基于 N-tree 的精确轨迹相似性搜索：kNN 与范围查询的高效度量索引

相似性搜索是在一组对象中查找与给定查询对象相似的对象的问题。它是现代应用中的基本问题，所考虑的对象可以涵盖空间中的位置、文本文档、图像、推特消息或移动物体的轨迹等多种类型。在本文中，我们受后一应用的启发。轨迹是移动物体（如车辆、动物、公共交通或人体部位）的记录运动。我们提出了一种新的距离函数 DistanceAvg 来捕获此类运动的相似性。为了实用，有必要为该距离度量提供索引。幸运的是我们无需从头开始。度量空间是一种通用且统一的框架，仅通过具有某些自然性质的距离（相似性）函数来组织对象集合。我们的 DistanceAvg 函数是一个度量。尽管度量索引已研究数十年且许多此类结构已可用，但它们在轨迹方面并未提供最佳性能。在本文中，我们提出了一种新设计，在 kNN 查询上优于现有最佳索引，在范围查询上同样表现出色。它特别适用于轨迹相似性搜索中出现的高代价距离函数。在许多应用中，kNN 查询比范围查询更实用，因为确定合适的搜索半径可能很困难。我们的索引为给定距离函数提供精确的结果集。