستخدم المسافات الإقليدية. هدفهم هو إجراء استعلام واحد للمسار بأكمله. تبدأ الخوارزمية بقائمة أولية لنقاط الانقسام (SL) تحتوي فقط على عقد بداية ونهاية المسار ، وقائمة أولية فارغة من NNs ، ثم تقوم بتحديث SL بشكل تدريجي أثناء معالجة الاستعلام. بعد كل خطوة ، يحتوي SL على النتيجة الحالية فيما يتعلق بجميع نقاط البيانات التي تمت معالجتها حتى الآن. تحتوي النتيجة النهائية على كل نقطة انقسام تبقى في SL بعد الإنهاء مع أقرب جار لها. تتمثل ميزة [21] في تجنب عمليات المسح المتعددة لقاعدة البيانات من خلال الإبلاغ عن النتيجة باجتياز واحد لقاعدة البيانات. ومع ذلك ، لا يزال هناك عيب رئيسي يتمثل في استخدام المسافات الإقليدية التي لا تنطبق على مسافات الشبكة.

أخيرًا ، [9] عالج مشكلة استعلامات CKNN في شبكات الطرق. اقترحوا طريقتين يطلق عليهما: فحص التقاطع (IE) وخوارزمية الحد الأعلى (UBA) للعثور على الموقع و KNN لنقطة (نقاط) الانقسام على المسار. يكتشف الحل الأول ، IE ، KNNs لجميع العقد الموجودة على المسار عن طريق تقسيم المسار إلى مقاطع وفحص KNNs لعقد التقاطع فقط. توجد نقطة انقسام على أقصر مسار بين عقدتين متجاورتين مع KNN مختلفة ويتم حساب موقع تلك النقطة. الطريقة الثانية ، UBA ، تعمل على تحسين أداء IE عن طريق تقليل عدد حسابات KNN من خلال التخلص من حساب KNN للعقد التي لا يمكن أن تحتوي على أي نقاط منفصلة بينهما. حدس UBA هو أنه عندما يتم تحريك كائن الاستعلام قليلاً ، فمن المحتمل جدًا أن تظل KNNs كما هي. تقترح UBA طريقة للعثور على الحد الأدنى للمسافة التي يمكن أن يتحرك بها الكائن دون الحاجة إلى إصدار KNN جديد.

هناك ثلاثة أوجه قصور في [8]: 1) العدد الإجمالي لنقاط الانقسام المحسوبة باستخدام هذه الخوارزمية يكون أحيانًا زائداً عن الحاجة أو عديم الفائدة لبعض أنواع التطبيقات كما أوضحنا في القسم 1 ، 2) المسافة إلى جميع KNN للعقدتين النهائيتين (على سبيل المثال ، المسافة إلى قائمة المرشحين لكل مقطع) يتم تحديثها وترتيبها في كل نقطة انقسام والتي تتحمل عبء غير ضروري ، و 3) تعد خوارزمية PINE أكثر كفاءة من VN3 في إيجاد KNN لنقطة. (للحصول على نتائج تجريبية انظر [16]). على حد علمنا ، [9] هو الأسلوب الوحيد الذي يستخدم مسافات الشبكة للعثور على CKNN.

في القسم 3 نناقش نهجنا لحل RCKNN باستخدام PINE.

3. استعلامات k المستمرة المقيدة عن أقرب الجيران (RCKNN)

يتم تعريف استعلامات أقرب الجوار المستمرة المقيدة على أنها تحديد k الأقرب جيران لأي كائن على مسار معين يقع ضمن مسافة شبكة d من كائن الاستعلام. يظهر مثال لهذا النوع من الاستعلام في الشكل 1. في هذا المثال ، يتحرك جسم متحرك (مثل السيارة) على طول المسار ([L.sub.1] ، [L.sub.2] ، [L .sub.3]، [L.sub.4]) (محدد بالخطوط المتقطعة) ونحن مهتمون بالعثور على أول 3 جيران أقرب (تم تحديد الجيران في الشكل بواسطة <[n.sub.1] ،. [n.sub.8]>) للكائن في أي نقطة معينة على المسار التي تقع ضمن مسافة شبكة d من كائن الاستعلام. نتيجة استعلام KNN المستمر المقيد عبارة عن مجموعة من نقاط الانقسام و KNNs المرتبطة بها. تحدد نقاط الانقسام المواقع على المسار حيث تتغير KNNs للكائن. يتمثل التحدي الذي يواجه هذا النوع من الاستعلام في العثور بكفاءة على موقع النقطة (النقاط) المنقسمة على المسار.

في هذا القسم نناقش الحل الذي نقدمه لاستعلامات RCKNN في قواعد بيانات الشبكة المكانية. نقدم أولاً نهجنا للسيناريوهات عندما يكون مطلوبًا أول NN فقط (أي RCNN) ، ثم للحالات التي يتم فيها طلب RCKNN لأي نقطة على مسار معين.

3.1. استعلامات 1NN المستمرة المقيدة (RCNN) باستخدام PINE

يعتمد حلنا لاستعلامات CNN المقيدة على عملنا السابق PINE الذي يقسم الشبكة إلى شبكة Voronoi polygons (NVP) المنفصلة من الدرجة الأولى (Safar ، 2005) بحيث يكون المولد هو أول جار قريب من أي نقطة داخل المضلع. من ذلك المضلع. للعثور على RCNN لمسار معين ، نجد أولاً نقاط الانقسام على المسار الذي يتغير فيه NN. من خلال تقاطع المسار مع NVPs للشبكة ، تحدد نقاط التقاطع نقاط الانقسام ، والتي بدورها تحدد مقاطع المسار داخل كل مضلع. ونتيجة لذلك ، فإن أول NN مستمر مقيد لكل نقطة في مقطع داخل مضلع هو مولد ذلك المضلع ، إذا كان ضمن مسافة d من الشبكة.ومع ذلك ، لا يمكن توسيع هذا الأسلوب ليشمل استعلامات RCKNN لأن NVD هو مخطط شبكة من الدرجة الأولى يمكنه تحديد أول NN فقط.

3.2 استعلامات KNN المستمرة المقيدة (RCKNN) باستخدام PINE

تبدأ الخوارزمية الخاصة بنا للعثور على KNN المستمر المقيد لأي نقطة على المسار ، بتقسيم المسار إلى مقاطع أصغر وفقًا لبعض الخصائص ، ثم إيجاد KNN المستمر المقيد لكل مقطع ، وأخيراً ، إنشاء مجموعة النتائج للمسار بأكمله بواسطة الانضمام إلى النتائج لجميع القطاعات. يتضح أنه يجب أن تكون هناك نقطة انقسام على أقصر مسار بين عقد المقاطع إذا كانت العقد النهائية تحتوي على KNNs مختلفة [9]. بخلاف ذلك ، ستظل مجموعة KNN المستمرة المقيدة ثابتة على هذا المقطع إذا كانت KNNs الموجودة على هذا الارتباط ضمن مسافة شبكة d من نقطة الاستعلام. للعثور على موقع نقاط الانقسام بكفاءة ، تنفذ الخوارزمية الخاصة بنا الخطوات التالية:

الخطوة 1: الخطوة الأولى هي تقسيم المسار الأصلي إلى مقاطع أصغر باستخدام التقنية المقترحة من قبل [9] بحيث تكون نقاط النهاية لكل مقطع إما تقاطعًا أو نقطة اهتمام.

الخطوة 2: بعد ذلك ، نجد KNNs للعقد النهائية لكل مقطع باستخدام خوارزمية KNNs (PINE) [16] [25]. يتضح أن KNNs المستمرة المقيدة لكل مقطع هي مجموعة فرعية من اتحاد KNNs للنقاط النهائية لهذا الجزء الذي نسميه هذا الاتحاد قائمة المرشحين. من هذه القائمة ، نقوم بإنشاء قائمة مرتبة جديدة لأقرب الجيران لنقطة بداية المقطع. بمعنى آخر ، يتم فرز القائمة وفقًا للمسافات إلى عقدة بداية المقطع ([L.sub.y]). على غرار [9] ، نحدد أيضًا اتجاه كل جار (زيادة / نقصان) وفقًا لما إذا كانت المسافة إلى ذلك الجار تتزايد أم تتناقص بينما يتحرك كائن الاستعلام من نقطة بداية المقطع إلى نقطة الانقسام.

الخطوة 3: حذف نقاط KNN الموجودة ضمن مسافة شبكة أكبر من d من نقطة الاستعلام من قائمة المرشحين.

الخطوة 4: في هذه الخطوة ، نحاول العثور على مواقع نقاط الانقسام ، نظرًا لأننا نعلم أنه إذا كانت العقد النهائية تحتوي على KNNs مختلفة ، فيجب أن يكون هناك نقطة (نقاط) منفصلة واحدة أو أكثر على أقصر مسار بين المقاطع ' العقد [9]. لكل عضو في المجموعة ذات اتجاه متزايد ، قارنه مع كل جوار اتجاه متناقص للعثور على الموقع (بالنسبة إلى عقدة البداية لمقطع [L.sub.y]) لجميع نقاط الانقسام في مقطع باستخدام الطريقة التالية: نقطة الانقسام (P) التي تم إنشاؤها من [سهم لأعلى] (pn.sub.i] ، [d.sub.n]) و [سهم لأسفل] ([n.sub.j] ، [تعبير رياضي غير قابل للاستنساخ في ASCII]) التي تقع على مسافة ([MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII]) / 2- [MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII] من الموقع [L.sub.y] (ملاحظة: [MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII] و [MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII] من الموقع [L.sub.y] (ملاحظة: [MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII] و EXPRESSION NOT REPRODUCIBLE IN ASCII] هي المسافات من الموقع [L.sub.y].) العدد الإجمالي لنقاط الانقسام يساوي دائمًا عدد الجيران المسافة المتزايدة مضروبًا في عدد الجيران المتناقصين المسافة ويجب إنشاء جميع النقاط. سوف نميز فيما بعد بين نوعين من نقاط الانقسام.

الخطوة 5: نحفظ نتائج الخطوة السابقة للمقطع ([L.sub.y]، [L.sub.y + 1]) في تنسيق جدول مرتبة بشكل تدريجي وفقًا للمسافات إلى [L.sub.y]. يحتوي كل صف على ثلاثة إدخالات: (1) نقطة الانقسام ([P.sub.i]) ، (2) المسافة بين [P.sub.i] و [L.sub.y (dpi)] ، (3) وانقسام -NN وهي مجموعة ([n.sub.i] ، [n.sub.j]) بحيث يتم إنشاء نقاط الانقسام من هذين الجارين [n.sub.i] و [n.sub.j]. للحصول على الشفرة الزائفة الكاملة للخوارزمية ، انظر الشكل 2.

بالنظر إلى الجدول ، يمكن بسهولة العثور على KNN المستمر المقيد لجسم متحرك في الفاصل الزمني [L.sub.y] ، [L.sub.y + 1]. بدءًا من قائمة KNN لعقدة البداية [L.sub.y] ، تظل KNN كما هي مع تحرك الكائن حتى يصل إلى نقطة الانقسام الأولى حيث قد تتغير KNN وفقًا لإحدى الحالات الثلاث التي تم تفسيرها من العمود الثالث مدخلات الجدول المحفوظ (على سبيل المثال ، الجدول 1.) عند نقطة الانقسام (P) ، يمكن أن يعني الانقسام NN ([n.sub.i] ، [n.sub.j]) (i) الجيران [n. سيغير sub.i] و [n.sub.j] ترتيبهما في قائمة KNN إذا كان كلاهما موجودًا بالفعل في القائمة (نسمي هذه النقاط المنقسمة OSP) ، (ii) سيحل [n.sub.j] محل [n.sub.i] في قائمة KNN إذا لم يكن [n.sub.j] موجودًا بالفعل في القائمة (نسمي هذه النقاط المنقسمة ESP) ، أو (3) لن يتغير شيء في قائمة KNN إذا كان كلاهما [ n.sub.i] و [n.sub.j] ليسا في القائمة. لاحظ أن عملية البحث في الجدول تقدمية كل تكرار (خطوة) ، حيث ينتقل كائن الاستعلام بين نقاط الانقسام ، ويعتمد على نتيجة خطوته السابقة.

في [9] ، تقوم الخوارزمية بتتبع عناصر قائمة المرشحين وتحديث مسافاتهم إلى نقطة الانقسام المقابلة في كل خطوة. نحن لا نقوم بتحديث المسافات على الإطلاق بين نقاط الانقسام و KNN المرشح لأن هذا يؤدي إلى عمليات حسابية غير ضرورية وتخزين النفايات. بمعنى آخر ، هذه المسافات غير صالحة عندما يتحرك كائن الاستعلام بين نقاط الانقسام ، وإذا لزم الأمر ، يجب حساب المسافات إلى KNNs عبر الإنترنت اعتمادًا على الموقع الحالي لكائن الاستعلام.

يوضح الجدول 1 نتائج مثال لتطبيق الخوارزمية أعلاه للمقطع ([L.sub.1] ، [L.sub.2]) ، حيث تكون نقطة الانقسام الأولى لهذا المقطع [P.sub.4] . ومن ثم ، فإن KNN لأي نقطة في الفاصل الزمني ([L.sub.1] ، [P.sub.4]) تساوي KNNs لـ [L.sub.1] (و [P.sub.4]) ، لأي نقطة على ([P.sub.4] ، [P.sub.1]) تساوي KNNs لـ [P.sub.4] (و [P.sub.1]) ، وهكذا. لاحظ أنه يمكن حساب المسافات من كائن الاستعلام ، بين نقطتين منفصلتين ، إلى KNNs بالمثل. نتائج المقاطع ([L.sub.2] ، [n.sub.3]) ، ([n.sub.3] ، [L.sub.3]) و ([L.sub.3] ، [ L.sub.4]) بالمثل. علاوة على ذلك ، تقع جميع KNNs الموضحة في الجدول ضمن مسافة أقل من مسافة الشبكة d من كائن الاستعلام.

لتوضيح أسلوبنا ، نستخدم المثال التالي: لنفترض أنه في الشكل 1 ، نحن مهتمون بالعثور على أقرب ثلاثة جيران لأي نقطة على المسار ([L.sub.1] ، [L.sub.2] ، [ L.sub.3] ، [L.sub.4]) التي تقع ضمن مسافة شبكة d = 8. نركز على المقطع الأول ([L.sub.1] ، [L.sub.2]) ، يمكن معالجة الشرائح اللاحقة الأخرى بالمثل.

الخطوة 1: الخطوة الأولى هي قطع المسار الأصلي ([L.sub.1] ، [L.sub.2] ، [L.sub.3] ، [L.sub.4]) إلى أجزاء أصغر مثل نقاط نهاية كل جزء إما تقاطع أو نقاط اهتمام. بالنسبة للمثال المعطى ، ستكون المقاطع الناتجة ([L.sub.1] ، [L.sub.2]) ، ([L.sub.2] ، [n.sub.3]) ، ([n. sub.3]، [L.sub.3])، ([L.sub.3]، [L.sub.4]).

الخطوة 2: ثم نحدد KNNs للعقدتين النهائيتين لكل مقطع. أقرب ثلاثة مطاعم من [L.sub.1] و [L.sub.2] بمسافاتها هي <([n.sub.1] ، 3) ، ([n.sub.2] ، 5) ، ( [n.sub.3]، 7)> و <([n.sub.3]، 1)، ([n.sub.5]، 4)، ([n.sub.4]، 5)> ، على التوالى. نظرًا لأن كلا النقطتين النهائيتين للمقطع لهما مجموعة مختلفة (أو متداخلة) من KNN ، فإننا نعلم أنه يجب أن يكون هناك (أ) نقطة (نقاط) انقسام بين [L.sub.1] و [L.sub.2] و أن KNNs لأي نقطة على مقطع ([L.sub.1] ، [L.sub.2]) هي مجموعة فرعية من قائمة المرشحين <[n.sub.1] ، [n.sub.2] ، [ n.sub.3] ، [n.sub.4] ، [n.sub.5]>. بعد ذلك ، نقوم بإنشاء قائمة مرتبة جديدة لـ [L.sub.1] KNNs ، مع تحديد ما إذا كانت NN تتزايد أم تتناقص باستخدام رموز [سهم لأعلى] و [سهم لأسفل] ، على التوالي. نتيجة هذه الخطوة هي <[سهم لأعلى] ([n.sub.1] ، 3) ، [سهم لأعلى] ([n.sub.2] ، 5) ، [سهم لأسفل] ([n.sub.3 ] ، 7) ، [سهم لأسفل] ([n.sub.5] ، 10) ، [سهم لأسفل] ([n.sub.4] ، 11)>. لاحظ أن مسافات NN محسوبة على شكل [L.sub.1].

الخطوة 3: نحذف بعد ذلك جميع KNN للعقدتين الطرفيتين لكل مقطع تقعان ضمن مسافة أكبر من 8 من نقطتي الاستعلام ([L.sub.1] و [L.sub.2]). ومع ذلك ، نظرًا لأن [n.sub.1] و [n.sub.2] و [n.sub.3] كلها ضمن مسافة أقل من 8 من [L.sub.1] (7 وأقل) و [ n.sub.3] و [n.sub.5] و [n.sub.4] ضمن مسافة أقل من 8 من [L.sub.2] (5 أو أقل) ، ثم لا نحذفها .

الخطوة 4: لكل عضو [سهم لأعلى] متزايد في المجموعة ، نقارنه بكل [سهم لأسفل] متناقص للعثور على موقع النقاط المنقسمة. في هذا المثال ، لدينا عنصران متزايدان ([سهم لأعلى] ([n.sub.1] ، 3) ، [سهم لأعلى] ([n.sub.2] ، 5)) و 3 عناصر متناقصة ([سهم لأسفل ] ([n.sub.3] ، 7) ، [سهم لأسفل] ([n.sub.5] ، 10) ، [سهم لأسفل] ([n.sub.4] ، 11)). لذلك ، يتعين علينا إنشاء إجمالي 2 * 3 = 6 نقاط مقسمة. يتم إنشاء نقطة الانقسام الأولى ([P.sub.1]) من [سهم لأعلى] ([n.sub.1] ، 3) و [سهم لأسفل] ([n.sub.3] ، 7) وهو في مسافة (7 + 3) 2 - 3 = 2 من [L.sub.1]. يتم إنشاء نقطة الانقسام الثانية ([P.sub.2]) من [سهم لأعلى] ([n.sub.1] ، 3) و [سهم لأسفل] ([n.sub.5] ، 10) وهو في مسافة (10 + 3) 2 - 3 = 3.5 من [L. sub.1]. وبالمثل ، نحسب باقي نقاط الانقسام.

الخطوة 5: يتم فرز نقاط الفصل المتولدة من الخطوة 4 بشكل تدريجي وفقًا لمسافاتها إلى [L.sub.1]. في هذا المثال ، [P.sub.4] لها أقصر مسافة لـ [L.sub.1] ، والتي تساوي 1 ، وبالتالي فهي في أعلى الجدول 1 والأول في الشكل 3. تمثل إدخالات العمود الثالث NNs التي يتم منها إنشاء نقطة الانقسام المقابلة. على سبيل المثال ، عندما أنشأنا [P.sub.1] في الخطوة 3 ، قارنا [n.sub.1] مع [n.sub.3] ومن ثم (1 ، 3) في العمود. وبالمثل ، لتوليد [P.sub.2] ، قارنا n1 مع n5 ، وبالتالي (1 ، 5) في العمود. يوضح الجدول 1 نتائج هذه الخطوة للقطاع ([L.sub.1] ، [L.sub.2]). باستخدام هذا الجدول ، يمكننا حل مشكلة مثالنا. كانت المشكلة هي العثور على أقرب ثلاثة جيران متواصلين لنقطة استعلام تتحرك من L1 إلى [L.sub.4]. لحل هذه المشكلة ، بدأنا بالخطوة 1 للحصول على الجدول 1. (IE المعدل) يقول بدءًا من [L.sub.1] إلى نقطة الانقسام الأولى ([P.sub.4]) 3 NNs هي [[n .sub.1] ، [n.sub.2] ، [n.sub.3]] مرتبة وفقًا للمسافات إلى [L.sub.1] ، من القائمة الموجودة في الخطوة 2. بمجرد أن نصل إلى [P.sub. 4] ، ثم الانتقال نحو [P.sub.1] سيتغير 3NN على النحو التالي:

* انظر إلى الإدخال [P.sub.4] في الجدول 1 [[P.sub.4] [القيمة المطلقة 1] (2،3)] يشير إدخال العمود الثالث إلى تغيير في [n.sub.1] و [n.sub.3]. إذا كان هؤلاء الجيران موجودون بالفعل في قائمة [L.sub.1] 3NN ، فإننا نغير ترتيب العناصر فقط. 3NN الجديدة من [P.sub.4] [السهم الأيمن] [P.sub.1] هي نفسها نموذج 3NN [L.sub.1] [السهم الأيمن] [P.sub.4] باستثناء التغيير من المواضع [n.sub.2] مع [n.sub.3]. 3 NN الناتجة للمسار [P.sub.4] [السهم الأيمن] [P.sub.1] هي [[n.sub.1] ، [n.sub.3] ، [n.sub.2] ] مرتبة حسب المسافات إلى [P.sub.4].

* ثم من [P.sub.1] [السهم الأيمن] [P.sub.5] ، ننظر إلى إدخال P1 في نفس الجدول ونرى ([n.sub.1] ، [n.sub.3]) في العمود الثالث. إذا كان العنصران في المجموعة موجودان بالفعل في القائمة المصنفة لـ 3NNs الخاصة بـ [P.sub.4] ، فإننا نغير ترتيبهما كما حدث لنقطة الانقسام P4 أعلاه. 3NN الناتجة هي نفسها 3NN من [L.sub.1] [السهم الأيمن] [P.sub.4] مع تغيير في مواضع [n.sub.1] و [n.sub.3] للحصول على هذه 3NNs [[n.sub.3] ، [n.sub.1] ، [n.sub.2]].

* ثم من [P.sub.5] [السهم الأيمن] [P.sub.6] ، ننظر إلى إدخال [P.sub.5] في نفس الجدول ونرى (2 ، 5) في العمود الثالث. إذا كان أحد الجيران في المجموعة موجودًا في القائمة المرتبة لـ 3NNs لـ [P.sub.1] ، والآخر ليس كذلك ، فإننا نخرج أحدهما ونستبدله بالعنصر الآخر. 3NN الناتجة هي نفسها 3NN من [P.sub.1] [السهم الأيمن] [P.sub.4] مع استبدال الجار [n.sub.5] بـ [n.sub.2] للحصول على هذا 3NN [[n.sub.3] ، [n.sub.1] ، [n.sub.5]] ، مرتبة وفقًا للمسافات إلى [P.sub.5].

* استمرار الرحلة للوصول إلى [P.sub.6] من [P.sub.5] ، يحتوي إدخال الجدول لـ [P.sub.6] على ([n.sub.2] ، [n.sub.4] ) غير موجودة في قائمة 3NN الخاصة بـ [P.sub.5]. هذا يعني أنه عند نقطة الانقسام هذه لا يوجد أي تغيير في الجيران الأقرب من تلك الموجودة عند نقطة الانقسام السابقة وتبقى [[n.sub.3] ، [n.sub.1] ، [n.sub.5] ] للفاصل الزمني] [P.sub.1] [السهم الأيمن] [P.sub.5] [P.sub.6] [. من [P.sub.2] [السهم الأيمن] [P.sub.3] ، نجد (1 ، 5) في الجدول 1 ، لذا فإن 3NN الجديدة هي [[n.sub.3] ، [n.sub. 5]، [n.sub.1]]. أخيرًا ، نصل إلى نهاية المقطع [L.sub.2] من [P.sub.3]. بالنظر إلى (1 ، 4) في الجدول ، فإن 3NNs الجديدة للفاصل الزمني [P.sub.3] [السهم الأيمن] [L.sub.2] هي [[n.sub.3] ، [n.sub. 5]، [n.sub.4]].

كما لاحظت ، عند نقاط الانقسام [P.sub.5] و [P.sub.3] ، قمنا باستبدال عناصر 3NN بعناصر أخرى وفقًا للإدخالات في الجدول 1 ، وبالتالي تسمى هذه النقاط (ESP). علاوة على ذلك ، عند النقاط المنقسمة [P.sub.4] و [P.sub.1] و [P.sub.6] و [P.sub.2] قمنا فقط بتغيير ترتيب الجيران أثناء تقدمنا ​​من خلال الخطوات ، وبالتالي تسمى هذه (OSP). يوضح الشكل 4 هذه الأنواع من نقاط الانقسام للفاصل الزمني ([L.sub.1] ، [L.sub.2])

3.3 ملحقات وتحسينات RCKNN

أظهرت نتائجنا التجريبية في [16] [25] أن V [N.sup.3] فشل في الإجابة على بعض استفسارات CKNN وقدم نتائج غير صالحة. حدد تحليلنا للخوارزمية بعض العيوب في الخوارزمية ، خاصة في الحالات التي يكون فيها كل من نقطتي النهاية لجزء خطي (رابط الطريق) لهما أقرب جار مشترك. في هذه الحالة ، تفترض الخوارزمية أنه أثناء الانتقال من نقطة نهاية إلى أخرى ، فإن المسافة إلى أقرب الجار المشترك إما تزيد أو تنقص من خلال الرابط. ومع ذلك ، أظهر تحقيقنا وتحليلنا أن الأمر ليس كذلك. عادةً ما تزداد المسافة حتى تصل إلى نقطة تقسيم افتراضية (غير حقيقية). في هذه المرحلة ، تنخفض المسافة لأن أقصر طريق إلى أقرب جار مشترك سيمر عبر نقطة النهاية الثانية. ومن ثم ، نقدم في هذا القسم خوارزمية معدلة لحل هذه المشكلة.

يظهر مثال على هذا النوع من المواقف في الشكل 5 ، حيث يتحرك جسم متحرك (على سبيل المثال ، سيارة) على طول المسار (A ، B) ونحن مهتمون بالعثور على أول 4 مطاعم قريبة من الكائن في أي وقت. أشر على الطريق. نتيجة استعلام NN المستمر هي مجموعة من نقاط الانقسام و KNN المرتبطة بها. تحدد نقاط الانقسام المواقع على المسار حيث يتغير KNN للكائن. بمعنى آخر ، KNN لأي كائن على المقطع (أو الفاصل الزمني) بين نقطتي انقسام متجاورتين هو نفسه KNN لنقاط الانقسام. يتمثل التحدي الذي يواجه هذا النوع من الاستعلام في العثور بكفاءة على موقع النقطة (النقاط) المنقسمة على المسار.

في الشكل 5 لدينا سيارة تنتقل من A إلى B ونريد العثور على أقرب 4 جيران أثناء تحركها نحو B. وفقًا لـ [8] فإن 4 NN للسيارة ستكون مجموعة فرعية من 4 NN لـ A و 4 NN من B. لذلك ، نتبع الخوارزمية التالية:

الخطوة 1: أولاً نجد 4 NN لـ A و B. 4NN لـ A = <(r1،2)، (r5،3)، (r4،4)، (r2،8)>، 4NN for B = < (r2،3)، (r3،4)، (r4،5)، (r1،7)> (افترض أنهم جميعًا ضمن مسافة شبكة محددة d من نقطة الاستعلام)

الخطوة 2: تحديد الجيران المشتركين وغير المألوفين: الجيران المشتركون: r1 ، r4 ، r2 ، الجيران غير المألوفين: r5 ، r3

الخطوة 3: بالنسبة للنقاط غير الشائعة:

* r5 (أحد أقرب أربعة جيران) ستزيد المسافة دائمًا [السهم لأعلى] أثناء تحرك السيارة من A إلى B

* r3 (أحد أقرب أربعة جيران B) ستنخفض المسافة دائمًا [السهم لأسفل] أثناء تحرك السيارة من A إلى B

* إذا كان أقصر طريق يمر عبر إحدى العقد (أ أو ب) طوال الوقت

* r2 (يمر أقصر مسار دائمًا عبر B) [السهم الأيمن] ستنخفض المسافة دائمًا [السهم لأسفل] أثناء تحرك السيارة من A إلى B

* r1 (يمر أقصر مسار دائمًا من خلال A) [السهم الأيمن] ستزداد المسافة دائمًا [السهم لأعلى] أثناء تحرك السيارة من A إلى B

* إذا كان أقصر مسار لا يمر عبر إحدى العقد (أ أو ب) طوال الوقت (على سبيل المثال ، في البداية ، يمر أقصر مسار عبر أ ثم يمر أقصر طريق ب). بالنسبة إلى r4 في ​​البداية ، ستبدأ المسافة من السيارة إلى r4 بزيادة [سهم لأعلى] نظرًا لأن أقصر مسار يمر عبر A ولكن في مرحلة ما ستنخفض المسافة من السيارة إلى r4 [سهم لأسفل] منذ أقصر مسار ستمر ب. هذه النقطة ستكون منتصف مسار (r4، A، B، r4). لإيجاد هذه النقطة نستخدم المعادلة التالية: X = (AC + AB + BC) / 2. ومن ثم ، فإن المسافة من نقطة البداية (نقطة التبديل) = X-AC

الخطوة 5: شكل قائمة تحتوي على A و B 4 NN (أضف المسافة بين A و B إلى جيران B) وأضف مؤشرات الزيادة والنقصان والتبديل: <(r1،2) [سهم لأعلى]، (r5، 3) [سهم لأعلى] ، (r4،4) [سهم لأعلى] [3.sup. *] أو [7.sup. *] ، (r2،8) [سهم لأسفل] ، (r3،9) [سهم لأسفل ]>. [3.sup. *] تعني أننا سنقوم بتبديل المؤشر بعد أن تعبر السيارة 3 وحدات من A إلى B (أو عندما تكون المسافة من r4 إلى السيارة تساوي 7 إلى A).

الخطوة 6: ابحث عن نقطة الانقسام وقارنها بقيمة التبديل. إذا كانت أكبر من ذلك ، فقم بالتبديل ثم أعد حساب نقطة الانقسام. لكل نقطة تقسيم ، حدد ما إذا كانت نقطة تقسيم الطلب (OSP) (حيث تم تغيير ترتيب 4 NN فقط) ، أو أنها نقطة تقسيم العنصر (ESP)

* ابحث عن نقطة الانقسام: سيتم العثور على نقاط الانقسام عندما يكون لدينا [سهم لأعلى] متبوعًا بـ [سهم لأسفل]

* نقطة الانقسام الأولى بين r4 و r2 ستكون عند 6 وبعد أن تعبر السيارة وحدتين (وهي & lt نقطة التبديل). تسمى نقطة الانقسام هذه OSP (لن يتغير أول 4 جيران)

الخطوة 7: قم بتحديث القائمة بإضافة وحدتين إلى الأزواج التي تحتوي على مؤشر [سهم لأعلى] وطرح 2 من الأزواج التي تحتوي على مؤشر [سهم لأسفل] ، وستكون القائمة الجديدة على النحو التالي:

الخطوة 8: انتقل إلى الخطوتين 6 و 7 مرة أخرى

* بين r2 و r5 [السهم الأيمن] بعد 0.5 وحدة (2.5 من A)

* بين r4 و r3 [السهم الأيمن] بعد 0.5 وحدة (2.5 من A)

* نفس نقطة الانقسام في نقطة الانقسام هذه سيتم تغيير أحد أقرب 4 جيران بحيث يكون هذا هو ESP:

الخطوة 9: انتقل إلى الخطوتين 6 و 7 مرة أخرى

* بين r1 و r2 [السهم الأيمن] بعد 0.5 وحدة (3 من A التي = نقطة التبديل).

* بين r5 و r3 [السهم الأيمن] بعد 0.5 وحدة (3 من A التي = نقطة التبديل).

* تسمى نقطة الانقسام هذه OSP (لن يتغير أول 4 جيران)

* ولكن تسمى أيضًا نقطة التبديل حيث يمر أقصر مسار للنقطة المشتركة r4 عبر B بدلاً من المرور عبر A وستنخفض مسافة السيارة كلما تحركت السيارة باتجاه B:

الخطوة 10: كرر 6 و 7 حتى أول 4 أزواج في القائمة = 4NN لـ B = <(r2،3)، (r3،4)، (r4،5)، (r1،7)> ، وهي r2 ، r3 ، r4 ، r1

4. آلية ذاكرة التخزين المؤقت لاستعلامات RCKNN

مع الأخذ في الاعتبار أن الأجهزة المحمولة مثل الملاحين عادة ما تكون محدودة بموارد الذاكرة ، في هذا القسم نقترح آلية تخزين مؤقت جديدة لاستخدامها داخل نظام الملاح لتسريع استجابة الاستعلام لاستعلامات RCKNN.

4.1 المعلومات المراد تخزينها مؤقتًا

نفترض أن ما يلي هو الأنواع المختلفة من المعلومات التي يتم حسابها أثناء التشغيل في نظام ملاح السيارة وبالتالي تتطلب التخزين المؤقت.

1. تقسيم النقاط لكل جزء (بعد تقسيم الخريطة بشكل ملائم إلى أجزاء تحدها عُقد) ، وهي مجموعة محدودة من العقد.

2. KNNs لنقاط اهتمام محددة ، والتي هي أيضًا مجموعة محدودة من العقد.

3. CKNNs أو RCKNNs لقطاع معين قيد الدراسة ، والتي هي أيضًا مجموعة محدودة من العقد.

تتكون البيانات المحسوبة مسبقًا والمخزنة في قاعدة البيانات من:

1. المسافات بين النقاط (للبحث من الخريطة) ، وهي ذات أرقام ثابتة.

2. قائمة الروابط التي تنشأ من عقدة معينة ، وهي مجموعة محدودة من العقد.

لاحظ أنه تم استخدام المصطلحين النقطة والعقدة بالتبادل في هذه الورقة. نمضي قدما ، مع الافتراضات المذكورة أعلاه. بعد ذلك نقوم بإدراج ملاحظاتنا حول تصميم ذاكرة التخزين المؤقت لمشكلة CKNN أو RCKNN.

ستكون ذاكرة التخزين المؤقت التي نقترحها ذات حجم ثابت (جزء من ذاكرة العميل) ، والتي ستكون قادرة على استيعاب المعلومات غير المتجانسة من الفئات المحددة أعلاه. سيتم إعاقة أداء ذاكرة التخزين المؤقت إذا قمنا بتقسيمها إلى أجزاء ثابتة / ديناميكية لكل منها للاحتفاظ بفئة معينة من المعلومات. قد تكون هناك مواقف يفيض فيها جزء معين (مما يتطلب مزيدًا من الذاكرة) ، بينما قد يظل جزء آخر شاغرًا. للتغلب على هذا ، نقترح تخزين فئات مختلفة من المعلومات في شكل سجلات محددة مسبقًا ، وبالتالي التخلص من أي حاجة لتقسيم ذاكرة التخزين المؤقت. تسمى المعلومات من كل نوع حزمة المعلومات. تُستخدم هياكل مختلفة من حزم المعلومات لتخزين KNNs و SPs و CKNNs / RCKNNs. وبالتالي ، فإن ذاكرة التخزين المؤقت تخزن حزم المعلومات المختلفة (مستقلة عن الطلب) حتى يتم الوصول إلى أقصى سعة للذاكرة. ستخضع حزم المعلومات هذه بعد ذلك إلى الاستبدال / الإخلاء من ذاكرة التخزين المؤقت ، بناءً على خوارزمية ذاكرة التخزين المؤقت الخاصة بنا.

4.3 هيكل حزم المعلومات

تتكون كل حزمة معلومات من ترويسة تشير إلى نوع المعلومات كما هو موضح في الشكل 6.

* KNN: تخزن الحزمة INFO_TYPE ، النقطة التي يتم حساب KNN من أجلها ، عدد KNNs للنقطة ، الحجم الإجمالي المطلوب بواسطة Packet & amp ؛ قائمة KNNs للنقطة. يتيح لنا حجم الحزمة تحديد ما إذا كان يمكن استيعاب الحزمة في ذاكرة التخزين المؤقت أم لا.

* SP: تخزن الحزمة INFO_TYPE ، مقطع الخط الذي يتم حساب نقاط الانقسام بينها ، وعدد نقاط الانقسام ، وإجمالي حجم الحزمة وقائمة بجميع النقاط المقسمة مع مسافاتها من بداية الجزء الخطي + Split-NNs.

* CKNN أو RCKNN: التخزين مشابه لـ KNN باستثناء أنه بدلاً من نقطة واحدة ، يتم تخزين مقطع الخط بأكمله الذي تقع بين CKNNs أو RCKNNs.

نضع أولويات للأنواع الثلاثة من المعلومات المذكورة أعلاه على النحو التالي: KNN & gt SP & gt CKNN / RCKNN. هذا معقول لأنه يمكن اشتقاق CKNN / RCKNNs من SPs بينما يمكن اشتقاق SP من KNNs. وبالتالي ، تحاول سياستنا الاحتفاظ بأكبر عدد ممكن من حزم KNN ذات الصلة في ذاكرة التخزين المؤقت وبعض أجزاء فقط من حزم SP و CKNN / RCKNN.

4.4 سيناريوهات استبدال ذاكرة التخزين المؤقت والإخلاء

مطلوب إستراتيجية فعالة لاستبدال ذاكرة التخزين المؤقت لضمان ملء ذاكرة التخزين المؤقت دائمًا بحزم المعلومات ذات الصلة فقط وطرد جميع الحزم القديمة. لنفترض أن ذاكرة التخزين المؤقت الخاصة بنا تحتوي على قدر كبير من المعلومات بعد أن يقطع العميل مسافة ما. نناقش محتويات ذاكرة التخزين المؤقت في مراحل مختلفة.

* يتم وضع العميل بين [L.sub.1] و [L.sub.2]: في هذه اللحظة ، تحتوي ذاكرة التخزين المؤقت على: (أ) KNNs لـ [L.sub.1] ، (ب) KNNs لـ [L. sub.2] ، (ج) نقاط الانقسام بين [L.sub.1] و [L.sub.2] ، (d) CKNNs / RCKNNs للقطاع [L.sub.1] - [L.sub.2] .

* يكمل العميل مقطع السطر [L.sub.1] - [L.sub.2] ويتم وضعه في [L.sub.2]: في هذه اللحظة تحتوي ذاكرة التخزين المؤقت على: (أ) KNNs لـ [L.sub.1] ] ، (ب) KNNs لـ [L.sub.2] ، (ج) نقاط الانقسام بين [L.sub.1] و [L.sub.2] ، (d) CKNNs / RCKNNs للمقطع [L.sub. 1] - [L.sub.2]. نحتاج الآن إلى تحديث ذاكرة التخزين المؤقت ، لأن العميل سيأخذ مقطعًا مختلفًا. ستكون نقطة البداية للمقطع الجديد [L.sub.2] ، لكننا لا نعرف النقطة الأخرى. في هذه المرحلة ، نفترض أنه من [L.sub.2] ، سيتحرك العميل نحو أقرب جميع CKNNs / RCKNNs المحسوبة للمقطع [L.sub.1] - [L.sub.2] ، قل [n.sub.6]. بناءً على هذا الجار ، يمكننا تحديد المقطع (الذي يحتوي على الجار) وتخزين KNNs لنقطة النهاية الأخرى ، على سبيل المثال [L.sub.3]. ولكن قد تكون هناك مواقف ينتهك فيها العميل هذا السلوك العادي وبدلاً من اختيار أقرب جار ، يتحرك نحو أقرب الجيران التاليين. لحل هذه المشكلة ، قمنا بفرز CKNNs / RCKNNs للمقطع [L.sub.1] - [L.sub.2] بترتيب تصاعدي وجلب مسبق لـ KNNs لأكبر عدد ممكن من نقاط التقاطع بناءً عليها. على سبيل المثال ، إذا كانت CKNNs / RCKNNs المصنفة هي <[n.sub.6] ، [n.sub.3] ، [n.sub.2]> ، نحاول إضافة KNNs لـ [L.sub.3] (حيث أن [n.sub.6] يقع في المقطع [L.sub.2] - [L.sub.3]) في ذاكرة التخزين المؤقت. إذا كان هناك المزيد من المساحة المتوفرة في ذاكرة التخزين المؤقت ، فإننا نجلب مسبقًا مجموعة KNN التالية من [L.sub.4] (حيث تقع [n.sub.3] في المقطع [L.sub.2] - [L. الفرع 4]). وبالتالي فإن KNNs لمعظم المقاطع ممكنة كما تم جلبها مسبقًا في ذاكرة التخزين المؤقت اعتمادًا على الذاكرة المتاحة. ملاحظة أخرى في هذه المرحلة هي أنه إذا لم يكن هناك مساحة لإحضار مجموعة KNN واحدة جديدة ، فإن محاولات إخراج ذاكرة التخزين المؤقت تكون بالترتيب التالي:

* لطرد CKNNs / RCKNNs المخزنة لأول مرة من أجل [L.sub.1] - [L.sub.2]

* إذا كانت المساحة المتبقية غير كافية ، فقم بطرد نقاط الانقسام المخزنة لـ [L.sub.1] - [L.sub.2]

* إذا كانت المساحة لا تزال غير كافية ، فقم بطرد KNNs المخزنة لـ [L.sub.1].

يتم هذا الترتيب بناءً على أولوية أنواع المعلومات هذه التي تمت مناقشتها مسبقًا. لنفترض هنا أنه نظرًا لنقص المساحة ، تم إخلاء CKNNs / RCKNNs لـ [L.sub.1] - [L.sub.2] فقط.

* يختار العميل Line Segment [L.sub.2] - [L.sub.3] ويتحرك نحو [L.sub.3]: في هذه اللحظة تحتوي ذاكرة التخزين المؤقت على: (أ) KNNs لـ [L.sub.1] و [L.sub.2] و [L.sub.3] وتلك الخاصة بنقاط التقاطع الأخرى المحسوبة. على الرغم من أن KNNs الأخرى ليست ذات فائدة فورية ، إلا أنه يتم الاحتفاظ بها في حالة وجود مساحة على ذاكرة التخزين المؤقت. (ب) نقاط الانقسام المقابلة لـ [L.sub.1] - [L.sub.2] ، [L.sub.2] - [L.sub.3] ، (c) CKNNs / RCKNNs لـ [L.sub. .2] - [L.sub.3] وتجدر الإشارة في هذه المرحلة إلى أنه في حالة عدم احتواء ذاكرة التخزين المؤقت على مساحة لاستيعاب نقاط الانقسام المحسوبة حديثًا لـ [L.sub.2] - [L.sub.3] و CKNNs / RCKNNs لـ [L.sub.2] ] - [L.sub.3] ، ثم تم إخلاء النقاط المقسمة لـ [L.sub.1] - [L.sub.2]. إذا استمرت الحاجة إلى الإخلاء ، فسيتم إخلاء جميع KNN غير الضرورية لنقاط التقاطع الأخرى.

هذا هو أساس خوارزمية التخزين المؤقت التي نوضحها أدناه:

لقد أجرينا العديد من التجارب لتقييم أداء الخوارزميات المحسّنة لدينا باستخدام PINE لحل استعلامات KNN المقيدة المستمرة. استخدمنا مجموعات بيانات حقيقية تم الحصول عليها من شركة NavTech Inc. ، وتستخدم لأجهزة الملاحة ونظام تحديد المواقع العالمي (GPS) المثبتة في السيارات ، وتمثل شبكة تضم ما يقرب من 110.000 رابط و 79800 عقدة من نظام الطرق في وسط مدينة لوس أنجلوس. كانت التجارب تستخدم Oracle 9 كخادم قاعدة بيانات. استخدمنا مجموعات مختلفة من نقاط الاهتمام (مثل المطاعم ومراكز التسوق وما إلى ذلك)

في التجربة الأولى ، قدمنا ​​متوسط ​​النتائج لـ 20 جولة من استعلامات K المستمرة المقيدة لأقرب الجيران (RCKNN) حيث تباينت K من 5 إلى 20 ، وقمنا بتغيير مسافة الشبكة d من 500 إلى 16000 متر. حسبنا عدد المرات التي تم فيها إصدار استعلام KNN للإجابة على استعلام RCKNN وعدد نقاط الانقسام على المسار ووقت التنفيذ بالثواني. تم إنشاء مصدر ووجهة مسارات السفر بشكل عشوائي بأطوال عشوائية ، ومع ذلك ، فقد تأكدنا من عدم زيارة أي عقدة أكثر من مرة (لتجنب الدورات).

قمنا بحساب متوسط ​​نتائج 20 تشغيلًا من استعلامات RCKNN المحسّنة باستخدام PINE لكيانات مختلفة (مستشفيات ، مطاعم ، إلخ.) للكيانات نسبة مختلفة من السكان والعدد (أي عدد الكيانات على عدد الروابط في الشبكة ، انظر الجدول 2.) على سبيل المثال ، في الجدول 3 نعرض وقت استجابة الاستعلام بقيمة K تتراوح من 5 إلى 20 ، وبالنسبة لقيم مختلفة من K (قيم <5 ، 10 ، 15 ، 20>) قمنا بتغيير مسافة القيد د من 500 إلى 16000 متر. لاحظ أن مسافات التقييد تختلف باختلاف الكيانات ، وأنها تتزايد مع الكيانات الأقل كثافة. ويرجع ذلك إلى حقيقة أنه كلما انخفضت كثافة الكيان زادت انتشار هذه الكيانات على الخريطة. ومن ثم ، نحتاج إلى زيادة قيمة مسافة التقييد d فقط للتأكد من حصولنا على حل واحد على الأقل لأي استعلام. يحدد العمود الأول في الجدول مسافة التقييد d. من العمود الثالث وما بعده ، يحتوي كل إدخال في الجدول على ثلاث قيم (متوسطها أكثر من 20 تشغيلًا): 1) عدد استعلامات KNN التي تم إصدارها ، 2) عدد النقاط المنقسمة على المسار ، و 3) وقت التنفيذ بالثواني.

من الجدول 3 ، نستنتج أن العدد الإجمالي لاستعلامات KNN الصادرة ثابت تقريبًا (في المتوسط ​​حوالي 10) بغض النظر عن: 1) كثافة الكيانات ، 2) مسافة التقييد d ، و 3) قيمة K (عدد أقرب الجيران.) هذا لأن عدد استعلامات KNN الصادرة يعتمد فقط على الطريقة التي يتم بها تقسيم المسار الأصلي إلى مقاطع أصغر. نقاط نهاية تلك الأجزاء هي إما نقاط تقاطع أو نقاط اهتمام. يعتمد عدد التقاطعات في الخريطة على الطرق فقط وليس على الكيانات ، وبالتالي يتم إصلاحه لجميع الاستعلامات الصادرة. علاوة على ذلك ، بالنسبة للكيانات المختلفة ، اخترنا مسافات تقييد مختلفة (تزيد بكثافات أقل) ، وبالتالي فإن عدد نقاط الاهتمام ثابت تقريبًا لأطوال المسار المختلفة في كيانات مختلفة.

يتضح أيضًا من الجدول 3 أنه كلما زادنا مسافة التقييد d ، يزداد وقت التنفيذ وعدد النقاط المنسكبة. ويرجع ذلك إلى حقيقة أنه مع زيادة مسافة التقييد لدينا ، فإننا نسمح باستكشاف المزيد من التقاطعات ونقاط الاهتمام ، وبالتالي زيادة وقت التنفيذ وعدد نقاط الانقسام. بالإضافة إلى ذلك ، مع زيادة قيمة K ، يزداد وقت التنفيذ وعدد نقاط الانقسام لنفس الأسباب المذكورة سابقًا. في الأشكال 7-9 ، نعرض أداء خوارزمية RCKNN الخاصة بنا على نوع كيان بيانات واحد (المدارس) لتوضيح السلوك الذي وصفناه سابقًا. تظهر الكيانات الأخرى نفس السلوك بالضبط.

علاوة على ذلك ، يوضح الجدول 3 أنه كلما قللنا من كثافة نقاط الاهتمام ، يزداد وقت التنفيذ ، ومع ذلك ، فإن عدد نقاط الانقسام يتناقص (انظر الأشكال 10-12 للحصول على مثال مع d = 2000m.) منذ ذلك الحين ، كلما قللنا كثافة الكيانات ، ستنتشر نقطة الاهتمام على مساحة أكبر ، وبالتالي يجب استكشاف عدد أكبر من النقاط. ومع ذلك ، يتم إنشاء عدد أقل من نقاط الانقسام ، لأنه مع انخفاض الكثافة ، ستكون نقاط الاهتمام أقل أقرب إلى نقطة الاستعلام ، وبالتالي يتم إجراء تغييرات أقل على قائمة أقرب الجيران.

في التجربة الثانية ، درسنا تأثير زيادة قيمة K وكثافة نقاط الاهتمام على العدد الإجمالي لـ ESPs (نقاط تقسيم العناصر) و OSPs (نقاط تقسيم الكائن). تم تحسين استعلامات K القريبة من أقرب الجيران (CKNN) حيث تباينت K من 2 إلى 10 للكيانات المختلفة (المستشفيات والمطاعم وما إلى ذلك). تم إنشاء مسارات السفر من المصدر إلى الوجهة بشكل عشوائي بأطوال عشوائية (في المتوسط ​​2 كم.) في الجدول 4 نعرض نتائج قيم مختلفة لـ K (قيم <2 ، 4 ، 6 ، 8 ، 10>.) العمود الأول في الجدول يحدد نوع الكيان. من العمود الثالث وما بعده ، يحتوي كل إدخال في الجدول على ثلاث قيم (متوسطها أكثر من 20 نقطة): 1) العدد الإجمالي لنقاط الانقسام (SPs) ، 2) عدد نقاط تقسيم العناصر (ESPs) ، و 3) عدد نقاط تقسيم الطلبات (OSPs).

يوضح الجدول 4 أنه كلما قللنا من كثافة نقاط الاهتمام ، يقل عدد نقاط الانقسام لنفس الأسباب التي ناقشناها سابقًا في نتائج التجربة الأولى. بالإضافة إلى ذلك ، مع زيادة قيمة K لنفس الكيان ، يزداد عدد النقاط المقسمة لنفس الأسباب المذكورة سابقًا. للقيم الصغيرة لـ K ، نحصل على نفس العدد تقريبًا من OSPs و ESPs في SP. ومع ذلك ، نلاحظ أنه مع زيادة قيمة K وكثافة نقاط الاهتمام ، تزداد النسبة المئوية لـ OSP بشكل كبير عن النسبة المئوية لـ ESP ، وفي بعض الحالات يكون لدينا 94٪ من SPs هي OSPs (انظر الأشكال 13 14.) في المتوسط ​​عبر جميع التجارب ، كانت النسبة المئوية لـ OSPs 77.6٪ و ESPs 22.4٪. مما يعني أنه عادةً ما تظل إجابات الاستعلام (نقاط الاهتمام) ثابتة ، ولكن يتغير ترتيب المسافة إلى نقاط الاستعلام.

في التجربة النهائية ، درسنا تأثير زيادة طول مسار السفر على إجمالي عدد نقاط المرساب الكهروستاتيكي ونقاط OSPs. في الجدول 5 ، نعرض نتائج أطوال مختلفة من المسارات المتنقلة (قيم <2 ، 4 ، 6 ، 8 ، 10> كم). يحدد العمود الأول في الجدول مسار السفر بالكيلومترات. من العمود الثالث وما بعده ، يحتوي كل إدخال في الجدول على ثلاث قيم (متوسطها أكثر من 20 مرة): 1) إجمالي عدد SPs ، 2) عدد ESPs ، و 3) عدد OSPs.

يوضح الجدول 5 أنه كلما قمنا بزيادة طول مسار السفر ، يزداد عدد النقاط SP. علاوة على ذلك ، فإن نسبة OSPs على المرسب الكهروستاتيكي تزداد بشكل كبير (انظر الأشكال 15-16) لنفس الأسباب التي ناقشناها سابقًا في نتائج التجربة الأولى. في المتوسط ​​في جميع التجارب ، كان عدد OSPs 6.5 مرة أكثر من المرسب الكهروستاتيكي ، وفي المتوسط ​​يشكلون 89 ٪ من SP.

6. الخاتمة والعمل المستقبلي

في عملنا السابق ، اقترحنا نهجًا جديدًا ، يسمى توسيع الشبكة التدريجي التدريجي (PINE) ، لدعم استعلامات NN و KNN بكفاءة. في هذا العمل ، نستخدم نظام PINE المطور لدينا لدعم الاستعلامات المكانية الأخرى بشكل فعال مثل استعلامات Restricted Continuous Nearest Neighbour (RCKNN). يعد RCKNN نوعًا مهمًا من الاستعلام الذي يبحث باستمرار عن أقرب كائنات K إلى نقطة استعلام على مسار معين ضمن مسافة إحاطة مقيدة. نتيجة هذا النوع من الاستعلام عبارة عن مجموعة من الفواصل الزمنية (محددة بنقاط الانقسام) و KNNs المقابلة لها. هذا يعني أن KNN لكائن يسافر على فاصل زمني واحد من المسار يظل كما هو طوال تلك الفترة ، حتى يصل إلى نقطة الانقسام حيث تتغير KNNs. تعتمد الطرق الحالية لـ RCKNN على المسافات الإقليدية. نقترح في هذا البحث خوارزمية جديدة للإجابة على RCKNN في قاعدة بيانات الشبكة المكانية (SNDB) حيث يكون المقياس المهم لأقصر مسار هو مسافات الشبكة بدلاً من المسافات الإقليدية. يعالج حلنا نوعًا جديدًا من الاستعلام يكون مقبولًا للعديد من التطبيقات حيث لا تعتمد الإجابة على الاستعلام فقط على مسافات أقرب الجيران ، ولكن أيضًا على حاجة المستخدم أو التطبيق. من خلال التمييز بين نوعين من نقاط الانقسام ، نقوم بتقليل عدد العمليات الحسابية لاسترداد KNN المستمر المقيد لكائن متحرك. تم تحقيق ذلك من خلال التمييز بين نوعين من نقاط الانقسام (ESP ، OSP) ، مما قلل من عدد الحسابات لاسترداد KNN المستمر المقيد لجسم متحرك. بالإضافة إلى ذلك ، قمنا بتعريف نموذج التخزين المؤقت لزيادة تسريع وقت الاستجابة لاستعلامات RCKNN.

توضح هذه الورقة الطريق إلى العديد من الاتجاهات الشيقة والعملية للعمل المستقبلي على استعلامات مكانية مختلفة باستخدام بنية PINE. تقوم العديد من الأعمال بإعادة توجيه استخدام مثل هذه الاستعلامات من طريقة علمية إلى تطبيق تجاري حقيقي في عدة مجالات مثل الاتصالات والخدمات القائمة على الموقع. نخطط لتوسيع خوارزمياتنا وهياكلنا لمعالجة مجموعة KNN و KNN المقيدة و KNN العكسي واستعلامات RNN المستمرة و RNN الجماعية باستخدام نماذج تخزين مؤقت مختلفة.

تم استلامه في 26 أغسطس 2006 تمت مراجعته والموافقة عليه في 21 يوليو 2007

[1] بيرشتولد ، إس ، وآخرون. (1997). البحث عن أقرب الجار السريع في الفضاء عالي الأبعاد ، في: وقائع ICDE ، أورلاندو ، فلوريدا ، الولايات المتحدة الأمريكية.

[2] بوزكايا ، ت. وآخرون. (1997). الفهرسة القائمة على المسافة للمساحات المترية عالية الأبعاد ، وقائع SIGMOD ، توكسون ، أريزونا ، الولايات المتحدة الأمريكية.

[3] شيويه ، تي (1994). فهرسة الصور القائمة على المحتوى ، وقائع VLDB ، سانتياغو دي تشيلي ، تشيلي.

[4]. Ciaccia ، P et al. (1997). M-tree: طريقة وصول فعالة للبحث عن التشابه في المساحات المترية ، وقائع مجلة VLDB ، ص 426-435.

[5] كورال ، واي وآخرون. (2000). أقرب استعلامات زوجية في قواعد البيانات المكانية ، IN: وقائع المؤتمر الدولي لـ ACM SIGMOD حول إدارة البيانات ، دالاس ، الولايات المتحدة الأمريكية.

[6] Hjaltason، G.R.et al. (1999). التصفح عن بعد في قواعد البيانات المكانية ، في: وقائع TODS ، رقم 2 ، ص. 265-318 ، المجلد. 24.

[7] جونغ ، س. وآخرون. (2002). نموذج حساب المسار الفعال لخرائط الطرق الطوبولوجية الهيكلية الهيكلية ، معاملة IEEE حول المعرفة وهندسة البيانات.

[8] Kolahdouzan، M. et al. (2004). K المستندة إلى Voronoi البحث عن الجوار القريب لقواعد بيانات الشبكة المكانية ، وقائع VLDB.

[9] كلحدوزان ، م. (2004). المستمر K أقرب استعلامات الجوار في قواعد بيانات الشبكة المكانية ، في: وقائع ورشة العمل الثانية حول إدارة قاعدة البيانات المكانية الزمانية STDBM.

[10] كوليوس ، ج. وآخرون. (1999). أقرب استعلامات الجار في بيئة متنقلة ، وقائع ورشة العمل الدولية حول إدارة قواعد البيانات المكانية الزمانية ، ص. 119-134.

[11] كورن ، إف وآخرون. (1996). البحث السريع عن أقرب الجيران في قواعد بيانات الصور الطبية ، وقائع VLDB ، مومباي ، الهند.

[12] أوكابي ، إيه وآخرون. (2000). الفسيفساء المكانية ومفاهيم وتطبيقات مخططات فورونوي. جون وايلي وأولاده المحدودة ، الطبعة الثانية.

[13] بابادياس ، دي وآخرون. (2003). معالجة الاستعلام في قواعد بيانات الشبكة المكانية "، إجراءات VLDB: 802-813.

[14] ريجو ، بي وآخرون. (2002). قواعد البيانات المكانية مع تطبيقات على نظم المعلومات الجغرافية ، مورجان كوفمان.

[15] روسوبولوس ، نت آل. (1995) أقرب استفسارات الجار وقائع SIGMOD ، سان خوسيه ، كاليفورنيا.

[16] صفر ، م. (2005) .K Nearest Neighbor Search in Navigation Systems ، Journal of Mobile Information Systems (MIS) ، IOS Press.

[17] Saltenis، S. et al. (2000). فهرسة مواقع الأشياء المتحركة باستمرار ، وقائع ACM SIGMOD.

[18] Seidl، T. et al. (1998).بحث مثالي متعدد الخطوات k-Nearest Neighbor Search ، وقائع SIGMOD ، سياتل ، واشنطن ، الولايات المتحدة الأمريكية.

[19] شهابي ، سي وآخرون. (2002). تقنية تضمين شبكة الطرق لبحث k-Nearest Neighbor في نقل قواعد بيانات الكائنات ، وقائع ACMGIS ، McLean ، VA ، الولايات المتحدة الأمريكية.

[20] Song، Z. et al. (2001). أقرب الجيران ابحث عن نقطة استعلام متحركة ، في: وقائع الندوة الدولية السابعة حول التقدم في قواعد البيانات المكانية والزمانية.

[21] تاو ، Y.et al. (2002). البحث المستمر عن أقرب الجيران ، وقائع VLDB ، هونغ كونغ ، الصين.

[22] تاو ، ومع ذلك آل. (2004) البحث العكسي عن kNN في الأبعاد التعسفية ، وقائع قواعد البيانات الثلاثين الكبيرة جدًا (VLDB) ، ص. 744-755 ، تورنتو ، كندا ، 29 أغسطس - 3 سبتمبر.

[23] Yiu، M. Let al. (2005). عكس أقرب الجار في الرسوم البيانية الكبيرة ، في: وقائع ICDE 2005: 186-187.

[24] يو ، سيت آل. (2001). فهرسة المسافة: طريقة فعالة لمعالجة KNN ، وقائع مؤتمر قواعد البيانات الكبيرة جدًا (VLDB).

[25] سفر م (2006). استعلامات KNN المستمرة المحسنة باستخدام PINE على شبكات الطرق. وقائع المؤتمر الدولي الأول لإدارة المعلومات الرقمية (ICDIM).

ميثم سفر (1) ، داريوش إبراهيمي (2) ، ماري مجدلين جين ف (3) ، ر.نداراجان (4)


فسيفساء ثقافة شرق آسيا

الدول الأربع التي تشكل ما نسميه "شرق آسيا" - الصين واليابان وكوريا الشمالية والجنوبية وفيتنام - جميعها لديها عناصر مشتركة ، ولكن ، بالطبع ، هناك أيضًا تنوع كبير فيما بينها.

اللغات

دول شرق آسيا الأربعة:

الصين الصينية التبتية عائلة اللغات

كوريا واليابان Eurasiatic أو Altaic عائلة اللغات

النمسا النمساوية عائلة اللغات

استخدموا نظام الكتابة الصيني لكتابة لغاتهم المنطوقة

متأخر، بعد فوات الوقت، أنهم تكييف وتعديل وإضافة نظام الكتابة هذا لتتناسب بشكل أفضل مع الأصوات وتركيب لغتهم المنطوقة

في الوقت نفسه ، تعلم السفراء والبيروقراطيون والدبلوماسيون والعلماء والمفكرون الدينيون واستخدموا اللغة الصينية الكلاسيكية - مكتوبة ومنطوقة - للتواصل مع بعضهم البعض ، من القرن السابع حتى القرن التاسع عشر تقريبًا. كان هذا مشابهًا لاستخدام اللاتينية في أوروبا الغربية في الفترة الكلاسيكية ثم الفرنسية في وقت لاحق ، عندما أصبحت فرنسا تهيمن في الحجم وإرسال السفراء في حوالي القرن الثامن عشر الميلادي. تبادلت النخب في الدول الأربع الأفكار حول الكونفوشيوسية والبوذية ، وقد فعلوا ذلك بالصينية الكلاسيكية المكتوبة. مما أدى إلى إنشاء حضارة مشتركة & ldquo شرق آسيا & rdquo تمامًا كما سهلت اللاتينية والفرنسية تطور ما يشار إليه بـ & ldquo الحضارة الغربية. & rdquo

ظلت اللغة الصينية الكلاسيكية هي اللغة المكتوبة الأكثر شهرة في جميع أنحاء منطقة شرق آسيا حتى أواخر القرن التاسع عشر - وهي الشارة المرئية لمعيار حضاري متعلم. [نشأة EA، ص. 8]

صينى

تظهر النقوش باللغة الصينية ، وبالتالي التاريخ الصيني بالمعنى الحقيقي ، لأول مرة في السهل الأوسط حوالي 1200 قبل الميلاد. كان هذا تطوراً لا يمكن المبالغة في أهميته. [منشأ من EA، ص. 8]

يكمن الاستخدام المستمر لهذه اللغة ونفس النص (مع بعض التعديلات) لأكثر من 3000 عام في صميم التقاليد الثقافية الصينية ، و أدب مكتوب باللغة الصينية الكلاسيكية يشكل أيضًا الرابط الأكثر أهمية الذي يربط الصين بالأجزاء الأخرى غير الصينية من شرق آسيا، بشكل واضح جدًا يفصلهم عن بقية العالم. [نشأة EA، ص. 8]

يُطلق على نصوص شرق آسيا (القائمة على الصين) أنظمة الكتابة الوحيدة على الأرض التي لا تزال قيد الاستخدام العادي حتى اليوم والتي لم تنبثق في النهاية من اللغة المصرية. [نشأة EA، ص. 8]

ملاحظة حول الشخصيات الصينية في جميع أنحاء الصين وشرق آسيا
يمكن فهم معنى الأحرف الصينية ، المستخدمة كنظام كتابة ، من قبل الأشخاص الذين يتحدثون لهجات ولغات مختلفة في جميع أنحاء الصين وفي دول شرق آسيا الأخرى مثل اليابان وكوريا وفيتنام. أسهل طريقة للتفكير في كيفية تحقيق ذلك هي عن طريق القياس باستخدام الأرقام العربية ، "1" ، "2" ، إلخ ، والتي لها نفس المعنى أينما كُتبت ، على الرغم من نطق الأرقام بلغة كاتب.

اللغة الصينية [آسيا للمعلمين]
تتضمن هذه النظرة العامة للغة الصينية ، المنطوقة والمكتوبة ، قراءة تمهيدية للمعلمين ودليل نطق إلى لغة الماندرين الصينية وقراءة عن تاريخ اللغة الصينية ونطقها ونظام كتابتها.

اللغة الصينية: أساطير وحقائق [جمعية آسيا]
مقال قصير وغني بالمعلومات يفضح المفاهيم الشائعة القائلة بأن الصينية & quot؛ تكتب بالصور & quot؛ أو أن اللغة الصينية هي لغة أحادية المقطع ، حيث تكون كل كلمة عبارة عن مقطع لفظي واحد. مقدمة إعلامية للغة ومكانها في الصين وحضارة شرق آسيا الأكبر.

كتابة صينية [جمعية آسيا]
مقال موجز يشرح طبيعة الأحرف الصينية كنظام كتابة.

تعلم اللغة الصينية على الإنترنت [جامعة ولاية كاليفورنيا ، لونج بيتش]
مورد ممتاز لجميع جوانب تعلم اللغة الصينية. تم تطويره بواسطة الدكتور تيانوي شي من قسم الدراسات الأمريكية الآسيوية والآسيوية في جامعة ولاية كاليفورنيا ، لونج بيتش. حدد & quotCharacters & quot من القائمة الجانبية ، ثم & quotAnimated Characters & quot من القائمة الموجودة في الصفحة الرئيسية للعروض التوضيحية المتحركة لترتيب السكتات الدماغية للعديد من الأحرف الصينية الأكثر شيوعًا.

فن الخط الصيني [آسيا للمعلمين]
تتضمن هذه المقدمة إلى الخط الصيني قراءة عن الخط الصيني ، ومناقشة أساليبه وتقنياته ومواده المختلفة ، تمرينين على الخط للفصل الدراسي وأسئلة المناقشة.

فن الخط [كتاب مرجعي مرئي للحضارة الصينية ، جامعة واشنطن]
كتاب مرجعي مرئي للحضارة الصينيةأعدته باتريشيا باكلي إيبري أستاذة التاريخ بجامعة واشنطن ، وهو مورد ممتاز ، مع صور وأسئلة للمناقشة ، وخرائط ، وقراءات مقترحة طوال الوقت. تناقش هذه الوحدة الخاصة أنواع تقنيات الكتابة الخطية الصينية في النقل والخط خلال ثلاث فترات من التاريخ الصيني - فترة الأسر الست ، وفترة تانغ ، والصين الحديثة.

فن الخط الصيني [جمعية آسيا]
& quot؛ للخط الصيني تاريخ طويل يمتد إلى ألفي عام. [يستكشف هذا المقال في الخلفية] البدايات والأفكار الكامنة والأسباب والتقنيات التي أدت إلى ظهور هذا الشكل الفني الجذاب. & quot

الخط الصيني ، فن الكتابة [معهد الصين: China360]
يدرك العلماء عمومًا أنه كان هناك أربع مرات في العالم تم فيها اختراع الكتابة. الهيروغليفية المصرية والمايا والحروف الصينية والسومرية المسمارية ، وهو ما اشتقت منه أبجديتنا. كل اللغات المكتوبة بالصينية صوتية. يكتب الصينيون منذ أكثر من 3500 عام.

الأسماء الصينية [آسيا للمعلمين]
نظرة عامة على الممارسة الصينية لتسمية الأجيال بأحرف ذات معنى.

ما في الاسم؟ الأنهار والمدن والمقاطعات الصينية [آسيا للمعلمين]
تمرين ترجمة لأسماء الأنهار والمدن والمقاطعات الصينية.

آثار الأفكار: التواصل من خلال الكتابة والتكنولوجيا [آثار مرئية ، جمعية آسيا]
قسم & quotTraces of Ideas & quot في منهج الآثار المرئية (استنادًا إلى معرض 2000 الآثار المرئية: كتب نادرة ومجموعات خاصة من مكتبة الصين الوطنية) يتضمن مقالتين ذات صلة بالخط الصيني: & quot ؛ التقليد والتحول في نظام الكتابة الصيني ، & quot ؛ التي تبحث في خصائص اللغة الصينية المكتوبة وتطورها بمرور الوقت ، و & quot؛ الكتابة والتكنولوجيا في الصين ، & quot التي تدرس تقنيات الكتابة والطباعة.

النص واللغة الصينية [Omniglot]
مناقشة موجزة لأصول وتاريخ اللغة الصينية المكتوبة. مع الرسوم البيانية.

اليابانية

التحدث والكتابة [آسيا للمعلمين]
حول التحدث والكتابة باللغة اليابانية ، مع مناقشة & quotkanji & quot - الأحرف الصينية التي تم تكييفها للغة اليابانية المكتوبة.

اليابانية (نيهونجو) [Omniglot]
مناقشة موجزة لأصول وتاريخ اللغة اليابانية المكتوبة. مع الرسوم البيانية. راجع أيضًا لغة كانجي اليابانية على هذا الموقع للحصول على نص توضيحي ورسوم بيانية حول استخدام الأحرف الصينية في اللغة اليابانية المكتوبة.

الكورية

اللغة الكورية [جمعية آسيا]
نظرة عامة على اللغة الكورية.

الأبجدية الأكثر روعة في العالم [جمعية آسيا]
شرح أصول وخصائص الأبجدية الكورية ، الهانجول. يتضمن مقابلة بالفيديو مع اللغوي جيمس مكاوي ومورد مرئي للنص.

الكورية [Omniglot]
تاريخ موجز للكورية المكتوبة. مع مخططات أبجدية الهانجول (الهانجول).

مقدمة في اللغة الكورية: مخطط الحروف الكورية ، مع دليل النطق [langintro.com]
يعرض الحروف الساكنة والحروف المتحركة الكورية في مخططات منفصلة ، مع توفير الأصوات بالحروف اللاتينية.

فيتنامي

فيتنامي [يو بنسلفانيا]

هناك العديد من الأطعمة الشائعة في دول شرق آسيا. اثنان من أكثر انتشارا شاي و أرز.

& quot؛ تاريخيا ، يعود تاريخ أصول الشاي & lsquos إلى حوالي 2700 قبل الميلاد. يُعتقد أنه تم اكتشافه لأول مرة في المناطق الجبلية في الصين & lsquos أقصى غرب مقاطعات سيتشوان ويوننان. & quot [المصدر: China.com]

انتشرت ثقافة الشاي في جميع أنحاء شرق آسيا وفي النهاية إلى الغرب. تتضمن العديد من التقاليد في الصين وكوريا واليابان شرب الشاي.

توضح الخرائط أدناه مناطق زراعة الشاي في شرق آسيا والصين ، على التوالي. Formosa ، الموضحة على هذه الخرائط ، هي تايوان الحالية ، ولكن لا يزال اسم Formosa يستخدم في أسماء أنواع الشاي ، وأشهرها هو & quotFormosa oolong. & quot (أولونج هو نوع من الشاي يُصنع عن طريق قطف وتجفيف مجموعات من الشاي. ثلاث أوراق شاي وبرعم واحد ، يتم معالجتها بعد ذلك بطريقة معينة لتقديم شاي بنكهة لذيذة. لمزيد من المعلومات حول عملية أولونغ ، انتقل إلى موقع The Oolong Tea.)

الملف النباتي: الشاي [الثقافات النباتية] لمحة موجزة عن نبات الشاي ، مع الصور.

نقش نبات الشاي بساق مزهرة وقطع نباتية. المصدر: مكتبة ويلكوم ، لندن.
الشاي في الصين

رحلة الطعام عبر الصين [ThinkQuest]
انقر فوق & quotTeahouse & quot في أسفل الصفحة لقسمين يركزان على الشاي. & quotHistory Corner & quot - للحصول على تاريخ قصير للشاي في الصين - و & quot The Tea Laboratory & quot - للحصول على نظرة عامة على أنواع مختلفة من عادات الشاي والشاي.

الشاي في اليابان

مشروع Teahouse بجامعة كورنيل [جامعة كورنيل]
موقع ممتاز للتعرف على التقاليد اليابانية في العمارة والسيراميك وشرب الشاي. توضح مقاطع الفيديو والصور والنص عملية بناء بيت شاي ياباني تقليدي ، بدءًا من نثر البذور وصولاً إلى الهيكل النهائي.

حفل الشاي الياباني (تشاجي) [شركة الجبل المقدس التجارية]
وصف لحفل الشاي ، الأدوات المستخدمة ، بيت الشاي ، الجوانب الروحية. مع الصور.

حفل الشاي الياباني
وصف كامل لجميع جوانب حفل الشاي وروابط لمواقع أخرى تحتوي على معلومات حول هذا الموضوع.

الشاي في كوريا

كوريا: بلد الشاي الآخر [رسالة إخبارية TeaMuse]
مقال عن تاريخ شرب الشاي في كوريا.

الطريقة الكورية للشاي [المجتمع الكوري]

أرز في شرق آسيا

زراعة الأرز الرطب في الصين [آسيا للمعلمين]
في جميع أنحاء شرق آسيا ، يعتبر الأرز محصولًا زراعيًا شائعًا وغذاءًا وسلعة تجارية. تقدم القراءة القصيرة التالية نظام زراعة الأرز الرطب. سيفتح الرابط نافذة جديدة

السنة الدولية للأرز: 2004 [منظمة الأمم المتحدة للأغذية والزراعة (الفاو)]
قائمة المواقع المعدة للسنة الدولية للأرز 2004

بنك معرفة الأرز [المعهد الدولي لبحوث الأرز]
موارد الوسائط المتعددة عبر الإنترنت حول الأرز في دول شرق وجنوب شرق آسيا

أرز في الصين

الغذاء والجغرافيا الصينية [آسيا للمعلمين]
تمرين في الفصل مع ملاحظة المعلم ، ومقال ، وأسئلة للمناقشة حول مناطق الطعام الصينية المختلفة.

طلب وجبة صينية [آسيا للمعلمين]
تم تصميم هذا التمرين لتعريف الطلاب بالمطبخ الصيني.

أرز في اليابان

رايس: إنه أكثر من مجرد طعام [PDF] [Japan Digest ، تشرين الثاني / نوفمبر 1993]
الأرز كمفهوم ثقافي في اليابان.

الحديقة السرية اليابانية: معجزة الأرز [نوفا ، برنامج تلفزيوني]
عرض جيد لثقافة الأرز في اليابان. مع النصوص والصور والروابط.

الأرز في كوريا

المأكولات الكورية: أطباق الأرز والأرز [الحياة في كوريا]
يتم تضمين معلومات حول الأرز في كوريا والوصفات.

أرز في فيتنام

خبير الأرز
تم إنشاء هذا الموقع الكبير بواسطة طلاب في تايوان. يحتوي على معلومات وصور حول كل جانب من جوانب صناعة الأرز في وادي هواتونج في تايوان. انقر أولاً على روابط العناوين الموجودة على جانب الصفحة ثم انتقل إلى الروابط البيضاء على الخلفية السوداء للعثور على جميع المعلومات.

الصورة: الأرز في فيتنام (مدينة هو تشي مينه) [terragalleria.com]
تُظهر هذه الصورة كيف أن أنواع الأرز المختلفة قديمة في فيتنام.

عيدان

ملابس

يرتدي الناس في شرق آسيا اليوم "الملابس العالمية" ، تمامًا كما يرتدي الناس في الولايات المتحدة وجميع أنحاء العالم. الصور المعروضة هنا هي صور "الملابس التراثية" التي كان من الممكن ارتداؤها تقليديًا وغالبًا ما يتم ارتداؤها في المواعيد الهامة والاحتفالات في هذه البلدان. (عندما يُطلب من الناس في الولايات المتحدة ارتداء "الملابس التقليدية" ، فإنهم يميلون أكثر إلى ارتداء "الملابس التراثية" من بلد أسلافهم أو اختيار الملابس التي كان يرتديها المستوطنون في الأيام الأولى في جميع أنحاء الولايات المتحدة.)

الصين

الجلباب الإمبراطوري [متحف متروبوليتان للفنون]

يي امرأة بالزي التقليدي، مقاطعة سيتشوان ، 1980s [Visual Sourcebook of Chinese Civilization، University of Washington] (يسار) ، راهب صيني يرتدي الجلباب في تقليد الماهايانا، 20 C (يمين) [Buddha Dharma Education Association]

اليابان

نوح روب ، فترة إيدو (1615-1868) ، النصف الثاني من القرن الثامن عشر الميلادي [متحف متروبوليتان للفنون]

معطف مطرز (أتوش) ، عينو ، كوكايدو ، أواخر القرن التاسع عشر الميلادي

شائعة في كوسودي (كيمونو قصير الأكمام) ، أوائل فترة إيدو

راهب بوذي من طائفة الجيشو يرتدي رداء أمي ، فترة كاماكورا

الساموراي في سلسلة الملابس الداخلية والخوذة ، فترة إيدو

كوريا

Handbok للنساء ، القرن العشرين الميلادي استنادًا إلى أنماط سلالة جوسون (1392-1910)

Handbok for man ، 20 C. استنادًا إلى أنماط مملكة جوسون

أردية احتفالية للملك والملكة ، سلالة جوسون

فيتنام

رحلة إلى فيتنام: بالزي [متحف الأطفال و rsquos Discovery في سان خوسيه]
(النص والصور من هذا الموقع)

اللباس التقليدي الوطني في فيتنام هو ao dai، سترة من الحرير مع بنطلون يرتديه النساء والرجال. يتم ارتداء Ao dài للمناسبات الخاصة بما في ذلك Tet ، الاحتفال بالعام الجديد. منذ القرن العشرين ، يرتدي الفيتناميون أيضًا الملابس المعاصرة التي تحظى بشعبية في العديد من الأماكن في العالم.

دين

طبيعة الكون

الصين
كوريا

تايغوك: العلم الكوري الجنوبي [جمعية آسيا] الدين
ترمز عناصر العلم إلى قوى الطبيعة المزدوجة. الدائرة الحمراء والزرقاء في منتصف العلم تسمى taegeuk باللغة الكورية (t'ai chi in Chinese) ، والتي تُترجم حرفياً تعني & quotsupreme ultimate. & quot وتنقسم الدائرة إلى جزأين ، يشبه كل منهما فاصلة. يمثل الجزء العلوي الأحمر قوى اليانغ (يانغ بالصينية أيضًا) ، ويمثل الجزء الأزرق السفلي قوى أوم (يين بالصينية).

تبجيل السلف والدين الشعبي

الصين
فيتنام

رحلة إلى فيتنام - مذابح [متحف الأطفال و rsquos Discovery في سان خوسيه]
يحتوي كل منزل ومكتب وعمل تقريبًا في فيتنام على مذبح صغير لتكريم الأجداد. يشتمل المذبح عادةً على مبخرة ، ومزهرية واحدة على الأقل للزهور ، ومصباح زيت صغير ، ومكانًا لتقديم قرابين من الطعام والحلويات والشاي. معلقة بجانب المذبح أو الجلوس على المذبح صور أفراد الأسرة الذين وافتهم المنية.

الدين في فيتنام [جمعية آسيا]
مقال تمهيدي عن النظرة الفيتنامية إلى العالم على مر العصور.

مذابح الأسرة في فيتنام والأرز في فيتنام [جامعة كورنيل]
سيحدد الطلاب الأديان الرئيسية التي تمارس في فيتنام ، والمعتقدات الأساسية لكل دين. افهم أن الفيتناميين (مثل معظم سكان جنوب شرق آسيا) نادرًا ما يؤمنون بأن هذه الأديان متعارضة. تحديد المكونات الرئيسية لمذبح الأسرة ، واستخدام أو رمز كل عنصر. اكتشف تأثير عبادة الأسلاف على الحياة الأسرية في فيتنام.

كوريا

الديانات التاريخية والحديثة لكوريا [جمعية آسيا]
على عكس بعض الثقافات التي يسود فيها دين واحد ، تشتمل الثقافة الكورية على مجموعة متنوعة من العناصر الدينية التي شكلت طريقة تفكير الناس وسلوكهم. في المراحل الأولى من التاريخ في كوريا ، تم الجمع بين الوظائف الدينية والسياسية ولكنها أصبحت فيما بعد مميزة.

نظم المعتقدات الكورية [جمعية آسيا]
مقتطفات من عظة يسوع حول الحقائق الأربع النبيلة لكونفوشيوس لجبل البوذية لاستخدامها في دراسة التقاء والتعايش بين أنظمة المعتقدات في كوريا.

اليابان

عبادة الأسلاف في اليابان
معظم الممارسات المعروفة تاريخياً لعبادة الأسلاف في اليابان هي تكيفات للعادات الصينية. مع مرور الوقت وبالتعايش مع ديانة الشنتو ، بدأت البوذية اليابانية في التأكيد على طقوس الموت والاحتفالات التذكارية. على الرغم من أن الكونفوشيوسية لم تتطور بشكل كامل في اليابان ، إلا أن المثل الكونفوشيوسية شبه الدينية عن تقوى الأبناء أصبحت مهمة وأدرجت في بعض الأحيان في تعاليم الطوائف البوذية اليابانية ، مما عزز الاحترام للأسلاف (Tamaru 1972)

البوذية

البوذية في شرق وجنوب شرق آسيا

البوذية [OMuERAA ، آسيا للمعلمين]

انتشار البوذية على طريق الحرير
خريطة توضح أين ازدهرت البوذية الصينية على طول طريق الحرير [المكتبة البريطانية]

رؤى التنوير: فن البوذية [متحف آسيا والمحيط الهادئ] موقع فلاش ممتاز عن البوذية. للوصول إلى خريطة انتشار البوذية ، انقر فوق أي موضوع ، ثم انقر فوق & quot الجدول الزمني & amp خريطة & quot في أسفل الوسط. ثم حدد & quot نشر البوذية & quot في نهاية الجدول الزمني (أسفل اليمين)

البوذية على طريق الحرير [مشروع دونهوانغ الدولي]
مشروع دونهوانغ الدولي هو & حصص تعاون دولي رائد لتوفير المعلومات والصور لجميع المخطوطات واللوحات والمنسوجات والمصنوعات اليدوية من دونهوانغ والمواقع الأثرية لطريق الحرير الشرقي متاحة مجانًا على الإنترنت ولتشجيع استخدامها من خلال البرامج التعليمية والبحثية . & quot هذا الموقع هو بالفعل مصدر شامل للتدريس حول طريق الحرير. انظر بشكل خاص التعليم و gtTEACH قسم لتدريس مواقع الويب حول مواضيع مختلفة ، بما في ذلك البوذية على طريق الحرير. كانت الحضارات التي ازدهرت على طول طريق الحرير في الألفية الأولى منفتحة على التأثيرات الثقافية والدينية من الشرق والغرب. اكتسبت العديد من الأديان ، بما في ذلك المسيحية والبوذية والهندوسية والإسلام والزرادشتية والمانوية ، أتباعًا جددًا. لكن البوذية ، التي كانت تسير في طرق التجارة على طريق الحرير ، هي التي أصبحت العامل المشترك الذي يوحد مختلف شعوب طريق الحرير. & rdquo

البوذية وانتشارها على طول طريق الحرير [مؤسسة طريق الحرير]
نص يحتوي على صور وخرائط المنطقة والجدول الزمني للأحداث وأسماء الشخصيات الرئيسية في انتشار البوذية من الهند إلى شرق آسيا.

الدرس 1: قصة بوذا والحقائق الأربع النبيلة
السؤال الجوهري: كيف يمكن لقصة حياة بوذا ورسكووس أن تجعلنا نعيد النظر في فهمنا للنجاح؟
توزيع: قصة بوذا

الدرس 2: ماهايانا البوذية وبوديساتفا قوانيين
الوثيقة 1: ممر من لوتس سوترا
الوثيقة 2: قصة معجزة Guantin
السؤال الجوهري: من هي قوانيين وماذا تخبرنا عن كيف يجد الناس حلولاً لمشاكل الحياة؟

الدرس 3: التعاليم الأخلاقية البوذية
السؤال الجوهري: كيف يعرّف البوذيون الصواب والخطأ ، الخير والشر ، والسلوك الأخلاقي؟ بالنسبة للبوذيين ، ما هي الحياة الأخلاقية؟
توزيع: أساسيات البوذية والأخلاق البوذية
النشاط: الأخلاق البوذية - استبيان الطالب

مقتطفات من نصوص دينية [مقال في الخلفية]
تضم طرق الحرير مجموعة متنوعة من الثقافات التي احتضنت العديد من الأديان ووجهات النظر العالمية من منطقة شاسعة تمتد من البندقية ، إيطاليا ، إلى هييان (كيوتو الحالية) ، اليابان. بين هاتين النقطتين الجغرافيتين ، تشمل أنظمة المعتقدات التي يتم تمثيلها البوذية والكونفوشيوسية والمسيحية والطاوية والهندوسية والإسلام واليهودية والشنتو. . تتميز هذه القراءة بمقارنات موضوعية بين نصوص [هذه] ديانات العالم العظيمة.

القاعدة الذهبية للمعاملة بالمثل [خطة الدرس]
يستخدم مقتطفات من النصوص الدينية المترجمة (الرابط أعلاه). & quot يتعرف الطلاب على القاعدة الذهبية للمعاملة بالمثل من خلال مقارنة الاقتباسات من أديان العالم الرئيسية. يقوم الطلاب بعد ذلك بإنشاء ترجمة خاصة بهم للقاعدة الذهبية. & quot

البوذية في الصين

البوذية [كتاب مرجعي مرئي للحضارة الصينية ، جامعة واشنطن]
تقدم هذه الوحدة أدلة على كيفية تغيير البوذية للثقافة البصرية للصين ، حيث تُظهر تطور صور الآلهة ، بالإضافة إلى مناظر للمعابد والأشخاص الذين يمارسون البوذية. & quot كتاب مرجعي مرئي للحضارة الصينية من إعداد أستاذة التاريخ في جامعة واشنطن باتريشيا باكلي إيبري. مع أسئلة للمناقشة والجداول الزمنية والخرائط والقراءات المقترحة. حدد HOME للعثور على رابط لأدلة المعلمين لجميع الموضوعات المعروضة على موقع الويب.

البوذية: التقليد & الاقتباس المستورد [آسيا للمعلمين]
هذا القسم من وحدة التدريس AFE ، العيش في الكون الصيني: فهم الدين في أواخر الإمبراطورية الصينية ، 1644-1911، يدرس تاريخ البوذية في الصين. يتضمن لمحة عامة عن البوذية وأصولها في الهند.

البوذية في الصين [جمعية آسيا]
& quot مقدمة قصيرة عن البوذية في الصين. في فهم أنظمة المعتقدات الصينية ، من المهم عدم أخذ المصطلحات في ظاهرها ، على سبيل المثال ، لم تكن كلمة & quotreligion & quot (zongjiao) موجودة في المعجم الصيني حتى القرن التاسع عشر. إن تقدير تعقيد أنظمة المعتقدات الصينية أمر بالغ الأهمية لفهم القوى التي ساعدت في تشكيل الصين.

البوذية في اليابان

البوذية في اليابان [جمعية آسيا]

البوذية في كوريا

الكونفوشية

التعاليم الثلاثة [جمعية آسيا]
هناك أهمية دائمة للكونفوشيوسية في ثقافة شرق آسيا ، وتقاطعاتها مع الطاوية والبوذية ، والمعروفة مجتمعة باسم & quot؛ ثلاثة تعاليم & quot للتقاليد الصينية

مقدمة في الفكر الكونفوشيوسي [آسيا للمعلمين]
قراءة خلفية حول تأثير الفلسفة الكونفوشيوسية على الحكومة الصينية والمجتمع الصيني.

ماذا قال كونفوشيوس؟ [آسيا للمعلمين]
قراءة خلفية قصيرة عن كونفوشيوس الشخص وكتاباته.

خطة الدرس • الكونفوشيوسية: فهم وتطبيق مختارات كونفوشيوس [PDF] [التعليم حول آسيا ، رابطة الدراسات الآسيوية]
خطة درس تطلب من الطلاب ليس فقط شرح معنى مقطع من مختارات ولكن أيضًا لإعطاء مثال معاصر للوضع الذي يصفه كونفوشيوس.

وحدة الفيديو • التدريس الكونفوشيوسي [آسيا للمعلمين]
وحدة فيديو عن التعاليم الكونفوشيوسية تغطي القيم الأساسية الثلاثة التي تقوم عليها الكونفيشيانية: تقوى الأبناء ، والروحانية ، والطقوس. يضم إيرين بلوم ، وم. تيودور دي باري ، ومايرون كوهين من جامعة كولومبيا - والرئيس الفخري لجمعية آسيا ، روبرت أوكسنام.
القطاع الثامن المواضيع:
1. ثلاث قيم الكونفوشيوسية
تقوى الوالدين (شياو)
• • •
عبادة الأسلاف
• • •
الإنسانية (رين)
• • •
طقوس (لي)
• • • • •
طقوس في الحياة اليومية
2. المعاملة بالمثل / العلاقات الخمس

الإنسان كائن اجتماعي
3.
على الحكومة
الرجل المحترم
4.
في التعليم
الكلاسيكية
5.
هل الفكر الكونفوشيوسي ديني؟
الإمبراطور وولاية الجنة

المصدر الأساسي w / DBQs التحديدات من المنتخبات الكونفوشيوسية [PDF] [آسيا للمعلمين]

DAOISM

مقدمة في الطاوية [آسيا للمعلمين]
لمحة تمهيدية موجزة عن الطاوية وكتابات لاوزي وجوانغزي.

خطط الدرس • الطاوية وفنون الصين [معهد شيكاغو للفنون]
موقع ممتاز لتعليم الطاوية. يغطي الموضوعات الثلاثة التالية: 1) التقليد الطاوي (يناقش Laozi ، وعلم الكونيات الطاوية ، والخلود المقدس) 2) الكنيسة الطاوية (تناقش الطاوية الدينية ، والطقوس ، والآلهة الطاوية) 3) النهضة الطاوية (تناقش الدين الشعبي ، المظاهر الإلهية لـ يين ، والكيمياء الداخلية). يحتوي أيضًا على أكثر من 25 عملاً فنياً ، ومخططات ذات صلة ، وخريطة ، ومسرد ، وببليوغرافيا ، وستة خطط دروس لمستويات المدارس المتوسطة والثانوية.

الطاوية [جمعية آسيا]
نظرة عامة تمهيدية.

خطة الدرس • المواقف تجاه الطبيعة في الفن الداوي [جمعية آسيا]
درس قصير يساعد الطلاب على فهم الفرق بين عدد الغربيين الذين ينظرون إلى الطبيعة مقابل عدد الصينيين (خاصة الداويين والأدباء) الذين شعروا بالعالم الطبيعي من حولهم. [يستخدم] القصائد الصينية ولوحات المناظر الطبيعية كمصادر أولية. & quot

Zhuangzi / Zhuang Zhou، كاليفورنيا. 360-280 قبل الميلاد

شينتو

شينتو [آسيا للمعلمين]
نص مقتبس من مقال نُشر في الأصل عام 1982 في التركيز مجلة ، بقلم بول ب وات ، أستاذ الدراسات الآسيوية في جامعة ديباو. يتضمن أسئلة المناقشة للطلاب.

الدين والأخلاق أمبير: شنتو [بي بي سي]
صفحة بوابة Religion & amp Ethics في BBC على Shinto ، مع روابط لمقالات حول العديد من جوانب Shinto ، بما في ذلك المعتقدات والتاريخ والطقوس والطقوس والنصوص الرئيسية والمهرجانات.

الأماكن المقدسة في شنتو [تدريس الأديان المقارنة من خلال الفن والعمارة ، مكتب الموارد لدراسات المنطقة الدولية ، جامعة كاليفورنيا في بيركلي]
معلومات ممتازة عن أضرحة شنتو. هذا موقع موارد بصرية تم إنشاؤه لورشة عمل للمعلمين حول تدريس الدين المقارن من خلال الفن والعمارة.

شنتو (حرفيا & ldquothe طريقة الآلهة & rdquo) هو نظام المعتقدات الأصلي في اليابان ويسبق السجلات التاريخية

الشمانية

الآلهة القديمة ، العصر الجديد: طقوس شامان في كوريا الجنوبية [تعليم حول آسيا]
الشامان هم متخصصون دينيون يُنظر إليهم على أنهم يمتلكون القدرة على التعامل مباشرة مع الأرواح نيابة عن المجتمع ، إما عن طريق إرسال أرواحهم في رحلة إلى عوالم أخرى أو من خلال دعوتهم إلى هنا والآن وإظهارهم في أجسادهم. . يشهد الشامان على لقاءاتهم مع الأرواح من خلال أجسادهم ، إما في رحلة يتم القيام بها في حالة نشوة أو من خلال إظهار الأرواح ووجودهم من خلال أصواتهم وإيماءاتهم ورقصاتهم وتمثيلهم الصامت. نظرًا لأن الشامان تم وصفهم لأول مرة في سيبيريا بين الصيادين والرعاة ، فإن عملهم يوصف أحيانًا بأنه دين & ldquoancient & rdquo أو & ldquoprimitive & rdquo ، لكن الشامان لديهم تاريخ طويل وواسع في الممالك المتطورة ثم الدول القومية في شرق وجنوب شرق آسيا. كما يوضح الحساب التالي ، يجب أن تشارك ممارسة الشامانية الحية بشكل فعال في العالم المعاصر من حولها.

عمارة المنازل و Geomancy

هندسة معمارية

الصين

كتاب مرجعي مرئي للحضارة الصينية [جامعة واشنطن] هندسة المنزل: تباين إقليمي
الصور والنصوص والأسئلة للطلاب

لتشجيع التفكير في المنازل كأشكال ديناميكية للثقافة المادية

لتحفيز التفكير في العلاقات بين المساحات داخل المنزل والتنظيم الاجتماعي للعائلة

لفهم الاختلاف الكبير في أشكال الإسكان في الصين و rsquos (و America & rsquos) ، تمامًا كما هو الحال مع الجوانب الأخرى للثقافة المادية

لتقدير الاختلافات في أنماط الحياة / أنماط المعيشة عبر الزمان والمكان

لرعاية تقدير المقارنة بين الثقافات

المرأة في الصين التقليدية [جمعية آسيا]
في الصين منذ العصور المبكرة ، كان يُنظر إلى الرجال على أنهم جوهر الأسرة.

العمارة العامية في الصين

تشير "العمارة العامية" إلى المساكن المشتركة التي يسكنها الناس وتوفر مدخلاً مفيدًا لكيفية تفاعل البشر مع بيئتهم وإنشاء فسيفساء ثقافية - مناظر طبيعية ثقافية - غالبًا ما تتمتع بجمال رائع ولكن دائمًا من هندسة المرافق في جميع أنحاء الصين.

العمارة الصينية العامية [رونالد ج.ناب ، جامعة ولاية نيويورك نيو بالتز]
قائمة روابط الويب هذه هي مصدر بحثي واسع آخر للمعلمين والطلاب

العمارة الريفية في الصين

العمارة الريفية الصينية [مجلة أطلس]
نص من رونالد ج.ناب ، صور أوليفييه لود. صور ريفية

المنازل: هندسة المنزل والديكورات الداخلية [كتاب مرجعي مرئي للحضارة الصينية ، جامعة واشنطن]
للحصول على خلفية حول كيفية تشكيل الجغرافيا الأنماط السكنية في الصين.

يين يو تانغ: منزل صيني [متحف بيبودي إسكس]
يقدم هذا الموقع المبتكر الذي يحتوي على رسومات قوية ورسوم متحركة فعالة وسرد مقنع عرضًا تفاعليًا مكثفًا - جولة افتراضية - لمنزل ومنزل عائلة Huang على مدى أجيال عديدة. يقع هذا المنزل الرائع الآن في متحف Peabody Essex في سالم ، ماساتشوستس ، وقد تم تفكيكه في مقاطعة Anhui الصينية وانتقل إلى الولايات المتحدة ،

الأسرة الصينية التقليدية ونسب الأم [بقلم ديفيد ك. جوردان ، أستاذ الأنثروبولوجيا بجامعة كاليفورنيا في سان دييغو]
لن تكون بمثابة خلفية مفيدة لموقع Yin Yu Tang.
الاختلاف الإقليمي: بعض المساكن الصينية فريدة حقًا ، مثل المساكن الدائرية الكبيرة لأسر الهاكا الممتدة الموجودة في مقاطعة فوجيان الجنوبية الغربية.

اليابان

زيارة منزل ياباني
يحتوي هذا الموقع على معلومات مفيدة ولكن بعض التهجئة والقواعد مترجمة بشكل سيئ (بشكل مضحك) من اليابانية.

إنشاء دورات حول البيئة من منظور آسيوي: تصور الطبيعة في اليابان [PDF] [التعليم حول آسيا]
ستشجع خطة الدرس هذه الطلاب على البدء في التفكير في الثقافة من خلال عدسة المناظر الطبيعية. سيتعين على المستخدمين التسجيل في Education About Asia للوصول إلى المقالة (التسجيل مجاني).

منازل يابانية

على الرغم من أن اليابان أصغر بكثير من الصين ، إلا أن الاختلافات الإقليمية في اليابان مهمة للاعتراف بها. تعتبر المنازل ، بالإضافة إلى الجوانب الأخرى للثقافة المادية اليابانية ، مفيدة في فهم الطابع الإقليمي للثقافة اليابانية.

منازل يابانية [Kids Web Japan]
يناقش تاريخ وهيكل ومفروشات المنازل اليابانية. مع لعبة لزيارة منزل افتراضي.

قرية شيراكاوا: موقع تراث عالمي

مواقع الويب حول قرية الألب في شراكاوا وهيكلها:

كوريا

من الأفضل رؤية المنازل التقليدية في كوريا اليوم في قرى المتاحف ، حيث تتجلى الفسيفساء الإقليمية في كوريا.

مواقع إلكترونية عن البيوت الكورية التقليدية

قيمة ومعنى الأسرة الكورية [جمعية آسيا]
يترتب على الأبناء ديون لوالديهم الذين أنجبوهم وقاموا بتربيتهم. وهذا الدين وراء فكرة واجب الأبناء: معاملة الوالدين باحترام في جميع الأوقات ، والعناية بهم في شيخوختهم ، والحداد عليهم في الجنازات المناسبة ، وإقامة مراسم لهم بعد وفاتهم. لكن حتى أداء هذه الواجبات لا يكفي لسداد الدين للوالدين. كما يستلزم السداد الكامل إنجاب الأطفال والحفاظ على استمرارية خط الأسرة.

فيتنام

بنيان [رحلة إلى فيتنام]
الهندسة المعمارية في فيتنام فريدة وجميلة. تختلف المنازل والشركات والبوابات والمباني الخاصة في جميع أنحاء البلاد حسب المنطقة والغرض

منازل ريفيةمنزلين بسقف من القش مرتفعان على أعمدة خشبية ، ماي تشاو

الهندسة / فنغشوي


الخصائص الإحصائية وتحليل المجتمع لشبكات الطرق الحضرية

شبكات الطرق الحضرية هي أنظمة معقدة نموذجية ، وهي ضرورية لمجتمعنا واقتصادنا. في هذه الدراسة ، تم فحص الخصائص الطوبولوجية لعدد من شبكات الطرق الحضرية التي تعتمد فقط على الطرق المادية بدلاً من مسارات المركبات أو الحافلات من أجل اكتشاف السمات الهيكلية الفريدة الأساسية ، لا سيما بالمقارنة مع الأنواع الأخرى من شبكات النقل. بناءً على هذه المؤشرات الطوبولوجية ، يتم أيضًا استكشاف الارتباطات بين المؤشرات الطوبولوجية وصغر عالم شبكات الطرق الحضرية. تظهر النتائج أنه لا يوجد عالم صغير مهم لشبكات الطرق الحضرية ، والذي يختلف على ما يبدو عن شبكات النقل الأخرى. بعد ذلك ، يتم إجراء الكشف المجتمعي عن شبكات الطرق الحضرية. تكشف النتائج أن المجتمعات والتسلسل الهرمي لشبكات الطرق الحضرية تميل إلى اتباع قاعدة الطبيعة العامة.

1 المقدمة

تعتبر شبكات الطرق الحضرية (URN) أمرًا حيويًا في دعم مجتمعنا واقتصادنا [1]. على وجه الخصوص ، في الوقت الحاضر مع تزايد شعبية التقنيات المتعلقة بالمدينة الذكية وأنظمة البنية التحتية للمركبات التعاونية (CVIS) ، تحظى الطرق المادية وشبكات URN المكونة لها بالفعل باهتمام متزايد. وفي الوقت نفسه ، يمكن وصف URNs على أنها أنظمة شبكية معقدة نموذجية [2] حيث توجد أعداد كبيرة من المكونات المكانية ذات الهياكل المعقدة والتفاعلات بين المكونات المختلفة. منذ أن اقترح واتس وستروغاتس [3] وباراباسي وألبرت [4] شبكات "عالم صغير" وشبكات خالية من المقاييس ، على التوالي ، تم اعتبار نظرية الشبكات المعقدة كأداة جيدة لمراقبة وتحليل السمات الطوبولوجية والهيكلية للأنظمة المتصلة بالشبكات [5].

في الواقع ، تم تطبيق نظرية الشبكة المعقدة لدراسة شبكات النقل المختلفة ، مثل النقل العام [6-9] ، والنقل الجوي [10 ، 11] ، والنقل بالسكك الحديدية [12 ، 13] ، والنقل البحري [14 ، 15] ]. استكشف Sienkiewicz و Hołyst [16] أنظمة شبكة النقل العام (PTN) في 22 مدينة في بولندا ، وأظهرت النتائج أن الخصائص الطوبولوجية لهذه المدن ، مثل توزيع الدرجات والدرجات ، ومتوسط ​​طول المسار ، والمعاملات العنقودية ، تميل إلى اتباع توزيع قانون السلطة والتوزيع الأسي ، وتوضح PTNs هذه أيضًا عالمًا صغيرًا كبيرًا. بعد ذلك ، شو وآخرون. [17] بحث في الخصائص الطوبولوجية لثلاث شبكات نقل حافلات في بكين وشانغهاي ونانجينغ. يوضح توزيع الدرجات في المدن الثلاث قوانين القوة في الفضاء إل (تشير العقد إلى المحطات ، وتشير الروابط إلى وجود مسار واحد على الأقل بين محطتين متتاليتين) ، أثناء التواجد في الفضاء ص (تشير العقد إلى المحطات ، بينما توجد الروابط عند مشاركة محطتين بواسطة طريق واحد على الأقل) ، يتبع توزيع الدرجة التراكمية التوزيع الأسي. وبالمثل ، فإن Von Ferber et al. [6] استكشف شبكات النقل العام (PTNs) في 14 مدينة ، وأظهرت النتائج أن هذه الشبكات لها معاملات تجميع عالية ومتوسط ​​منخفض نسبيًا لأقصر المسارات ، وهي خصائص نموذجية للعالم الصغير. تشير شبكة حافلات النقل الموجهة والموزنة في بكين أيضًا إلى أن شبكة الحافلات هذه عبارة عن شبكة عالمية صغيرة [18]. من أجل دراسة العلاقة بين حجم المدينة ومركزية الشبكة ، قام Derrible [19] بالتحقيق بين مركزية 28 نظام مترو في جميع أنحاء العالم. قام ديميتروف وسيدر [7] بفحص الهيكل والخصائص الطوبولوجية لشبكة الحافلات في أوكلاند ، نيوزيلندا ، بناءً على خطوط الحافلات. بالإضافة إلى ذلك ، صن وآخرون. [20] تم تحليل الخصائص الطوبولوجية لشبكة النقل بالسكك الحديدية في بكين (BRTN) ، وتمت دراسة المحطات الضعيفة والإخفاقات المتتالية لشبكة BRTN تحت هجمات متعمدة مختلفة بناءً على مؤشرات الدرجة ، والتوسط ، والقوة. De Regt et al. [21] حللت الخصائص الطوبولوجية والمكانية لشبكات PTN في المملكة المتحدة ، وتم فحص شبكات PTN مثل لندن ومانشستر وويست ميدلاندز والسكك الحديدية الوطنية لتمييز استقرارها. على وجه الخصوص ، وجدوا ديناميكيات الحمل العامة لهذه الأنظمة ، وهو أمر مفيد لكفاءة PTN.

بالإضافة إلى شبكات النقل العام ، تم استكشاف الخصائص الإحصائية للشبكات الجوية [10 ، 11 ، 22] ، وشبكات السكك الحديدية [12 ، 13] ، وشبكات سفن البضائع [14 ، 15] بناءً على نظرية الشبكة المعقدة. على الرغم من استخدام نظرية الشبكات المعقدة بشكل متكرر لدراسة العديد من أنواع شبكات النقل ، إلا أن أبحاث الشبكة المعقدة المتعلقة بشبكات الطرق الحضرية (URNs) التي تتكون من أجزاء وتقاطعات الطرق ، والتي تنقل بشكل مباشر معظم حركة المرور في المناطق الحضرية ، محدودة للغاية. جيانغ وآخرون. [23] حاولوا توصيف البنية الطوبولوجية لست شبكات شوارع حضرية من منظور ترابط الدرجات ، ووجدوا أن الشبكات المعدلة من ستة شبكات شوارع تميل إلى انحراف خصائص العالم الصغير مقارنة بالشبكات الأصلية. بعد ذلك ، كيركلي وآخرون. [24] ركز بشكل أساسي على مركزية 97 مدينة حول العالم لإثبات ثبات التوزيع الإحصائي للشبكات المستوية.بالإضافة إلى ذلك ، قامت دراسات سابقة أخرى إما بالتحقيق في شبكات طرق مدينة معينة في تمثيل مزدوج (تشير العقد إلى مجموعة الحواف التي تشترك في سمات مشتركة) وذلك لمراقبة نمو المدينة أو نموذج الازدحام [25 ، 26] أو التركيز على المتانة واستجابة شبكات الطرق في ظل استراتيجيات هجوم مختلفة [27 ، 28]. ومع ذلك ، لا تزال العديد من الأسئلة المتعلقة بشبكات URN غير واضحة: على سبيل المثال ، بالمقارنة مع شبكات النقل الأخرى ، ما هي الخصائص الإحصائية المشتركة لشبكات URN في مختلف البلدان؟ كيف هي صغر العالم والعلاقات الأساسية بين الخصائص الإحصائية؟ كيف هي ميزات المجتمع والتسلسل الهرمي لشبكات URN وما نوع القواعد التي قد تتبعها؟ تم إجراء هذه الدراسة وتنظيمها بناءً على هذه الأسئلة ، والإجابة على هذه الأسئلة هي الرسالة المركزية التي نحاول إيصالها. للإجابة على هذه الأسئلة ، تبحث هذه الورقة في الخصائص الطوبولوجية لشبكات الطرق الحضرية من عدد من المدن في أوروبا وأمريكا الشمالية من أجل استكشاف السمات الهيكلية الأساسية لهذه الشبكات. بالإضافة إلى ذلك ، يتم أيضًا إجراء تحليل العالم الصغير وكشف المجتمع.

يتم تنظيم باقي هذه الورقة على النحو التالي. يقدم القسم 2 المؤشرات الطوبولوجية المستخدمة على نطاق واسع في مجال علوم الشبكات. يقدم القسم 3 التحليل الإحصائي لشبكات الطرق الحضرية ، كما يتم إجراء تحليل العالم الصغير. بعد ذلك ، يتم التحقيق في تحليل الارتباط بين بعض المؤشرات الطوبولوجية في القسم 4. يستكشف القسم 5 اكتشافات المجتمع لشبكات الطرق الحضرية ، وأخيرًا ، نستخلص النتائج في القسم 6. هيكل دراستنا منظم منطقيًا ، ويمكن أن تدعم الأقسام السابقة اللاحقة. على سبيل المثال ، يعتمد القسمان 4 و 5 على التحليل الإحصائي للمؤشرات الطوبولوجية لـ URNs.

2. الخلفية وقاعدة البيانات

في هذا البحث ، يتم استخدام نظرية الشبكات المعقدة لاستكشاف الخصائص الطوبولوجية لشبكات الطرق الحضرية (URNs) لأنها أداة جيدة لدراسة الأنظمة المعقدة للغاية. يتم الحصول على البيانات المرتبطة بشبكات URN المستخدمة في هذه الدراسة من موقع ويب (http://www.bgu.ac.il/∼bargera/tntp/) ، والذي يتم استخدامه بشكل متكرر لمشاكل النقل. على عكس المساحة النموذجية إل والفضاء ص التمثيلات [29] وتمثيل المعلومات المزدوجة [30] ، تشير عقد شبكة الطرق الحضرية إلى تقاطعات الشوارع أو الطرق الحضرية ، بينما تمثل الروابط الشارع أو أجزاء الطريق التي تربط العقد. من الجدير بالذكر أن بناء URN ليس محور اهتمامنا ، ونحن نستخدم بيانات URN مباشرة من موقع الويب (http://www.bgu.ac.il/∼bargera/tntp/) التي طورها العلماء في هذا المجال النقل. بسبب نقص بيانات حركة المرور ، فإننا لا نأخذ في الاعتبار حركة المرور على الطرق. بالإضافة إلى ذلك ، تم توصيل جميع URNs المستخدمة في الدراسة. يمكن تقسيم شبكات الطرق الحضرية إلى شبكات مرجحة أو غير مرجحة بناءً على ما إذا كانت الروابط تحمل وزنًا ، والذي يمكن أن يكون طول الروابط أو تدفق حركة المرور على هذه الروابط ، وما إلى ذلك [31]. يعتمد وزن الروابط على الغرض من البحث.

تمثل URNs المستخدمة في هذه الورقة بشكل أساسي المدن في أوروبا وأمريكا الشمالية بسبب النطاق المحدود لمصادر البيانات. على وجه التحديد ، هذه URNs هي أوستن ، وشيكاغو ، وفيلادلفيا ، وآناهايم ، ووينيبيغ ، ووسط برلين ، وبرشلونة ، وتيراسا ، وهيسن ، ويختلف حجم URNs ، ويتراوح من 416 عقدة إلى 13،389 عقدة. يتم عرض هذه المعلومات بما في ذلك عدد الروابط في الجدول 1.

يلخص الجدول 2 ستة مؤشرات طوبولوجية مستخدمة في هذه الورقة: الدرجة ، معامل التجميع ، متوسط ​​طول المسار (APL) ، مركزية القرب ، المركزية بين المركزية ، والكفاءة. من أجل التمييز بين المؤشرات العالمية والمحلية [34] ، يتم تقديم الكفاءة و APL في الصفين الأخيرين ، وقد يقدم هذان المؤشران الأداء العالمي لشبكات URN من وجهات نظر مختلفة. هنا ، نستخدم هذه المؤشرات الستة لتحليل الخصائص الطوبولوجية لـ URNs.

هو الاتصال بين العقدة أنا والعقدة ي إذا أنا و ي متصلون ،

تكون 1 بخلاف ذلك ، فهي 0. الدرجة المتوسطة للشبكة ، يُشار إليها بالرمز

، هو متوسط ​​درجة كل عقده [32]. توزيع درجة الشبكة


إصدار خاص "الأنظمة الديناميكية"

عدد خاص من غير قادر علي (ISSN 1099-4300). هذا العدد الخاص ينتمي إلى قسم "التعقيد".

الموعد النهائي لتقديم المخطوطات: مغلق (31 أغسطس 2013) .

طبعة مطبوعة متاحة!
نسخة مطبوعة من هذا العدد الخاص متوفرة هنا.


شاهد الفيديو: Sam Harris, Jordan Peterson u0026 Douglas Murray in Dublin - Part 3 - Presented by Pangburn CC: Arabic (شهر اكتوبر 2021).