本發(fā)明屬于Spark技術(shù)領(lǐng)域,是一種移動(dòng)互聯(lián)網(wǎng)和云計(jì)算環(huán)境下子空間Skyline查詢(xún)的智能商店選址通信系統(tǒng)，其中涉及到網(wǎng)格剪枝策略、α-filtering過(guò)濾方法、β-filtering、γ-filtering過(guò)濾方法，以及智能移動(dòng)終端應(yīng)用的開(kāi)發(fā)。

背景技術(shù)：

隨著現(xiàn)代科學(xué)技術(shù)特別是信息技術(shù)的不斷發(fā)展，智能技術(shù)在各行各業(yè)得到了越來(lái)越多的應(yīng)用。從智能商店選址通信系統(tǒng)、智能家居、智能交通、智能電網(wǎng)等到2009年由IBM提出“智慧地球”的概念，智能技術(shù)正在改變的生活。智能商店選址通信系統(tǒng)通過(guò)對(duì)商店內(nèi)設(shè)備、環(huán)境和使用者信息的采集、監(jiān)測(cè)、管理和控制，實(shí)現(xiàn)商店環(huán)境的組合優(yōu)化，從而為使用者提供滿(mǎn)足商店物設(shè)計(jì)功能需求和現(xiàn)代信息技術(shù)應(yīng)用需求。例如上海新國(guó)際博覽中心采用國(guó)際先進(jìn)的CERBERCED的CS11消防智能報(bào)警系統(tǒng)，各火災(zāi)報(bào)警控制盤(pán)之間通過(guò)網(wǎng)絡(luò)可以交換命令和信息，做到信息共享，工作人員只需在消防中心設(shè)置一臺(tái)CS11主機(jī)，而在其它展廳的設(shè)備間里各設(shè)置一臺(tái)多功能分機(jī)(UT)，日常則無(wú)需人管理。

然而，爆炸式增長(zhǎng)的商店數(shù)據(jù)已遠(yuǎn)遠(yuǎn)超出人們所能承受的程度，對(duì)于海量的商店數(shù)據(jù)，如何能夠快速有效地進(jìn)行管理與檢索，繼而從中獲取潛在的有價(jià)值的信息成為人們關(guān)注的問(wèn)題。海量數(shù)據(jù)的增長(zhǎng)，使得傳統(tǒng)的數(shù)據(jù)分析處理技術(shù)已經(jīng)越來(lái)越不適應(yīng)當(dāng)前密集型數(shù)據(jù)分析和處理的需求。為了節(jié)約成本，為大規(guī)模數(shù)據(jù)的存儲(chǔ)和計(jì)算提供分布式處理框架，云計(jì)算、大數(shù)據(jù)、云存儲(chǔ)、Spark、BigTable等相關(guān)技術(shù)被提出。云計(jì)算作為新興的分布式共享計(jì)算平臺(tái)，它可以建立在大規(guī)模廉價(jià)PC機(jī)的基礎(chǔ)上，利用網(wǎng)絡(luò)中的資源進(jìn)行海量數(shù)據(jù)的存儲(chǔ)和計(jì)算。由于云計(jì)算技術(shù)非常適合處理海量數(shù)據(jù)，許多公司研究并開(kāi)發(fā)了云計(jì)算處理平臺(tái)，其中包括Google的搜索引擎云平臺(tái)、IBM的“藍(lán)云”平臺(tái)、Amazon的彈性計(jì)算云和Hadoop開(kāi)源云平臺(tái)等。Hadoop作為一種大規(guī)模數(shù)據(jù)分布式處理的軟件框架，它的核心技術(shù)包含分布式文件系統(tǒng)HDFS和并行編程模型。思科公司預(yù)測(cè)，2016年全球?qū)⒂?9％的數(shù)據(jù)中心托管著云計(jì)算平臺(tái)。海量數(shù)據(jù)存儲(chǔ)在這些云計(jì)算平臺(tái)中，由于數(shù)據(jù)量過(guò)大，使得這些海量數(shù)據(jù)處理技術(shù)對(duì)軟硬件要求非常高、系統(tǒng)資源占用非常多，帶來(lái)了算法效率低下的問(wèn)題。海量數(shù)據(jù)處理是一個(gè)熱點(diǎn)的研究方向，眾多學(xué)者們依托云計(jì)算平臺(tái)提出很多新的高效的海量數(shù)據(jù)處理算法，Skyline算法是其中的一種高效的數(shù)據(jù)查詢(xún)和提取方法，可以快速地從海量數(shù)據(jù)中抽取出關(guān)鍵的信息，大大減少數(shù)據(jù)量，降低海量數(shù)據(jù)處理中對(duì)軟硬件的要求，提高數(shù)據(jù)處理的效率。Skyline算法作為一種有效的數(shù)據(jù)提取與處理方法，主要考慮的是如何從龐大的數(shù)據(jù)集中找出人們最感興趣或最關(guān)心的信息，在海量數(shù)據(jù)分析處理方面具有廣泛的應(yīng)用，如多目標(biāo)決策、商店尋址、環(huán)境監(jiān)控、圖像檢索、個(gè)性化推薦、數(shù)據(jù)挖掘等。Skyline查詢(xún)可以為用戶(hù)在決策過(guò)程中提供多屬性的評(píng)判原則，評(píng)價(jià)函數(shù)也可以根據(jù)不同的應(yīng)用采用不同的測(cè)量方法(例如歐幾里德距離、空間距離等)以提升用戶(hù)的體驗(yàn)質(zhì)量；對(duì)海量商務(wù)交易數(shù)據(jù)記錄，Skyline計(jì)算能幫助市場(chǎng)分析人員進(jìn)行價(jià)格及市場(chǎng)策略的定位；在環(huán)境監(jiān)控中，通過(guò)分析傳感器網(wǎng)絡(luò)積累起來(lái)的海量數(shù)據(jù)，可以分析評(píng)價(jià)出潛在的自然災(zāi)害與風(fēng)險(xiǎn)。此外，Skyline查詢(xún)也被應(yīng)用到圖像檢索，商店尋址等領(lǐng)域。傳統(tǒng)的數(shù)據(jù)提取和分析方法已不能適用于如今爆炸性增長(zhǎng)的數(shù)據(jù)。

技術(shù)實(shí)現(xiàn)要素：

根據(jù)上述背景技術(shù)中存在的缺陷和不足，本發(fā)明提供了移動(dòng)互聯(lián)網(wǎng)和云計(jì)算環(huán)境下的子空間Skyline查詢(xún)的智能商店選址通信系統(tǒng)，以改進(jìn)現(xiàn)有的對(duì)大量商店數(shù)據(jù)提取和分析方法，大大減少數(shù)據(jù)量，降低海量數(shù)據(jù)處理中對(duì)軟硬件的要求，提高數(shù)據(jù)處理的效率。

為了實(shí)現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案是：

一種移動(dòng)互聯(lián)網(wǎng)和云計(jì)算環(huán)境下子空間Skyline查詢(xún)的智能商店選址系統(tǒng)，包括云中心服務(wù)系統(tǒng)和移動(dòng)終端，云中心服務(wù)系統(tǒng)主要是由多個(gè)計(jì)算節(jié)點(diǎn)組成的Spark云平臺(tái)；云中心服務(wù)系統(tǒng)接收移動(dòng)終端發(fā)送的商店選址查詢(xún)請(qǐng)求，該查詢(xún)請(qǐng)求包括對(duì)屬性的偏好及各屬性的閾值，且云中心服務(wù)系統(tǒng)執(zhí)行網(wǎng)格剪枝策略及分布式映射過(guò)濾方法，承擔(dān)空間Skyline查詢(xún)流的主要計(jì)算，并向移動(dòng)終端返回查詢(xún)得到的商店選址。

進(jìn)一步的，云中心服務(wù)系統(tǒng)接收移動(dòng)終端發(fā)送的商店選址查詢(xún)請(qǐng)求，從其存儲(chǔ)的已有的商店信息中提取用戶(hù)感興趣數(shù)據(jù)，并且按照用戶(hù)偏好對(duì)其進(jìn)行排序得到一個(gè)有序的數(shù)據(jù)集，然后掃描比較數(shù)據(jù)點(diǎn)的支配關(guān)系得到子空間Skyline結(jié)果，云中心服務(wù)系統(tǒng)基于分布式映射過(guò)濾方法，利用用戶(hù)提供的屬性的閾值進(jìn)行過(guò)濾，返回給移動(dòng)終端以商店選址的候選結(jié)果集。

進(jìn)一步的，網(wǎng)格剪枝策略的處理步驟具體為：一個(gè)d維的商店數(shù)據(jù)空間S，其包括商店物的結(jié)構(gòu)數(shù)據(jù)、商店物內(nèi)部設(shè)備數(shù)據(jù)、商店物的環(huán)境數(shù)據(jù)，P是商店數(shù)據(jù)空間S上的數(shù)據(jù)集，每個(gè)商店數(shù)據(jù)點(diǎn)p∈P被表示為{x₁,x₂,...,x_d}，每一維網(wǎng)格的寬度表示為λ_i，數(shù)據(jù)集中任意數(shù)據(jù)點(diǎn)p的網(wǎng)格坐標(biāo)通過(guò)計(jì)算得到，即任意網(wǎng)格的標(biāo)識(shí)表示為Intkey_j，它在網(wǎng)格空間中的坐標(biāo)表示為(Intkey_j.x₁,Intkey_j.x₂,...,Intkey_j.x_d)，數(shù)據(jù)集P中的每個(gè)數(shù)據(jù)點(diǎn)都會(huì)被映射到相應(yīng)的網(wǎng)格中，對(duì)應(yīng)一個(gè)網(wǎng)格單元橋；假定存在一個(gè)二元偏序關(guān)系＞是在子空間F上的，偏序關(guān)系＞表示在F中屬性重要性的大于關(guān)系，f₁,f₂是F上的兩個(gè)屬性，f₁,f₂∈F，如果f₁的重要性大于f₂，那么它們的偏序關(guān)系可以表示為f₁＞f₂，得到一個(gè)有序的k維子空間{f₁,f₂,...,f_k}。

進(jìn)一步的，α-filtering過(guò)濾方法的處理步驟具體為：假定屬性取值越小越好，多目標(biāo)決策的優(yōu)化函數(shù)可被定義為min(f₁(x),f₂(x),...,f_k(x))，其中x∈P，f_i(x)是數(shù)據(jù)對(duì)象x在第i維屬性上的取值。

上述公式用來(lái)計(jì)算第一維屬性上取值最偏離用戶(hù)偏好的商店數(shù)據(jù)對(duì)象集合R₁，R₀表示初始化商店數(shù)據(jù)集P，由此獲得第一維屬性上取值相對(duì)優(yōu)的商店數(shù)據(jù)集合接下來(lái)在第一維已經(jīng)相對(duì)優(yōu)的商店數(shù)據(jù)集合中，利用公式(4.2)獲得第二維屬性取值最差的商店數(shù)據(jù)對(duì)象集合，然后從商店數(shù)據(jù)集合中剔除掉，以此類(lèi)推，最后得到k維屬性取值都相對(duì)優(yōu)的商店數(shù)據(jù)對(duì)象集合

進(jìn)一步的，β-filtering過(guò)濾方法處理步驟具體為：假定商店子空間F中的屬性按用戶(hù)偏好排序的結(jié)果為{Mileage,Price,OccupancyRate}，β₁(β₂,β₃)是每個(gè)屬性對(duì)應(yīng)的閾值，當(dāng)β₁＝1時(shí)，計(jì)算得到R₁＝{p₅,p₆}，而當(dāng)β₁＝7/9時(shí)，R₁＝{p₅,p₆,p₁,p₉}，其中：P是在商店數(shù)據(jù)空間上的數(shù)據(jù)集。

進(jìn)一步的，所述分布式映射過(guò)濾的方法，其特征在于，在Spark的Map過(guò)程中，利用α-filtering、β-filtering過(guò)濾方法進(jìn)行過(guò)濾，在過(guò)濾后對(duì)不符合用戶(hù)偏好的數(shù)據(jù)進(jìn)行預(yù)處理；在Map階段的最后，根據(jù)關(guān)鍵詞key進(jìn)行value值的哈希匹配的過(guò)程為γ-filtering過(guò)濾方法，如果該所述哈希匹配不成功則通過(guò)洗牌過(guò)程送到Reduce端匯總處理，如圖5。

進(jìn)一步的，子空間Skyline查詢(xún)(如圖2)的定義為：假定一個(gè)d維的商店數(shù)據(jù)空間S＝{s₁,s₂,...,s_d}，P＝{p₁,p₂,...,p_n}是用戶(hù)申請(qǐng)查詢(xún)的商店信息，每個(gè)用戶(hù)申請(qǐng)查詢(xún)的商店數(shù)據(jù)點(diǎn)p_i∈P都是空間S上的d維商店數(shù)據(jù)點(diǎn)；

F是商店數(shù)據(jù)空間S上的子空間，云中心服務(wù)系統(tǒng)利用網(wǎng)格剪枝策略將數(shù)據(jù)空間S分成一個(gè)個(gè)子空間，|F|＝k且k≤d，d是全空間數(shù)據(jù)維數(shù)k子空間數(shù)據(jù)維數(shù),全空間F中提取用戶(hù)感興趣的字段是k，在商店數(shù)據(jù)空間S上的用戶(hù)申請(qǐng)查詢(xún)數(shù)據(jù)對(duì)象p_i，p_i在子空間F上的投影即為用戶(hù)申請(qǐng)查詢(xún)的商店數(shù)據(jù)與剪枝后的數(shù)據(jù)子空間重合，也便是云服務(wù)中心系統(tǒng)篩選的商店數(shù)據(jù)是用戶(hù)所需要的，也被表示為p′_i是k元組，當(dāng)且僅當(dāng)子空間F上不存在用戶(hù)不需要的商店數(shù)據(jù)點(diǎn)p′_j支配用戶(hù)需要的商店數(shù)據(jù)p′_i，p′_i是云中心服務(wù)系統(tǒng)通過(guò)子空間Skyline得到的結(jié)果。

進(jìn)一步的，云中心服務(wù)系統(tǒng)執(zhí)行網(wǎng)格剪枝策略及分布式映射過(guò)濾方法，承擔(dān)空間Skyline查詢(xún)流的主要計(jì)算的方法是：利用Spark作業(yè)將輸入的數(shù)據(jù)以<key,value>對(duì)的形式生成索引文件，然后啟動(dòng)Spark作業(yè)掃描整個(gè)索引文件，讀索引文件到Hashmap中，它是一種hash結(jié)構(gòu)，包含兩部分內(nèi)容：key和value，數(shù)據(jù)結(jié)構(gòu)中的key部分用來(lái)緩存每維屬性的值，value部分用來(lái)緩存具有相同值的數(shù)據(jù)對(duì)象編號(hào)的列表，所有取該值的數(shù)據(jù)對(duì)象被包含在列表里。

有益效果：上述以改進(jìn)現(xiàn)有的對(duì)大量商店數(shù)據(jù)提取和分析方法，大大減少數(shù)據(jù)量，降低海量數(shù)據(jù)處理中對(duì)軟硬件的要求，提高數(shù)據(jù)處理的效率。

附圖說(shuō)明

圖1為移動(dòng)互聯(lián)網(wǎng)和云計(jì)算環(huán)境下子空間Skyline查詢(xún)的智能商店選址通信系統(tǒng)示意圖；

圖2為子空間Skyline查詢(xún)的系統(tǒng)模型示意圖；

圖3為基于網(wǎng)格的剪枝策略示意圖；

圖4為α-filtering過(guò)濾公式示意圖；

圖5為Spark構(gòu)建索引文件示意圖；

圖6為子空間Skyline查詢(xún)過(guò)程具體實(shí)施過(guò)程示意圖。

實(shí)施例1：移動(dòng)互聯(lián)網(wǎng)和云計(jì)算環(huán)境下子空間Skyline查詢(xún)系統(tǒng)，包括云中心服務(wù)系統(tǒng)和智能移動(dòng)客戶(hù)端系統(tǒng)，其中的云中心服務(wù)系統(tǒng)提供網(wǎng)格剪枝策略及α-filtering、β-filtering和γ-filtering過(guò)濾，來(lái)執(zhí)行Skyline算法，智能移動(dòng)客戶(hù)端便對(duì)屬性的偏好程度并輸入各屬性的閾值并且發(fā)送查詢(xún)結(jié)果，來(lái)完善商店的屬性。即該系統(tǒng)執(zhí)行步驟如下：

S1.云中心服務(wù)系統(tǒng)以Skyline算法提供網(wǎng)格剪枝策略，對(duì)大規(guī)模數(shù)據(jù)進(jìn)行篩選。

S2.智能移動(dòng)客戶(hù)端在終端設(shè)備上運(yùn)行程序，通過(guò)服務(wù)器進(jìn)行通信，發(fā)送請(qǐng)求，并與云中心服務(wù)系統(tǒng)進(jìn)行信息交互。

在一個(gè)實(shí)施例中，利用其中的算法，將商店內(nèi)設(shè)備、環(huán)境和使用者信息的采集、監(jiān)測(cè)、管理和控制集為一體，有效地實(shí)現(xiàn)組合一體化。在商店中，將商店一系列的龐大的數(shù)據(jù)庫(kù)都交付于skyline算法，并通過(guò)這種算法進(jìn)行檢測(cè)商店的相關(guān)參數(shù)，可以得到更快的定址選擇，從而讓商店定址這個(gè)龐大的整體歸結(jié)為一個(gè)小的分支任務(wù)，在通過(guò)移動(dòng)客戶(hù)端的操控，一套完整高效商店定址方法便脫穎而出。

在另一實(shí)施例中，面對(duì)高密度的居住地，保障人民生活安全的問(wèn)題便顯得尤為重要，正是基于這一點(diǎn)，通過(guò)前線設(shè)備連接后臺(tái)服務(wù)中心，以商店為平臺(tái)，強(qiáng)調(diào)智能化系統(tǒng)設(shè)計(jì)與商店定址方法的配合和協(xié)調(diào)，如各類(lèi)智能參數(shù)如：綜合布線系統(tǒng)(GCS，PDS)、火災(zāi)報(bào)警系統(tǒng)(SAS)、商店設(shè)備管理系統(tǒng)(BAS)、火災(zāi)報(bào)警系統(tǒng)(FAS)等，將商店本身的情況如實(shí)的匯報(bào)，集多層技術(shù)于一身，通過(guò)用戶(hù)的喜好來(lái)進(jìn)行Skyline決策，從而更好的進(jìn)行定址選擇。當(dāng)一個(gè)商家在選擇最佳商店定址時(shí)，可以根據(jù)多重因素，在大規(guī)模數(shù)據(jù)的基礎(chǔ)上，在觸控屏上，以交互的方式根據(jù)喜好進(jìn)行三種skyline數(shù)據(jù)過(guò)濾方法的因素定義，從而在大量影響因素中，快速找到滿(mǎn)足自已要求的商店地址。

在一個(gè)實(shí)施例中，智能商店選址通信系統(tǒng)具備智能控制效果，大大加強(qiáng)于普通的控制方式，與傳統(tǒng)自動(dòng)控制系統(tǒng)相比,基于Skyline的多目標(biāo)智能決策系統(tǒng)具有快速空間大數(shù)據(jù)結(jié)構(gòu)分析的特點(diǎn),能總體自尋優(yōu),具有自適應(yīng)、自組織、自學(xué)習(xí)和自協(xié)調(diào)能力，其可以利用多過(guò)濾算法自動(dòng)地完成其目標(biāo)的控制過(guò)程,其智能機(jī)可以在熟悉或不熟悉的環(huán)境中自動(dòng)地或人機(jī)交互地完成擬人任務(wù)，進(jìn)一步的減少人類(lèi)主觀選擇的誤差與決策隨機(jī)不準(zhǔn)確性?？梢栽诖怂惴ǖ幕A(chǔ)上，利用分布式計(jì)算與大數(shù)據(jù)存儲(chǔ)與智能處理，從分析對(duì)象出發(fā)，構(gòu)建模擬邏輯和神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上，將好的優(yōu)勢(shì)傳承給下一代，是為智能算法，一步步地完善商店網(wǎng)絡(luò)智能定址系統(tǒng)，以高速度計(jì)算并處理龐大而復(fù)雜的商務(wù)數(shù)據(jù)。

在一個(gè)實(shí)施例中，基于云計(jì)算分布式處理系統(tǒng)，采取了分布式映射過(guò)濾的方法，在Spark的Map過(guò)程中，利用α-filtering、β-filtering進(jìn)行過(guò)濾，在過(guò)濾后對(duì)不符合用戶(hù)喜好的商店定址數(shù)據(jù)進(jìn)行了預(yù)處理，在此過(guò)程中如果同時(shí)滿(mǎn)足了α-filtering、β-filtering過(guò)程的結(jié)果，有部分結(jié)果因?yàn)閟kyline的過(guò)度過(guò)濾會(huì)也key值不符，所以在Map階段的最后根據(jù)關(guān)鍵詞key進(jìn)行value值的哈希匹配，稱(chēng)為γ-filtering，如果匹配不成功則進(jìn)一步進(jìn)行過(guò)濾，然后通過(guò)洗牌過(guò)程送到Reduce端進(jìn)行進(jìn)一步匯總處理。這種過(guò)濾方法利用了Spark的分布處理機(jī)制。因?yàn)檫^(guò)濾掉了大的輸入，同時(shí)對(duì)分布式系統(tǒng)的處理性能也有了提高，同時(shí)減少了用戶(hù)等待時(shí)間，加強(qiáng)了用戶(hù)的體驗(yàn)效果。

實(shí)施例2：一種移動(dòng)互聯(lián)網(wǎng)和云計(jì)算環(huán)境下子空間Skyline查詢(xún)的智能商店選址系統(tǒng)，云中心服務(wù)系統(tǒng)主要是由多個(gè)計(jì)算節(jié)點(diǎn)組成的Spark云平臺(tái)；云中心服務(wù)系統(tǒng)接收移動(dòng)終端發(fā)送的商店選址查詢(xún)請(qǐng)求，該查詢(xún)請(qǐng)求包括對(duì)屬性的偏好及各屬性的閾值，且云中心服務(wù)系統(tǒng)執(zhí)行網(wǎng)格剪枝策略及分布式映射過(guò)濾方法，承擔(dān)子空間Skyline查詢(xún)流的主要計(jì)算，并向移動(dòng)終端返回查詢(xún)得到的商店選址。云中心服務(wù)系統(tǒng)接收移動(dòng)終端發(fā)送的商店選址查詢(xún)請(qǐng)求，從其存儲(chǔ)的已有的商店信息中提取用戶(hù)感興趣數(shù)據(jù)，并且按照用戶(hù)偏好對(duì)其進(jìn)行排序得到一個(gè)有序的數(shù)據(jù)集，然后掃描比較數(shù)據(jù)點(diǎn)的支配關(guān)系得到子空間Skyline結(jié)果，云中心服務(wù)系統(tǒng)基于分布式映射過(guò)濾方法，利用用戶(hù)提供的屬性的閾值進(jìn)行過(guò)濾，返回給移動(dòng)終端以商店選址的候選結(jié)果集。

在一個(gè)實(shí)施例中，網(wǎng)格剪枝策略的處理步驟具體為：一個(gè)d維的商店數(shù)據(jù)空間S，其包括商店物的結(jié)構(gòu)數(shù)據(jù)、商店物內(nèi)部設(shè)備數(shù)據(jù)、商店物的環(huán)境數(shù)據(jù)，P是商店數(shù)據(jù)空間S上的數(shù)據(jù)集，每個(gè)商店數(shù)據(jù)點(diǎn)p∈P被表示為{x₁,x₂,...,x_d}，每一維網(wǎng)格的寬度表示為λ_i，數(shù)據(jù)集中任意數(shù)據(jù)點(diǎn)p的網(wǎng)格坐標(biāo)通過(guò)計(jì)算得到，即任意網(wǎng)格的標(biāo)識(shí)表示為Intkey_j，它在網(wǎng)格空間中的坐標(biāo)表示為(Intkey_j.x₁,Intkey_j.x₂,...,Intkey_j.x_d)，數(shù)據(jù)集P中的每個(gè)數(shù)據(jù)點(diǎn)都會(huì)被映射到相應(yīng)的網(wǎng)格中，對(duì)應(yīng)一個(gè)網(wǎng)格單元橋；

假定存在一個(gè)二元偏序關(guān)系＞是在子空間F上的，偏序關(guān)系＞表示在F中屬性重要性的大于關(guān)系，f₁,f₂是F上的兩個(gè)屬性，f₁,f₂∈F，如果f₁的重要性大于f₂，那么它們的偏序關(guān)系可以表示為f₁＞f₂，得到一個(gè)有序的k維子空間{f₁,f₂,...,f_k}。

在另一個(gè)實(shí)施例中，α-filtering過(guò)濾方法的處理步驟具體為：假定屬性取值越小越好，多目標(biāo)決策的優(yōu)化函數(shù)可被定義為min(f₁(x),f₂(x),...,f_k(x))，其中x∈P，f_i(x)是數(shù)據(jù)對(duì)象x在第i維屬性上的取值。

上述公式用來(lái)計(jì)算第一維屬性上取值最偏離用戶(hù)偏好的商店數(shù)據(jù)對(duì)象集合R₁(商店物的結(jié)構(gòu)數(shù)據(jù))，R₀表示初始化商店數(shù)據(jù)集P，由此獲得第一維屬性上取值相對(duì)優(yōu)的商店數(shù)據(jù)集合(即在這一維屬性中相對(duì)符合用戶(hù)預(yù)期的回復(fù)數(shù)據(jù)集)接下來(lái)在第一維已經(jīng)相對(duì)優(yōu)的商店數(shù)據(jù)集合中，利用公式(4.2)獲得第二維屬性取值最差的商店數(shù)據(jù)對(duì)象集合(即在這二維屬性中最不符合用戶(hù)想要的數(shù)據(jù)集)，然后從商店數(shù)據(jù)集合中剔除掉，以此類(lèi)推，最后得到k維屬性取值都相對(duì)優(yōu)的商店數(shù)據(jù)對(duì)象集合

在一個(gè)實(shí)施例中，β-filtering過(guò)濾方法處理步驟具體為：假定商店子空間F中的屬性按用戶(hù)偏好排序的結(jié)果為{Mileage,Price,OccupancyRate}，β₁(β₂,β₃)是每個(gè)屬性對(duì)應(yīng)的閾值，當(dāng)β₁＝1時(shí)，計(jì)算得到R₁＝{p₅,p₆}，而當(dāng)β₁＝7/9時(shí)，R₁＝{p₅,p₆,p₁,p₉}，其中：P是在商店數(shù)據(jù)空間上的數(shù)據(jù)集。

在一個(gè)實(shí)施例中，所述分布式映射過(guò)濾的方法，在Spark的Map過(guò)程中，利用α-filtering、β-filtering過(guò)濾方法進(jìn)行過(guò)濾，在過(guò)濾后對(duì)不符合用戶(hù)偏好的數(shù)據(jù)進(jìn)行預(yù)處理；在Map階段的最后，根據(jù)關(guān)鍵詞key進(jìn)行value值的哈希匹配的過(guò)程為γ-filtering過(guò)濾方法，如果該所述哈希匹配不成功則通過(guò)洗牌過(guò)程送到Reduce端匯總處理。

在一個(gè)實(shí)施例中，子空間Skyline查詢(xún)的定義為：假定一個(gè)d維的商店數(shù)據(jù)空間S＝{s₁,s₂,...,s_d}，P＝{p₁,p₂,...,p_n}是用戶(hù)申請(qǐng)查詢(xún)的商店信息，每個(gè)用戶(hù)申請(qǐng)查詢(xún)的商店數(shù)據(jù)點(diǎn)p_i∈P都是空間S上的d維商店數(shù)據(jù)點(diǎn)；

F是商店數(shù)據(jù)空間S上的子空間，云中心服務(wù)系統(tǒng)利用網(wǎng)格剪枝策略將數(shù)據(jù)空間S分成一個(gè)個(gè)子空間，|F|＝k且k≤d，在商店數(shù)據(jù)空間S上的用戶(hù)申請(qǐng)查詢(xún)數(shù)據(jù)對(duì)象p_i，p_i在子空間F上的投影即為用戶(hù)申請(qǐng)查詢(xún)的商店數(shù)據(jù)與剪枝后的數(shù)據(jù)子空間重合，也便是云服務(wù)中心系統(tǒng)篩選的商店數(shù)據(jù)是用戶(hù)所需要的，也被表示為p′_i是k元組，當(dāng)且僅當(dāng)子空間F上不存在用戶(hù)不需要的商店數(shù)據(jù)點(diǎn)p′_j支配用戶(hù)需要的商店數(shù)據(jù)p′_i，p′_i是云中心服務(wù)系統(tǒng)通過(guò)子空間Skyline得到的結(jié)果，如圖6。

在一個(gè)實(shí)施例中，云中心服務(wù)系統(tǒng)執(zhí)行網(wǎng)格剪枝策略及分布式映射過(guò)濾方法，承擔(dān)子空間Skyline查詢(xún)流的主要計(jì)算的方法是：利用Spark作業(yè)將輸入的數(shù)據(jù)以<key,value>對(duì)的形式生成索引文件，然后啟動(dòng)Spark作業(yè)掃描整個(gè)索引文件，讀索引文件到Hashmap中，它是一種hash結(jié)構(gòu)，包含兩部分內(nèi)容：key和value，數(shù)據(jù)結(jié)構(gòu)中的key部分用來(lái)緩存每維屬性的值，value部分用來(lái)緩存具有相同值的數(shù)據(jù)對(duì)象編號(hào)的列表，所有取該值的數(shù)據(jù)對(duì)象被包含在列表里。

實(shí)施例3：一種移動(dòng)互聯(lián)網(wǎng)和云計(jì)算環(huán)境下子空間Skyline查詢(xún)的智能商店選址系統(tǒng)，涉及一種移動(dòng)互聯(lián)網(wǎng)和云計(jì)算環(huán)境下的子子空間Skyline查詢(xún)的智能商店選址通信系統(tǒng)，該系統(tǒng)由云中心服務(wù)系統(tǒng)和智能移動(dòng)客戶(hù)端組成，執(zhí)行步驟如下:

S1.云中心服務(wù)系統(tǒng)提供網(wǎng)格剪枝策略及α-filtering過(guò)濾方法、β-filtering、γ-filtering過(guò)濾方法，并進(jìn)行基于Spark的子空間Skyline算法；

S2.客戶(hù)端是運(yùn)行在手機(jī)、個(gè)人數(shù)字助理等終端設(shè)備上的應(yīng)用程序(包括北斗定位裝置與陀螺儀等應(yīng)用)，這些終端使用互聯(lián)網(wǎng)或者移動(dòng)網(wǎng)絡(luò)與服務(wù)器進(jìn)行通信，發(fā)送查詢(xún)請(qǐng)求并接收查詢(xún)結(jié)果。用戶(hù)可以在終端選擇對(duì)屬性的偏好程度并輸入各屬性的閾值，最后將查詢(xún)請(qǐng)求發(fā)送給服務(wù)器端。服務(wù)器是由多個(gè)節(jié)點(diǎn)組成的Spark云平臺(tái)，具有強(qiáng)大的計(jì)算能力，承擔(dān)著子子空間Skyline查詢(xún)的主要計(jì)算工作。

作為技術(shù)方案的補(bǔ)充，該移動(dòng)互聯(lián)網(wǎng)和云計(jì)算環(huán)境下的子空間Skyline查詢(xún)的智能商店選址通信系統(tǒng)所使用的云中心端服務(wù)系統(tǒng)由不少于一個(gè)云數(shù)據(jù)中心的網(wǎng)絡(luò)服務(wù)器或虛擬主機(jī)所構(gòu)成的，采用云計(jì)算這種并行化計(jì)算來(lái)處理大規(guī)模數(shù)據(jù)應(yīng)對(duì)于大量的需要查找商店數(shù)據(jù)的用戶(hù)，并以分布式網(wǎng)格剪枝策略和三種用戶(hù)喜歡的過(guò)濾方法進(jìn)行提取和分析已有的商店數(shù)據(jù)，通過(guò)移動(dòng)互聯(lián)網(wǎng)將選好的數(shù)據(jù)結(jié)果返回客戶(hù)端，是用戶(hù)自己進(jìn)行手動(dòng)選擇。

由云中心服務(wù)系統(tǒng)使用網(wǎng)格剪枝和三種過(guò)濾方法進(jìn)行子空間Skyline查詢(xún)，并將最優(yōu)結(jié)果返回用戶(hù)。

網(wǎng)格剪枝策略的處理步驟具體為：一個(gè)d維的商店數(shù)據(jù)空間S為云中心服務(wù)系統(tǒng)所有的商店數(shù)據(jù)，P是云中心服務(wù)系統(tǒng)將商店數(shù)據(jù)空間S分成的數(shù)據(jù)集，每個(gè)商店數(shù)據(jù)點(diǎn)p∈P被表示為{x₁,x₂,...,x_d}。每一維網(wǎng)格的寬度表示為λ_i。數(shù)據(jù)集中任意數(shù)據(jù)點(diǎn)p的網(wǎng)格坐標(biāo)可通過(guò)計(jì)算得到，即任意網(wǎng)格的標(biāo)識(shí)表示為Intkey_j，它在網(wǎng)格空間中的坐標(biāo)表示為(Intkey_j.x₁,Intkey_j.x₂,...,Intkey_j.x_d)，數(shù)據(jù)集P中的每個(gè)數(shù)據(jù)點(diǎn)都會(huì)被映射到相應(yīng)的網(wǎng)格中，對(duì)應(yīng)一個(gè)網(wǎng)格單元橋；α-filtering過(guò)濾方法的處理步驟具體為：用來(lái)計(jì)算第一維屬性上取值最偏離用戶(hù)喜好的商店數(shù)據(jù)對(duì)象集合R₁，R₀表示初始化商店數(shù)據(jù)集P，通過(guò)云中心服務(wù)系統(tǒng)將商店數(shù)據(jù)集合R₁剔除，由此可以獲得第一維屬性上取值相對(duì)優(yōu)的商店數(shù)據(jù)集合即接下來(lái)在第一維已經(jīng)相對(duì)優(yōu)的商店數(shù)據(jù)集合中，利用公式獲得第二維屬性取值最差的商店數(shù)據(jù)對(duì)象集合，然后從商店數(shù)據(jù)集合中剔除掉。以此類(lèi)推，最后得到k維屬性取值都相對(duì)優(yōu)的商店數(shù)據(jù)對(duì)象集合ε-filtering過(guò)濾方法處理步驟具體為：在SQM-filtering過(guò)濾方法的基礎(chǔ)上，提供容忍度范圍的過(guò)濾方法β-filtering。在公式3.4中，ε_i(0≤ε_i≤1)就是為第i個(gè)屬性提供的容忍度限制閾值，ε_i的取值根據(jù)用戶(hù)喜好設(shè)定，它通常會(huì)提前由用戶(hù)通過(guò)查詢(xún)請(qǐng)求一起發(fā)送給服務(wù)器，執(zhí)行查詢(xún)。這樣每次過(guò)濾掉屬性取值偏離用戶(hù)喜好的數(shù)據(jù)對(duì)象多一些，獲取最終的結(jié)果集會(huì)相對(duì)小一些。這就是本文提出的另一種過(guò)濾方法，即βfiltering過(guò)濾方法。顯然當(dāng)ε_i≡1,(i＝1,...,k)時(shí)，過(guò)濾方法βfiltering將退化為α-filtering的過(guò)濾方法。

基于網(wǎng)格剪枝策略及α-filtering和β-filtering過(guò)濾的子子空間Skyline查詢(xún)的方法為：一個(gè)d維的數(shù)據(jù)空間S＝{s₁,s₂,...,s_d}，P＝{p₁,p₂,...,p_n}是在數(shù)據(jù)空間S上的數(shù)據(jù)集，即每個(gè)數(shù)據(jù)點(diǎn)p_i∈P都是空間S上的d維數(shù)據(jù)點(diǎn)。F是數(shù)據(jù)空間S上的子空間即|F|＝k且k≤d。在數(shù)據(jù)空間S上的數(shù)據(jù)對(duì)象p_i，p_i在子空間F上的投影被表示為p′_i是k元組。如果p′_i是子空間Skyline結(jié)果，當(dāng)且僅當(dāng)子空間F上不存在點(diǎn)p′_j支配p′_i。

作為技術(shù)方案的補(bǔ)充，子空間Skyline查詢(xún)的定義為：例如酒店數(shù)據(jù)，首先利用圖6中的Spark作業(yè)將輸入的酒店數(shù)據(jù)以<key,value>對(duì)的形式生成索引文件，然后啟動(dòng)Spark作業(yè)掃描整個(gè)索引文件，讀索引文件到Hashmap中，它是一種hash結(jié)構(gòu)，包含兩部分內(nèi)容：key和value。數(shù)據(jù)結(jié)構(gòu)中的key部分用來(lái)緩存每維屬性的值，而value部分用來(lái)緩存具有相同值的數(shù)據(jù)對(duì)象編號(hào)的列表，所有取該值的數(shù)據(jù)對(duì)象被包含在列表里如圖6(a)所示。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。