خلاصه

در زمینه وب معنایی، چارچوب توصیف منابع (RDF)، زبانی که توسط W3C پیشنهاد شده است، برای توصیف مفهومی، مدل‌سازی داده‌ها و پرس و جوی داده‌ها استفاده شده است. ثابت شده است که روش جبری روشی موثر برای پردازش پرس و جوها است و عملیات جبری در RDF به طور گسترده مورد بررسی قرار گرفته است. با این حال، مطالعه جبر RDF مکانی-زمانی به تازگی آغاز شده است و هنوز نیاز به توجه بیشتری دارد. هدف این مقاله بررسی یک چارچوب عملیاتی جبری برای نمایش محتوای داده‌های مکانی-زمانی و پشتیبانی از نمودارهای RDF است. برای انجام مطالعه خود، یک مدل داده مکانی-زمانی بر اساس RDF تعریف کردیم. بر این اساس، معناشناسی مکانی-زمانی و عملیات جبری مکانی-زمانی مورد بررسی قرار گرفت. ما پنج نوع جبر نمودار را تعریف کردیم، و به ویژه، عملیات فیلتر می تواند نمودارهای مکانی و زمانی را با استفاده از الگوی نمودار فیلتر کند. علاوه بر این، ما مشخصات نحو RDF مکانی-زمانی را برای کمک به کاربران در جستجو، پرس و جو و استدلال با نمودارهای RDF مکانی-زمانی ارائه کرده ایم. مشخصات نحوی قوانین فیلتر را نشان می دهد که به درک معنایی RDF مکانی-زمانی کمک می کند و تعدادی توابع پیشرفته را برای ساخت پرس و جوهای داده ارائه می دهد.

کلید واژه ها:

جبر نمودار ; RDF فضایی و زمانی مشخصات نحوی

1. معرفی

چارچوب توصیف منابع (RDF) [ 1 ] در ابتدا به عنوان یک مدل ابرداده برای انتشار یا تبادل داده ها در وب معنایی طراحی شد و از آن زمان به استاندارد W3C تبدیل شده است. اخیراً از آن به عنوان یک روش کلی برای توصیف مفهومی استفاده شده است و برخی از محققان شروع به تمرکز بر مدل سازی داده های مکانی و زمانی و عملیات جبری کرده اند.
در رابطه با مدل‌سازی داده‌های مکانی-زمانی، دستاوردهایی در ارائه موجودیت‌های مکانی-زمانی، مانند مدل داده‌های زمانی [ 2 ، 3 ]، مدل داده‌های مکانی [ 4 ]، و مدل داده‌های مکانی-زمانی [ 5 ] وجود دارد. در مطالعات قبلی در مورد مدل‌سازی داده‌های زمانی، Tappolet و همکاران. [ 6 ] یک نحو و قالب ذخیره سازی را بر اساس نمودارهای نامگذاری شده برای بیان یک RDF زمانی ارائه می دهد. با توجه به این واقعیت که همه موجودیت ها را می توان از طریق برچسب ها با روابط مرتبط کرد، هرناندز و همکاران. [ 7 ] رویکردی را ارائه می‌کند که معیارها و مقادیر زمانی را در قالب برچسب‌ها به نمایش مدل RDF اضافه می‌کند. در این رویکرد، سه‌گانه‌های RDF به یک پنج تایی ( s, p , o , q , v ) که در آن ( s , p , o ) به رابطه اولیه اشاره دارد، q خاصیت واجد شرایط زمانی است و v مقدار تعیین کننده زمانی است. علاوه بر این، برخی مدل‌ها وجود دارند که برچسب‌های زمانی را به سه‌گانه‌های RDF اضافه می‌کنند تا چهارتایی تشکیل دهند [ 8 ، 9 ]. علاوه بر مدل‌های زمانی، مطالعاتی در مورد مدل‌سازی فضایی RDF انجام شده است. به عنوان مثال، GeoRDF [ 10] یک نمایه سازگار با RDF برای توصیف اطلاعات هندسی (نقاط، خطوط و چندضلعی ها) است. در GeoRDF، GeoMetadataOverSvg نماد اطلاعات جغرافیایی است که نقش مهمی در اتصال داده های مکانی وب معنایی دارد. با بهره مندی از آن، GeoRDF می تواند برای نشان دادن هر نقطه روی زمین استفاده شود. با توجه به داده های مکانی-زمانی، RDF مکانی-زمانی ساختاریافته برای اولین بار توسط کوباراکیس و همکاران ارائه شد. [ 11 ]. این مدل داده های stRDF را بر اساس RDF توسعه می دهد و زبان پرس و جو stSPARQL را ارائه می دهد. سهم stRDF تنظیم اصل بازنمایی داده های مکانی-زمانی در RDF و استاندارد کردن پرس و جو داده های مکانی-زمانی است. همچنین می توان آن را برای چندین برنامه کاربردی مرتبط با فضای زمانی اعمال کرد [ 12 ، 13 ،14 ]. با این حال، اطلاعات مکانی با اطلاعات زمانی در مدل stRDF ارتباط برقرار نمی کند، به این معنی که توانایی ضعیفی برای ثبت داده های در حال تغییر پویا دارد. هنگامی که نمودار دانش در حال به روز رسانی است، تغییرات در مقادیر ویژگی مکانی-زمانی نمی تواند در زمان ثبت شود و منجر به ناسازگاری در داده ها می شود. علاوه بر این، هنگامی که ما آن را برای اطلاعات مکانی در یک زمان معین پرس و جو می کنیم، احتمالاً نتایج یا خطاهای متعددی را برمی گرداند.
با توسعه سریع پرس و جو گراف RDF [ 6 ، 15 ]، جبر گراف توجه گسترده ای را به خود جلب کرده است. این کلید استفاده از بهینه سازی استاندارد به سبک پایگاه داده برای پرس و جو است. در مطالعات قبلی، چندین جبر RDF مختلف توسط گروه های تحقیقاتی از دانشگاه پیشنهاد شده است. به دلیل فقدان جبر RDF، چنین زبان های پرس و جو از API برای توصیف معنایی خود استفاده می کنند و مسائل بهینه سازی عمدتاً نادیده گرفته شده است. برای حل این مشکل، فراسینکار و همکاران. [ 16 ] RAL (یک جبر RDF) را به عنوان یک مطالعه ریاضی مرجع برای زبان های پرس و جو RDF پیشنهاد می کند. رابرتسون [ 17] یک عملیات جبری از روابط سه گانه برای RDF پیشنهاد می کند. یکی از جنبه های مهم این جبر رمزگذاری سه گانه است که نوعی شیء سازی را پیاده سازی می کند. چن و همکاران [ 18 ] معنایی را که استنتاج را در پاسخ به پرس و جو می‌سازد، ترکیب می‌کند و جبر RDF را بر اساس مدل گراف RDF لایه‌ای پیشنهاد می‌کند. روش جبر ماتریسی MAGiQ توسط Jamour و همکاران ارائه شد. [ 19 ]. MAGiQ یک گراف RDF را به عنوان یک ماتریس پراکنده نشان می‌دهد و پرسش‌های SPARQL را به برنامه‌های جبر ماتریسی ترجمه می‌کند، که از زیرساخت نرم‌افزار موجود برای پردازش ماتریس‌های پراکنده بهره می‌برد و برای بسیاری از معماری‌ها (مانند واحدهای پردازش مرکزی (CPU)، واحدهای پردازش گرافیکی بهینه شده است. (GPU)، و معماری های توزیع شده) بدون زحمت. بر اساس کارهای قبلی، تاکار و همکاران. [20 ] عملگرهای جبر گراف موجود را از ادبیات ادغام کرده و دو عملگر پیمایش جدید را در یک جبر نمودار یکپارچه پیشنهاد می‌کند. اگرچه محققان روش های جبری زیادی را برای کمک به پرس و جوهای RDF پیشنهاد کرده اند، این روش ها یا مدل ها نمی توانند پرس و جوهای RDF مکانی-زمانی را پشتیبانی کنند. بنابراین، توسعه یک جبر نمودار RDF فضایی-زمانی نسبتاً کامل ضروری است.
با انگیزه چنین مشاهده ای، در این مقاله، عملیات جبری و مشخصات نحو مکانی-زمانی بر اساس RDF را مطالعه می کنیم. ما: ( من ) یک چارچوب عملیاتی جبری کلی برای دستکاری داده‌های مکانی-زمانی ارائه می‌کنیم، که می‌تواند محتوای داده‌ها را با وضوح بیشتری نشان دهد و به طور خاص از نمودارهای RDF مکانی-زمانی پشتیبانی کند. و ( ب ) مشخصات نحو RDF مکانی-زمانی را پیشنهاد می‌کند. پرس‌وجو از داده‌های RDF فضایی-زمانی صریح و دریافت معناشناسی RDF مکانی-زمانی بسیار سودمند خواهد بود.
ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 کارهای مرتبط را ارائه می دهد. در بخش 3 ، عملیات جبری مکانی-زمانی مبتنی بر RDF پیشنهاد شده است. بخش 4 مشخصات نحو RDF مکانی-زمانی را بررسی می کند و بخش 5 نتیجه گیری و کار آینده ما را ارائه می دهد.

2. کارهای مرتبط

از آنجایی که جبر کمک زیادی به بهینه سازی پرس و جو می کند، جبر به عنوان یک عملیات اصلی در پرس و جو شناسایی شده است. نتایج تحقیقی که در این بخش ارائه می‌شود، عمدتاً شامل آثاری درباره جبر فضایی و زمانی و جبر نمودارهای RDF می‌شود.

2.1. جبر برای داده های مکانی و زمانی

با ظهور حجم زیادی از داده های مکانی-زمانی، محققان شروع به وقف خود به مطالعه جبر مکانی-زمانی کردند. برای پشتیبانی از ویژگی های فضایی، Córcoles و همکاران. [ 21 ] زبان نشانه گذاری جغرافیایی (GML) را بر اساس XML ارائه می کند. قابلیت همکاری XML را به ارث می‌برد و امکان تبادل اطلاعات جغرافیایی در وب را فراهم می‌کند، و یک فرمت برای عملیات جبری بر اساس GML و یک زبان پرس و جو ارائه می‌شود. نسبت به داده های زمانی، پان و همکاران. [ 22 ] مجموعه‌های زمانی را در OWL-Time نشان می‌دهد و یک روش سیستماتیک برای نگاشت مجموعه‌های تکرار iCalendar به دنباله‌های زمانی OWL-Time پیشنهاد می‌کند. براتیس و همکاران [ 23] یک نمایش چهار بعدی (4D)-Fluent را پیشنهاد می کند که اطلاعات زمانی را در OWL نشان می دهد، که در آن مفاهیم متفاوت در زمان به عنوان اشیاء 4 بعدی نمایش داده می شوند و زبان پرس و جو TOQL را ارائه می دهند. باتساکیس و همکاران [ 2 ] این رویکرد را با عبارات زمانی کیفی تقویت می‌کند که امکان نمایش فواصل زمانی با نقاط شروع و پایان ناشناخته را با استفاده از رابطه آنها (به عنوان مثال، “قبل” و “بعد”) با سایر بازه‌های زمانی فراهم می‌کند. برای رسیدگی به روابط زمانی کیفی و نمایش گسترده 4D-Fluent، آنها همچنین زبان پرس و جو TOQL را گسترش می دهند. در [ 24]، موفیت و همکاران. ترکیبی از پیشرفت‌ها در پایگاه‌های داده گراف و پایگاه‌های داده رابطه‌ای زمانی. سپس، جبری به نام TGA را پیشنهاد می‌کنند که به معناشناسی نقطه‌محور پایبند است. TGA شامل تعمیم‌های زمانی اصولی عملگرهای گراف معمولی و همچنین عملگرهای جدید است که از تحلیل اکتشافی نمودارهای در حال تکامل در سطوح مختلف دانه‌بندی زمانی و ساختاری پشتیبانی می‌کنند. پری و همکاران با هدف انجام عملیات بر روی داده های مکانی-زمانی. [ 25 ] تحلیل معنایی مکانی و زمانی و حکیم پور و همکاران را مطالعه کردند. [ 26 ] رویکردهای عملی را برای پردازش داده ها در ابعاد فضا، زمان و موضوع با استفاده از فناوری های وب معنایی موجود ارائه می دهد. پری و همکاران [ 27 ] SPARQL-ST را برای پشتیبانی از پرس و جوهای مکانی-زمانی مبتنی بر SPARQL طراحی کنید. بای و همکاران [28 ] یک جبر مبتنی بر XML بومی برای دستکاری داده های XML مکانی-زمانی ایجاد کنید. در این کار، ساختار منطقی یک پایگاه داده مکانی-زمانی، سیستم های نوع داده و عملیات پرس و جو مورد بررسی قرار گرفت. بای و همکاران [ 29 ] با اطلاعات فازی سروکار دارد و یک جبر برای داده های مکانی-زمانی فازی در XML پیشنهاد می کند.

2.2. جبر نمودارهای RDF

مجموعه ای غنی از مطالعات در مورد جبر گراف RDF وجود دارد. به عنوان مثال، یک عملیات جبری از روابط سه گانه برای RDF در [ 17 ] معرفی شده است. جامور و همکاران [ 19 ] یک روش جبر ماتریسی را برای پاسخ به پرسش‌های گراف RDF پیشنهاد می‌کند. فراسینکار و همکاران [ 16 ] یک نمونه اولیه از جبر RDF، شامل سه نوع عملیات پیشنهاد می‌کند: اولی عملیات استخراج، دومی عملیات حلقه، و سومی عملیات ساخت مدل است. با این حال، RAL از پرس و جوهای ساختار گراف RDF پشتیبانی نمی کند. چن و همکاران [ 18] مجموعه ای از عملیات را برای دستکاری نمودارهای RDF معرفی می کند و جبر پرس و جو RDF (LAGAR) پیشنهاد می شود. LAGAR شامل چهار عملیات است: عملیات تطبیق الگو، عملیات ساخت و ساز، عملیات مجموعه گرافیکی، و عملیات عملکردی مرتبط، و این جبر عملیات تطبیق مدل گراف RDF را بهینه می کند. استفاده از جبر رابطه‌ای برای پردازش پرس و جو SPARQL در [ 30 ] بررسی شده است، که در آن تبدیل از SPARQL به یک جبر رابطه‌ای انتزاعی ارائه شده و تفاوت‌های بین معنایی SPARQL و مدل رابطه‌ای مورد بحث قرار گرفته است. GeoSPARQL [ 31 ] تلاش می کند تا دسترسی به داده ها را برای وب معنایی جغرافیایی یکسان کند. نبرد و همکاران [ 32 ، 33] انگیزه GeoSPARQL و پیاده سازی GeoSPARQL را شرح دهد. به منظور مدیریت بهتر داده های فازی، زو و همکاران. [ 34 ] یک نمودار فازی تصویری را بر اساس یک رابطه فازی تصویری معرفی می‌کند و کاربرد نمودار فازی تصویری را توصیف می‌کند. ما و همکاران [ 35 ] یک مدل RDF فازی را ارائه کرد. علاوه بر این، یک جبر RDF فازی به طور رسمی پیشنهاد شده است و مجموعه ای از عملیات جبری توسعه یافته است. برای بازنویسی عبارات جبر به شکلی که نیازهای خاصی را برآورده کند، آنها همچنین برخی معادلات جبری را بر اساس یک هم ریختی نمودار داده ارائه می کنند. از آنجایی که مجموعه فازی فاصله نوع 2 (IT2FS) تعداد درجات آزادی برای بیان عدم قطعیت در وزن لبه را افزایش می دهد و ظرفیت بیشتری برای توصیف اطلاعات فازی به شیوه منطقی صحیح دارد، دی و همکاران. [36 ] حداقل مشکل درخت پوشا را با یک گراف فازی با فاصله وزنی متصل غیرمستقیم نوع 2 (FMST-IT2FS) پیشنهاد می کند، که می تواند برای بهینه سازی پرس و جو نمودارهای RDF فازی استفاده شود. علاوه بر این، چندین جبر گراف RDF برای مقابله با حوزه‌های خاص، مانند پرس و جو از یک سیستم فروشگاهی سه‌گانه توزیع‌شده در مقیاس بزرگ [ 37 ] و بهینه‌سازی تطبیق الگوی نمودار RDF در MapReduce [ 38 ] پیشنهاد شده‌اند.
در سال‌های اخیر، برخی از روش‌های پرس و جو مبتنی بر RDF فضایی-زمانی، از جمله stSPARQL [ 11 ]، SPARQL-ST [ 27 ]، g st – store [ 39 ] و ST-SPARQL [ 40 ] توسعه یافته‌اند. کوباراکیس و همکاران [ 11 ] زبان پرس و جو stSPARQL را پیشنهاد می کند که پسوند SPARQL است. در مقایسه با SPARQL، این قابلیت را دارد که ویژگی‌های مکانی-زمانی را جستجو کند. دستورات اصلی عبارت SELECT ، عبارت Filter و عبارت Having هستند. از آنجایی که stRDF نمی تواند داده های مکانی-زمانی را به صورت پویا متصل کند، استفاده از stSPARQL برای پرس و جو از داده های مکانی-زمانی پویا در مقیاس بزرگ دشوار است. پری و همکاران [27 ، 41 ] چارچوبی را توصیف می کند که بر روی مدل فراداده RDF برای تجزیه و تحلیل روابط موضوعی، مکانی و زمانی بین موجودیت های نامگذاری شده ساخته شده است، و سپس یک نحو رسمی و معنایی برای SPARQL-ST بر اساس رسمی سازی نحو SPARQL ارائه شده توسط [. 42 ]. علاوه بر این، پری و همکاران. [ 43 ] همچنین یک نمای کلی از پیاده‌سازی GeoSPARQL در Oracle Spatial و Graph ارائه می‌دهد و نحوه بارگذاری، فهرست‌بندی و جستجوی داده‌های RDF فضایی را نشان می‌دهد. وانگ و همکاران [ 39 ، 44 ] یک سیستم مدیریت داده RDF یکپارچه اطلاعات مکانی-زمانی به نام g st را ارائه می دهد.-ذخیره و معرفی یک زبان پرس و جوی مکانی-زمانی که زبان SPARQL را با ادعاهای مکانی-زمانی به پرس و جو داده های RDF یکپارچه اطلاعات مکانی-زمانی گسترش می دهد. در [ 40 ]، نویسندگان یک نوع داده مکانی-زمانی ارائه کردند که داده های مکانی را در زمین هستی شناسی به داده های زمانی اضافه می کند. آنها پیشنهاد می کنند که باید در ST-OW اعمال شود زیرا استفاده از هستی شناسی ST که به داده های زمانی در سرویس وب معنایی اضافه شده است، اطلاعات جدیدی را برای استنتاج ها و پرس و جوهای مختلف در دسترس قرار می دهد.
با این حال، عملیات جبری نمودار RDF فوق الذکر عمدتاً برای مجموعه داده RDF سنتی استفاده می شود، که نمی تواند یک مجموعه داده RDF مکانی-زمانی پیچیده را مدیریت کند. بنابراین، این مقاله با هدف گسترش عملیات گراف RDF سنتی و ایجاد یک جبر گراف RDF برای داده‌های مکانی-زمانی است.

3. معناشناسی RDF مکانی و زمانی و جبر نمودار

در این بخش، معناشناسی RDF مکانی-زمانی و جبر نمودار نمودارهای دانش مکانی-زمانی را بررسی می کنیم.

3.1. معناشناسی فضای زمانی RDF

در ادامه، معنای RDF مکانی-زمانی را بیشتر مطالعه می کنیم. قبل از آن، ما یک مدل RDF مکانی-زمانی به نام stRDFS پیشنهاد می‌کنیم. stRDFS به صورت زیر تعریف می شود:

تعریف  1.

با توجه به یک مجموعه URI R، یک مجموعه راس خالی B، یک مجموعه توضیحات متنی K، یک مجموعه داده زمانی I، و یک مجموعه داده مکانی S، یک عبارت stRDFS g است (s, p: <t, l>, o) جایی که:
●
s نام منبع و s ∈ R ∪ B است.
●
p یک نام خصوصیت و p∈ R است.
●
o یک مقدار است و o ∈ R ∪ B ∪ K ∪ I ∪ S.
●
t ∈ I داده های زمانی است.
●
l ∈ S داده های مکانی است.
در تعریف 1، برای حل مشکل ناهماهنگی داده‌ها در stRDF، برچسب‌های مکانی و برچسب‌های زمانی را به گزاره اضافه می‌کنیم تا داده‌های مکانی را با داده‌های زمانی مرتبط کنیم تا یک گزاره مکانی -زمانی p را تشکیل دهیم . هنگامی که داده های مکانی-زمانی تغییر می کنند، ویژگی های مکانی-زمانی مرتبط با آنها نیز تغییر خواهند کرد.

تعریف  2.

با توجه به عبارت stRDFS g (s, p: <t, l>, o), U = {f s-o , f s-t , f s-l , f p-t , f p-l } مجموعه نگاشت g است، محدوده مقدار نگاشت f x-y به صورت Range (f x-y ) نشان داده می شود، جایی که محدوده (f x-y ) = y، و یک گراف stRDFS برای g یک گراف برچسب دار G است (V، E، F، λ، T، L)، که در آن:
●
V = s ∪ محدوده (U) مجموعه ای از رئوس است.
●
E = {(r, r’)} مجموعه ای از یال ها از r تا r’ است که در آن ∀r، r’ ∈ V است.
●
F (r، r’) = {f | (r, f: <t, l>, r’) ∈ G} مجموعه ای از نگاشت E است که در آن ∀r، r’ ∈ V* است.
●
λ مجموعه ای از برچسب ها است که توسط رئوس یا لبه ها ارائه می شود.
●
T ∈ محدوده (f s-t ∪ f p-t ).
●
L ∈ محدوده (f s-l ∪ f p-l ).
در تعریف 2، f یک رابطه نگاشت است. f s-o نگاشت را نشان می دهد که عملکرد آن به عنوان یک نام مشخصه از s به o بیان می شود. نگاشت f s-t نشان می دهد که s با داده های زمانی مرتبط است و سه گانه تشکیل شده ( s , p , t ) است. در ( s , p , t )، ویژگی «اطلاعات زمانی» را نشان می‌دهد و مقدار ویژگی t نشان‌دهنده داده‌های زمانی است. نگاشت f s-l نشان می دهد که sبا داده های مکانی مرتبط است و عبارت ( s , p, l ) است. در سه گانه، ویژگی نشان دهنده “اطلاعات مکانی” و مقدار ویژگی l نشان دهنده داده های مکانی است. نگاشت f p-t نشان می دهد که p با داده های زمانی مرتبط است و با نگاشت های دیگر ترکیب می شود تا یک تاپل stRDFS را تشکیل دهد. هنگامی که f p-t با f s-o ترکیب می شود، تاپل تشکیل شده ( s , p : t , o ) است که نشان می دهد داده های زمانی زمان معتبر ( s , p , o ) را توصیف می کنند. چه زمانیf p-t با f s-t ترکیب می شود، تاپل تشکیل شده ( s, p: t 2 , t 1 ) است که نشان می دهد زمان معتبر s t 1 است و زمان معتبر تاپل ( s , p , t 1 ) است. t 2 است . هنگامی که f p-t با f s-l ترکیب می شود ، یک تاپل ( s ، p : t ، l ) تشکیل می شود، که نشان می دهد s با داده های مکانی l مرتبط است.و زمان معتبر تاپل ( s , p: t, l ) t است . نگاشت f p-l نشان می‌دهد که p با داده‌های مکانی مرتبط است و با نگاشت‌های دیگر ترکیب می‌شود تا یک تاپل stRDFS را تشکیل دهد. هنگامی که f p-l با f s-o ترکیب می شود، تاپل تشکیل شده ( s , p: l, o ) است که نشان می دهد داده های مکانی l ( s, p, o ) را توصیف می کند. هنگامی که f p-l با f s-t ترکیب می شود، تاپل تشکیل شده است ( s, p: l, t، نشان می دهد که زمان معتبر s t است و داده های مکانی ( s , p , t ) l است . هنگامی که f p-l با f s-l ترکیب می شود ، یک تاپل ( s , p: l 2 , l 1 ) تشکیل می شود که نشان می دهد s با داده های مکانی l 1 و داده های مکانی ( s , p , l 1 1 ) مرتبط است. ) l 2 است. نقشه برداری f p-oغیر قانونی است f o-t و f o-l به ترتیب منطقی داده های زمانی و داده های مکانی o را نشان می دهند. در ساختار stRDFS، f o-t و f o-l به f s-t و f s-l تبدیل می‌شوند و می‌توانند به صورت نگاشت تاپلی جداگانه ظاهر شوند. به عنوان مثال، ( s 1 , p , o : t ) را می توان به دو تاپل ( s 1 , p 1 , o ) و ( s 2 , p تبدیل کرد2 ، t )، که در آن s 2 = o و p 2 “اطلاعات زمانی” را نشان می دهد. به طور مشابه، ( s 1 , p , o : l ) را می توان به دو تاپل ( s 1 , p 1 , o ) و ( s 2 , p 2 , l ) تبدیل کرد که در آن s 2 = o و p 2 نشان دهنده “اطلاعات مکانی است “.
طبق تعریف 2 دو حالت وجود دارد. اولین مورد این است که رئوس گراف stRDFS حاوی اطلاعات مکانی و زمانی هستند، در این مورد محدوده T∈ ( fs -t ) و L∈ محدوده ( fs -l ) ، همانطور که در شکل 1 a نشان داده شده است. حالت دوم این است که لبه های گراف stRDFS حاوی اطلاعات مکانی-زمانی هستند، در این مورد محدوده T ∈ ( f p-t ) و L ∈ محدوده ( f p-l )، همانطور که در شکل 1 b نشان داده شده است.

تعریف  3.

با توجه به دو گراف stRDFS G 1 و G 2 ، رابطه ضمنی G 1 و G 2 به شرح زیر است:
●
وقتی G 1 ، G 2 نمودارهای پایه stRDFS هستند، G 1 |= G 2 فقط در صورتی که G 1 (Ti) |= G 2 (Ti) و G 1 (Si) |= G 2 (Si).
●
وقتی G 1 , G 2 گراف های stRDFS هستند، G 1 |= G 2 فقط اگر μ 1 (G 1 ) برای هر نمونه گراف پایه G 1 ، یک نمونه گراف پایه μ 2 (G 2 ) از G 2 و μ وجود داشته باشد. 1 (G 1 ) |= μ 2 (G 2 ).
در اینجا، |= نشان دهنده رابطه ضمنی است و μ نشان دهنده نگاشت موجودیت ها به مقادیر صفت است. بسته شدن شکل G را می توان به صورت G بیان کرد. ∪ ( Si ∪ Ti ) G ( Si ∪ Ti ) گراف stRDFS زیرین گراف stRDFS G ، اتحاد نمودارهای G ( Si ∪ Ti ) و زیرگراف های G است.

تعریف  4.

با توجه به گراف stRDFS G، بزرگترین مجموعه و بسته شدن بلوک به صورت زیر تعریف می شوند.
●
G’ بزرگترین مجموعه در جهان (G) است که همه واژگان RDF را اضافه می کند، که می تواند به صورت tcl (G) بیان شود، جایی که G ⊆ G’ یا G |= G’.
●
بسته شدن بلوک G به صورت scl (G) بیان می شود. این یک گراف RDF مکانی-زمانی است که با ∪ Si, Ti (cl(G (Si ∪ Ti)) Si, Ti تعریف شده است که در آن cl(G (Si ∪ Ti) بسته شدن دلخواه گراف RDF G (Si ∪ Ti) است.

قضیه  1.

برای دو گراف stRDFS G 1 و G 2 شرط لازم و کافی G 1 | = (Si ∪ Ti) G 2 این است که یک نقشه برداری از G 2 به scl (G 1 ) وجود دارد.

اثبات  قضیه 1.

کفایت. μ را به عنوان نگاشت از G 2 به scl ( G 1 ) تعریف کنید. μ 1 ( G 1 ) نمونه ای از گراف پایه است، به طوری که μ 2 = μ ○ μ 1 . ما می توانیم این نتیجه را به دست آوریم که برای هر تابع زمانی Ti و هر تابع فضایی Si ، μ 2 G 2 ( Si ∪ Ti ) ⊆ μ 1 ( cl ( G 1 )) (Si ∪ Ti ) و ∀ Si , ∀ Ti , μ 1 ( G 1 ) ( Si ∪ Ti ) | = (Si ∪ Ti) μ 2 ( G 2 ) ( Si ∪ Ti ). بنابراین، μ 1 ( G 1 ) | = (Si ∪ Ti) μ 2 ( G 2 ).
ضرورت. μ 1 را به عنوان نگاشت از هر متغیر X در G 1 به یک ثابت دیگر C x تعریف کنید. μ 2 ( G 2 ) را مثالی از یک گراف پایه، ∀ Si , ∀ Ti, μ 1 ( G 1 ) ( Si ∪ Ti ) | = (Si ∪ Ti) μ 2 ( G 2 ) ( Si ∪ Ti ). به راحتی می توان فهمید که ∀ Ti , ∀ Si, μ2 G 2 ( Si ∪ Ti ) ⊆ μ 1 ( cl ( G 1 )) ( Si ∪ Ti ). μ 2 G 2 ⊆ ∪ (Si ∪ Ti) ( cl ( μ 1 ( G 1 ) ( Si ∪ Ti ))) (Si ∪ Ti) . بنابراین ، μ2 یک نقشه برداری از G2 به scl است ( G1 ). □

قضیه  2.

با توجه به سه نمودار stRDFS A (V A , E A , F A , T A , L A ), B ( V B , E B , F B , T B , L B ) و C (V C , E C , F C , T C , L C )، یک هم شکلی از A به B یک تابع دوگانه h: V A → V B است و یک رابطه هم ارزی است.

اثبات  قضیه 2.

انعکاس پذیری. نقشه هویت h : V → V را طوری در نظر بگیرید که ∀ s ∈ V , h ( s ) = s . h یک نگاشت دوطرفه است که ∀ s ∈ V ، T ( s ) = T ( h ( s ))، و L ( s ) = L ( h(s )) را برآورده می کند. از این رو، hایزومورفیسم نمودار مکانی-زمانی به خود است. بنابراین، دارای بازتابی است.
تقارن. نگاشت هویت h را در نظر بگیرید : V A → V B به گونه ای که h ( s A ) = s B , s A ∈ V A رضایت بخش T A ( s A ) = T B ( h ( s A )) و L A ( s A ) ) = L B ( h ( s A )). مانندh با h ( s A ) = s B , s A ∈ V A , سپس h −1 ( s B ) , ∀ s B ∈ V B . بنابراین، s A ∈ V A , T A ( s A ) = T B ( h ( s A ))، سپس T A ( h −1 ( s B)) = T B ( s B ) (∀ s B ∈ V B ). علاوه بر این، s A ∈ V A , L A ( s A ) = L B ( h ( s A ))، سپس L A ( h −1 ( s B )) = L B ( s B ) (∀ s B ∈ V ب ). بنابراین ،h −1 را بدست می آوریم : V B → V A که از B به A هم شکل است.
گذرا. فرض کنید h 1 : V A → V B و h 2 : V B → V C به ترتیب هم ریختی های A روی B و B روی C هستند. از آنجایی که h 1 یک نقشه دوگانه است h 1 ( s A ) = s B , s A ∈ V A T A ( s A را برآورده می کند) = T B ( h ( s A ))، ∀ s A ∈ V A ، و L A ( s A ) = L B ( h ( s A )). به همین ترتیب، h 2 ( s B ) = s C , s B ∈ V B T B ( s B ) = T C ( را برآورده می کندh ( s B ))، ∀ s B ∈ V B ، و L B ( s B ) = L C ( h ( s B )). از آنچه در بالا بحث شد، نتیجه می گیریم که T A ( s A ) = T B ( s B ) = T C ( s C ) و L A ( s A ) = LB ( s B ) = L C ( s C ).
بنابراین، h 2 ○ h 1 یک هم ریختی بین A و C است. گذرا بودن را ارضا می کند.
در نتیجه، ایزومورفیسم بین نمودارهای RDF فضایی-زمانی یک رابطه هم ارزی است. □

3.2. کلاس‌ها و توضیحات فضایی-زمانی در دامنه مکانی-زمانی

برای اینکه توضیحات stRDFS را واضح تر معرفی کنیم، چند کلاس اصلی را معرفی می کنیم: strdfs: SpatialObject ، strdfs: strdfs: SpatialGeometry ، strdfs: SpatialFeature ، strdfs: TemporalObject ، strdfs : TimeSlice ، strdfs : SpatialFetureb , strdfs : SpatialFeaturefs : SemiLinearPointSet . روابط آنها در شکل 2 نشان داده شده است.
کلاس strdfs: SpatialObject مجموعه ای از تمام موجودیت ها را تنها با اطلاعات مکانی نشان می دهد. زیر کلاس آن strdfs: SpatialGeometry پارامتر Si را در مدل stRDFS ( s , p : < Ti , Si >, o ) توصیف می کند که شامل داده های عرض جغرافیایی، طول جغرافیایی و ارتفاع می شود و زیر کلاس strdfs دیگر: SpatialFeature شکل زمین، زمین و به زودی. کلاس strdfs: TemporalObject مجموعه ای از تمام موجودیت هایی است که حاوی داده های زمانی هستند. زیر کلاس آن strdfs: TimeSlice پارامتر Ti را در مدل stRDFS توصیف می کند ( s, p : < Ti , Si > , o ) و زیر کلاس دیگر strdfs: TemporalFeature شامل سایر داده های زمانی در موجودیت های زمانی است، مانند منطقه زمانی، زمان، بعد زمانی یا زمان وجود. کلاس strdfs: SpatiotemporalObject مجموعه ای از تمام موجودات فضایی-زمانی است که ابرمجموعه ای از strdfs: TemporalObject و strdfs: SpatialObject است. کلاس strdfs: SpatiotemporalGeo داده‌های هندسی موجودیت‌های مکانی-زمانی را توصیف می‌کند و ابرمجموعه‌ای از strdfs : SpatialGeometry و strdfs : TimeSlice است .. کلاس strdfs: SemiLinearPointSet مجموعه ای از اعداد گویا است که مقادیر زمان، طول جغرافیایی، مقادیر عرض جغرافیایی، مقادیر ارتفاع و غیره را نشان می دهد.

به عنوان مثال، یک گیرنده صوتی بزرگ وجود دارد که پس از دریافت، برنامه های مربوطه را برای تجزیه و تحلیل امواج صوتی فراخوانی می کند. کلاس نرم افزار دارای نمونه های Program1 و Program2 است که انواع آنها به ترتیب JavaProgram و PythonProgram هستند. کلاس گیرنده دارای نمونه های Receiver1 و Receiver2 است و نوع Receiver2 SoundWaveReceiver است. ما مدل stRDF و مدل stRDFS را با توصیف اطلاعات مکانی-زمانی مقایسه می‌کنیم. مدل stRDF به شرح زیر است:

 مثال: برنامه 1  rdf: نوع مثال: JavaProgram
 مثال: program2  rdf: نوع مثال: PythonProgram
 مثال: برنامه 1  om: رویه مثال: برنامه شمارش
 مثال: program2  om: رویه مثال: برنامه خروجی
 مثال: برنامه 1  om: hasPro1Call مثال: گیرنده 2
 مثال: program2  om: hasPro2Call مثال: گیرنده 2
 مثال: گیرنده 2  rdf: نوع مثال: SoundWaveReceiver
 مثال: گیرنده 2  ssn: اندازه گیری می کند مثال: صدا
 مثال: گیرنده 2  ssn: hasLocation مثال: مکان 1
 مثال: مکان 1  strdf: دارای مسیر “( t = 8t و t = 18t یا 9t ≤ t ≤ 14t) و k = 0t و ((20.9°N < L <21°N و 45.8°E < D <= 46°E) یا ( L = 21° N و D = 46°E))” ^^ strdf: SemiLinearPointSet.

در مدل stRDF، strdf: hasTrajectory داده های مکانی-زمانی را توصیف می کند که به عنوان مقدار ویژگی strdf در نظر گرفته می شود: hasTrajectory برای Location1. در مدل stRDF، فقط داده‌های مکانی-زمانی در کل موجودیت‌ها را می‌توان در بعد مکانی-زمانی ثبت کرد، در حالی که داده‌های مکانی-زمانی در قسمت خاصی از شیء نمی‌توانند. به عنوان مثال، مدل stRDF نمی تواند داده های مکانی را در t = 8t نشان دهد و داده های زمانی را هنگامی که جسم در موقعیت قرار دارد (L = 21°N و D = 46°E) ثبت کند. در همان زمان، اگر یک مقدار مشخصه در یک زمان خاص یا در یک موقعیت مکانی خاص تغییر کند، stRDF داده های نادرست را ثبت می کند. مدل stRDFS این مشکل را به صورت زیر حل می کند:

مثال: برنامه 1 rdf: نوع مثال: JavaProgram
مثال: program2 rdf: نوع مثال: PythonProgram
مثال: برنامه 1 om: رویه مثال: برنامه تجزیه و تحلیل
مثال: program2 om: رویه مثال: برنامه تجزیه و تحلیل
مثال: برنامه 1 om:hasPro1Call مثال: گیرنده 2
مثال: program2 om: hasPro2Call مثال: گیرنده 2
مثال: گیرنده 2 rdf: نوع مثال: SoundWaveReceiver
مثال: گیرنده 2 ssn: اندازه گیری می کند مثال: صدا
مثال: گیرنده 2 ssn: hasLocation1 مثال: مکان 1
مثال: گیرنده 2 ssn: hasLocation2 مثال: مکان 2
om: hasPro1Call strdfs: SpatiotemporalGeo t = 8 t و t = 18t و k = 0t و (20.9°N < L <21°N و 45.8°E < D <= 46°E)” ^^ strdfs: SemiLinearPointSet
om: hasPro2Call strdfs: SpatiotemporalGeo “9t ≤ t ≤ 14t و L = 21°N و D = 46°E و k = 0t” ^^ strdfs: SemiLinearPointSet
ssn: hasLocation1 strdfs: SpatialGeometry “(20.9° شمالی < L < 21° شمالی و 45.8° شرقی < D <= 46° شرقی)” ^^ strdfs: SemiLinearPointSet
ssn: hasLocation2 strdfs: SpatialGeometry “( L = 21 درجه شمالی و D = 46 درجه شرقی)” ^^ strdfs: SemiLinearPointSet
در Location1، زمانی که t = 8t و t = 18t، گیرنده برنامه 1 را برای تجزیه و تحلیل داده ها فراخوانی می کند. در Location2، زمانی که t∈ [9t, 14t]، گیرنده برنامه2 را برای تجزیه و تحلیل داده ها فراخوانی می کند. در مدل stRDFS، داده‌های مکانی-زمانی برای توصیف om استفاده می‌شود: hasPro1Call و om: hasPro2Call، که اصلاح مقادیر مشخصه‌های رایج، مانند نام برنامه‌ها را تسهیل می‌کند. بر اساس این ویژگی، مدل stRDFS می‌تواند داده‌های مکانی-زمانی را نشان دهد و تغییرات در ویژگی‌های مکانی-زمانی را در هر زمان یا در هر مکانی ثبت کند.
ما 11 نوع رابطه توپولوژیکی را برای توصیف روابط بین موجودات فضایی-زمانی تعریف می کنیم: برابر ، ناهمگون ، ملاقات ، همپوشانی ، پوشش ، پوشش داده شده ، داخل ، حاوی ، قبل ، اکنون و بعد . دامنه های مربوطه در جدول 1 نشان داده شده است.

3.3. جبر نمودار RDF فضایی و زمانی

این زیربخش پنج نوع جبر گراف stRDFS را معرفی می کند: اتحاد، تقاطع، تفاوت، محصول دکارتی و فیلتر. به منظور مناسب ساختن این عملیات برای مدل پیشنهادی در این مقاله، عملیات اتحاد، تقاطع، تفاوت و محصول دکارتی را بهبود می‌بخشیم تا زمانی که رابطه بین دو نقطه لزوماً وجود ندارد راه‌حل‌هایی ارائه کنیم و یک عملیات فیلتر برای برآورده کردن موارد مشخص شده اضافه می‌کنیم. الزامات. این جبرهای گراف stRDFS کافی هستند و می توانند عملیات شناخته شده را برآورده کنند. ما یک مثال در شکل 3 برای نشان دادن فرآیند جبری برای نمودارهای stRDFS با روش پیشنهادی در این مقاله ارائه می دهیم.

تعریف  5.

با توجه به دو گراف stRDFS A (V A , E A , F A , T A , L A ) و B (V B , E B , F B , T B , L B )، اتحاد A و B به صورت A تعریف می شود. ∪ B = (V، E، F، T، L)، که در آن:
●
V = V A ∪ V B
●
E = E A ∪ E B
●
F = F A ∪ F B
●
Π N T = Π N T A ∪ Π N T B
●
Π k T = min (Π N T A , Π N T B )
●
L = L A ∪ L B .
در تعریف 5، Π N /k ( x ) نمایانگر طرح x روی N /k است، که در آن N = [ t s(f) , t e(f) ] زمان معتبر و k = t r(f) است. زمان مرجع ثبت شده در حال حاضر در N = [ ts (f) , t e(f) ]، ts (f) نشان دهنده زمان شروع نقشه برداری f vi-vj و t e(f) زمان پایانی نگاشت f را نشان می دهد.vi-vj . min حداقل زمان مرجع را نشان می دهد. گراف stRDFS ایجاب می کند که زمان مرجع در داده های زمانی برای هر یال و هر گره باید سازگار باشد. هنگامی که عملیات اتحاد بر روی دو گراف stRDFS انجام می شود، زمان مرجع دو نمودار باید سازگار باشد. برای سهولت در توضیح، حداقل زمان مرجع را به طور یکنواخت به عنوان زمان مرجع نمودار حاصل انتخاب کردیم.
همانطور که در شکل 3 نشان داده شده است ، دو گراف stRDFS (a) و (b) وجود دارد و ما عملیات اتحاد در تعریف 5 را برای بدست آوردن نمودار (c) انجام دادیم. خط ثابت نشان می دهد که رابطه بین دو نقطه باید وجود داشته باشد و خط نقطه نشان می دهد که رابطه بین دو نقطه لزوما وجود ندارد.

تعریف  6.

با توجه به دو نمودار stRDFS A (V A , E A , F A , T A , L A ) و B ( V B , E B , F B , T B , L B )، تقاطع A و B به صورت A تعریف می شود. ∩ B = (V، E، F، T، L)، که در آن:
●
V = V A ∩ V B
●
E = E A ∩ E B
●
F = F A ∩ F B
●
Π N T = Π N T A ∩ Π N T B
●
Π k T = دقیقه (Π N T A , Π N T B )
●
L = L A ∩ L B .
همانطور که در شکل 3 نشان داده شده است ، دو گراف stRDFS (c) و (d) وجود دارد و ما عملیات تقاطع در تعریف 6 را برای بدست آوردن نمودار (e) انجام دادیم.

تعریف  7.

با توجه به دو نمودار stRDFS A (V A , E A , F A , T A , L A ) و B ( V B , E B , F B , T B , L B )، تفاوت A و B به صورت A تعریف می شود. − B = (V، E، F، T، L)، که در آن:
●
E = E A – E B
●
V مجموعه رئوس E است.
●
F مجموعه ای از نگاشت E است.
●
T مجموعه داده زمانی F است.
●
L مجموعه داده فضایی F است.
با این حال، عملیات جبری نمودار RDF فوق الذکر عمدتاً برای مجموعه داده RDF سنتی استفاده می شود، که نمی تواند یک مجموعه داده RDF مکانی-زمانی پیچیده را مدیریت کند. بنابراین، این مقاله با هدف گسترش عملیات گراف RDF سنتی و ایجاد یک جبر گراف RDF برای داده‌های مکانی-زمانی است.
همانطور که در شکل 3 نشان داده شده است ، می توانیم نمودار (f) را با استفاده از تعریف 7 با تفاوت دو گراف stRDFS (d) و (a) بدست آوریم.

تعریف  8.

با توجه به دو نمودار stRDFS A (V A , E A , F A , T A , L A ) و B (V B , E B , F B , T B , L B )، حاصلضرب دکارتی A و B به صورت تعریف می شود. A × B = (V، E، F، T، L)، که در آن:
●
V = V A × V B
●
E = {(u, u 2 )(u, v 2 )| u ∈ V A , u 2 v 2 ∈ E B } ∪ {(u 1 , ω)(v 1 , ω)| ω ∈ V B , u 1 v 1 ∈ E A }
●
F مجموعه ای از نگاشت E است.
●
T مجموعه داده زمانی F است.
●
L مجموعه داده فضایی F است.
دو نمودار stRDFS (g) و (h) در شکل 3 وجود دارد. ما می توانیم نمودار (i) را با حاصلضرب دکارتی آنها با استفاده از تعریف 8 بدست آوریم.

قضیه  3.

با توجه به دو گراف stRDFS A (V A , E A , F A , T A , L A ) و B ( V B , E B , F B , T B , L B ) موارد زیر را داریم.
●
A ∪ B یک گراف stRDFS است.
●
A ∩ B یک گراف stRDFS است.
●
A – B یک گراف stRDFS است.
●
A × B یک گراف stRDFS است.

تعریف  9.

(الگوی گراف stRDFS). یک الگوی گراف stRDFS به صورت P = (V P , E P , F P , T P , L P , Re) تعریف می شود که در آن:
●
V P مجموعه محدودی از رئوس است.
●
E P مجموعه ای محدود از لبه های جهت دار است.
●
F p مجموعه ای از نگاشت های E p است.
●
T P یک مجموعه داده زمانی است.
●
L P یک مجموعه داده فضایی است.
●
R e = {R 1 R 2 , R 1 |R 2 , R+, ε} مجموعه ای از قوانین فیلتر است که E p را توصیف می کند که در آن R یک قانون فیلتر را نشان می دهد.
در عمل، گراف stRDFS باید طبق قوانین خاصی فیلتر شود تا گراف حاصل با الزامات مشخص شده مطابقت داشته باشد. الگوی گراف stRDFS شرح داده شده در تعریف 9 قوانین فیلتر را نشان می دهد. در برنامه، ورودی اغلب قوانین فیلتر و گراف stRDFS است که باید پردازش شود، و خروجی نمودار حاصل است که الزامات مشخص شده را برآورده می کند. با توجه به قوانین فیلتر گراف stRDFS، می توانیم نتایج زیر را به دست آوریم: V p یک الگوی راس است که از قوانین انتزاع شده است و هر الگوی راس مربوط به مجموعه ای از راس ها در گراف stRDFS فیلتر شده است. E p انتزاعی از ویژگی های موجود در قوانین فیلتر است و هر یال نشان دهنده نوعی یال گراف stRDFS است که فیلتر می شود.F p مجموعه ای انتزاعی از نام ویژگی ها در قانون است. T p مجموعه داده زمانی در قوانین فیلتر است. به طور مشابه، L p مجموعه داده فضایی در قوانین فیلتر است. Re بیان منظم است و می تواند چهار شکل داشته باشد: R 1 R 2 , R 1 | R 2 ، R + و ε. R 1 R 2 ترکیبی از عبارات است که نشان می دهد دو قانون در کنار یکدیگر قرار دارند. R 1 | R 2جایگزینی از عبارات است که نشان می دهد فیلتر کردن را می توان با رعایت یکی از دو قانون انجام داد. R + یک یا چند مورد از R را نشان می دهد . ε نشان دهنده این است که هیچ قانون فیلتری برای فیلتر کردن نمودارهای stRDF وجود ندارد.
به عنوان مثال، الگوی نموداری stRDFS P را در نظر بگیرید ، که اطلاعات مربوط به نویسنده ای (? w ) که در شهر متولد شده است ، هزینه کتاب (? کتاب) که نویسنده از سال 2016 تا 2018 در یک شهر نوشته است را مدل می کند. بیش از 10 دلار است (? f > 10 دلار )، و ژانر کتاب که کمدی است. P را می توان در شکل 4 بیان کرد.
با استفاده از گراف stRDFS G نشان داده شده در شکل 5 ، عملیات فیلتر را در تعریف 9 انجام دادیم. نتیجه فیلتر فضایی و زمانی P و G در شکل 6 نشان داده شده است .

4. مشخصات نحو RDF فضایی و زمانی

در مدل stRDFS، ما چندین رابطه توپولوژیکی را برای توصیف روابط بین موجودات مکانی-زمانی تعریف می‌کنیم و پنج نوع جبر گراف stRDFS را معرفی می‌کنیم. با این حال، stSPASQL توابع مربوطه را برای مقابله با پرس و جوهای داده مکانی و زمانی تعریف نمی کند. در حالی که کوئری ها شامل عملیات پیشنهادی ما هستند، stSPASQL نمی تواند الزامات کوئری ها را برآورده کند و نیاز به بهبود دارد. برای حل این مشکل، یک نحو RDF مکانی-زمانی را بر اساس stSPASQL [ 11 ] مشخص می کنیم.]. نحو ارائه شده در این بخش فرعی مشابه نحو SQL است و به گونه ای طراحی شده است که بتوان به راحتی به مجموعه داده های قالب stRDFS دسترسی داشت. همچنین تعدادی توابع پیشرفته برای ساخت پرس و جوهای گویاتر فراهم می کند که سایر شرایط فیلتر را نشان می دهد و سپس خروجی نهایی را قالب بندی می کند. ساختار کلی نحو شبیه به ساختار SQL است که دارای سه بخش اصلی است که با کلمات کلیدی بزرگ SELECT، FROM و WHERE نشان داده شده است.
●
کلمه کلیدی SELECT مشخصات نتیجه پرس و جو را تعیین می کند. به دنبال آن بقیه پرس و جو قرار می گیرد: لیست شناسه های نتیجه پرس و جو.
●
کلمه کلیدی FROM محدوده پرس و جو را مشخص می کند که معمولاً یک مجموعه داده مکانی-زمانی یا چندین نمودار stRDFS است.
●
کلمه کلیدی WHERE نشان دهنده پرس و جو واقعی است و به دنبال آن معیارهای پرس و جو که با الگویی مطابق با برخی از نمودارهای stRDFS که با متغیرها جایگزین شده اند ارائه می شود. الگوهای پیچیده تر نیز مجاز به شکل گیری با برخی عملگرهای جبری هستند. این حالت را می توان نه تنها برای پرس و جو از یک مجموعه داده مکانی-زمانی، بلکه برای چندین مجموعه داده مکانی-زمانی نیز استفاده کرد.
این تابع روابط بین متغیرهای بیان شده توسط دستور FILTER را نشان می دهد که بخشی از عبارت WHERE است. به منظور مرور نحو مکانی-زمانی، توابع مکانی و توابع زمانی نشان داده شده در جدول 2 را تعریف می کنیم .
به منظور نشان دادن کاربرد توابع پیشنهادی، چند مثال ارائه می کنیم. مثال های 1، 2 و 3 به ترتیب پرس و جوهایی از داده های مکانی، داده های زمانی و داده های مکانی-زمانی را نشان می دهند.

مثال  1.

وقتی نام و داده‌های مکانی یک جنگل تخریب شده را در کمتر از 0.1 کیلومتری یک شهر جویا می‌شویم، نحو به شرح زیر است:
?NAME ?FGEO را انتخاب کنید
جایی که {
?R rdf: نوع noa: منطقه
?R strdfs: SpatialGeometry ?RGEO
?R noa: hasCorineLandCoverUse ?S
?S rdfs: زیر کلاس clc: جنگل ها
?C rdf: نوع dbpedia: شهر
?C strdfs: SpatialGeometry ?CGEO
?NAME rdf: نوع noa: DestroyedArea
?NAME strdfs: SpatialGeometry ?FGEO
FILTER(strdfs: spInside (?RGEO, ?FGEO) && strdfs: فاصله (?FGEO, ?CGEO) < 0.1))
}
دستور SELECT با لیستی از نام نتایج، یعنی: نام منطقه و داده های مکانی در منطقه دنبال می شود. عبارت WHERE روابط سه گانه هایی را که باید بین متغیرهای زیر برآورده شوند بیان می کند: ?R ناحیه حاوی جنگل را نشان می دهد ?F، ?C نشان دهنده شهر ذکر شده و ?NAME نشان دهنده جنگل تخریب شده ذکر شده است. دستور FILTER تابع فضایی متغیرهای فضایی را نشان می دهد: strdfs: spInside (?RGEO, ?FGEO) نشان می دهد که ?R در داخل ?F است و strdfs: فاصله (?FGEO, ?CGEO) < 0.1 نشان دهنده این است که کوتاه ترین فاصله بین ?F است. و ?C کمتر از 0.1 کیلومتر است.

مثال  2.

هنگامی که داده های زمانی را در برنامه ای که همزمان با یک برنامه دیگر فراخوانی می شود پرس و جو می کنیم، نحو به صورت زیر است:
SELECT ?P ?PTS
جایی که {
?P rdf: نوع ex: برنامه
?P om: hasProCallP ex: TimeSlice1
om: دارای ProCallP strdfs: TimeSlice ?PTS
?Q rdf:type ex: برنامه
?Q om: دارای ProCallQ سابق: TimeSlice2
om: دارای ProCallQ strdfs: TimeSlice ?QTS
فیلتر (strdfs: spNow (?PTS، ?QTS))
}
از آنجایی که نام برنامه و داده های زمانی برنامه جستجو می شود، عبارت SELECT با ?P و ?PTS دنبال می شود، یعنی اطلاعات زمانی ?P ?PTS است. FILTER (strdfs: spNow (?PTS, ?QTS)) نشان می دهد که ?P و ?Q اطلاعات زمانی یکسانی دارند.

مثال  3.

بر اساس مثال در بخش 3.2 ، هنگامی که نام برنامه هایی را که توسط گیرنده موج صوتی در ناحیه مجاور فراخوانی می شوند و داده های مکانی و زمانی آن را جویا می شویم، نحو به شرح زیر است:
SELECT ?P ?PGT
جایی که {
?P rdf: نوع ex: برنامه
?P om: hasCallPBy سابق: SoundWaveReceiver
om: hasCallPBy strdfs: SpatiotemporalGeo
?PGT (?PGEO، ?PTS)
?Q rdf:type ex: برنامه
?Q om: hasCallQBy سابق: SoundWaveReceiver
om: hasCallQBy strdfs: SpatiotemporalGeo
?QGT (?QGEO, ?QTS)
FILTER (strdfs: spMeet (?PGEO، ?QGEO) && strdfs:spNow (?PTS، ?QTS))
}
از آنجایی که نام برنامه و داده های مکانی و زمانی برنامه جستجو می شود، پس از دستور SELECT ?P و ?PTS آمده است، یعنی اطلاعات مکانی-زمانی ?P ?PGT است. FILTER (strdfs: spMeet (?PGEO, ?QGEO) && strdfs: spNow (?PTS, ?QTS)} به این معنی است که ?P با ?Q ملاقات می کند و آنها اطلاعات زمانی یکسانی دارند.
این مقاله دارای یک مدل داده مکانی-زمانی پیشنهادی و عملیات جبری مربوطه است. بسیاری از عملیات گم شده یا ناکافی که در مدل های معمولی وجود ندارند نیز مطرح شده اند. کار مرتبط کمی بر روی جبرهای RDF مکانی-زمانی شامل نتایج تجربی است، بنابراین ما فقط امکان‌سنجی نظری روش پیشنهادی را در این مقاله در نظر می‌گیریم. با این حال، چندین جبر میانی برای بهینه سازی تطبیق الگوی نمودار RDF وجود دارد، و آنها از دیدگاه تطبیق یا پرس و جو پیشنهاد شده اند، نه از دیدگاه جبر. در نتیجه، ما به مطالعه روش جستجوی مربوطه در کار آینده خود ادامه خواهیم داد.

5. نتیجه گیری و کار آینده

در این مقاله، ما یک معناشناسی RDF مکانی-زمانی را بررسی کردیم و یک مدل داده مکانی-زمانی را بر اساس RDF تعریف کردیم. بر اساس این مدل، ما عملیات جبری را برای دستکاری داده‌های RDF مکانی-زمانی پیشنهاد کردیم. در روش ما، برخلاف کارهای قبلی، قوانین فیلترینگ در عملیات جبری گنجانده شده است تا نمودار حاصل با الزامات مشخص شده مطابقت داشته باشد. این جبر از یک سری عملیات تشکیل شده است که بیان محتوای داده ها و ساختار یک نمودار RDF مکانی-زمانی را ممکن می سازد. علاوه بر این، ما همچنین مشخصات نحوی را برای RDF مکانی-زمانی معرفی کردیم، که ممکن است به مطالعه پرس و جوی RDF مکانی-زمانی در آینده کمک کند.
سه جنبه برای کارهای آینده باقی مانده است. اولین مورد این است که ارزش تلاش برای در نظر گرفتن کاربرد نحو پرس و جو و بهبود کارایی بدون تأثیر بر دقت را دارد. دوم این است که در مواجهه با عدم قطعیت در داده های مکانی-زمانی، باید یک مدل انعطاف پذیرتر ساخته شود. آخرین مورد این است که زبان پرس و جو RDF مکانی-زمانی باید بررسی و با سایر روش های پیشرفته مقایسه شود.

منابع

  1. Lassila، O. چارچوب توصیف منابع (RDF) مدل و مشخصات نحو، توصیه W3C. در دسترس آنلاین: https://www.w3.org/TR/PR-rdf-syntax (در 22 فوریه 1999 قابل دسترسی است).
  2. باتساکیس، اس. پتراکیس، EGM نشان دهنده دانش زمانی در وب معنایی: رویکرد 4 بعدی فلوئنت توسعه یافته. در ترکیبی از روش ها و کاربردهای هوشمند ; Springer: برلین/هایدلبرگ، آلمان، 2011; صص 55-69. [ Google Scholar ]
  3. لوتز، سی. ولتر، اف. Zakharyaschev, M. منطق های توصیف زمانی: یک بررسی. در مجموعه مقالات پانزدهمین سمپوزیوم بین المللی در نمایندگی و استدلال زمانی، مونترال، QC، کانادا، 16-18 ژوئن 2008. صص 3-14. [ Google Scholar ]
  4. رید، TW; مک میکین، دی. Reitsma، F. نمایش روابط فضایی در شهرهای هوشمند با استفاده از هستی شناسی ها. در فناوری نوآوری اطلاعات در شهرهای هوشمند ; Springer: برلین، آلمان، 2018; صص 33-45. [ Google Scholar ]
  5. کیم، جی جی؛ شین، IS; لی، YS; ماه، J.-Y. سیستم های مدیریت هستی شناسی مکانی-زمانی برای معنایی. وب اطلاعات 2016 ، 19 ، 4237-4254. [ Google Scholar ]
  6. تاپولت، جی. Bernstein، A. RDF زمانی کاربردی: پرس و جوی زمانی کارآمد از داده های RDF با SPARQL. در مجموعه مقالات کنفرانس وب معنایی اروپا، کرت، یونان، 31 مه تا 4 ژوئن 2009. اسپرینگر: برلین/هایدلبرگ، آلمان؛ صص 308-322. [ Google Scholar ]
  7. هرناندز، دی. هوگان، ا. Krötzsch، M. Reifying RDF: چه چیزی با Wikidata خوب کار می کند؟ در مجموعه مقالات یازدهمین کارگاه بین المللی در مورد سیستم های پایگاه دانش وب معنایی مقیاس پذیر، بیت لحم، PA، ایالات متحده آمریکا، 11 اکتبر 2015. [ Google Scholar ]
  8. گوتیرز، سی. هورتادو، سی. Vaisman, A. Temporal rdf. در مجموعه مقالات کنفرانس وب معنایی اروپا، کرت، یونان، 2005، 29 مه تا 1 ژوئن. اسپرینگر: برلین/هایدلبرگ، آلمان؛ صص 93-107.
  9. Pugliese، A.; اودریا، او. زیربرهمانیان، در مقابل مقیاس RDF با زمان. در مجموعه مقالات هفدهمین کنفرانس بین المللی وب جهانی، پکن، چین، 21-25 آوریل 2008; ص 605-614. [ Google Scholar ]
  10. کنسولی، اس. مونگیوویچ، ام. Nuzzolese، AG; پرونی، س. پرسوتی، وی. Recupero، DR; Spampinato، D. یک مدل داده شهر هوشمند بر اساس بهترین روش و اصول معناشناسی. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی وب جهانی، فلورانس، ایتالیا، 18 تا 22 مه 2015; صص 1395–1400. [ Google Scholar ]
  11. کوباراکیس، م. Kyzirakos، K. مدل‌سازی و جستجوی فراداده در وب حسگر معنایی: مدل stRDF و زبان پرس و جو stSPARQL. در مجموعه مقالات کنفرانس وب معنایی گسترده، کرت، یونان، 30 مه تا 3 ژوئن 2010. اسپرینگر: برلین/هایدلبرگ، آلمان؛ صص 425-439. [ Google Scholar ]
  12. شنگ، جی ال. سو، ی.ال. Wang, WD یک رویکرد فراکتالی جدید برای توصیف تخلخل/نفوذپذیری/تراکم پذیری شکست القایی در مخازن غیر متعارف تحریک شده. J. Petroleum Sci. مهندس 2019 ، 179 ، 855–866. [ Google Scholar ] [ CrossRef ]
  13. ژائو، اچ. خو، ال. گوا، ز. لیو، دبلیو. ژانگ، Q. نینگ، ایکس. لی، جی. Shi, L. یک گردش کار جدید و سریع بهینه سازی سیلاب بر اساس راندمان تزریق مشتق شده از INSIM با یک کاربرد میدانی. J. Petroleum Sci. مهندس 2019 ، 179 ، 1186-1200. [ Google Scholar ] [ CrossRef ]
  14. هوانگ، ال. هو، ی. لی، ی. کیشور کومار، PK؛ کولی، دی. Dey, A. مطالعه نمودارهای نوتروسوفیک منظم و نامنظم با کاربردهای واقعی. ریاضیات 2019 ، 7 ، 551. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  15. نیکیتوپولوس، پی. ولاچو، ع. دولکریدیس، سی. Vouros، GA پردازش موازی و مقیاس پذیر پرس و جوهای RDF مکانی-زمانی با استفاده از Spark. GeoInformatica 2019 . [ Google Scholar ] [ CrossRef ]
  16. فراسینکار، اف. هوبن، GJ; ودووجاک، ر. بارنا، P. RAL: جبری برای پرس و جو RDF. وب جهانی 2004 ، 7 ، 83-109. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. رابرتسون، روابط سه گانه EL: جبری برای وب معنایی. در مجموعه مقالات کارگاه بین المللی وب معنایی و پایگاه های داده، تورنتو، کانادا، 29 تا 30 اوت 2004. [ Google Scholar ]
  18. چن، ال. گوپتا، ا. Kurul، ME جبر پرس و جوی RDF با آگاهی معنایی. در مجموعه مقالات کنفرانس بین المللی مدیریت داده ها (COMAD)، حیدرآباد، هند، 20-22 دسامبر 2005. [ Google Scholar ]
  19. جامور، اف. عبدالعزیز، ط. Kalnisk، P. نمایشی از magiq: رویکرد جبر ماتریسی برای حل پرس و جوهای گراف rdf. در مجموعه مقالات بنیاد VLDB، ریودوژانیرو، برزیل، 27 تا 31 اوت 2008. صفحات 1978-1981. [ Google Scholar ] [ CrossRef ]
  20. تاکار، اچ. پانجانی، دی. اوئر، اس. ویدال، ام.-ای. به سمت جبر نمودار یکپارچه برای تطبیق الگوی نمودار با گرملین. مجموعه مقالات کنفرانس بین المللی پایگاه داده و برنامه های کاربردی سیستم های خبره، لیون، فرانسه، 28 تا 31 اوت 2017. اسپرینگر: چم، آلمان؛ صص 81-91. [ Google Scholar ]
  21. کورکولز، جی. González، P. مشخصات یک زبان پرس و جو فضایی بر روی GML. در مجموعه مقالات نهمین سمپوزیوم بین المللی ACM در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، آتلانتا، GA، ایالات متحده آمریکا، 9 تا 10 نوامبر 2001. [ Google Scholar ]
  22. پان، اف. Hobbs, JR Temporal Aggregates در OWL-Time. در مجموعه مقالات کنفرانس FLIRS، Clearwater Beach، FL، ایالات متحده آمریکا، 15-17 مه 2005. صص 560-565. [ Google Scholar ]
  23. براتیس، ای. پتراکیس، EGM; باتساکیس، اس. ماریس، ن. پاپاداکیس، N. TOQL: زبان جستجوی هستی شناسی زمانی. در مجموعه مقالات سمپوزیوم بین المللی پایگاه های داده مکانی و زمانی، آلبورگ، دانمارک، 8 تا 10 ژوئیه 2009. Springer: برلین/هایدلبرگ، آلمان، 2009; صص 338-354. [ Google Scholar ]
  24. Moffitt، VZ; استویانوویچ، جی. جبر نمودار زمانی. در مجموعه مقالات شانزدهمین سمپوزیوم بین المللی زبان های برنامه نویسی پایگاه داده، مونیخ، آلمان، 1 سپتامبر 2017; پ. 10. [ Google Scholar ]
  25. پری، م. شث، ا. آرپینار، آی بی; حکیم پور، ف. تحلیل معنایی مکانی و زمانی. در کتابچه راهنمای تحقیقات ژئوانفورماتیک ; IGI Global: Hershey، PA، USA، 2009; صص 161-170. [ Google Scholar ]
  26. حکیم پور، ف. عالم-مزا، بی. پری، م. Sheth، A. پردازش داده های فضایی-مضمونی برای وب معنایی. در وب جغرافیایی ؛ Springer: لندن، انگلستان، 2009; صص 79-89. [ Google Scholar ]
  27. پری، م. جین، پی. Sheth، AP SPARQL-ST: گسترش SPARQL برای پشتیبانی از پرس و جوهای فضایی و زمانی. Geos. سمنت. سمنت. وب 2011 ، 12 ، 61-86. [ Google Scholar ]
  28. بای، ال. Xu, C. جبر پرس و جوی فضایی-زمانی مبتنی بر XML بومی. در کتابچه راهنمای تحقیق در مورد تکنیک های نوآورانه پردازش پرس و جو پایگاه داده ; IGI Global: Hershey, PA, USA, 2015; صص 275-293. [ Google Scholar ]
  29. بای، ال. Zhu، L. یک جبر برای داده های فضایی و زمانی فازی در XML. دسترسی IEEE 2019 ، 7 ، 22914–22926. [ Google Scholar ] [ CrossRef ]
  30. Cyganiak، R. جبر رابطه‌ای برای SPARQL . آزمایشگاه سیستم های رسانه های دیجیتال HP Laboratories Bristol. HPL-2005-170: بریستول، انگلستان، 2005; جلد 35، ص. 9. [ Google Scholar ]
  31. پری، م. Herring, J. OGC GeoSPARQL-یک زبان پرس و جو جغرافیایی برای داده های RDF. پیاده سازی OGC. استاندارد 2012 ، 40. [ Google Scholar ]
  32. نبرد، آر. Kolas, D. Geosparql: فعال کردن یک وب معنایی جغرافیایی. وب معنایی J. 2011 ، 3 ، 355-370. [ Google Scholar ] [ CrossRef ]
  33. نبرد، آر. کولاس، دی. فعال کردن وب معنایی جغرافیایی با پارلمان و geosparql. وب معنایی 2012 ، 3 ، 355-370. [ Google Scholar ] [ CrossRef ]
  34. زو، سی. پال، ا. Dey, A. مفاهیم جدید نمودارهای فازی تصویری با کاربرد. ریاضیات 2019 ، 7 ، 470. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  35. ما، ز. لی، جی. Yan, L. مدل سازی داده های فازی و عملیات جبری در RDF. سیستم مجموعه های فازی 2018 ، 351 ، 41-63. [ Google Scholar ] [ CrossRef ]
  36. دی، ع. پال، ا. بلند، HV فازی حداقل پوشا درخت با فاصله نوع 2 طول قوس فازی: فرمول و یک الگوریتم ژنتیک جدید. محاسبات نرم. 2019 ، 1-12. [ Google Scholar ] [ CrossRef ]
  37. نیتا، ک. Savnik، I. یک روش اجرای پرس و جو توزیع شده برای مدیران ذخیره سازی RDF. در مجموعه مقالات دهمین کارگاه بین المللی در مورد سیستم های پایگاه دانش وب معنایی مقیاس پذیر که با سیزدهمین کنفرانس بین المللی وب معنایی، ریوا دل گاردا، ترنتینو، ایتالیا، 19 تا 23 اکتبر 2014 برگزار شد. [ Google Scholar ]
  38. راویندرا، پی. کیم، اچ اس. Anyanwu، K. جبر میانی برای بهینه سازی تطبیق الگوی نمودار RDF در MapReduce. در مجموعه مقالات کنفرانس وب معنایی گسترده، برلین، آلمان، 2011; اسپرینگر: برلین/هایدلبرگ، آلمان؛ صص 46-61. [ Google Scholar ]
  39. وانگ، دی. زو، ال. ژائو، D. g st -Store: موتوری برای نمودار RDF بزرگ که اطلاعات مکانی و زمانی را یکپارچه می کند. در مجموعه مقالات هفدهم EDBT/ICDT، آتن، یونان، 24 تا 28 مارس 2014. صص 652-655. [ Google Scholar ]
  40. تره فرنگی؛ لی، کی. کیم، YH; چوی، جی جی. جانگ، هستی شناسی مکانی-زمانی GS برای وب معنایی. موسسه بین المللی اطلاعات (توکیو). اطلاعات 2015 ، 18 ، 329-334. [ Google Scholar ]
  41. پری، م. Sheth، AP; حکیم پور، ف. جین، پی. پشتیبانی از پرس و جوهای پیچیده موضوعی، مکانی و زمانی بر روی داده های وب معنایی. در مجموعه مقالات دومین کنفرانس بین المللی معناشناسی جغرافیایی، مکزیکو سیتی، مکزیک، 29 تا 30 نوامبر 2007. ص 228-246. [ Google Scholar ]
  42. پرز، جی. آرناس، م. گوتیرز، سی. معناشناسی و پیچیدگی SPARQL. در مجموعه مقالات پنجمین کنفرانس بین المللی وب معنایی، آتن، GA، ایالات متحده آمریکا، 5-9 نوامبر 2006. صص 30-43. [ Google Scholar ]
  43. پری، م. استرادا، ا. داس، اس. Banerjee, J. توسعه برنامه های GeoSPARQL با Oracle Spatial و Graph. در مجموعه مقالات ISWC، بیت لحم، PA، ایالات متحده آمریکا، 11-15 اکتبر 2015. صص 57-61. [ Google Scholar ]
  44. وانگ، دی. زو، ال. Zhao, D. gst-store: Querying Large Spatio-Temporal RDF Graphs. اطلاعات اطلاعات مدیریت 2017 ، 1 ، 84-103. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00080 g001 550
شکل 1. نمایش اطلاعات مکانی – زمانی در یک گراف stRDFS.
Ijgi 09 00080 g002 550
شکل 2. روابط بین کلاس های اصلی stRDFS.
Ijgi 09 00080 g003 550
شکل 3. عملیات جبری نمودارهای stRDFS.
Ijgi 09 00080 g004 550
شکل 4. الگوی نمودار stRDFS P.
Ijgi 09 00080 g005 550
شکل 5. الگوی گراف stRDFS G.
Ijgi 09 00080 g006 550
شکل 6. نتیجه انجام عملیات فیلتر روی P و G.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید