[发明专利]基于机器学习模型的时空索引构建方法和装置及查询方法

说明书

本申请涉及一种基于机器学习模型的时空索引构建方法和装置及数据查询方法，其中时空索引构建方法包括：获取原始时空数据集，将原始时空数据集划分为多个数据子集；采用各数据子集对应生成相应的子模型，并基于原始时空数据集生成相应的父模型；根据生成的各子模型和父模型，构建得到用于查询数据存储位置的时空索引；其中，在时空索引中，父模型作为输出第一层用于确定当前待查询的数据点所对应的子模型，各子模型作为输出第二层，用于预测当前待查询的数据点的存储位置。其有效简化了数据查询的索引步骤，减少了磁盘I/O的频繁操作，最终有效提高了时空数据库的数据查询效率，降低了索引文件的存储成本，从而提升了地理信息系统的性能。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于机器学习模型的索引构建方法和装置及查询方法。

背景技术

在地理信息系统中，时空数据库的性能是影响系统查询响应速度的一个重要因素，而提高时空数据库查询速度的关键点是时空索引。目前已有的时空索引，如：R-Tree、Quad-Tree、KD-Tree等基本原理是逐级划分地理空间，采用树形结构组织数据的存储，在处理访问请求时，需要逐层遍历树的节点。随着数据集的增大，树的深度就会随之增加，这就使得磁盘I/O操作频繁，进而导致系统查询速率降低。

发明内容

有鉴于此，本申请提出了一种基于机器学习模型的时空索引构建方法，可以有效提高系统查询速率。

根据本申请的一方面，提供了一种基于机器学习模型的时空索引构建方法，包括：

获取原始时空数据集，将所述原始时空数据集划分为多个数据子集；

采用各所述数据子集对应生成相应的子模型，并基于所述原始时空数据集生成相应的父模型；

根据生成的各所述子模型和所述父模型，构建得到用于查询数据存储位置的时空索引；

其中，在所述时空索引中，所述父模型作为输出第一层用于确定当前待查询的数据点所对应的子模型，各所述子模型作为输出第二层，用于预测当前待查询的数据点的存储位置。

在一种可能的实现方式中，所述父模型与所述子模型的网络结构相同。

在一种可能的实现方式中，所述子模型为具有两个隐藏层的前馈神经网络；

其中，所述子模型的第一层为包含一个神经元的输入层，第二层和第三层为包含3个神经元的隐藏层，第四层为包含一个神经元的输出层；

相邻两层的神经元之间为全连接。

在一种可能的实现方式中，将所述原始时空数据集划分为多个数据子集时，通过计算所述原始时空数据集中各时空数据点的Hilbert编码值，根据计算得到的各所述时空数据点的Hilbert编码值进行划分。

在一种可能的实现方式中，根据计算得到的各所述时空数据点的Hilbert编码值进行所述原始时空数据集的划分时，包括：

根据各所述时空数据点的Hilbert编码值对各所述时空数据点进行排序，得到有序数据集；

对所述有序数据集进行所述数据子集的划分。

根据本申请的另一方面，还提供了一种基于机器学习模型的时空索引构建装置，包括数据处理模块、模型生成模块和索引构建模块；

所述数据处理模块，被配置为获取原始时空数据集，将所述原始时空数据集划分为多个数据子集；

所述模型生成模块，被配置为采用各所述数据子集对应生成相应的子模型，并基于所述原始时空数据集生成相应的父模型；

所述总模型构建模块，被配置为根据生成的各所述子模型和所述父模型，构建得到用于查询数据存储位置的时空索引；