יותר

צורת כביש שאילתה


הורדנו נתונים מ- Openstreetmap ורוצים לבצע שאילתות מיוחדות אבל אין לנו מושג איך להתחיל. מה שאנחנו רוצים לעשות הוא למצוא את כל צומת הכבישים עם זווית מסוימת באוסטרליה. לדוגמה הקלט יהיה:

  • קטע 1 ישר בעיקר של כ. 7 ק"מ
  • קטע ישר בעיקר של כ -5 ק"מ
  • אנו יודעים שקטעים אלה מצטלבים זה בזה בזווית של 30 מעלות.

כיצד נוכל למצוא את כל הצמתים העונים על תנאי זה? היינו רוצים להשתמש ב- Postgis אבל כל פתרון יהיה בסדר.


5 שלבים לשינוי דיגיטלי באמצעות GIS

שימוש חדשני בטכנולוגיית GIS מהקופסה מסייע לאלפי ארגונים להתקדם לעידן הדיגיטלי

מערכות מידע גיאוגרפיות (GIS) מאפשרות לאנליסטים לבצע שאילתות למערכות נתונים מורכבות כדי להבין היטב את הנתונים שלהן וליצור תובנות ניתנות לפעולה. חמישה שלבים אלה מראים כיצד ניתן להשתמש בניתוח מרחבי כדי להפוך ארגון

1. חבר את כל הנתונים שלך

התחל על ידי סילוק ממגורות הנתונים שלך והעצמת כל הארגון שלך לגשת למידע מדויק ממערכת אמינה אחת. ניתוח מרחבי מאפשר לך לעבוד עם נתונים המאוחסנים בארגון שלך, כמו גם עם נתונים חיצוניים שמצאת, קנית, אספת או מקורות המונים.

National Grid משתמשת בניתוח מרחבי כחלק מתוכנית טרנספורמציה עסקית שצפויה להוביל לחיסכון בעלויות של כ -35 מיליון ליש"ט בשנה.

כחלק מרכזי מהטרנספורמציה שלה, נשיונל גריד קיבלה את ההחלטה הקיצונית לצמצם את המערכות העסקיות שלה מ -40 לארבע ליצירת נוף מערכות פשוט, סטנדרטי ומשולב.

GIS היה הפתרון היחיד הלאומי Grid שהועבר לסביבת ה- IT החדשה. תוכנת GIS הייתה משולבת עם מערכת ניהול הנכסים הארגוניים של National Grid (EAM) ומערכת ניהול קשרי לקוחות (CRM) מ- SAP, כמו גם עם יישומי הנייד של Syclo.

השילוב של GIS עם SAP מבטל שכפול נתונים וחוסר עקביות ונגיש מידע נכס מדויק יותר לתמיכה בקבלת החלטות.

עד 5,000 עובדי National Grid משתמשים כעת ב- GIS כדי לעבוד בצורה פרודוקטיבית יותר, לשפר את היעילות התפעולית ולקבל החלטות מושכלות יותר.

2. לחשוף מערכות יחסים נסתרות

פלטפורמות מיפוי וניתוח מאפשרות לארגונים לעבוד עם שכבות נתונים. אין עוד טבלאות, גיליונות או דפי נתונים להשוואה - משתמשים יכולים לדמיין באופן מיידי את מערכי הנתונים שלהם על מפה, שכבה אחר שכבה, ולהסיר את המורכבות של מציאת מערכות יחסים בכך שהם יראו בבהירות.

ניתן לחקור מערכות נתונים גדולות בקלות על ידי הוספה והסרה של משתנים ממערכות נתונים שונות, כדי לחשוף מגמות ודפוסים נסתרים שאחרת יהיה קשה למצוא.

ביוזמה עסקית מרכזית, Red Kite Community Housing עובדת עם שכבות נתונים לזיהוי אזורי קרקע המתאימים לפיתוח.

"GIS חושפת רצועות קרקע, שבעבר לא זוהו כבעלות פוטנציאל פיתוח, ופותחות הזדמנויות הכנסה חדשות לעסק", אומרת ג'סיקה הורביץ, מנהלת צוות תובנה בדיור הקייט הקהילתי.

3. צור תובנה ניתנת לפעולה

הוסף ערך עצום לקבלת החלטות בעזרת יכולות ניתוח מתקדמות. ניתן להשתמש בכלים לניתוח מרחבי לחיפוש מערכי נתונים גדולים ומורכבים להבנת התנהגויות, זיהוי מוקדים וחזות תוצאות עתידיות - מה שמקל על האנליסטים לחשוף תובנות מעשיות שיסייעו לעצב אסטרטגיית צמיחה בת קיימא.

סומפו קנופיוס, עסק לביטוח עולמי, חותם עסקים בשווי מיליארדי פאונד מול לקוחות ביתיים, מסחריים וביטוחי משנה בכל יבשת מדי שנה. כתוצאה מכך, היא צריכה להיות מסוגלת לאסוף, לנתח ולהבין, באופן ביקורתי, כמויות עצומות של מידע על אסונות טבע פוטנציאליים במיליוני מקומות נפרדים ברחבי העולם.

GIS נותן לחתמים גישה למידע מדויק על סכנות מקומיות כגון הצפות, כמו גם גורמי סיכון רחבים יותר, כולל הוריקנים ורעידות אדמה.

GIS תומך בחתמים ומאפשר להם לקבל את ההחלטות הנכונות לגבי המדיניות להציע, ובאיזה מחיר, כדי להפוך את החברה לרווחית יותר לאורך זמן,” אומר רוב פורטר, ראש מחקר קטסטרופה, סומפו קאנופיוס.

4. שתף מודיעין

העניק לכל הארגון שלך גישה לתובנות הניתנות לפעולה בזמן אמת. כשכולם עובדים על גרסת אמת אחת, צוותים מצוידים הרבה יותר לקבל החלטות מושכלות, כמו גם להגיב לשאלות של לקוחות במהירות ובמידע מדויק.

ניתן לשתף תובנות אלה בצורה מאובטחת גם עם ארגונים חיצוניים, כגון שותפים וספקים לשיפור שיתוף הפעולה, או עם הציבור לשיתוף מידע באמצעות אתר אינטרנט או במדיה חברתית בפורמטים אינטראקטיביים ביותר.

איגוד הדיור הריבוני, האחראי על 38,000 בתים בדרום ודרום מערב אנגליה, משתמש ב- GIS כדי לסייע בשירותי לקוחות מגיבים יותר.

כאשר התושבים יוצרים קשר עם סווריין עם בירור לגבי גבול, העובדים יכולים לבדוק במהירות ב- GIS המבוסס על אינטראנט ולעתים קרובות להבהיר בעיות באופן מיידי. בעבר, היו צריכים להעביר פניות גבול כאלה לצוות המשפטי של החברה, והתגובות עלולות להימשך עד 21 ימים על פי מדדי הביצועים המרכזיים של החברה (KPI).

"העובדים שלנו מוסמכים במידע שפשוט לא היה להם בעבר", אומרת אליס רודס, אנליסטית GIS בסובריין. "לקוחות מקבלים מידע מדויק הרבה יותר מהר."

GIS מאפשרת גם לריבון לשפר את היעילות התפעולית שלה, מכיוון שכל העובדים יכולים לשתף מידע הרבה יותר בקלות. הם כבר לא צריכים לשלוח מיילים מהצוות לצוות, לבקש נתונים ולבזבז זמן במרדף אחר פרטים נוספים. במקום זאת, הם יכולים פשוט לחפש את המידע הדרוש להם ולעבוד בצורה פרודוקטיבית יותר

5. ייעל את העבודה בנייד

סמך את כוח העבודה הנייד שלך לאסוף ולעדכן מידע בזמן שהותך בשטח. אפליקציות GIS לנייד מסירות את הצורך בעיבוד נייר ובכך משפרות את הדיוק של איסוף הנתונים.

היכולת לבצע עדכונים בזמן אמת תוך כדי תנועה יכולה להגדיל באופן משמעותי את הפרודוקטיביות ולחסוך זמן על ידי הסרת הצורך לעשות זאת פעם אחת בחזרה למשרד.

Black & amp Veatch עבדה מטעם רשתות החשמל בבריטניה והצליחה לסקור 30,000 נכסים על שטח של 29,000 קמ"ר, תוך שישה שבועות בלבד באמצעות GIS נייד, ומאפשרת לה לספק שירות מהיר ויעיל ללקוח שלה.

"לא היינו מצליחים להדפיס אפילו 30,000 מפות בשישה שבועות בשיטת הסקר המסורתית, שלא לדבר על ביקור של 30,000 אתרים", אומר הארט. "GIS אפשר לנו לבצע, תוך שבועות, פרויקט שאחרת היה לוקח שנים".

הפרויקט הוביל לחיסכון בעלויות של למעלה מ -130,000 ליש"ט, מסר מידע נכסים באיכות גבוהה ושיפר את המעקב אחר מודדים בתחום.

"בשיטת הסקר הקודמת שלנו, לקח בערך שבוע עד שידענו באילו בורות כבלים ביקרו", אומר הארט. "עם הגישה החדשה שלנו, נוכל להיכנס לרשת, בכל עת, כדי לראות בדיוק בכמה בורות כבלים כל צוות ביקר. כמו כן, יכולנו לראות את המיקומים הנוכחיים של צוותי הסקר, ולשפר את הבטיחות עבור המודדים שלנו בחוזה. "

מקורו ב- Esri, מפתח פלטפורמת המיפוי והניתוח של ArcGIS וכלי הניתוח המרחבי. אסרי רץ סדנאות טרנספורמציה דיגיטלית של יום אחד הבוחנות את היתרונות של שימוש GIS לשיפור בעיות עסקיות.


שיטת שאילתה חדשה עבור נתונים מרחביים בסביבת מחשוב ענן נייד

עם התפתחות תקשורת הרשת, גידול פי 1000 בביקוש לתעבורה מ- 4G ל- 5G, חשוב לספק ממשק גישה מרחבי יעיל ומהיר ליישומים בסביבת מובייל. לאור יעילות הקלט/פלט הנמוכה וההשהיה הגבוהה של השיטות הקיימות, מאמר זה מציג שיטת שאילתת נתונים מרחבית המבוססת על זיכרון המשתמשת במערכת קבצי הזיכרון המבוזרת Alluxio לאחסון נתונים ובניית אינדקס דו-רמתי המבוסס על מפתח Alluxio. -מבנה הערך יתר על כן, הוא נועד לפתור את בעיית היעילות הנמוכה של השיטה המסורתית על פי המאפיינים של מסגרת מחשוב Spark, מוצע פורמט קלט נתונים לשאילתת נתונים מרחבית, שיכול לקרוא את נתוני הקבצים באופן סלקטיבי ולהקטין את נתוני הקבצים/ O. הניסויים ההשוואתיים מראים שלמערכת הקבצים המבוססת על זיכרון Alluxio יש ביצועי קלט/פלט טובים יותר ממערכת קבצי הדיסק בהשוואה לשיטת השאילתות המבוזרות המסורתיות, השיטה שהצענו מקצרת מאוד את זמן האחזור.

1. הקדמה

על רקע הגידול המתפרץ של תעבורת הנתונים הניידים והופעת תרחישים עסקיים חדשים שונים, מוצעת רשת התקשורת הסלולרית מהדור החמישי (5G) והופכת לנושא חם בתחום האקדמי והתעשייתי. כדור חדש של רשת תקשורת סלולרית אלחוטית, 5G משמשת בעיקר כדי לענות על הביקוש של תקשורת סלולרית לאחר 2020 מונעת מההתפתחות המהירה של האינטרנט הסלולרי והביקוש הגובר לשירותי האינטרנט של הדברים (IoT), 5G נדרשת לתכונות. בעלות נמוכה, צריכת חשמל נמוכה, והיותם בטוחים ואמינים [1, 2] 5G יאפשרו למידע ולתקשורת לחרוג ממגבלות הזמן והמרחב, לקצר מאוד את המרחק בין אנשים לדברים, ולהבין במהירות את יכולת ההדדיות בין בני אדם לכל. דברים [3].

נכון לעכשיו, הטכנולוגיה המרכזית של רשת 5G עדיין נמצאת בשלב המחקר בנוסף לארכיטקטורת הרשת ותורת השידור, מחשוב ענן נייד הוא גם אחד ממוקדי מחקר העתיד ברשת 5G [4]. מחשוב ענן נייד הוא מודל חדש של אספקה ​​ושימוש במשאבי IT או שירותי מידע, הוא תוצר של מחשוב ענן ברשת האינטרנט הנייד מסופים חכמים ניידים ברשתות סלולריות מחוברים לספקי שירותים מרוחקים על פי דרישה וניתנים להרחבה. המשאבים הדרושים, בעיקר כולל תשתיות, מחשוב, קיבולת אחסון ומשאבי יישומים [5, 6]. עם החדירה המתמדת של טכנולוגיית המידע לחברה, שירותים מבוססי מיקום היו בשימוש נרחב בתחומים רבים כגון צבא ותחבורה, למשל טיפול בחולים בבית חכם ושירות ניווט לתחבורה ניידת מצד אחד, טכנולוגיית המיקום ממשיכה להתפתח, ולספק מידע מיקום מדויק יותר ויותר ליישומים ניידים מאידך גיסא, עם הגידול במספר המשתמשים והגידול הגדול במספר האפליקציות לנייד, התפוצצות הנתונים המרחבים הביאה ללחץ עצום על יישומים בשכבה העליונה, במיוחד ליישומים ברשתות סלולריות עם תעבורה עצומה. לכן, יותר ויותר מחקרים משלבים מחשוב ענן נייד עם עיבוד נתונים מרחביים ומשתמשים בפלטפורמות ענן לאחסון נתונים, חישוב, אינדקס ושאילתות כדי להאיץ את העיבוד ולהפחית את עיכוב התגובה [7].

במאמר זה, אנו שואפים לספק ממשק שאילתת נתונים מרחבי מהיר בסביבת מחשוב ענן נייד לאחסון אמין של נתונים מרחביים מאסיביים, ראשית אנו מרשתים את הנתונים המרחבים, ממלאים את כל שטח הרשת על ידי עקומת הילברט ולאחר מכן מארגנים את בלוק הנתונים. שימוש במערכת קבצי זיכרון מבוזרת של קובץ KeyValueStore של Alluxio ובניית אינדקס דו-רמתי המבוסס על האינדקס הפנימי של הקובץ ושם הקובץ. על מנת לספק שאילתות בזמן אמת, אנו משתמשים ב- Spark, מסגרת מחשוב זיכרון מבוזרת, כדי לחפש בינתיים נתונים מבוזרים, אנו מציעים פורמט קלט נתוני Spark המבוסס על המאפיין של Spark. השיטה מבטלת כמה שיותר קלט/פלט של דיסק ואת כל תהליך השאילתה מזיכרון לזיכרון וסינון דרך שתי שכבות. ניסויים מראים כי שיטה זו יכולה לארגן היטב נתונים מרחביים מסיביים ובעלת ביצועים גבוהים יותר משיטות שאילתה מסורתיות.

נייר השאר מסודר כדלקמן: סעיף 2 סוקר את העבודה הקשורה ובסעיף 3 אנו מספקים רקע על שאילתות מידע מרחביות וסקירה כללית של Alluxio. סעיף 4 מתאר את האלגוריתם המוצע שלנו לאינדקס נתונים, מבנה אחסון ואלגוריתם אחזור מבוזר במקביל. אנו דנים בתוצאות הניסוי בסעיף 5 ומסכמים בסעיף 6.

2. תעסוקה קשורה

נתונים מרחביים הוא תיאור כמותי של המיקום הגיאוגרפי של העולם המבוסס על טכנולוגיית מחשב, יש שימוש רב ביעילות בנתונים מרחביים בחיי אנשים. מסד נתונים מרחבי צמח על רקע ההתפתחות המהירה של מסד הנתונים והפיתוח המהיר של דרישת יישומי החלל שהוא מספק ממשק הגדרה מסוג מרחב נתונים ושפת שאילתה, שיש לה משמעות חלוצית חשובה מאוד בשלב המוקדם של GIS [8, 9]. עם זאת, עם הגידול המהיר של נתונים מרחביים, מסד הנתונים המרחבי המסורתי לא הצליח לענות על הצרכים של אחזור בזמן אמת. כמה עבודות [10, 11] מכוונות לשאילתת נתונים בקנה מידה גדול של נתונים מרחביים ומציעות פתרון מסד נתונים מרחבי מקביל המפיץ את עומס הנתונים והלחץ של מחשבים בודדים למספר שרתים. עם זאת, שיטה זו דורשת רישיונות תוכנה יקרים מאוד וחומרה ייעודית ודורשת עבודות ניפוי ותחזוקה מסובכות [12].

מכיוון שמחשוב ענן הפך לפתרון חסכוני ומבטיח לבעיות חישוביות ועתירות נתונים, זה די טבעי לשלב מחשוב ענן באחסון ועיבוד נתונים מרחביים. וויי ואח '. [13] החיל את מסד הנתונים של NoSql המופץ לאחסון נתונים מרחביים ובנה אינדקס יעיל לאחזור נתונים מרחביים במהירות. מכיוון ש- MapReduce הפך להיות הפתרון הסטנדרטי לעיבוד נתונים במקביל באופן מאסיבי, יותר ויותר חוקרים מיישמים את Hadoop על GIS. Puri et al. [14] מציעים אלגוריתם MapReduce לשליפת מצולע מבוזר המבוסס על Hadoop. ג'י ואח '. [15] מציגים שיטה המבוססת על MapReduce שבונה אינדקס רשת ותהליכים הפוכים

-שאילתא על מערכי נתונים מרחביים מאסיביים. Hadoop-GIS [16] ו- Spatial-Hadoop [17] הן שתי מערכות עיבוד נתונים מרחבי בעלות יכולת הרחבה והרמה גבוהה להפעלת שאילתות מרחביות בהיקף גדול בהדופ. עם זאת, בשל מגבלות העיצוב של MapReduce עצמו, כמה חוקרים החלו להעביר עיבוד נתונים מרחביים לספארק. וואנג ואח '. [18] השתמש ב- Spark לשאילתת טווח מרחבי כל הנתונים המרחביים מאוחסנים ב- HDFS והציע שיטת אינדקס רשת המכונה אינדקס Spark-Fat-Thin-Grid. Cahsai et al. [19] מציע גישה חדשה לעיון שאילתות -NN גישה זו מבוססת על אלגוריתם עיבוד שאילתות מבוזר מבוסס רכזים ומשתמש ב- Spark לעיבוד מקביל לנתונים. ברמת המערכת, Yu et al. [20] להציג מסגרת מחשוב של אשכול בתוך זיכרון לעיבוד נתונים מרחביים בקנה מידה גדול, המבצעת ביעילות אלגוריתמים לעיבוד שאילתות מרחביות ומספקת ספריית פעולות גיאומטריות הנגשת ל- RDD מרחבי לביצוע פעולות גיאומטריות בסיסיות.

המחקרים לעיל הקלו על הסתירה בין מערך הנתונים הגדל במהירות במהירות לבין אחזור בזמן אמת. עם זאת, עדיין יש כמה צווארי בקבוק בביצועים בגישות הנוכחיות. קודם כל, הנתונים מאוחסנים בדיסק, והשאילתה מבוססת על זיכרון חוסר ההתאמה בין מהירות עיבוד הזיכרון לבין מהירות הקלט/פלט מגביל את הביצועים. שנית, אלגוריתם החיפוש המבוזר הקיים אינו מבדיל נתונים אך ורק בזמן קריאות, ולכן נתונים רבים שאינם קשורים לתנאי השאילתה נקראים גם בזיכרון, ועומס השאילתה של שכבת החישוב גדל. לכן, במאמר זה, אנו מאחסנים את הנתונים המבוססים על מערכת קבצי הזיכרון ובונים מבנה אינדקס דו-שכבתי כדי להאיץ גישה אקראית לאור היעדר העבודה הנוכחית, Spark משמש לעיבוד נתונים מקביל ופורמט קלט נתונים עבור מוצעת שאילתה מרחבית, המסננת את הנתונים הלא רלוונטיים עם תנאי השאילתה המבוססת על מבנה האינדקס.

3. רקע

בחלק זה, אנו מספקים את הרקע וההקדמות הנדרשות בנוגע לשאילתות הנתונים המרחביות וסקירה קצרה של מערכת קבצי הזיכרון המבוזרת Alluxio.

3.1. שאילתות מידע מרחבי

עבור רוב היישומים, ישנן שתי גישות נפוצות לשאילתות גיאו -מרחביות. כפי שמוצג באיורים 1 ו -2, איור 1 הוא שאילתת טווח [21] בהינתן קבוצת נקודות נתונים

, שאילתה נועדה לאחזר את כל הנקודות המרחביות בתוך הגבול הנתון התוצאה של שאילתת הטווח היא

שאילתת -NN [22] שאילתת השכנים הקרובה ביותר היא השאילתה הנפוצה ביותר בגיאוגרפיה היא סוג אחר של שיטת שאילתה שונה משאילתת טווח. הוא משמש לברר את השכן הקרוב ביותר בחלל מנקודה נתונה השכן הקרוב ביותר יכול להיות אחד או יותר כפי שמוצג באיור 2, הנקודה הנתונה מסומנת בצבע האדום ו

, שאילתת 4-NN כאן היא לחפש ארבע נקודות הקרובות אליה ותוצאת החיפוש של שאילתה זו היא


קובצי GIS הניתנים להורדה

קבצים אלה מכילים את הנתונים המרחבים הנדרשים לשרטוט העיירות והקטעים לכל מחוז קליפורניה או לכל קליפורניה (ברחבי המדינה). קבצים אלה מבוססים על נתוני מערכת מערכת הקרקעות הציבורית של לשכת ניהול הקרקעות בקליפורניה, אך שופרו בעזרת קו נוסף להרחבת נתוני העיירה והקטעים על פני מענק הקרקע והאזורים הלא מודדים של המדינה. סעיפים נוספים אלה תקפים רק ביחס לדיווח על שימוש בחומרי הדברה ומיקום הבאר.

יש צורך בתוכנית מערכת מידע גיאוגרפית (GIS) כדי לצפות בקבצים אלה. כל תיקיית מחוז מכילה שני קובצי עיצוב (כל קובץ עיצוב מורכב מקבוצה של שבעה קבצים). ערכת קובץ צורה אחת מכילה את נתוני העיירות (mtr_XX_nad83) וערכת קובץ עיצוב אחת מכילה את הנתונים עבור החלקים (pls_XX_nad83) בהם ה- XX הוא מספר המחוז. שני קובצי העיצוב נמצאים בהקרנה של אלברס שוויון (NAD 83) & ndash המכונה גם הקרנת NAD 1983 בקליפורניה (טייל) אלברס.

לכל אחת מתיקיות המחוז יש גם קובץ county.kmz. קובץ זה מציג גם את החלקים וניתן לייבא אותו לתוכניות כגון Google Earth ®. אין קובץ statewide.kmz מכיוון שהוא יהיה גדול מדי מכדי ש- Google Earth ® יקבלו אותו.

הקישורים בטבלה למטה מאפשרים לך לנווט למחוז ספציפי כדי לצפות בנתוני המחוז. השתמש בלחצן 'חזרה לדפדפן' שלך כדי לחזור לדף זה.


צורת דרך השאילתה - מערכות מידע גיאוגרפיות

1. לחץ לחפש כדי לסנן שכבות רבות בבת אחת
2. עם סיום החיפוש, לחץ על הכרטיסיות כדי למצוא את התכונות שאתה מחפש. לְמָשָׁל. מספר גליל או מספר אי. אינך צריך להזין את המילה כולה, תווים כלליים מובנים. למשל. הזן 'urtl' והוא ימצא את כל התכונות עם מחרוזת הטקסט כמו .. 'אגם הצבים'
3. כאשר אתה מוצא את מידע המאפיין תכונות, לחץ בשורה של הטבלה בתחתית והמפה תתקרב לתכונה.
4. לחץ ברור כדי לסגור את כלי החיפוש. התכונות והמאפיינים שחיפשת יעשו זאת לֹא יימחק, לחץ לחפש לפתוח מחדש את כלי החיפוש והחיפוש הקודם שלך יופיע שוב!

1. לחץ על כלי זה בכל עת כדי לחזור למלואו.

1. כלי זה מופעל כברירת מחדל (בשחור).
2. לחיצה כלשהי על המפה, יופיע חלון עם מידע על המקום שבו לחצת, למשל. מידע על הנכס.
3. אם נמצאה תכונה שבה לחצת, המפה תסמן את התכונות
4. בהתאם להרשאת שם המשתמש שלך, משתמש פנימי או ציבורי, יהיו סמלים/כרטיסיות שיציגו מידע שונה.
5. סגירה או צמצום של כלי זה יסתירו את המידע, אך בדומה לכלי החיפוש המידע לא יאבד. לחץ שוב על כלי הזיהוי כדי לפתוח מחדש ולצפות באותו מידע!

1. לכלי Draw יש פונקציות רבות, הדרך הטובה ביותר ללמוד כיצד להשתמש בו היא לנסות את כל האפשרויות ולאחר מכן לנקות את העבודה שלך עם לִמְחוֹק בפינה השמאלית העליונה של החלון.
2. כל הפונקציות הללו ניתנות להדפסה, אולם הן יהיו נמחק כאשר אתה סוגר את הדפדפן שלך.
3. באדום בחלק התחתון יהיו קואורדינטות ארוכות/לאטיות להראות את מיקום העכבר הנוכחי שלך
4. בשחור למטה (לאחר שתשלים את הסקיצה שלך) יראה מידע על המיקום אודות הסקיצה האחרונה שלך
5. הניחו טקסט בכל מקום במפה, או ציירו חץ או עיגול.
6. בעת ציור נקודה, קו או צורה, יש לך את האפשרות 'לחסום' אותה ולהחזיר את החבילות או הכתובות האזרחיות המצטלבות.
א. לפני שאתה מצייר את האובייקט, סמן את תיבת הסימון 'מרחק מאגר' וקבע את מרחק החיץ
ב. בדוק את 'חבילות' ו/או 'כתובות אזרחיות' כדי לחלץ רשימת נכסים. למשתמשים פנימיים תהיה גישה לכתובות דיוור ולשמות הבעלים. למשתמשים הפנימיים של Seguin ו- Archipelago תהיה גישה לכתובות הדיוור שלהם ASYST בהתאמה ולא למידע על MPAC.
7. בעת ציור קו, תוכל גם לבחור כלול פרופיל גובה. פעולה זו תחזיר חלון חדש עם פרופיל גובה אינטראקטיבי. נסה את זה!
8. אם אתה לא אוהב את הצבע האדום, שנה את הצבע של הסקיצות שלך לצבע שאתה אוהב.
9. לאחר ציור עיגול, לחץ על הלחצן הצהוב 'רשיונות ספקטרום רדיו/מגדלים' כדי להציג את רישיונות ספקטרום הרדיו עם המעגל.
10. מחק את כל מה שאתה עובד עם לִמְחוֹק לַחְצָן
11. גרפיקה זו תישאר על המפה עד שתמחק או תסגור את הדפדפן.


מפות ונתוני מגברים

GIS מייצג מערכות מידע גאוגרפיות, המהווה אוסף של חומרת מחשב, תוכנה ונתונים גיאוגרפיים ללכידה, ניהול, ניתוח והצגה של כל צורות המידע המפנה גיאוגרפית.

GIS היא טכנולוגיה מוכחת, שהייתה בשימוש נרחב על ידי ממשלות וארגונים אחרים במשך יותר מ -30 שנה לתמוך במיפוי וניהול מידע הקשור למיקום פיזי בחלל. רוב המידע שנאסף ומשמש את סוכנויות ממשלתיות, חברות שירות וארגונים ציבוריים ופרטיים אחרים מופנה גיאוגרפית. יישומי GIS מספקים למשתמשים מגוון רחב של יכולות לקבלת מידע, שילוב של מאגרי מידע מרובים, יצירת מפות, ביצוע שאילתות והפקת ניתוחים שונים. GIS מספק גם דרך יעילה לשמור על נתונים עדכניים ועקביים. סוכנויות ממשלתיות סומכות על טכנולוגיית GIS כדי לבסס ולווסת מדיניות ולחזק את רווחת אזרחיהן. GIS הוא גם אמצעי אינטליגנטי עבור סוכנויות לספק מידע ציבורי.

ההיסטוריה של GIS במחוז וושינגטון

ההיסטוריה של GIS בתכנון מחוז וושינגטון ובמחוז וושינגטון משתמשת בטכנולוגיית GIS במחלקת תכנון ובנייה מאז 1991. בשנת 2004 מונתה ועדת משנה שתלמד את הרעיון כיצד יש להרחיב, לתמוך ולנהל את GIS בתוך המחוז. אִרגוּן. הערכת צרכים הושלמה בשנת 2005 וזיהתה את הצורך ביצירת משרד GIS ארגוני במחלקת טכנולוגיות המידע. באפריל 2006, הוצגה ואומצה על ידי מועצת הנציבים במחוז וושינגטון תוכנית יישום והיא משמשת כמנחה להקמת משרד GIS בתוך מחלקת טכנולוגיות המידע. משרד GIS הוקם באופן רשמי ב -1 ביולי 2006 ומתמקד ביישום טכנולוגיות, תקנים ושיטות הדדיות, כך שנתוני GIS ושירות יכולים לתמוך בצרכי הליבה של המחוזות ביעילות וביעילות. תכנון ואזורי מחוז וושינגטון תורמים ליותר מ -30 מערכי נתונים השוכנים כיום במאגר הנתונים של Enterprise GIS.

תפקידו של GIS במחוז וושינגטון

צוות GIS התכנון והאזור תומך במתכננים במיפוי וניתוח נתונים. התמיכה נמשכת גם למחלקות אחרות במחוז. חלק מהמוצרים העיקריים שהמחלקה אחראית להם הם: מיפוי חבילות, מיפוי שימור, התייחסות ותכניות מקיפות (למשל תוכנית מים וביוב, תוכנית פסולת מוצקה ופארקים ושימור קרקעות. במהלך כל השנה, צוות GIS אחראית על מעקב ועדכון מערכי נתונים רבים, לרבות: הקלות לשימור יער, נתוני מפקד, נספחים ואזורים.


מסמכי הפניה עוזרים למשתמשים להבין טוב יותר את המושגים, המוצרים והשירותים הגיאוגרפיים המתאימים למפקד שלהם ולצרכי נתונים אחרים. רוב מוצרי הגיאוגרפיה מלווים במדריך עזר המתאר את התוכן, היישומים, איכות הנתונים ופריסות הרשומות.

שירותי אינטרנט גיאו-מרחביים עבור משתנים סוציו-אקונומיים נוספים זמינים כעת בפלטפורמה הגיאו-מרחבית הפדרלית של משאבי טבע.

שירותי אינטרנט אלה מבוססים על נתונים חברתיים-כלכליים ממפקד האוכלוסין לשנת 2016, והם זמינים ברמת חלוקת המפקדים ורמות חלוקת המפקדים.

שירותי אינטרנט גיאו -מרחביים אלה הופקו במסגרת שיתוף פעולה הדוק בין סטטיסטיקות קנדה לבין משאבי טבע קנדה.


חדשות ועדכונים בכנס

(03.24.2017) ברכות לזוכות ההדגמה הטובות ביותר השנה:

  • שנאגפו פנג ו חנן סאמט - אוניברסיטת מרילנד - CDO: חישובי מרחק כבישים בעלי תפוקה גבוהה במיוחד ברשתות כבישים בעיר.
  • רומולו גונקלבס (NLeSC), טום ואן טילבורג (ג'אודן), קוסטיס קיזיראקוס ו פוטייני אלוונאקי (CWI), Panagiotis Koutsourakis (פתרונות MonetDB), בן ואן וורכובן ו וילם ואן הייג ' (CWI) - חנות עמודות מרחבית שתייעל את הולנד תוך כדי תנועה.

(03.24.2017) ברכות לזוכות הפוסטרים הטובות ביותר השנה:

  • יאנהוי ליאנג, Hoang Vo (אוניברסיטת סטוני ברוק), Ablimit Aji (Hewlett Packard Labs), יוני קונג (אוניברסיטת אמורי) ו פושנג וואנג (אוניברסיטת סטוני ברוק) - שאילתות מרחביות תלת מימדיות להדמיה להדמיה פתולוגית אנליטית עם MapReduce.
  • אנתוני קוואטרון, לארס קוליק ו אגמן תנין - אוניברסיטת מלבורן- כריית עירוני מפגשים בזמן אמת.

(03.24.2017) ברכות לזוכים במצגת הטובה ביותר השנה במפגש התצוגה המקדימה המהירה:

  • פדרייג קורקורן ו כריסטופר ב. ג'ונס - אוניברסיטת קרדיף, ויילס, בריטניה - דוגמנות מרחבית -זמנית של הטופולוגיה של התנהגות נחיל עם נופי התמדה.
  • יי זו ו שון ניוזאם - אוניברסיטת קליפורניה במרסד - גילוי נקודה חמה מרחבית -זמנית באמצעות תמונות מתויגות.

(03.20.2017) מזל טוב לזוכים השנה ב- SRC:

  • קטגוריית בוגרים
    • מקום ראשון: אשווין ששידהאן - אוניברסיטת מדינת צפון קרוליינה.
    • מקום שני: צ'נגגנג לאי - אוניברסיטת ארקנסו.
    • מקום שלישי: Wenlu Wang - אוניברסיטת אובורן.
    • מקום ראשון: אהרון סן חוזה, ואדוארדו הרננדז - אוניברסיטת קליפורניה, מרסד.
    • בלאג'י פרבהכר - אוניברסיטת סטנפורד ומדען ראשי במנועים עירוניים - מערכת ביג דאטה לדברים הנעים.
    • יין וואנג - מוביל טכנולוגי של מפות בפייסבוק - מפות קנה מידה בפייסבוק.

    (10.14.2016) הירשם כעת ל- ACM SIGSPATIAL 2016. הרשמה מוקדמת מוארכת שוב עד 13 באוקטובר 20 באוקטובר.

    (10.11.2016) תקופת ההזמנות של מלון הכנסים היא 14 באוקטובר. אנא הזמינו את מלונותיכם בהקדם האפשרי.

    (10.04.2016) תקופת ההזמנות של מלון הכנסים היא 9 באוקטובר. אנא הזמינו את מלונותיכם בהקדם האפשרי.

    (10.03.2016) תוכנית ועידת הכנס פורסמו.

    (09.22.2016) הירשם כעת ל- ACM SIGSPATIAL 2016. ההרשמה המוקדמת מוארכת עד 30 בספטמבר 13 באוקטובר.

    (09.06.2016) גרסאות מוכנות למצלמה של הניירות המקובלים אמורות להתקיים עד ה -23 בספטמבר. למידע נוסף, עיין בהוראות המוכנות למצלמה.

    (09.06.2016) רשימת הניירות המקובלים פורסמה.

    (09.02.2016) המועד האחרון לתחרות מחקר סטודנטים (SRC) הוארך.

    (08.30.2016) הודעת מועד הקבלה הוארכה.

    (08.24.2016) מידע זמין למשתתפים הדורשים ויזה.

    (08.19.2016) רישום כנס. בקר באתר הרשמת הכנס להרשמה ל- ACM SIGSPATIAL 2016.

    (07.18.2016) הודעת מועד הקבלה הוארכה.

    (07.11.2016) הוכרזו סדנאות ACM SIGSPATIAL 2016.

    (06.13.2016) מועדי ההגשה ומוצרי הנייר הורחבו.

    (05.25.2016) רשימת חברי ועדת התוכנית פורסמה.

    (05.23.2016) הכנס מתקיים בשדה התעופה מריוט ווטרפרונט של סן פרנסיסקו. אנא עיין בדף המקום והלינה למידע על ההזמנה.

    (03.10.2016) מועדי הכנס עודכנו.

    (03.10.2016) רשימת חברי ועדת התוכנית פורסמה.

    (01.31.2016) הכרזת גביע SIGSPATIAL 2016. התחרות השנה מתמקדת ביישום סטטיסטיקה מרחבית על נתונים גדולים מרחביים-זמניים על מנת לזהות נקודות חמות סטטיסטיות באמצעות מסגרת מחשוב מבוזרת ושפות תכנות פונקציונאליות.

    (12.24.2015) הקריאה לעיתונים פורסמה.

    כנס ACM SIGSPATIAL הבינלאומי להתקדמות במערכות מידע גיאוגרפיות 2016 (ACM SIGSPATIAL 2016) הוא האירוע העשרים וארבע בסדרת סימפוזיונים וסדנאות שהחלו בשנת 1993 במטרה להפגיש בין חוקרים, מפתחים, משתמשים ומתרגלים ביחס למערכות חדשות המבוססות על נתונים וידע גיאו-מרחביים, וטיפוח דיונים ומחקר בין-תחומיים בכל ההיבטים של מערכות מידע גיאוגרפיות. הכנס מספק פורום לתרומות מחקר מקוריות המכסות את כל היבטי הרעיון, התכנון והיישום של נתונים גיאו -מרחביים החל מאפליקציות, ממשקי משתמש והדמיה ועד אחסון נתונים ועיבוד שאילתות ואינדקס. הכנס הוא האירוע השנתי המוביל של קבוצת ACM Interest Special Information on Space (ACM SIGSPATIAL). חוקרים, סטודנטים ומתרגלים מוזמנים להגיש את תרומתם ל- ACM SIGSPATIAL 2016.


    צורת דרך השאילתה - מערכות מידע גיאוגרפיות

    סקירה כללית

    כלי השיטפונות של מערב וירג'יניה נועד לספק למנהלי שטחי הצפה, סוכני ביטוח, מפתחים, סוכני נדל"ן, מתכננים מקומיים ואזרחים אמצעים יעילים לקבלת החלטות מושכלות לגבי מידת הסיכון להצפות באזור או נכס ספציפי. הנתונים המוצגים בכלי ה- WV Flood ממקור ישיר משכבות הסיכון הלאומיות של הצפה ב- FEMA. זכור: אם יש לך ספק, זה לא יצא!

    תכונות

    כולל את מיטב נתוני מיפוי ההצפות מ- FEMA ומקורות מאושרים אחרים ומשלב מפות/רקע ושכבות הפניה (תמונות אוויר, כבישים, קווי מתאר גובה, כתובות, חבילות, שמות נחלים וכו ') ממקורות פדרליים, ממלכתיים, מקומיים ומסחריים. . כלי ה- WV Flood פועל הן על מחשבים שולחניים והן על טלפונים ניידים.

    • ל- WV Flood Tool יש שלוש תצוגות מפה מותאמות אישית: PUBLIC, EXPERT ו- RISK MAP. תצוגות אלה תומכות בתוכניות NFIP/CRS ו- MAP של סיכונים של FEMA.
    • PUBLIC View מאפשר לציבור הרחב לקבל קביעות מהירות וקלות של שיטפונות של מיקומים שזוהו.
    • EXPERT View ו- RISK MAP View מיועדים למשתמשים מתקדמים יותר המכירים את מפות השיטפונות הרשמיות של FEMA ותוכניות הפחתת מיפוי, הערכה ותכנון סיכוני הצפה (RISK MAP).
    • מציג בלוח תוצאות שאילתות הצפות מידע מקיף אודות סכנת השיטפונות שזוהתה (אזור הצפה, גובה שיטפון, עומק שיטפונות), גובה קרקע, מיקום גיאוגרפי (שם קו פרשת המים, שם הנחל/מקור הצפה, מזהה החבילה, כתובת האתר, קואורדינטות xy), ומידע קהילתי.
    • קישור אזורים ספציפיים של המפה למפות מקוונות שהונפקו על ידי FEMA, מודלים הידראוליים, פרופילי שיטפונות, הערכות סיכוני הצפות ברמת בניין, צופי מפות חיצוניים, דוחות הערכת נכסים מפורטים ויצירת קשר עם מנהל שטחי המקום.
    • מציג שלושה ייצוגים קרטוגרפיים שונים של אזורי הצפה.
    • מאפשר למנהלי מישורי ההצפה להדפיס מידע על קביעת הצפות הנדרשים לצורך היתרי שטחי שיטפון ושמירת רישומים.
    • מעביר הדמיות תלת -ממדיות מעומק מי הצפה הבסיס וסוג הבניין. Visualizations are easier for non-technical users to understand risks to their property in feet of water rather than comprehending the base flood elevation.
    • Multiple ways to zoom to geographic locations: street addresses, tax parcels, coordinates, and place names.
    • Displays ground elevation values with a vertical accuracy range of 10 ft. to 1 ft.
    • Shows effective and advisory flood height values for A or AE Zones using Water Surface Elevation (WSEL) Grids.
    • Affords eligible communities CRS credits.
    • Warning colors denote risk level: high risk (red/orange), moderate risk (yellow)

    Data Layers

    • ROAD/STREET base maps are useful for viewing the named features of roads, streams, and other points of interest.
    • TOPOGRAPHIC and HILLSHADE base maps are helpful for viewing the terrain.
    • AERIAL IMAGERY base maps are useful for viewing structures and high-resolution pictures of the earth's surface. Users can access more than ten aerial imagery data sets from 1999 to present that vary in resolution from 1 meter to 4 inches.
    • Counties and local communities are encouraged to incorporate their locally acquired data into the Flood Tool. Locally produced data sets such as parcels, E-911 addresses, and leaf-off aerial imagery are integrated at the state level and provided as a shared map service.

    Overlay reference layers consist of vector framework layers. Important layers for property identification are tax parcels, E-911 addresses, geographic names, and community boundaries. Detailed parcel assessment web reports display building information for all primary and secondary structures located in a single parcel. The WV Property Search Tool is a companion application of the WV Flood Tool that allows users to perform advanced search and filter queries on all property assessment records. Other reference layers include the WVDOT roads, hydrography, watersheds, and elevation contours. Reference layers are generalized and more detailed at zoomed-out and zoomed-in scales, respectively, with all layers displayed at the largest zoom-in scale of 1:282. Elevation contour intervals at the highest zoom levels vary from 10 ft. to 1 ft.

    Flood layers encompass information about flood hazards and mitigating flood risks. The Flood Tool displays the primary National Flood Hazard Layers (NFHL) on FEMA Flood Insurance Rate Maps (FIRM). High-Risk Advisory Zones (Advisory A, Updated AE, and Preliminary NFHL – orange colored zones) are non-regulatory flood zones and not shown on the FIRM however, future FEMA Flood Studies most likely will incorporate these advisory zones on the official FIRM. Other map layers for floodplain management and hazard reduction efforts include mitigated buyout properties, elevation certificates, positionally-verified LOMAs, and high-water marks. In the RISK MAP View, building-level risk assessments are displayed for a 100-year flood.

    אנשי קשר

      State NFIP Director
      (NFIP Permitting, Compliance, Training)

    תכונות

    Includes the best available flood mapping data from FEMA and other approved sources and incorporates the best available base maps/background and reference layers (aerial photos, roads, elevation contours, addresses, stream names, etc.) from commercial and local data sources.
    The WV Flood tool consumes web map services from other state agencies (such as WV DOT roads and WV DEP imagery) and operates on both desktop computers and smart phones.

    • Public View allows the general public to obtain quick and easy flood hazard determinations of identified locations.
    • Expert View and Risk MAP View are for more advanced users who are familiar with FEMA's official flood maps and mitigation programs for flood risk mapping, assessment, and planning (Risk MAP).
    • Provides detailed flood hazard information for advanced users including base flood, elevations, cross-sections, flood profiles, mitigated properties, stream names, advisory flood heights (AFH) and associated models.
    • Multiple ways to zoom to geographic locations: street addresses, coordinates, place names, and tax parcels.
    • Links specific areas of the map to local floodplain managers or FEMA’s online map service center to view official flood maps.
    • Publish or exchange links of online flood maps for others to view.
    • Approximate elevation of the ground with a vertical accuracy of +/ - 10ft.
    • Displays and queries HAZUS 100-year flood event information to assist in mitigating flood risks

    Data Layers

      Road/Street base maps are useful for viewing the named features of roads, streams, and other points of interest.
      טופוגרפית base maps are helpful for viewing the terrain.
      Aerial or satellite imagery base maps are useful for viewing structures and high resolution pictures of the earth's surface.
      WV Sheriffs Imagery provides the high-resolution 4” aerial photography of urban areas at a zoomed-in map scale of 1:282.

    Overlay reference layers consist of vector framework layers such as transportation, hydrography, elevation contours, geographic names, watersheds, parcels, mitigated properties, boundaries, and addresses. Reference layers are generalized and more detailed at zoomed-out and zoomed-in scales, respectively, with all layers displayed at the largest zoom-in scale of 1:282.

    Flood layers encompass information about flood hazards and mitigating flood risks. The flood layers include the best available digital flood data from the FEMA Map Service Center. Certain flood layers (flood profiles, water surface elevation, water depth, x-sections, FEMA panel index, floodways, etc.) are only viewable in the Expert View.

    אנשי קשר

      - ([email protected] phone: 304-293-9463) - ([email protected] phone: 304-293-9466) - ([email protected] phone: 304-293-0467) WV GIS Technical Center WVU Department of Geology & Geography 330 Brooks Hall P.O. Box 6300 Morgantown, WV 26506 Phone: (304) 293-0557 >> Website

    Supported by all modern browsers: Please contact Eric Hopkins with questions or comments relating to the site. Copyright 2015.

    Supported by all modern browsers: Please contact Eric Hopkins with questions or comments relating to the site. Copyright 2015.


    Query road shape - Geographic Information Systems

    Yunjun Gao is now a full professor at the College of Computer Science, Zhejiang University (ZJU), Hangzhou, China. He received the Ph.D. degree in computer science from ZJU in 2008. Prior to joining ZJU in 2010, he was a research assistant or postdoctoral research fellow (scientist) or visiting professor/scholar in the City University of Hong Kong (CityU, China), Singapore Management University (SMU, Singapore), Simon Fraser University (SFU, Canada), and Nanyang Technological University (NTU, Singapore), respectively. His primary research areas are Database, Big Data Management and Analytics, and AI Interaction with DB Technology. In particular, his current research interests include Data-Driven Machine Learning, Big Graph Data Management and Mining, Metric and Incomplete/Uncertain Data Management, Geo-Social Data Processing, Data Quality and Pricing, Database Usability, and Spatial and Spatio-Temporal Databases. He has published more than 100 papers on several premium/leading journals including TODS, VLDBJ, TKDE, TOIS, TFS, TITS, and DKE, and various prestigious international conferences such as SIGMOD, VLDB, ICDE, SIGIR, EDBT, and DASFAA. He is a senior member of the CCF a member of the ACM and the IEEE an associate editor (editorial board member) of DAPD and IJSSOE and a guest editor of WWWJ, IJDSN, and DSE. He is/was a referee/reviewer of several top/important journals such as TODS, VLDBJ, TKDE, TMC, TKDD, DMKD, Information Sciences, Information Systems, GeoInformatica, WWWJ, JCST, etc. and he is/has serving/served as an organization committee (e.g., PC co-chairs, workshop co-chairs, publication chair, publicity co-chair, etc.)or a program committee member for various conferences such as SIGMOD, VLDB, ICDE, CIKM, DASFAA, ICDM, SIGSPATIAL GIS, APWeb, WAIM, WISE, MDM, ER, etc. He was a recipient of the Best Paper Award of APWeb-WAIM 2018, “2017 CCF Outstanding Doctoral Dissertation Award” (Supervisor), “2016 Zhejiang Provincial Outstanding Master’s Dissertation Award” (Supervisor), the First Prize of the Ministry of Education Science and Technology Progress Award (2016), the Winner of National Outstanding Young Scientist Fund Project (2015), the Nomination of the Best Paper Award of SIGMOD 2015, One of the Best Papers in ICDE 2015, and The First Prize of Zhejiang Province Science and Technology Award First (2011).

    Announcement

    I am looking for undergraduate, master, PhD students, and Postdocs. If you are a highly motivated and creative student as well as interested in doing data related research/projects, please email me your resume and tell me about your specific interests. I will contact you to discuss any potential topic and funding.

    תחומי מחקר

    My primary research areas are מאגר מידע, Big Data Management and Analytics, ו AI Interaction with DB Technology. Specifically, my current research interests are as follows:

    • Data-Driven Machine Learning
    • Big Graph Data Management and Mining
    • Metric and Incomplete/Uncertain Data Management
    • Geo-Social Data Processing
    • Data Quality and Pricing
    • Database Usability
    • Spatial and Spatio-Temporal Databases
    • [2018-07] My personal homepage is released. מזל טוב!
    • [2018-07] The homepage of our laboratory (i.e., דatabase and בig data analytics לab (DBL)) is released. מזל טוב!
    • [2018-06] Jingwen Zhao defended successfully his PhD dissertation. מזל טוב!

    פרסומים נבחרים

    [Book/Monograph & Survey] (The author(s) marked with ‘#’ are/were my students, and the author(s) marked with ‘*’ represent the corresponding author(s))

      Yunjun Gao* and Xiaoye Miao # .

    Query Processing over Incomplete Databases. [Book]

    To appear in Synthesis Lectures on Data Management, Morgan & Claypool Publishers, 2018.

    Big Data Management Systems. [Book]

    To appear in Chemical Industry Press, 2018. (in Chinese)

    Data Management in Metric Spaces. [Book]

    China Machine Press, ISBN 978-7-111-59301-0, pp. 1-224, 2018. (in Chinese, 148,000 words, Big Data Management Series, Editor: Jie She)

    Preference Query Analysis and Optimization. [Book]

    Springer Briefs in Computer Science, Springer, ISBN 978-981-10-6634-4, pp. 1-110, 2017.

    Incomplete Data Management: A Survey. [Paper]

    Frontiers of Computer Science (FCS), 12(1): 4-25, 2018. (Invited Paper)

    [Refereed Journals] (The author(s) marked with ‘#’ are/were my students, and the author(s) marked with ‘*’ represent the corresponding author(s))

      Xiaoye Miao # , Yunjun Gao*, Linlin Zhou # , Wei Wang, and Qing Li.

    Optimizing Quality for Probabilistic Skyline Computation and Probabilistic Similarity Search. [Paper]

    To appear in עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 30(9): 1741-1755, 2018.

    On Efficiently Answering Why-not Range-Based Skyline Queries in Road Networks. [Paper]

    To appear in עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 30(9): 1697-1711, 2018.

    A Fast Parallel Community Discovery Model on Complex Networks Through Approximate Optimization. [Paper]

    To appear in עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 30(9): 1638-1651, 2018.

    Towards Efficient Framework for Time-aware Spatial Keyword Queries on Road Networks. [Paper]

    ACM Transactions on Information Systems (TOIS), 36(3): 24:1-24:48, 2018.

    Indexing Metric Uncertain Data for Range Queries and Range Joins. [Paper]

    The VLDB Journal (VLDBJ), 26(4): 585-610, 2017. (Extended version of [C13])

    On Efficiently Finding Reverse ק Nearest Neighbors over Uncertain Graphs. [Paper]

    The VLDB Journal (VLDBJ), 26(4): 467-492, 2017.

    Time-Aware Boolean Spatial Keyword Queries. [Paper]

    עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 29(11): 2601-2614, 2017.

    Metric Similarity Joins Using MapReduce. [Paper]

    עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 29(3): 656-669, 2017.

    Efficient Metric Indexing for Similarity Search and Similarity Joins. [Paper]

    עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 29(3): 556-571, 2017. (Extended version of [C17])

    Answering Why-not and Why Questions on Reverse Top-ק Queries. [Paper]

    The VLDB Journal (VLDBJ), 25(6): 867-892, 2016. (Extended version of [C15])

    Processing Incomplete ק Nearest Neighbor Search. [Paper]

    IEEE Transactions on Fuzzy Systems (TFS), 24(6): 1349-1363, 2016.

    Finding Causality and Responsibility for Probabilistic Reverse Skyline Query Non-answers. [Paper]

    עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 28(11): 2974-2987, 2016.

    Efficient Collective Spatial Keyword Query Processing on Road Networks. [Paper]

    IEEE Transactions on Intelligent Transportation Systems (TITS), 17(2): 469-480, 2016.

    Metric All-ק-Nearest-Neighbor Search. [Paper]

    עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 28(1): 98-112, 2016.

    Top-ק Dominating Queries on Incomplete Data. [Paper]

    עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 28(1): 252-266, 2016.

    יָעִיל ק-Closest Pair Queries in General Metric Spaces. [Paper]

    The VLDB Journal (VLDBJ), 24(3): 415-439, 2015.

    Efficient Reverse Top-ק Boolean Spatial Keyword Queries on Road Networks. [Paper]

    עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 27(5): 1205-1218, 2015.

    Direction-Based Surrounder Queries for Mobile Recommendations. [Paper]

    The VLDB Journal (VLDBJ), 20(5): 743-766, 2011.

    Continuous Visible Nearest Neighbor Query Processing in Spatial Databases. [Paper]

    The VLDB Journal (VLDBJ), 20(3): 371-396, 2011. (Extended version of [C26])

    Continuous Nearest Neighbor Search in the Presence of Obstacles. [Paper]

    ACM Transactions on Database Systems (TODS), 36(2), Article 9, 2011. (Extended version of [C24])

    Visible Reverse ק-Nearest Neighbor Query Processing in Spatial Databases. [Paper]

    עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 21(9): 1314-1327, 2009. (Extended version of [C25])

    Optimal-Location-Selection Query Processing in Spatial Databases. [Paper]

    עסקאות IEEE בנושא ידע והנדסת נתונים (TKDE), 21(8): 1162-1177, 2009.

    [Refereed Conferences] (The author(s) marked with ‘#’ are/were my students, and the author(s) marked with ‘*’ represent the corresponding author(s))

      Keyu Yang # , Yunjun Gao*, Yifeng Shen # , Baihua Zheng, and Lu Chen # .

    DisMASTD: An Efficient Distributed Multi-Aspect Streaming Tensor Decomposition. [Paper]

    To appear in Proceedings of the 37th IEEE International Conference on Data Engineering (ICDE), 2021.

    PTRider: A Price-and-Time-Aware Ridesharing System. [Paper]

    Proceedings of the 44th International Conference on Very Large Data Bases (VLDB), 11(12): 1938-1941, 2018. (Demo)

    UlTraMan: A Unified Platform for Big Trajectory Data Management and Analytics. [Paper]

    Proceedings of the 44th International Conference on Very Large Data Bases (VLDB), pp. 787-799, 2018.

    Scalable Hypergraph-based Image Retrieval and Tagging System. [Paper]

    Proceedings of the 34th IEEE International Conference on Data Engineering (ICDE), pp. 257-268, 2018.

    Why-not Questions on Top-ק Geo-Social Keyword Queries in Road Networks. [Paper]

    Proceedings of the 34th IEEE International Conference on Data Engineering (ICDE), pp. 965-976, 2018.

    Price-and-Time-Aware Dynamic Ridesharing. [Paper]

    Proceedings of the 34th IEEE International Conference on Data Engineering (ICDE), pp. 1061-1072, 2018.

    Pivot-based Metric Indexing. [Paper]

    Proceedings of the 43rd International Conference on Very Large Data Bases (VLDB), pp. 1058-1069, 2017.

    Reverse Top-ק Geo-Social Keyword Queries in Road Networks. [Paper]

    Proceedings of the 33rd IEEE International Conference on Data Engineering (ICDE), pp. 387-398, 2017.

    IS2R: A System for Refining Reverse Top-ק Queries. [Paper]

    Proceedings of the 33rd IEEE International Conference on Data Engineering (ICDE), pp. 387-398, 2017. (Demo)

    SI2P: A Restaurant Recommendation System Using Preference Queries over Incomplete Information. [Paper]

    Proceedings of the 42nd International Conference on Very Large Data Bases (VLDB), pp. 1509-1512, 2016. (Demo)

    Answering Why-not Questions on Metric Probabilistic Range Queries. [Paper]

    Proceedings of the 32nd IEEE International Conference on Data Engineering (ICDE), pp. 767-778, 2016.

    Practical Private Shortest Path Computation Based on Oblivious Storage. [Paper]

    Proceedings of the 32nd IEEE International Conference on Data Engineering (ICDE), pp. 361-372, 2016.

    Indexing Metric Uncertain Data for Range Queries. [Paper]

    Proceedings of the ACM SIGMOD International Conference on Management of Data (SIGMOD), pp. 951-965, 2015.

    GetReal: Towards Realistic Selection of Influence Maximization Strategies in Competitive Networks. [Paper]

    Proceedings of the ACM SIGMOD International Conference on Management of Data (SIGMOD), pp. 1525-1537, 2015. ( Nomination for the Best Paper Award )

    Answering Why-not Questions on Reverse Top-ק Queries.[Paper]

    Proceedings of the 41st International Conference on Very Large Data Bases (VLDB), pp. 738-749, 2015.

    I2RS: A Distributed Geo-Textual Image Retrieval and Recommendation System. [Paper]

    Proceedings of the 41st International Conference on Very Large Data Bases (VLDB), pp. 1884-1895, 2015.(Demo)

    Efficient Metric Indexing for Similarity Search. [Paper]

    Proceedings of the 31st IEEE International Conference on Data Engineering (ICDE), pp. 591-602, 2015. ( One of the Best Papers )

    Towards Effective and Efficient Mining of Arbitrary Shaped Clusters. [Paper]

    Proceedings of the 30th IEEE International Conference on Data Engineering (ICDE), pp. 28-39, 2014.

    Browse with a Social Web Directory. [Paper]

    Proceedings of the 36th International ACM SIGIR conference on research and development in Information Retrieval (SIGIR), pp. 865-868, 2013. (Short)

    Mapping Queries to Questions: Towards Understanding Users' Information Needs. [Paper]

    Proceedings of the 36th International ACM SIGIR conference on research and development in Information Retrieval (SIGIR), pp. 977-980, 2013.(Short)

    Commodity Query by Snapping. [Paper]

    Proceedings of the 36th International ACM SIGIR conference on research and development in Information Retrieval (SIGIR), pp. 985-988, 2013. (Short)

    On Efficient Obstructed Reverse Nearest Neighbor Query Processing. [Paper]

    Proceedings of the 19th ACM SIGSPATIAL International Symposium on Advances in Geographic Information Systems (SIGSPATIAL GIS), pp. 191-200, 2011.

    UPS: Efficient Privacy Protection in Personalized Web Search. [Paper]

    Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR), pp. 615-624, 2011.

    Continuous Obstructed Nearest Neighbor Queries in Spatial Databases. [Paper]

    Proceedings of the ACM SIGMOD International Conference on Management of Data (SIGMOD), pp. 577-590, 2009.

    Visible Reverse ק-Nearest Neighbor Queries. [Paper]

    Proceedings of the 25th International Conference on Data Engineering (ICDE), pp. 1203-1206, 2009. (Short)

    Continuous Visible Nearest Neighbor Queries. [Paper]

    Proceedings of the 12th International Conference on Extending Database Technology (EDBT), pp. 144-155, 2009.

    Proceedings of the 24th International Conference on Data Engineering (ICDE),pp. 1454-1456, 2008. (Short)


    צפו בסרטון: Necessità dinterrogare il cielo: intuire la dispiegata forma della luce, Part One (סֶפּטֶמבֶּר 2021).