基于键值云存储的时空范围内海量过车记录快速查询方法
【专利摘要】本发明涉及一种基于键值云存储的时空范围内海量过车记录快速查询方法，其中所述的方法包括构建时间和空间分段点的键值索引表；构建时间和空间分段树的键值索引表；以及构建时间和空间分段树更新和删除键值索引表。采用该种方法，通过引入时空分段点索引表，大大提高基于时空单点的过车记录快速查询效率；通过引入时空分段树索引表，大大提高基于时空范围的过车记录快速查询效率；通过引入时空分段树更新索引表，能动态重构时空分段树索引表，为支持海量的流过车记录实时查询提供可能；通过引入键值云存储数据库保存上述索引表，并利用Hadoop云平台生成上述索引表，大大缩短了构建和维护索引的时间，并提高查询处理性能。
【专利说明】
基于键值云存储的时空范围内海量过车记录快速查询方法
技术领域
[0001]本发明涉及计算机数据库技术领域，尤其涉及云平台数据库的分布式索引和查询处理领域，具体是指一种基于键值云存储的时空范围内海量过车记录快速查询方法。
【背景技术】
[0002]基于键值云存储的时空范围内海量过车记录快速查询方法主要实现海量过车结构化记录在云平台上分别基于时空范围和时空单点的快速查询。近年来，随着MapReduce和hdfs的hadoop和Nosql的键值数据库技术的深入研究，使得上述两类查询问题有望得以解决，而索引方法的好坏直接影响了过车记录查询性能。现在常采用基于MapReduce上构建B-Tree或R-Tree等变种索引去实现时空范围和时空点两类查询。
[0003]R.G.Y等人在其发表的论文采用基于B-Tree变种去构建时间索引，如Timelndex方法，此方法计算复杂度为0(n2)，随后V.1.V.R.S等人在其发表的论文中提出的Timelndex+方法，虽然性能有所提高，但需要优化完善；
[0004]A.M等人在其发表的论文中提出Spat ialHadoop，采用基于MapReduce框架去处理空间数据。
[0005]J.R等人在其发表的论文中提出Parallel-Secondo，采用并行空间关系数据库，此数据库利用Hadoop作为分布式任务调度器。
[0006]C.G.S.S等人在其发表的论文中提出分布式分段树，能支持基于P2P DHT网络的范围查询，但P2P DHT基础设施不同于本专利提出的分布式云平台。
[0007]综上可知，现有的时空范围和时空单点过车记录快速查询大多采用基于Hadoop平台构建B-Tree和R-Tree变种索引，充分利用了Hadoop分布式并行处理及键值数据库高效处理特性，但海量过车记录基于时空范围和时空单点查询采用B-Tree或者R-Tree等变种索引不一定为合宜技术方案。
【发明内容】
[0008]本发明的目的是克服了上述现有技术的缺点，提供了一种能够实现解决时空范围快速查询和时空单点快速查询两类问题的基于键值云存储的时空范围内海量过车记录快速查询方法。
[0009]为了实现上述目的，本发明具有如下构成:
[0010]该基于键值云存储的时空范围内海量过车记录快速查询方法，其主要特点是，所述的方法包括如下步骤:
[0011 ] (I)将海量过车记录数据导入到键值数据库中；
[0012](2)根据过车记录时间和空间颗粒，构建时间和空间分段点的键值索引表；
[0013](3)在时间和空间分段点的键值索引表的基础上，构建时间和空间分段树的键值索引表；
[0014](4)在重构时间和空间分段树的键值索引表时，构建时间和空间分段树更新和删除键值索引表。
[0015]较佳地，构建时间分段点的键值索引表，包括以下步骤:
[0016](2-A-1)确定过车记录时间所属的时间范围；
[0017](2-A-2)基于时间颗粒度大小，对时间范围进行分段，得到时间分段区间；
[0018](2-A-3)对时间分段区间的起始值和终止值分别建立键值；
[0019](2-A-4)利用MapReduce或者Spark框架将属于各个时间分段区间内的过车记录的行键聚集保存于对应列值中，形成时间分段点的键值索引表。
[0020]较佳地，构建空间分段点的键值索引表，包括以下步骤:
[0021 ] (2-B-1)确定交通路网车辆监控点所属的空间范围；
[0022](2-B-2)基于空间颗粒度大小，对空间范围进行分段，得到空间分段区间；
[0023 ] (2-B-3)对空间分段区间的起始值和终止值分别建立键值；
[0024](2-B-4)利用MapReduce或者Spark框架将属于各个空间分段区间内的过车记录的行键聚集保存于对应列值中，形成空间分段点的键值索引表。
[0025]更佳地，构建时间分段树的键值索引表，包括以下步骤:
[0026](3-A-1)基于时间分段点的键值索引表，每两个相邻的时间分段构建一棵树，采用自底向上的方法，利用MapReduce或者Spark框架，形成一棵仅含一个根节点的完全二叉树；
[0027](3-A-2)标识二叉树的所有节点，形成具有时间分段点标识值的键值、分段点所属时间分段区间的起始值和终止值、对应左子树和右子树标识值及过车记录的行键的时间分段树索引表。
[0028]较佳地，构建空间分段树的键值索引表，包括以下步骤:
[0029](3-B-1)基于空间分段点的键值索引表，每两个相邻的空间分段构建一棵树，采用自底向上的方法，利用MapReduce或者Spark框架，形成一棵仅含一个根节点的完全二叉树；
[0030](3-B-2)标识二叉树的所有节点，形成具有空间分段点标识值的键值、分段点所属空间分段区间的起始值和终止值、对应左子树和右子树标识值及过车记录的行键的空间分段树索引表。
[0031]较佳地，构建时间分段树更新和删除键值索引表，包括以下步骤:
[0032](4-A-1)基于时间分段点的键值索引表，将新插入和删除的过车记录保存于一个单独的列中，形成时间分段树更新和删除键值索引表；
[0033](4-A-2)当需要重新构建时间分段树的键值索引表时，从时间分段树更新和删除键值索引表中快速获取新插入和删除的过车记录。
[0034]较佳地，构建空间分段树更新和删除键值索引表，包括以下步骤:
[0035](4-B-1)基于空间分段点的键值索引表，将新插入和删除的过车记录保存于一个单独的列中，形成空间分段树更新和删除键值索引表；
[0036](4-B-2)当需要重新构建空间分段树的键值索引表时，从空间分段树更新和删除键值索引表中快速获取新插入和删除的过车记录。
[0037]采用了该发明中的基于键值云存储的时空范围内海量过车记录快速查询方法，具有如下有益效果:
[0038](I)通过引入时空分段点索引表，大大提高基于时空单点的过车记录快速查询效率；
[0039](2)通过引入时空分段树索引表，大大提高基于时空范围的过车记录快速查询效率；
[0040](3)通过引入时空分段树更新索引表，能动态重构时空分段树索引表，为支持海量的流过车记录实时查询提供可能；
[0041 ] (4)通过引入键值云存储数据库保存上述索引表，并利用Hadoop云平台生成上述索引表，大大缩短了构建和维护索引的时间，并提高查询处理性能。
【附图说明】
[0042]图1为本发明的时间分段点索引构建的方法的流程图。
[0043]图2为本发明的空间分段点索引构建的方法的流程图。
[0044]图3为本发明的时间分段树索引构建的方法的流程图。
[0045]图4为本发明的空间分段树索引构建的方法的流程图。
[0046]图5为本发明的时间分段树更新索引构建的方法的流程图。
[0047]图6为本发明的空间分段树更新索引构建的方法的流程图。
【具体实施方式】
[0048]为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
[0049]本发明解决的时空范围快速查询问题涉及时间和空间分段点索引构建算法;时空单点快速查询问题涉及时间和空间分段树索引构建算法及对应的更新索引及删除索引构建算法。首先把海量过车记录导入到Nosql的key-value (键值)数据库中；然后利用MapReduce或Spark框架，根据过车记录时间和空间颗粒，构建时间和空间分段点的key-value索引表;之后在时间和空间分段点的key-value索引表的基础上，构建时间和空间分段树key-value索引表，同时在重构时间和空间分段树key-value索引表期间，构建时间和空间分段树更新和删除key-value索引表。
[0050]基于键值云存储的时空范围内海量过车记录快速查询方法，包括以下算法:I)时间分段点索引构建算法;2)空间分段点索引构建算法;3)时间分段树索引构建算法;4)空间分段树索引构建算法;5)时间分段树更新索引算法;6)空间分段树更新索引算法。上述算法假定海量过车记录已导入键值数据库中。海量过车记录表示为R(C，S，T)。其中C表示过车记录主键标识rowkey(行键)，S表示空间范围，T表示时间范围。S= (Si ,Sj，...Sn)表示空间范围由交通路网车辆监控点编号(i，j，...η)组成。T=(Ta，Tb)(a彡b)表示时间范围由时间点a到时间b的范围，当a = b，变成时间单点。时间分段划分粒度以具体需求为准(以天，小时，分钟等粗细粒度)，假设时间间隔表示为timespan;空间分段划分粒度以监控点分布密稀程度为划分标准(例:以500米X 500米，1000米X 1000米，2000米X 2000米等粗细粒度为准)，假设空间间隔表示为spacespan。本发明以键值数据库hbase为例，索引创建平台以MapReduce为例对算法构建思路进行解释。
[0051]1.时间分段点索引构建算法:
[0052]I)假定过车记录时间所属的时间范围为[!^…^，则时间分段区间为^#^
Tbegin+? ?Π1ΘSp￡in ]，[ Tbegin+? ?Π1Θ Sp￡in，Tbegin+2 X ? ?Π1ΘSp￡in ]，[ Tbegin+2 X ? ?Π1Θ SP￡111，Tbegin+3 Xtimespan],...[Tbegin+(n_l) X timespan ,Tend]。
[0053]2)对hbase数据库过车记录表创建时间列簇下如Time的begin和end列，使导入的任何一条过车记录的begin和end列值为上述I)中某一个分段区间的起始值和终止值。
[0054]3)利用MapReduce框架，对数据库中的任一条过车记录所属的begin和end列值，形成以时间分段区间的起始值(和终止值)为key，所属该区间的所有过车记录的rowkey和对应的时间分段区间的终止值(和起始值)为value的key-value时间分段点索引表。
[0055]2.空间分段点索引构建算法:
[0056]I )假定交通路网车辆监控点所属的空间范围为[Sstartpos，Sendpos ]，则空间分段区间
[ Sstartpos，Sstartpos+spacespail ]，[ Sstartpos+spacespail，Sstartpos+2 X spacespan ]，[ Sstartpos+
2 X spacespan,Sstartpos+3 X spacespan],..[SstartPos+(n-l) X spacespan,Sendpos]。
[0057]2)对hbase数据库过车记录表创建空间列簇下如Space的startpos和endpos列，使导入的任何一条过车记录的startpos和endpos列值为上述I)中某一个分段区间的起始值和终止值。
[°°58] 3)利用MapReduce框架，对数据库中的任一条过车记录所属的startpos和endpos列值，形成以空间分段区间的起始值(和终止值)为key，所属该区间的所有过车记录的rowkey和对应的空间分段区间的终止值(和起始值)为value的key-value空间分段点索引表。
[0059]2.时间分段树索引构建算法:
[0060]I)在已构建完时间分段点索引表的基础上，按照时间顺序排列，每2个相邻时间分段点形成I棵二叉树，左子树的时间分段点标识值为对应时间分段区域的中间值，右子树的时间分段点标识值也为对应时间分段区域的中间值，父亲节点的时间分段点标识值为对应左右子树标识值的中间值。
[0061]2)按照上述规则，利用MapReduce框架，以时间分段点索引表中每一条记录为输入，形成以每一个时间分段点标识值为key，所属该区间的起始值(begin)和终止值(end)，对应的左子树和右子树标识值及对应过车记录的rowkey为value的key-value时间分段树索引表。
[0062]3)通过自底向上的循环建树，最后形成I棵仅含I个根结点的时间分段树索引表。
[0063]3.空间分段树索引构建算法:
[0064]I)在已构建完空间分段点索引表的基础上，按照空间区域划分大小，把所属每2个空间分段点形成I棵二叉树，左子树的空间分段点标识值为对应空间分段区域中心坐标值，右子树的空间分段点标识值也为对应空间分段区域中心坐标值，父亲节点的空间分段点标识值为对应左右子树标识值的中心坐标值。
[0065]2)按照上述规则，利用MapReduce框架，以空间分段点索引表中每一条记录为输入，形成以每一个空间分段点标识值为key，所属该区间的起始值(startpos)和终止值(endpos)，对应的左子树和右子树标识值及对应过车记录的rowkey为value的key-value空间分段树索引表。
[0066]3)通过自底向上的循环建树，最后形成I棵仅含I个根结点的空间分段树索引表。
[0067]4.时间分段树更新索引算法:
[0068]I)在已构建时间分段点索引表基础上，增加对应的如Update列簇下UI列，UI列用于记录新插入和删除的过车记录。
[0069]2)新插入和删除的过车记录，保存在所属时间分段点区间对应UI列下。
[0070]5.空间分段树更新索引算法:
[0071]I)在已构建空间分段点索引表基础上，增加对应的如Update列簇下UI列，UI列用于记录新插入和删除的过车记录。
[0072]2)新插入和删除的交通路网车辆监控点，保存在所属空间分段点区间对应UI列下。
[0073]下面结合附图对本发明的实施做详细说明。实施步骤如下:
[0074]上述算法假定海量过车记录已导入键值数据库中。海量过车记录表示为R(C，S，T)。其中C表示过车记录主键标识rowkey，S表示空间范围，T表示时间范围d = (Si ,Sj，...Sn)表示空间范围由交通路网车辆监控点编号(i，j,...η)组成。T=(Ta，Tb)(a彡b)表示时间范围由时间点a到时间b的范围，当a = b，变成时间单点。时间分段划分粒度以具体需求为准(以天，小时，分钟等粗细粒度)，假设时间间隔表示为timespan;空间分段划分粒度以监控点分布密稀程度为划分标准(例以500米X 500米，1000米X 1000米，2000米X 2000米等粗细粒度)，假设空间间隔表示为spacespan。本发明专利以键值数据库hbase为例，索引创建平台以MapReduce为例对算法构建思路进行解释。
[0075]1、时间分段点索引表:
[0076]在时间分段点索引表中，确定过车记录时间所属的时间范围(101)，然后根据时间颗粒大小，确定时间间隔t i me s pan (以天，小时，分钟为单位)，并划分时间分段区间(1 2)，如过车记录时间范围为2016-01-01 00:00:00至2016-04-30 00:00:00，以I天为时间间隔，则时间分段区间为[20160101000000 ,20160102000000] ,[20160102000000，20160103000000]，[20160103000000,20160104000000]...[20160429000000 ,20160430000000].然后为每一条过车记录创建begin和end列，如在原过车记录表示为R(C,S，T)，则追加列后的表示形式为R(C,S，T,begin,end)，其中begin和end值为所属时间分段区间的起始值和终止值(103)。利用MapReduce框架，读入每一条过车记录begin和end值，形成Map阶段为〈begin , 〃r〃 | rowkey = end)，〈 end，〃I〃 I rowkey = begin)的输出形式，经过Reduce 阶段的汇总形成〈begin，"r" | rowkey I | rowkey2 | rowkey3 |...rowkeyk | =end)，〈end, "I" I rowkey I | rowkey 2 | rowkey3 |...rowkeyk | =begin〉的时间分段点索引表(104)。其中rowkeyl，rowkey2，...rowkeyk为过车记录时间在[begin,end]段内的过车记录主键，“1〃和〃 r 〃为时间段起始和终止标识符。经过多轮MapReduce的运算处理，形成时间分段点索引表105。
[0077]2、空间分段点索引表:
[0078]在空间分段点索引表中，确定交通路网车辆监控点所属的空间范围(201)，然后根据空间颗粒大小，确定空间间隔表示为spacespan，并划分空间分段区间(202)，如过车记录所属的交通路网车辆监控点S=(Si，Sj，...Sn)，表示空间范围由交通路网车辆监控点编号(i J，...η)组成。上述车辆监控点所属的空间范围为最左上点坐标为(0，0)，最右下点坐标为(200000，200000)，以1000米\1000米为空间间隔，形成1到200个空间分段区间为[0，1]，[1,2], [2,3]...[ 199,200]。然后为每一条过车记录创建startpos和endpos列，如在原过车记录表示为R(C，S，T)，则追加列后的表示形式为R(C，S，T，startpos，endpos)，其中startpos和endpos值为所属空间分段区间的起始值和终止值(203).利用MapReduce框架，读入每一条过车记录startpos和endpos值，形成Map阶段为〈startpos，〃e〃 | rowkey =endpos)，〈 endpos , 〃s〃 | rowkey = startpos〉的输出形式，经过Reduce阶段的汇总形成〈startpos，"e"|rowkeyl|rowkey2|rowkey3|...rowkeyk|= endpos)，〈 endpos，"s"|rowkeyl | rowkey2 | rowkey3...rowkeyk | = startpos〉的空间分段点索引表(204)。其中rowkeyl，rowkey2，...rowkeyk为过车记录监控点所属的空间在[startpos,endpos]段内的过车记录主键，〃 s 〃和〃 e 〃为空间段起始和终止标识符。经过多轮MapReduce的运算处理，形成空间分段点索引表(205)。
[0079]3、时间分段树索引表
[0080]在已构建好时间分段点索引表(105)的基础上，以过车记录时间范围为2016-01-01 00:00:00至2016-04-30 00:00:00,以I天为时间间隔为例，则时间分段点索引表长度为121，每相邻2个时间分段点形成一棵子二叉树的父节点，通过多轮迭代，形成一棵仅含有一个根节点的完全二叉树(302)，此棵树的高度为7(大于等于(log2121))层。然后标识树中的每一个节点，从叶子节点标识起，自底向上，最后形成时间分段树索引表(303).节点标识如下:以第一个叶子节点为例，取[20160101000000 ,20160102000000]中的中间值20160101500000L 为 key ,value 的值 I = 20160101000000 Ur = 20160102000000 U L=” UR=，，U rowkeyl rowkey2 | rowkey3...1 rowkeyk。其中key键中包含〃L〃表不为叶子节点，"R"为根节点，否则为中间节点;标识符〃1〃为时间分段的起点，〃r〃为时间分段的终点，"L〃为左孩子节点的标识值，〃1?〃为右孩子节点的标识值，1'0￥1^71，1'0￥1^72，1'0￥1^73...rowkeyk为车辆通行时间属于此时间分段的车辆过车记录主键。
[0081]4、空间分段树索引表
[0082]在已构建好空间分段点索引表(205)的基础上，以空间范围最左上点坐标为(O，O)，最右下点坐标为(200000，200000)，1000米X 1000米为空间间隔，则空间分段点索引表长度为200，每相邻2个空间分段点形成一棵子二叉树的父节点，通过多轮迭代，形成一棵仅含有一个根节点的完全二叉树(402)，此棵树的高度为8，然后标识树中的每一个节点，从叶子节点标识起，自底向上，最后形成时间分段树索引表(403).节点标识如下:以第一个叶子节点为例，取[O，I]中的中间值0.5L 为key ,value的值1 = 0 U r = I U L=，，U R=，，U rowkeylrowkey2 | rowkey3...1 rowkeyk.其中key键中包含〃L〃表示为叶子节点，〃R〃为根节点，否则为中间节点；标识符"Γ为空间分段的起点，"r"为空间分段的终点，"L"为左孩子节点的标识值，"R〃为右孩子节点的标识值，rowkey I，rowkey2，rowkey3...rowkeyk为车辆通行监控点属于此空间分段的车辆过车记录主键。
[0083]5、时间分段树更新索引表
[0084]在已构建好时间分段点索引表(105)的基础上，增加update列簇下UI列，并记录新插入和删除的过车记录(501)，新插入的过车记录以含〃+〃表示，删除的过车记录以含〃-〃表示，如新插入过车记录时间为20 16-0 1-O I 08: 23: 20主键m为例，UI列值的key为20160101500000L，rm+ = 20160101000000;如删除过车记录时间为 2016-01-01 11:23:20 主键 η 为例，UI 列值的 key 为 20160101500000L，rn- = 20160101000000。
[0085]6、空间分段树更新索引表
[0086]在已构建好空间分段点索引表(205)的基础上，增加update列簇下UI列，并记录新插入和删除的过车记录(601)，新插入的过车记录以含〃+〃表示，删除的过车记录以含〃-〃表示，如新插入过车记录经过监控点空间范围属于空间分段点[O，I ]主键η为例，UI列值的key为0.5L，rn+= I ；如删除过车记录经过监控点空间范围属于空间分段点[O，I ]主键k为例，UI列值的key 为0.5L，rk-= I。
[0087]采用了该发明中的基于键值云存储的时空范围内海量过车记录快速查询方法，具有如下有益效果:
[0088](I)通过引入时空分段点索引表，大大提高基于时空单点的过车记录快速查询效率；
[0089](2)通过引入时空分段树索引表，大大提高基于时空范围的过车记录快速查询效率；
[0090](3)通过引入时空分段树更新索引表，能动态重构时空分段树索引表，为支持海量的流过车记录实时查询提供可能；
[0091](4)通过引入键值云存储数据库保存上述索引表，并利用Hadoop云平台生成上述索引表，大大缩短了构建和维护索引的时间，并提高查询处理性能。
[0092]在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。
【主权项】
1.一种基于键值云存储的时空范围内海量过车记录快速查询方法，其特征在于，所述的方法包括如下步骤: (1)将海量过车记录数据导入到键值数据库中； (2)根据过车记录时间和空间颗粒，构建时间和空间分段点的键值索引表； (3)在时间和空间分段点的键值索引表的基础上，构建时间和空间分段树的键值索引表； (4)在重构时间和空间分段树的键值索引表时，构建时间和空间分段树更新和删除键值索引表。2.根据权利要求1所述的基于键值云存储的时空范围内海量过车记录快速查询方法，其特征在于，构建时间分段点的键值索引表，包括以下步骤: (2-A-1)确定过车记录时间所属的时间范围； (2-A-2)基于时间颗粒度大小，对时间范围进行分段，得到时间分段区间； (2-A-3)对时间分段区间的起始值和终止值分别建立键值； (2-A-4)利用MapReduce或者Spark框架将属于各个时间分段区间内的过车记录的行键聚集保存于对应列值中，形成时间分段点的键值索引表。3.根据权利要求1所述的基于键值云存储的时空范围内海量过车记录快速查询方法，其特征在于，构建空间分段点的键值索引表，包括以下步骤: (2-B-1)确定交通路网车辆监控点所属的空间范围； (2-B-2)基于空间颗粒度大小，对空间范围进行分段，得到空间分段区间； (2-B-3)对空间分段区间的起始值和终止值分别建立键值； (2-B-4)利用MapReduce或者Spark框架将属于各个空间分段区间内的过车记录的行键聚集保存于对应列值中，形成空间分段点的键值索引表。4.根据权利要求2所述的基于键值云存储的时空范围内海量过车记录快速查询方法，其特征在于，构建时间分段树的键值索引表，包括以下步骤: (3-A-1)基于时间分段点的键值索引表，每两个相邻的时间分段构建一棵树，采用自底向上的方法，利用MapReduce或者Spark框架，形成一棵仅含一个根节点的完全二叉树； (3-A-2)标识二叉树的所有节点，形成具有时间分段点标识值的键值、分段点所属时间分段区间的起始值和终止值、对应左子树和右子树标识值及过车记录的行键的时间分段树索引表。5.根据权利要求1所述的基于键值云存储的时空范围内海量过车记录快速查询方法，其特征在于，构建空间分段树的键值索引表，包括以下步骤: (3-B-1)基于空间分段点的键值索引表，每两个相邻的空间分段构建一棵树，采用自底向上的方法，利用MapReduce或者Spark框架，形成一棵仅含一个根节点的完全二叉树； (3-B-2)标识二叉树的所有节点，形成具有空间分段点标识值的键值、分段点所属空间分段区间的起始值和终止值、对应左子树和右子树标识值及过车记录的行键的空间分段树索引表。6.根据权利要求1所述的基于键值云存储的时空范围内海量过车记录快速查询方法，其特征在于，构建时间分段树更新和删除键值索引表，包括以下步骤: (4-A-1)基于时间分段点的键值索引表，将新插入和删除的过车记录保存于一个单独的列中，形成时间分段树更新和删除键值索引表； (4-A-2)当需要重新构建时间分段树的键值索引表时，从时间分段树更新和删除键值索引表中快速获取新插入和删除的过车记录。7.根据权利要求1所述的基于键值云存储的时空范围内海量过车记录快速查询方法，其特征在于，构建空间分段树更新和删除键值索引表，包括以下步骤: (4-B-1)基于空间分段点的键值索引表，将新插入和删除的过车记录保存于一个单独的列中，形成空间分段树更新和删除键值索引表； (4-B-2)当需要重新构建空间分段树的键值索引表时，从空间分段树更新和删除键值索引表中快速获取新插入和删除的过车记录。
【文档编号】G06F17/30GK106095952SQ201610423093
【公开日】2016年11月9日
【申请日】2016年6月15日 公开号201610423093.8, CN 106095952 A, CN 106095952A, CN 201610423093, CN-A-106095952, CN106095952 A, CN106095952A, CN201610423093, CN201610423093.8
【发明人】赵郁亮, 徐旭, 胡玲玲
【申请人】公安部第三研究所