Kết quả của việc truy vấn sẽ được đưa ra màn hình bên phải với các thơng số về: giá trị nút đi qua sau mỗi lần truy vấn, Avg data entries (trung bình số đối tượng
tìm được trong tương lai), Avg node accesses (trung bình số nút đi qua để có kết quả).
Hình 3.7. Form kết quả nhận đƣợc sau khi truy vấn 3.4.2. Thử nghiệm
Quá trình thử nghiệm là thực hiện trên cây TPR-tree, mục tiêu của quá trình thử nghiệm là so sánh việc kết quả đạt được khi thực hiện truy vấn các mốc thời gian trong tương lai với các khối lượng dữ liệu khác nhau. Giả định rằng các đối tượng di chuyển là tương tự nhau tại mỗi mốc thời gian truy vấn.
Mỗi một truy vấn gồm ba tham số truy vấn: Kính thước khơng gian của đối tượng (qrlen), vận tốc của đối tượng trên một chiều (qvlen) và khoảng thời gian truy vấn (qTlen). Trong thử nghiệm này sẽ test phạm vi truy vấn qrlen là [100, 100], qvlen là {-10, 10, -10, 10}, và khoảng thời gian qTlen từ [0, T]. Việc test sẽ thực hiện truy vấn ngẫu nhiên 100 lần sau đó lấu giá trị trung bình của mỗi lần truy vấn. Lưu ý rằng các truy vấn ở đây đều có kích thước, vectơ vận tốc và theo khoảng thời gian nghĩa là bản thân các truy vấn cũng là các cửa sổ chuyển động.
Bảng 3.7 mô tả giá trị đạt được trong tương lai khi thực hiện truy vấn tại những khoảng thời gian khác nhau 10, 20, 30, 40, 50 với khối lượng dữ liệu là 10000 (10k) đối tượng.
Bảng 3.8 mô tả giá trị đạt được trong tương lai khi thực hiện truy vấn tại những khoảng thời gian khác nhau 10, 20, 30, 40, 50 với khối lượng dữ liệu là 30000 (30k) đối tượng.
Bảng 3.9 mô tả giá trị đạt được trong tương lai khi thực hiện truy vấn tại những khoảng thời gian khác nhau 10, 20, 30, 40, 50 với khối lượng dữ liệu là 50000 (50k) đối tượng.
Trong các bảng dữ liệu, cột 1 thể hiện độ dài của khoảng thời gian truy vấn (T size), cột 2 thể hiện giá trị trung bình của số đối tượng tìm được trong tương lai (Avg data entries), cột 3 thể hiện giá trị trung bình của số nút đi qua để có kết quả (Avg node accesses), cột 4 thể hiện số nút trung gian (Internal nodes), cột 5 thể hiện số nút dữ liệu (Data nodes).
Bảng 3.7. TRP-tree tại khoảng thời gian khác nhau với 10k T size Avg data retrieves Avg Node access Internal node Data node Data T size Avg data retrieves Avg Node access Internal node Data node Data
10 7,81 23,44 34 532 10000
20 17,27 33,59 33 526 10000
30 28,00 44,20 33 553 10000
40 41,80 54,90 32 525 10000
50 56,37 67,09 32 525 10000
Bảng 3.8. TRP-tree tại khoảng thời gian khác nhau với 30k T size Avg data retrieves Avg Node access Internal node Data node Data T size Avg data retrieves Avg Node access Internal node Data node Data
10 23,31 42,13 96 1609 30000
20 51,73 62,43 95 1648 30000
30 88,18 87,03 95 1621 30000
40 127,13 113,32 94 1604 30000
50 170,86 140,74 96 1597 30000
Bảng 3.9. TRP-tree tại khoảng thời gian khác nhau với 50k T size Avg data retrieves Avg Node access Internal node Data node Data T size Avg data retrieves Avg Node access Internal node Data node Data
10 38,82 56,31 160 2706 50000
20 86,37 84,93 160 2726 50000
30 145,78 121,22 157 2653 50000
40 210,36 159,27 158 2648 50000
Hình 3.8. Kết quả thử nghiệm Avg data retrieves
Hình 3.9. Kết quả thử nghiệm Avg Node access
0.00 50.00 100.00 150.00 200.00 250.00 300.00 350.00 0 10 20 30 40 50 60 10k 30k 50k
Avg data retrieves
Time 0.00 50.00 100.00 150.00 200.00 250.00 0 10 20 30 40 50 60 10k 30k 50k
Bảng 3.10 mô tả giá trị đạt được trong tương lai khi thực hiện truy vấn tại những khối dữ liệu khác nhau :10000, 30000, 50000, 70000, 100000 bản ghi,cột 2 thể hiện giá trị trung bình của số đối tượng tìm được trong tương lai (Avg data entries), cột 3 thể hiện giá trị trung bình của số nút đi qua để có kết quả (Avg node accesses), với dung lượng cache khác nhau: 1000block, 2000block, 4000 block
Bảng 3.10. TRP-tree với cache size khác nhau Data Avg data
retrieves Avg Node access(0 block) Avg Node access( 1000 block) Avg Node access(2000 block) Avg Node access(400 0 block) 10000 583.62 191.44 43.18 25.48 24.34 30000 1642.5 483.98 325.34 194.98 70.7 50000 2751.02 717.9 628.34 450.4 212.88 70000 3817.1 979.62 920.9 735.84 478.04 100000 5465.26 1309.22 1281.98 1163.6 808.08
Hình 3.10. Kết quả thử nghiệm Avg Node với cache size
3.4.3. Đánh giá
Nhìn vào kết quả thử nghiệm ta thấy rằng khi truy vấn tại khoảng thời gian trong tương lai càng xa thì số Node access càng nhiều, lý do là do các MBR
0 200 400 600 800 1000 1200 1400 10000 30000 50000 70000 100000 Cache 0 block Cache 1000 block Cache 2000 block Cache 4000 block
của index tăng kích thước nên khả năng overlap càng nhiều, dẫn đến số nút truy xuất tăng lên.
Tương tự như vậy khi truy vấn khoảng thời gian trong tương lai càng xa thì số data entries cáng nhiều, khả năng các đối tượng đi qua cửa sổ truy vấn càng cao.
Nhìn vào biểu đồ AvgNode với cahce size khác nhau chúng ta thấy, dung lượng cache càng tăng thì giá trị trung bình của số nút đi qua có kết quả là giảm dần, do nhiều node được lưu vào bộ đệm nhiều hơn, dẫn đến chi phí duyệt sẽ ít hơn làm tăng hiệu suất cho truy vấn
KẾT LUẬN KếT LUậN
Sau một thời gian tìm hiểu và hồn thành luận văn, tác giả đã nắm bắt được một số phương pháp tổ chức cơ sở dữ liệu cho đối tượng chuyển động. Luận văn đã trình bày được các khái niệm tổng quát của các phương pháp lập chỉ mục cho các đối tượng chuyển động, các cách thức truy vấn và các ưu nhược điểm của các phương pháp. Ngoài ra luận văn cũng đề cập chi tiết phương pháp lập chỉ mục hiện tại và tương lai cho đối tượng chuyển động dựa trên cấu truc TPR-tree. Dựa vào cấu trúc để trình bày một thuật tốn và một số kết quả thử nghiệm đạt được khi sử dụng thuật tốn TRP-tree.
Để hồn thiện hơn về đề tài hướng nghiên cứu trong tương lai sẽ tập trung nghiên cứu về các thuật tốn từ đó xây dựng lên các kết quả so sánh cụ thể cho việc lập chỉ mục của các đối tượng chuyển động. Trên cơ sở đó áp dụng hỗ trợ cho các bài toán quản lý phương tiện giao thơng nói chung và hệ thống nói riêng.
Mặc dù tác giả đã có nhiều nỗ lực trong nghiên cứu và thực hiện đề tài, nhưng chắc chắn luận văn khơng tránh khỏi thiếu sót. Tác giả hy vọng rằng với phương pháp tổ chức dữ liệu cho đối tượng chuyển động sẽ được áp dụng rộng rãi cho các bài toán quản lý các đối tượng chuyển động.
TÀI LIỆU THAM KHẢO
1. Ahmed El-Rabbany (2002), Introduction to GPS The Global Positioning System.
2. Antonin Guttman, Michael Stonebraker (1984), "R-tree: A Dynamic Index Structure for Spatial Searchinh", Defense Technical Information Center.
3. N.Beckmann and H.P.Kriegel and R.Schneider and B.Seeger (1990), "The R*-tree: an efficient and robust access method for points and rectangles", Proceedings of the SIGMOD Conference, Atlantic City, NJ,
p322-331.
4. Erwig, Güting, M.Schneider, M.Vazirgiannis (1999),“Spatio-Temporal Data
Types: An Approach to Modeling and Querying Moving Objects in Databases”, Geoinformatica.
5. M.A.Nascimento and J.R.O.Silva (1998), “Towards historical R-Trees”,
ACM symposium onApplied Computing, p235–240.
6. D.Pfoser, C.S.Jensen, and Y.Theodoridis (2000), “Novel Approaches in Query Processing forMoving Objects”, Proceedings of the VLDB
Conference, p395–406.
7. S. Saltenis, C. S. Jensen, S. T. Leutenegger, and M. A. Lopez (1999), “Indexing the Positions of Continuously Moving Objects”, Technical Report. 8. Rauber A.,Tomish P., Riedel H., and Kouba Z (2000), Integrating Geo-
Spatial Data into OLAPSystems Using a Set-based Quad- TreeRepresentation. In Proc. of the 4th Int. Conf.onInformation technology for BalancedAutomation Systems in Production andTransportation, BASYS. 9. Yufei Tao, Dimitris Papadias, Jimeng Sun (2003), “The TPR*-Tree: An
Optimized Spatio-Temporal Access Method for Predictive Queries”.
10. Yufei Tao and D.Papadias (2001), “MV3R-Tree: A Spatio-Temporal Access
Method for Timestampand Interval Queries”, Proceedings of the LDB
Conference, p431–440.
11. Y.Theodoridis, M.Vazirgiannis, and T. K. Sellis (1996), “Spatio-Temporal Indexing for LargeMultimedia Applications”, IEEE International Conference