.png){kind=icon}
返回
Spatiotemporal Big Data Retrieval Method Based on GeoHash Algorithm and Multimode Composite Index
.png){kind=icon}
OA
AI
DOI：10.1155/mse/4041165.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着智能城市和智能交通等应用对多源异构时空数据需求的增加，如何平衡检索精度、多模态适应性和高并发响应已成为关键问题。本研究提出了一种集成地理哈希编码算法和多模态组合指数优化的时空大数据检索模型。该模型首先利用地理哈希结合行键和非行键索引来过滤候选集，然后结合空间、时间和多模态特征索引完成跨维度匹配和重排。同时引入跳表结构和参数自适应策略以优化延迟和并发性能。实验表明，该模型在公开数据集上达到最高精度94.27%、最高召回率93.05%、F1值超过93%，且检索延迟最低控制在121.49 ms，显著优于其他方法。在城市和乡村节点的覆盖率分别为91.2%和88.7%，在车辆和行人干扰下冗余率最低仅为12.4%。结果表明该模型在精度、延迟和能效方面具有优势，适用于智能城市、智能交通和应急管理等多场景应用。本研究可为大数据检索技术的未来发展提供有效的技术支持。
Keyword:
GeoHash
multimode composite index
retrieval method
row key
spatiotemporal big data
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
1.3
论文数:
16
被引数:
485
机构
引用论文
How good are multi-dimensional learned indexes? An experimental survey多维学习索引的效果如何？一项实验性综述.png)
VLDB JOURNAL
OAAI
VLDB JOURNALIF3.8
OAAI分享收藏分享收藏
查看更多内容