一、多边形叠置分析算法研究（论文文献综述）
骆元鹏[1]（2021）在《基于Cesium框架的3D WebGIS空间叠置分析设计与实现》文中指出基于三维可视化场景带来的沉浸式体验感和直观式信息分析展示的便利促进了互联网技术和GIS的融合,3D Web GIS应运而生。新兴的Cesium开源三维地球引擎框架为搭建3D Web GIS系统提供较好的应用框架。论文从数据获取、关键算法、数据库创建及平台架构等关键环节设计并实现了基于B/S结构和Cesium框架的3D Web GIS空间叠置分析应用系统。主要包括:（1）基于倾斜摄影的基础地理空间信息数据获取。采用新近发展的倾斜摄影测量技术获取目标区域的三维模型数据;采用裸眼三维测图技术分类采集点、线及面状地物要素的矢量几何数据并在Arc GIS软件中完成属性数据的挂接。结果表明采用该方法获取的基础地理信息数据具有较高的精度和现势性,可以为3D Web GIS空间叠置分析提供较好的数据源。（2）基于Clipper库的多边形裁剪算法分析及应用。采用了当前性能较为优异的多边形裁剪库算法库（Clipper Lib）,利用其优秀的裁剪性能,针对空间叠置分析中点-面、线-面、面-面三者的相交关系进行定性定量的分析,对其进行了适当的改进并实际编程验证了其可以可靠地用于GIS空间叠置分析。（3）基于Cesium框架下B/S架构的3D Web GIS空间叠置分析设计与实现。论文采用前后端分离开发策略,构建了基于Cesium的前端三维可视化框架,采用ASP.NET的MVC架构实现了叠置分析应用程序封装及My SQL数据库数据管理的后端服务框架,从而系统建立了基于Cesium框架下B/S架构的3D Web GIS空间叠置分析应用系统。实例运行结果验证了系统具有较高的运行稳定性、正确率和时间效率。该论文有图56幅,表7个,参考文献77篇。
徐朔[2]（2021）在《基于Spark的地理空间分析算法并行计算》文中提出随着对地观测技术的快速发展,人们获取的空间数据呈指数级增长。并行计算,作为高性能计算的一种典型实现方式,它是指在物理层面同时使用多种资源解决计算问题,或者从逻辑层面将算法拆解成几个可同时执行的模块;其目的正是为了提高计算速度,扩大处理问题的规模。与之相对,对于传统GIS基础串行算法的并行化也成为了当下GIS学科研究的热点。现有的并行化空间分析的研究大多基于算法层面,实现难度较高,且往往依托于特定平台与特定算法,普适性较差,在各个节点的计算负载均衡方面也存在缺陷,容易造成资源的浪费;对于数据并行方面的研究相对较少。地理数据由于其具有空间与对象属性,往往不能够被原生大数据处理工具所完美支持,如何将大数据处理工具与空间分析基础算法结合也是一个研究中的重点和难点。本文针对现有GIS基础空间分析算法并行化过程中,计算任务划分负载不均衡,各分片计算负载（主要表现为计算时间）量化不足的问题,依托Spark框架,主要开展了以下工作:一、提出了一个较为通用的面向空间分析算法的并行计算流程,将传统的空间分析算法按照计算复杂度的程度进行分类,并分别为每一类设计了对应的并行计算流程方案。二、在较为复杂的算法类别中,为了实现数据并行的计算负载均匀划分,设计了一种基于多级自适应Hilbert曲线的空间编码。三、使用全国第三次土地调查成果作为实验数据基础,结合本文提出的并行计算加速方案,进行了多组对照实验,验证方案的加速效果并探索最佳加速条件;本文所用数据基于全国第三次土地调查云南省某县的地类图斑数据成果,经过图像仿射变换等处理后得到实验数据。在空间强/弱关联算法中分别选取代表性算法进行对比实验,实验结果显示,整体方案取得了良好的加速效果。
蒋元义,金宝轩,赵康,周孙宇[3]（2020）在《叠置计算中多边形形状复杂度的度量研究》文中指出针对地理计算中多边形形状复杂度难以量化的问题,而多边形形状复杂度是衡量对象空间结构复杂性的重要指标,对优化空间处理算法尤其是海量复杂数据的高性能叠置计算具有重要意义。该文提出了一种新的多边形形状复杂度度量模型。所提的多边形形状复杂度模型较好的度量了多边形形状复杂度,对于提升高性能环境下海量复杂数据叠置计算效率具有重要意义。该文以经典的Greiner-Hormann算法为例,在spark框架下验证了顾及多边形形状复杂度的数据划分方法相比现有的数据划分方法能取得更优的负载均衡指数和加速比。
王昌,陈建裕,乔丰[4]（2020）在《云环境下海量矢量数据叠置分析方法研究》文中研究表明针对当前单机环境下海量矢量数据叠置分析效率低的问题,提出了云环境下海量矢量数据并行叠置分析方法;设计了海量矢量数据在云环境下的存储模型GeoWKT;基于该模型研究了云环境下海量矢量数据并行划分方法,有效避免了云环境下并行叠置计算中负载不均引起的计算效率低的问题,为数据密集与计算密集型并行叠置计算提供了新的尝试。实验结果表明,相较于传统的单机GIS软件,该方法在保证计算结果正确性的同时,显着提高了叠置分析的计算效率,证明了本文提出的基于云环境下海量矢量数据并行叠置分析方法的正确性和有效性。
王昌[5]（2020）在《基于Spark的海量复杂多边形并行叠置分析方法研究》文中提出随着地理空间数据规模的大幅度增长与GIS应用的深入和精细化,工作研究中往往需要我们对一些海量地理空间数据进行快速处理分析,这超出了传统GIS处理模式的范畴。叠置分析作为地理空间分析中的基础算法之一,在GIS中应用十分广泛,是典型的计算密集型与数据密集型算法。为了解决叠置分析算法在面对海量复杂空间数据时处理效率低的问题,现有的研究在多核计算机以及共享内存的环境下做了很多尝试,其计算效率也得到了一定的提升。随着计算机技术以及通信技术的高速发展,新计算架构体系的出现,传统方法在扩展性、计算复杂度以及计算效率方面有很大的提升空间。大数据技术作为互联网领域一项新技术,能够通过一些新的存储与计算架构技术来解决海量数据的高效存储与快速分析问题,在GIS领域中的应用目前还相对较少。基于内存计算架构的Spark作为当前互联网领域中一种新的并行计算架构技术,在大数据快速处理分析中表现出巨大优势。本文针对叠置分析算法在面对大规模海量复杂多边形数据时凸显出的计算效率低的问题,提出了基于Spark的海量复杂多边形叠置分析方法,将大数据领域中的Spark技术引入到地理空间分析中,并设计了基于多边形数据实际计算量均衡的数据划分方法。相关实验表明,本文采用的新型并行计算架构相对传统的处理方法来说,在保证处理结果正确的同时提升了叠置分析算法的效率。论文的主要研究内容和结果如下:（1）通过对开源Hadoop生态系统中的核心组件、分布式内存计算架构Spark、多边形叠置分析以及多边形并行叠置分析算法的相关理论进行概述,为后续的研究提供了相关理论基础。通过分析现有的并行计算模式,确定了本文采用数据并行的并行叠置分析方式。（2）结合矢量多边形数据的结构特征以及并行叠置分析算法原理,设计了矢量多边形在分布式环境下的存储模型,该模型有效顾及了矢量多边形数据在分布式存储环境下信息的完整性以及后期计算效率问题。针对并行计算中各节点间的数据倾斜带来的并行计算效率低的问题,提出了基于Hilbert曲线与多边形数据实际计算量负载均衡的数据划分策略。该策略顾及了各计算节点间的数据计算量均衡原则,有效提升了并行叠置分析算法的计算效率。同时设计了混合空间索引,该索引在叠置分析中过滤阶段可以有效提升算法的过滤效率。在对数据划分过程中针对矢量多边形中各要素间的结构复杂性、大小差异性以及分布不均性带来的跨多个格网的多边形的问题,提出了一种跨边界多边形问题的处理策略,该策略有效减少了跨多个格网的多边形在计算阶段的重复计算问题。（3）基于上述研究内容,提出了基于Spark的并行叠置分析方法,基于开源的Hadoop生态系统实现了叠置分析的原型系统,并通过实验验证了本文提出的相关策略的合理性及有效性。实验环境为六台高性能戴尔服务器组成的Spark集群,每台服务器的具体配置为:E5-2620 CPU（12核,2.4GHz）,内存128G,磁盘为9T。为了验证本文提出的并行叠置策略的正确性及有效性,分别从不同数据量下叠置分析算法的性能比较、不同并行节点对叠置算法性能的影响比较、不同格网粒度对叠置分析算法性能的影响比较以及不同数据划分方法对叠置分析算法的性能影响比较四个方面进行实验分析。实验结果表明,本文设计的并行叠置分析算法在集群环境下的计算结果与Arc Map计算的结果一致,这也说明了本文设计的集群环境下的并行叠置分析结果的正确性。另外,我们还发现,六节点的并行叠置分析策略在不同数据量下的表现性能要比单节点以及Arc Map的计算策略优秀,且这种优势随着数据量的增大逐渐提升,在1000万数据量时六节点的计算时间为4380秒,Arc Map的计算时间为9930秒,单计算节点的计算时间为10164秒。以计算量均衡为目标数据划分策略相比于以数据量均衡为目标的数据划分策略随着数据量的增大,其优势逐渐上升,在处理千万级数据量时这种差异达到1272秒。这主要是因为以数据量均衡为数据划分策略的方式并不能真正反映数据之间的实际计算量,而以数据计算量均衡来进行数据的划分可以解决此问题,且这种方式对于大数据量以及数据之间复杂度差异较大的数据集划分效果最明显。以上实验表明,本文提出的基于Spark的海量复杂多边形并行叠置分析方法对于大规模复杂多边形的叠置分析具有良好的适应性。
周孙宇[6]（2020）在《基于矢量大数据计算复杂度的资源调度模型研究》文中进行了进一步梳理在大数据时代的背景下,地理计算开始面临数据海量化与多任务资源调度的问题。如何将不同的计算任务分配到相应的资源节点上运行,以达到最优资源分配的目的是当今面临的难题。目前,并行计算是解决海量数据处理的重要手段。由于计算资源的分配将直接影响并行任务的性能,并且计算资源对不同并行任务的影响程度不一,因此为并行任务进行资源调度极其困难。在并行化空间分析算法研究中,本文以并行化求交算法为代表,针对海量复杂多边形求交计算耗时长、数据与计算资源分配不均的问题,提出了基于计算复杂度预测的高性能求交方法。首先通过多级包围盒进行二次过滤,减少求交对象的一对多关系;然后通过包围盒过滤洞、岛的方法减少不参与计算的多边形,优化复杂多边形求交处理流程;最后,通过建立非线性回归模型度量求交运算的计算复杂度,并据此优化并行计算负载。实验结果表明,该文提出的方法有效提高了海量复杂多边形求交效率。在资源调度的研究中,本文从数据复杂度与算法复杂度两方面对并行化空间分析任务开展研究,提出了并行化空间分析任务的资源调度策略。首先根据历史作业信息建立并行化算法复杂度预测模型,准确表达并行化算法的性能变化趋势;然后基于该模型,建立顾及资源利用率的静态资源调度模型;最后基于遗传算法思想建立动态资源调度模型。实验结果表明,本文提出的方法可以根据不同任务的预测运行时间,动态地对资源进行调度以达到总任务运行时间最低的需求。通过实验证明,本文基于遗传算法思想解决了多并行化任务的资源调度问题。
蒋元义[7]（2020）在《云计算环境下海量矢量数据的高效存储与并行叠置分析》文中提出随着越来越多大科学装置的建设和重大科学实验的开展,科学研究进入到一个前所未有的大数据时代,大数据时代产生的空间大数据集对海量矢量数据的高效存储与计算提出了诸多挑战。传统的解决方案是采用关系型数据库与Arc SDE协同管理的模式,该模式将数据存储在单台机器上,这在很大程度上限制了数据的存储能力和计算能力。云计算环境下提供的分布式存储与高性能并行计算技术是一种有效的解决方案。基于云计算的这种特性,论文从云计算环境下如何对海量矢量数据进行高效存储与高性能空间分析角度展开研究。重点研究了海量矢量数据在Hadoop云平台下的存储模型、索引构建、数据快速导入、快速查询以及高性能空间分析中的并行叠置分析技术。具体围绕以下几个方面展开:（1）首先,论文在阐述该项目的研究背景及立项依据的基础上,综述了相关领域的研究进展,即地理空间大数据的存储技术、地理空间分析算法并行化技术以及地理空间大数据的负载均衡技术,全面分析了当前国内外对地理空间大数据在云环境下的分布式存储与高性能并行计算技术的研究进展与应用。另外,论文对研究中的相关技术理论进行了详细概述,为论文后续的研究提供了基础理论与技术支持。（2）其次,基于Hadoop云平台下的分布式非关系型数据库HBase构建了海量矢量数据的组织与存储策略。利用Hilbert空间填充曲线优秀的空间聚集性,对空间范围内的格网进行Hilbert曲线填充;结合空间要素对象所在格网的Hilbert编码与图层编号,设计了满足分布式非关系型数据库HBase存储规则的Row Key值;根据矢量数据在HBase下的存储规则特征,确定了该规则下的矢量数据存储表、二级索引表结构以及基于Hilbert编码设计了一种并行区域查询算方法。另外还构建了一种基于Spark的矢量数据并行导入方法。（3）再次,研究了Hadoop云平台下高性能并行空间分析中负载均衡策略,并以叠置分析算法为例,提出了一种顾及数据计算复杂度的矢量空间数据划分方法。针对高性能并行空间分析中传统矢量空间数据划分方法的划分结果不能反映实际计算量,容易导致数据倾斜的问题,论文从矢量空间数据结构特征及空间分析算法特征角度思考,研究数据密集型和计算密集型空间分析算法的计算量复杂度模型,用以指导矢量空间数据的均衡划分;通过分析不同算法类型的原理与特征,筛选出影响算法计算效率的影响指数,构建矢量空间数据计算复杂度模型;基于该复杂度模型设计了一种高性能并行空间分析数据划分策略。（4）最后,基于Hadoop云平台设计并实现了一个海量矢量数据存储与计算原型系统,实现了海量矢量数据的分布式存储与并行叠置分析。并基于原型系统通过实验验证了本文提出的矢量数据并行导入、并行查询以及顾及计算复杂度的数据划分策略的合理性性及有效性。
陈诺[8]（2020）在《基于GIS空间聚类的城市道路事故黑点识别与成因研究》文中指出随着城市人口、机动车保有量以及出行距离的不断增加,城市交通出行总量迅速攀升,城市交通系统安全平稳运行的压力也与日俱增,城市道路系统中的交通事故发生频率高,对交通系统通行秩序和效率有着不可忽视的影响。城市居民日益增长的对交通运行环境畅通、安全、绿色和舒适的需求和意愿,对城市交通管理人员提出了更大的挑战和更高的要求。而城市道路事故黑点正是交通系统中的“痛点”,如何对城市道路中的事故黑点进行精准定位、识别和分析,从而提出高效经济的治理对策,提升交通环境治理能力,创造良好的城市交通运行环境,助力城市发展建设,成为道路交通安全管理中亟须解决的问题之一。本文首先对现有事故黑点识别方法以及空间聚类理论研究进展进行了学习和研究,结合GIS空间分析技术特征和聚类算法识别事故空间集聚区域的客观高效的特点,通过运用基于GIS的缓冲叠置空间分析技术和基于网格的K-means聚类算法,对安庆市中心城区城市道路进行事故黑点的识别,与历史数据完全吻合,进行了识别方法的有效性验证,得出了事故多发的区域和路段;在分析安庆市中心城区交通事故的分布规律和形态特征的基础上,从驾驶员、车辆、道路、和环境四个方面着手研究城市道路交通事故黑点的影响因素,对各个因素对交通事故发生的影响机理进行探讨,并采用层次分析法对事故黒点的各个因素进行量化,对其影响程度进行排序,得到该区域事故主要成因,从而对城市道路事故黑点从各个方面的治理提供了合理科学的建议。
韦兰心[9]（2020）在《GIS空间分析原理在单身公寓室内设计中的适用性研究》文中进行了进一步梳理随着单身经济的崛起,对于单身公寓室内设计的研究也越来越丰富,本文以单身公寓居住人群特征与需求为基础,通过对GIS空间分析原理与单身公寓室内设计的研究,创造性的将GIS空间分析方法中的路径分析、叠置分析、空间量算与单身公寓动线规划、家具陈设、空间布局相结合,运用比较研究法分析其相关性,通过交叉研究法最终得到GIS空间分析原理在单身公寓室内设计中的适用策略。通过对文献及网络数据的研究,总结单身公寓居住人群特征及其对居住空间要多种功能并存的要求。对单身公寓室内设计进行深入分析研究,包括:单身公寓室内动线种类与规划要点,单身公寓家具陈设种类及其与功能空间之间互为依存的关系,单身公寓空间布局中室内各空间的尺度以及单身公寓空间布局量化分析方法和意义。基于对GIS空间分析原理中路径分析、叠置分析以及空间量算的定义、特点以及方法过程的研究,在比较研究法下分别构建其与单身公寓动线规划、家具陈设以及空间布局的相关性模型,并最终得出各自适用性策略:（1）动线规划方面,以构建单身公寓动线网络模型的方法结合GIS路径分析中计算最短路径的戴克斯图拉算法来达成最短动线的设计,并在35m2单身公寓动线最短路径规划中作出了实践。（2）家具陈设方面,设计单身公寓家具时先以GIS合成叠置分析方法将不同功能属性的空间叠置,再以GIS统计叠置分析中点线面的叠置方式将代表不同空间功能的家具抽象为点线面进行叠置设计,达到家具多功能的目的,实践部分为多功能茶几的叠置设计。（3）空间布局方面,以GIS几何量算的方法通过定量分析单身公寓空间布局的有效活动空间利用率来获得室内最佳布局设计,以在36m2单身公寓空间布局的量算为实践验证其可行性。通过对GIS空间分析原理在单身公寓室内设计中的适用性研究,以期为单身公寓室内设计的方法提供另一种思路与参考,开拓学科交叉范围,同时也希望为数量日益增长的单身群体居住空间的设计提供新的方法借鉴。
谢顺平,叶罕霖[10]（2018）在《面向空间关系复合的矢量多边形图形拓扑叠置分析算法》文中研究指明矢量多边形图形拓扑叠置是挖掘和提取空间隐含信息的重要空间分析方法,现有方法主要针对简单要素模型,未考虑图形要素间空间关系的复合运算.为使矢量多边形图形空间叠置能在有利于空间关系复合的操作模式下进行,提出一种基于线-面运算的矢量多边形拓扑叠置分析算法.对参与叠置的2幅矢量多边形图形,分别将其中一幅图形的矢量链段与另一幅图形的面域图进行线-面叠置运算和空间关系复合处理,检测出矢量图形中跨越面域图多边形的链段并进行分解;通过面向叠置模式的链段筛选和结点匹配、空间关系构建等,最终生成含空间拓扑关系的结果多边形图形.实验结果表明,该算法具有较高的鲁棒性和效率,非常适用于面向空间关系复合的复杂矢量多边形图形空间拓扑叠置分析.
二、多边形叠置分析算法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多边形叠置分析算法研究（论文提纲范文）
（1）基于Cesium框架的3D WebGIS空间叠置分析设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容及组织结构 |
| 2 数据获取 |
| 2.1 倾斜摄影测量实景三维模型构建 |
| 2.2 单体化信息提取 |
| 2.3 本章小结 |
| 3 基于Clipper库的空间叠置分析 |
| 3.1 GIS空间分析的概念 |
| 3.2 Clipper库的结构分析 |
| 3.3 基于Clipper库的空间叠置分析 |
| 3.4 本章小结 |
| 4 基于Cesium框架的空间叠置分析功能设计与实现 |
| 4.1 Cesium三维地球引擎框架 |
| 4.2 空间分析总体框架设计 |
| 4.3 数据格式转换 |
| 4.4 数据服务发布 |
| 4.5 数据库创建 |
| 4.6 框架实现 |
| 4.7 结果与分析 |
| 4.8 本章小结 |
| 5 结论及展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（2）基于Spark的地理空间分析算法并行计算（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 高性能计算及其模型研究现状 |
| 1.2.2 GIS空间分析算法并行计算研究现状 |
| 1.2.3 Spark相关GIS空间分析算法并行计算研究现状 |
| 1.3 研究目的与内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 研究思路 |
| 1.4 论文章节安排 |
| 1.5 本章小结 |
| 第二章 相关技术与理论介绍 |
| 2.1 Hadoop分布式计算平台 |
| 2.1.1 HDFS分布式文件架构 |
| 2.1.2 Spark并行计算引擎 |
| 2.1.3 Zookeeper分布式服务框架 |
| 2.1.4 CDH大数据管理平台 |
| 2.1.5 Ganglia分布式系统性能监测软件 |
| 2.2 算法并行化的两种方式 |
| 2.3 算法的计算复杂度(计算强度) |
| 2.4 空间数据计算任务划分方式 |
| 2.4.1 网格随机划分 |
| 2.4.2 哈希划分 |
| 2.4.3 基于空间数据索引结构的划分 |
| 2.4.4 基于空间填充曲线的划分 |
| 2.5 计算任务划分的负载均衡 |
| 2.6 本章小结 |
| 第三章 GIS基础空间分析算法并行计算流程研究 |
| 3.1 根据数据空间属性相关性的GIS基础空间分析算法分类 |
| 3.2 GIS空间分析算法并行计算流程介绍 |
| 3.3 针对各类算法的计算任务均衡划分策略 |
| 3.3.1 无差别计算任务划分策略 |
| 3.3.2 空间弱关联算法计算任务划分策略 |
| 3.3.3 空间强关联算法计算任务划分策略 |
| 3.4 计算复杂度的量化拟合 |
| 3.4.1 影响计算复杂度的图形因子分析 |
| 3.4.2 计算复杂度模型的构建 |
| 3.4.3 模型拟合准确程度的评估 |
| 3.5 本章小结 |
| 第四章 面向并行计算的复杂地理数据划分研究——顾及计算复杂度的自适应多级Hilbert曲线计算任务划分策略 |
| 4.1 多级Hilbert曲线 |
| 4.2 顾及计算复杂度的自适应判断准则 |
| 4.3 多级Hilbert曲线对象编码规则 |
| 4.4 多级Hilbert编码的应用意义 |
| 4.5 本章小结 |
| 第五章 并行计算加速方案的场景应用实验 |
| 5.1 实验条件及设备 |
| 5.2 应用场景一:土地调查数据统计指标的无差别计算 |
| 5.2.1 实验方案设计 |
| 5.2.2 实验结果 |
| 5.2.3 实验结论与分析 |
| 5.3 应用场景二:土地调查数据的地类变化检测 |
| 5.3.1 实验方案设计 |
| 5.3.2 实验结果 |
| 5.3.3 实验结论与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 内容总结 |
| 6.2 研究不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 A CDH集群搭建过程 |
| 附录 B |
（3）叠置计算中多边形形状复杂度的度量研究（论文提纲范文）
| 0 引言 |
| 1 研究方法 |
| 1.1 算法选取 |
| 1.2 指标选取 |
| 1.2.1 局部特征变量 |
| 1)顶点数。 |
| 2)洞岛的数量。 |
| 1.2.2 全局特征变量 |
| 1)凹度。 |
| 2)面积。 |
| 1.2.3 其他特征变量 |
| 1.3 多边形图形复杂模型构建 |
| 1.3.1 数据选取及典型性分析 |
| 1.3.2 变量筛选 |
| 1.3.3 回归分析 |
| 2 实验及分析 |
| 2.1 实验设计 |
| 2.2 实验环境及数据 |
| 2.3 实验过程及结果分析 |
| 3 结束语 |
（4）云环境下海量矢量数据叠置分析方法研究（论文提纲范文）
| 0 引言 |
| 1 基于HDFS的分布式存储模型 |
| 2 Spark框架下叠置分析算法 |
| 2.1 基于空间填充曲线的多伦分发数据划分策略 |
| 2.2 跨边界空间要素问题处理 |
| 2.3 局部索引的建立 |
| 2.4 并行叠置分析算法流程 |
| 3 实验设置与结果分析 |
| 3.1 实验设置 |
| 3.2 实验结果及分析 |
| 4 结束语 |
（5）基于Spark的海量复杂多边形并行叠置分析方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 复杂多边形叠置分析算法研究现状 |
| 1.2.2 多边形并行叠置分析研究现状 |
| 1.3 本文研究内容及目标 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 文章组织与安排 |
| 第二章 基本理论介绍 |
| 2.1 开源Hadoop生态系统 |
| 2.1.1 分布式文件系统HDFS |
| 2.1.2 分布式计算架构Map Reduce |
| 2.2 分布式并行计算架构Apache Spark |
| 2.2.1 Apache Spark简介 |
| 2.2.2 Apache Spark计算模型 |
| 2.2.3 Apache Spark计算架构 |
| 2.3 多边形叠置分析 |
| 2.4 多边形并行叠置求交分析 |
| 2.5 本章小结 |
| 第三章 基于Spark的复杂多边形并行求交算法 |
| 3.1 复杂多边形在分布式环境下的存储模型 |
| 3.1.1 分布式存储环境概述 |
| 3.1.2 复杂多边形存储模型设计 |
| 3.2 内存计算架构下顾及计算量负载均衡的数据划分策略 |
| 3.2.1 数据划分规则及其影响因素 |
| 3.2.2 基于Hilbert空间填充曲线及计算复杂度的数据划分方法 |
| 3.3 分布式混合空间索引 |
| 3.3.1 混合空间索引设计思想 |
| 3.3.2 混合空间索引构建方法 |
| 3.3.3 混合空间索引实现 |
| 3.4 跨边界复杂多边形问题处理 |
| 3.4.1 处理思想 |
| 3.4.2 处理实例 |
| 3.5 基于Spark的复杂多边形叠置分析方法 |
| 3.6 本章小结 |
| 第四章 原型系统实现及实验分析 |
| 4.1 系统架构设计 |
| 4.2 实验测试环境 |
| 4.3 实验设计 |
| 4.4 实验结果及分析 |
| 4.4.1 不同数据量下叠置分析算法性能分析 |
| 4.4.2 不同格网粒度下叠置分析算法性能分析 |
| 4.4.3 不同并行节点对叠置分析算法性能分析 |
| 4.4.4 不同数据划分方法对叠置分析算法性能的影响分析 |
| 4.5 本章小结 |
| 第五章 结论及展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 硕士期间其他工作 |
| 致谢 |
（6）基于矢量大数据计算复杂度的资源调度模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 并行化空间分析研究现状 |
| 1.2.2 空间分析算法复杂度研究现状 |
| 1.2.3 计算资源调度研究现状 |
| 1.3 研究目标和内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 第二章 技术背景介绍 |
| 2.1 矢量空间数据的组织与存储 |
| 2.1.1 矢量空间数据组织 |
| 2.1.2 HDFS分布式文件系统 |
| 2.2 矢量数据的空间分析 |
| 2.2.1 空间分析概论 |
| 2.2.2 叠置算法分析 |
| 2.3 分布式并行计算架构 |
| 2.3.1 Hadoop分布式计算平台 |
| 2.3.2 Spark分布式计算框架 |
| 2.4 资源调度模型 |
| 2.4.1 资源调度概论 |
| 2.4.2 启发式算法 |
| 2.5 本章小结 |
| 第三章 并行化空间分析算法研究 |
| 3.1 复杂多边形求交分析 |
| 3.1.1 求交算法处理流程 |
| 3.1.2 复杂多边形求交算法改进 |
| 3.2 求交算计算复杂度预测模型构建 |
| 3.2.1 多边形复杂度对并行求交的影响 |
| 3.2.2 构建计算复杂度预测模型 |
| 3.3 并行求交的负载均衡策略 |
| 3.4 海量多边形并行求交方法 |
| 3.5 典型空间分析算法的并行化实现 |
| 3.5.1 基于Spark并行化方法 |
| 3.6 本章小结 |
| 第四章 并行化空间分析任务的资源调度策略 |
| 4.1 并行化算法复杂度预测模型 |
| 4.1.1 时间复杂度预测模型 |
| 4.1.2 空间复杂度预测模型 |
| 4.2 静态资源调度模型 |
| 4.2.1 顾及资源利用率的调度模型 |
| 4.2.2 同时并行资源调度模型 |
| 4.3 基于遗传算法的动态资源调度模型 |
| 4.3.1 问题描述 |
| 4.3.2 动态资源调度模型 |
| 4.4 本章小节 |
| 第五章 资源调度系统的设计与实验验证 |
| 5.1 资源调度系统设计 |
| 5.1.1 系统架构 |
| 5.2 实验数据与环境 |
| 5.2.1 实验环境 |
| 5.2.2 实验数据集 |
| 5.3 复杂多边形求交实验 |
| 5.3.1 复杂多边形求交算法验证 |
| 5.3.2 海量复杂多边形并行求交 |
| 5.4 资源调度实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 不足与展望 |
| 致谢 |
| 主要参考文献 |
| 附录 A |
| 附录 B |
（7）云计算环境下海量矢量数据的高效存储与并行叠置分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.1.3 研究项目依据 |
| 1.2 国内外研究动态 |
| 1.2.1 空间大数据的存储技术 |
| 1.2.2 高性能空间分析算法并行化研究 |
| 1.2.3 空间大数据负载均衡研究 |
| 1.3 研究目标及研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 相关理论与技术介绍 |
| 2.1 矢量数据模型及存储概述 |
| 2.1.1 矢量数据模型 |
| 2.1.2 传统矢量数据存储策略 |
| 2.1.3 云环境下矢量数据存储策略 |
| 2.2 云计算及相关技术架构体系 |
| 2.2.1 云计算的概述 |
| 2.2.2 云计算技术体系架构 |
| 2.2.3 云环境下关键技术 |
| 2.3 负载均衡策略 |
| 2.3.1 负载均衡定义 |
| 2.3.2 基于数据划分的负载均衡策略 |
| 2.3.3 基于任务调度的负载均衡策略 |
| 2.3.4 基于资源调度的负载均衡策略 |
| 2.4 本章小结 |
| 第三章 云环境下海量矢量数据存储模型设计 |
| 3.1 矢量数据存储模型设计 |
| 3.1.1 RowKey的设计 |
| 3.1.2 列族的设计 |
| 3.2 基于Spark的海量矢量数据并行导入技术设计 |
| 3.3 云存储模型下二级索引设计 |
| 3.3.1 基于属性查询的二级多列索引表设计 |
| 3.3.2 基于空间范围查询的索引表设计 |
| 3.4 基于Hilbert编码的并行区域查询方法 |
| 3.5 本章小结 |
| 第四章 云环境下顾及计算复杂度的负载均衡策略研究 |
| 4.1 复杂度对高性能空间分析计算效率的影响 |
| 4.2 矢量空间数据计算复杂度模型的构建 |
| 4.2.1 空间算法特征分析 |
| 4.2.2 影响指数分析 |
| 4.2.3 影响指数筛选 |
| 4.2.4 复杂度模型构建 |
| 4.2.5 复杂度模型验证 |
| 4.3 高性能空间分析中顾及计算复杂度的数据划分策略 |
| 4.3.1 顾及计算复杂度的数据划分策略 |
| 4.3.2 高性能空间分析中基于计算复杂度的数据划分策略计算流程 |
| 4.4 本章小结 |
| 第五章 原型系统的实现 |
| 5.1 系统架构设计 |
| 5.2 系统运行环境 |
| 5.2.1 硬件环境 |
| 5.2.2 软件环境 |
| 5.2.3 集群环境运行示列 |
| 5.3 实验结果及分析 |
| 5.3.1 数据入库性能分析 |
| 5.3.2 数据查询分析 |
| 5.3.3 顾及计算复杂度的并行叠置性能分析 |
| 5.3.4 顾及计算复杂度的统计汇总性能分析 |
| 5.4 本章小结 |
| 第六章 结论及展望 |
| 6.1 结论 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录 A |
（8）基于GIS空间聚类的城市道路事故黑点识别与成因研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 事故黑点识别 |
| 1.2.2 事故黑点成因分析 |
| 1.2.3 研究现状总结 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 城市道路交通事故黑点识别方法研究 |
| 2.1 事故黑点的定义 |
| 2.2 事故黑点的识别方法研究 |
| 2.2.1 现有事故黑点识别方法 |
| 2.2.2 事故黑点识别方法的分析评价 |
| 2.3 事故黑点GIS空间分析研究 |
| 2.3.1 空间数据表示 |
| 2.3.2 缓冲区分析 |
| 2.3.3 叠置分析 |
| 2.4 事故黑点聚类分析算法研究 |
| 2.4.1 聚类分析基本原理 |
| 2.4.2 常用聚类算法研究与可行性分析 |
| 2.4.3 K-Means聚类算法选用 |
| 2.5 本章小结 |
| 第三章 GIS空间聚类的城市道路事故黑点识别 |
| 3.1 安庆市道路交通现状概述 |
| 3.2 事故数据源处理 |
| 3.2.1 道路网络矢量化处理 |
| 3.2.2 交通事故数据的获取 |
| 3.3 GIS缓冲区叠置分析 |
| 3.3.1 缓冲区设置 |
| 3.3.2 交通事故严重程度描述 |
| 3.3.3 叠置分析 |
| 3.3.4 缓冲区与叠置分析鉴别事故黑点的应用 |
| 3.4 基于网格的k-means聚类分析改进 |
| 3.4.1 基于GIS的网络分析与空间链接 |
| 3.4.2 基于网格的K-means聚类分析 |
| 3.4.3 GIS空间聚类分析鉴别事故黑点的应用 |
| 3.5 本章小结 |
| 第四章 城市道路事故黑点影响因素及治理研究 |
| 4.1 安庆市中心城区交通事故分布规律及形态类型 |
| 4.1.1 中心城区交通事故时间分布规律 |
| 4.1.2 中心城区交通事故空间分布规律 |
| 4.1.3 道路交通事故的形态类型 |
| 4.2 城市道路交通事故影响因素研究 |
| 4.2.1 驾驶员因素 |
| 4.2.2 道路因素 |
| 4.2.3 车辆因素 |
| 4.2.4 环境因素 |
| 4.3 城市道路交通事故成因的综合评价 |
| 4.3.1 构建指标体系与判断矩阵 |
| 4.3.2 影响因素指标权重的求解 |
| 4.4 城市道路交通事故治理对策研究 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（9）GIS空间分析原理在单身公寓室内设计中的适用性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景 |
| 1.1.1 GIS空间分析概念 |
| 1.1.2 单身公寓概念 |
| 1.1.3 单身潮的爆发及影响 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究框架 |
| 1.3.3 研究方法 |
| 1.4 国内外研究现状 |
| 1.4.1 国外研究现状 |
| 1.4.2 国内研究现状 |
| 2 单身公寓居住人群分析 |
| 2.1 单身公寓居住人群基本特征分析 |
| 2.1.1 人口结构特征 |
| 2.1.2 行为学特征 |
| 2.1.3 人群类型 |
| 2.2 单身公寓居住人群对室内空间的需求分析 |
| 2.3 本章小结 |
| 3 单身公寓室内设计研究 |
| 3.1 动线规划 |
| 3.1.1 动线种类 |
| 3.1.2 动线规划要点 |
| 3.1.3 单人动线的简化原则 |
| 3.2 家具陈设 |
| 3.2.1 家具陈设种类 |
| 3.2.2 家具陈设与功能空间 |
| 3.2.3 单身公寓对家具的要求 |
| 3.3 空间布局 |
| 3.3.1 人体尺寸与室内尺度 |
| 3.3.2 单身公寓空间布局方法 |
| 3.4 本章小结 |
| 4 适用于单身公寓室内设计的GIS空间分析原理研究 |
| 4.1 GIS空间分析方法在室内设计中的可应用性研究 |
| 4.2 适用于单身公寓室内设计的GIS空间分析方法 |
| 4.2.1 路径分析 |
| 4.2.2 叠置分析 |
| 4.2.3 空间量算 |
| 4.3 GIS空间分析方法与单身公寓室内设计的相关性研究 |
| 4.3.1 路径分析与单身公寓动线规划 |
| 4.3.2 叠置分析与单身公寓家具陈设 |
| 4.3.3 空间量算与单身公寓空间布局 |
| 4.4 本章小结 |
| 5 GIS空间分析原理在单身公寓室内中的设计策略 |
| 5.1 路径分析在单身公寓动线规划中的运用 |
| 5.1.1 单身公寓动线最短路径规划方法 |
| 5.1.2 单身公寓35m~2动线最短路径规划 |
| 5.2 叠置分析在单身公寓家具陈设中的设计 |
| 5.2.1 单身公寓家具功能叠置的方法 |
| 5.2.2 单身公寓多功能茶几家具设计 |
| 5.3 空间量算在单身公寓空间布局中的可行性策略 |
| 5.3.1 单身公寓空间布局中的量算方法 |
| 5.3.2 单身公寓36m~2空间布局的量算 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
四、多边形叠置分析算法研究（论文参考文献）
- [1]基于Cesium框架的3D WebGIS空间叠置分析设计与实现[D]. 骆元鹏. 中国矿业大学, 2021
- [2]基于Spark的地理空间分析算法并行计算[D]. 徐朔. 昆明理工大学, 2021(01)
- [3]叠置计算中多边形形状复杂度的度量研究[J]. 蒋元义,金宝轩,赵康,周孙宇. 测绘科学, 2020(11)
- [4]云环境下海量矢量数据叠置分析方法研究[J]. 王昌,陈建裕,乔丰. 测绘科学, 2020(07)
- [5]基于Spark的海量复杂多边形并行叠置分析方法研究[D]. 王昌. 南京大学, 2020(12)
- [6]基于矢量大数据计算复杂度的资源调度模型研究[D]. 周孙宇. 昆明理工大学, 2020(05)
- [7]云计算环境下海量矢量数据的高效存储与并行叠置分析[D]. 蒋元义. 昆明理工大学, 2020
- [8]基于GIS空间聚类的城市道路事故黑点识别与成因研究[D]. 陈诺. 长安大学, 2020(06)
- [9]GIS空间分析原理在单身公寓室内设计中的适用性研究[D]. 韦兰心. 东北林业大学, 2020(02)
- [10]面向空间关系复合的矢量多边形图形拓扑叠置分析算法[J]. 谢顺平,叶罕霖. 计算机辅助设计与图形学学报, 2018(09)