高 揚(yáng)，郭 浩，王成賓，吳 強(qiáng)

基于網(wǎng)格密度優(yōu)先的北斗用戶(hù)目標(biāo)可視化方法研究

高 揚(yáng)1,2，郭 浩1,2，王成賓1,2，吳 強(qiáng)1,2

（1 西安測(cè)繪研究所，西安 710054；2 地理信息國(guó)家重點(diǎn)實(shí)驗(yàn)室，西安 710054）

結(jié)合北斗用戶(hù)目標(biāo)的空間分布和屬性特點(diǎn)，提出了一種基于關(guān)聯(lián)關(guān)系的語(yǔ)義多尺度聚合模型，并對(duì)網(wǎng)格聚合算法進(jìn)行了優(yōu)化，改進(jìn)并提出了基于網(wǎng)格目標(biāo)密度優(yōu)先順序聚合和聚合中心的計(jì)算方法，在提高聚合效率的同時(shí)，改善了聚合顯示效果。該方法在某北斗監(jiān)測(cè)系統(tǒng)中得到了應(yīng)用和試驗(yàn)，結(jié)果表明，算法原理簡(jiǎn)單、運(yùn)算效率較高，且更貼近于表達(dá)北斗用戶(hù)目標(biāo)的實(shí)際分布特征，為海量空間數(shù)據(jù)可視化提供了解決方案，具有較高實(shí)用價(jià)值，基本滿(mǎn)足了不同地圖比例尺顯示場(chǎng)景對(duì)用戶(hù)目標(biāo)的感知和理解需要。

北斗用戶(hù)目標(biāo)；聚合；解聚；關(guān)聯(lián)關(guān)系；網(wǎng)格

0 引言

北斗衛(wèi)星導(dǎo)航系統(tǒng)面向全球用戶(hù)提供導(dǎo)航定位、短報(bào)文通信、信息播發(fā)、國(guó)際搜救等多類(lèi) 服務(wù)[1]，廣泛應(yīng)用于國(guó)防軍工[2]、救災(zāi)減災(zāi)[3]、生態(tài)環(huán)保[4]、交通運(yùn)輸[5]、海洋漁業(yè)[6]等多個(gè)領(lǐng)域，應(yīng)用范圍和用戶(hù)數(shù)量日益加大，成為導(dǎo)航和位置服務(wù)產(chǎn)業(yè)發(fā)展的重要支撐。北斗用戶(hù)目標(biāo)是指空間中所有使用北斗衛(wèi)星導(dǎo)航系統(tǒng)的人員或單位實(shí)體，可進(jìn)行自身定位和位置報(bào)告，具有用戶(hù)名稱(chēng)、ID號(hào)、屬性、位置等描述信息。北斗用戶(hù)目標(biāo)監(jiān)控和可視化是北斗衛(wèi)星導(dǎo)航系統(tǒng)面向位置服務(wù)的一個(gè)重要應(yīng)用，也是需要解決的一個(gè)基本問(wèn)題，基本原理是利用北斗高精度定位和北斗短報(bào)文功能接收北斗用戶(hù)目標(biāo)位置等相關(guān)信息[7-8]，并在屏幕上以符號(hào)化的形式顯示出來(lái)，用于北斗用戶(hù)目標(biāo)的精確定位和實(shí)時(shí)監(jiān)測(cè)。北斗用戶(hù)目標(biāo)可視化要求能夠根據(jù)不同地圖比例尺，及時(shí)、全面、準(zhǔn)確地展現(xiàn)當(dāng)前北斗用戶(hù)目標(biāo)的屬性、位置等，以滿(mǎn)足不同顯示場(chǎng)景下對(duì)北斗用戶(hù)目標(biāo)的感知和理解需要。隨著北斗三號(hào)衛(wèi)星導(dǎo)航系統(tǒng)開(kāi)通運(yùn)行，北斗服務(wù)能力得到較大提升，北斗用戶(hù)數(shù)量也將迎來(lái)井噴式增長(zhǎng)，北斗用戶(hù)目標(biāo)數(shù)量將更加巨大（可能達(dá)到百萬(wàn)量級(jí)），且具有動(dòng)態(tài)性強(qiáng)、實(shí)時(shí)性高等特點(diǎn)，如果未加任何處理在有限的屏幕區(qū)域內(nèi)顯示（大比例尺），可能造成目標(biāo)相互重疊擠壓，既會(huì)影響顯示效果，難以滿(mǎn)足從概略到詳細(xì)的不同顯示需要，也會(huì)對(duì)顯示設(shè)備硬件造成壓力，影響顯示的實(shí)時(shí)性和連續(xù)性，如圖1所示。

圖1 海量北斗用戶(hù)目標(biāo)重疊擠壓顯示效果

針對(duì)海量空間目標(biāo)的顯示，普遍采用空間目標(biāo)聚合的處理操作。所謂聚合，即采用制圖綜合的方法，將一定范圍內(nèi)具有相似性或相關(guān)性的一類(lèi)或多類(lèi)目標(biāo)綜合為一個(gè)復(fù)合目標(biāo)，形成多對(duì)一的對(duì)應(yīng)關(guān)系（映射），從而減少目標(biāo)的顯示數(shù)量，并給出有關(guān)目標(biāo)更簡(jiǎn)明的總體信息[9-10]。同時(shí)，也可根據(jù)需要將聚合得到的復(fù)合目標(biāo)分裂為多個(gè)個(gè)體目標(biāo)，稱(chēng)為解聚。通過(guò)聚合和解聚操作可以為不同顯示場(chǎng)景提供不同詳細(xì)程度的目標(biāo)信息。目前應(yīng)用較多的空間目標(biāo)聚合顯示方法主要有基于網(wǎng)格的點(diǎn)聚合算法[11-12]、基于距離的點(diǎn)聚合算法[13]、基于方格距離的點(diǎn)聚合算法[14]、基于K-means的點(diǎn)聚合算法[15-17]等。丁立國(guó)等經(jīng)對(duì)比測(cè)試認(rèn)為：聚合空間點(diǎn)的數(shù)量較少時(shí)，各算法性能上無(wú)明顯差異；聚合數(shù)據(jù)量變大時(shí)，基于網(wǎng)格的點(diǎn)聚合算法效率最高，但聚合后目標(biāo)的分布形態(tài)和密集性存在失真現(xiàn)象；基于距離的點(diǎn)聚合算法聚合形態(tài)較好，但當(dāng)點(diǎn)數(shù)據(jù)量較大時(shí)，算法復(fù)雜，所需消耗的資源大、響應(yīng)時(shí)間長(zhǎng)，且聚合中心的分布存在隨機(jī)性；基于方格距離的點(diǎn)聚合算法效率在基于網(wǎng)格的算法和基于距離的算法之間，計(jì)算出的聚合點(diǎn)能較精確地反映原始點(diǎn)位置分布的疏密特征；基于K-means的點(diǎn)聚合算法，聚合效率最低，對(duì)系統(tǒng)資源占用和損耗也最大，但空間點(diǎn)聚合形態(tài)較好[18-19]。大多數(shù)聚合算法主要根據(jù)空間目標(biāo)的地理坐標(biāo)進(jìn)行聚合，即只考慮對(duì)象的地理位置（空間鄰近性），忽略了目標(biāo)的類(lèi)別和關(guān)聯(lián)關(guān)系，不能準(zhǔn)確地展現(xiàn)目標(biāo)的空間分布和屬性特征，無(wú)法適用于北斗用戶(hù)目標(biāo)的顯示。

本文結(jié)合北斗用戶(hù)目標(biāo)的空間分布和屬性特點(diǎn)，提出了一種基于關(guān)聯(lián)關(guān)系的語(yǔ)義多尺度聚合模型，并對(duì)網(wǎng)格聚合算法進(jìn)行了優(yōu)化，在提高聚合效率的同時(shí)，改善了聚合顯示效果，更加貼合目標(biāo)的實(shí)際分布特征。該方法在某北斗監(jiān)測(cè)系統(tǒng)中得到了應(yīng)用，基本滿(mǎn)足了不同地圖比例尺顯示場(chǎng)景對(duì)用戶(hù)目標(biāo)的感知和理解需要。

1 基于網(wǎng)格密度優(yōu)先的北斗用戶(hù)目標(biāo)聚合

1.1 語(yǔ)義多尺度聚合模型

空間目標(biāo)的聚合顯示機(jī)制是一個(gè)高度面向應(yīng)用的問(wèn)題[20]。北斗用戶(hù)目標(biāo)根據(jù)地圖比例尺大小和顯示場(chǎng)景約束可劃分為不同層級(jí)，每一層級(jí)表達(dá)內(nèi)容的廣度、粒度、頻度甚至表現(xiàn)形式都有所側(cè)重，經(jīng)歷了由細(xì)到粗、由詳盡到概略、由個(gè)體到全貌的顯示狀態(tài)變化。它可表征為一個(gè)“樹(shù)”狀結(jié)構(gòu)，最底層是每個(gè)北斗用戶(hù)目標(biāo)顯示個(gè)體，作為基本數(shù)據(jù)附著在“葉結(jié)點(diǎn)”上，最高層是北斗用戶(hù)目標(biāo)聚合體，上一層數(shù)據(jù)都是從下一層數(shù)據(jù)聚合而來(lái)。

任意一個(gè)目標(biāo)可以定義為是幾何語(yǔ)義、特性語(yǔ)義和關(guān)聯(lián)語(yǔ)義的集合，可表示為：

式中，為目標(biāo)的唯一標(biāo)示符，可以用北斗ID表示；幾何語(yǔ)義定義目標(biāo)的位置、速度、航向等信息；特性語(yǔ)義定義目標(biāo)的屬性信息，例如名稱(chēng)、類(lèi)別、從屬、層級(jí)等信息；關(guān)系語(yǔ)義定義目標(biāo)之間的相互嵌套包含關(guān)系，如同屬（隸屬于同一上級(jí)）、同組（屬于同一編組）、同類(lèi)（屬于同一類(lèi)別）等關(guān)系信息，由特性語(yǔ)義衍生而來(lái)。

目標(biāo)聚合模型可定義為：

式中，為目標(biāo)間的幾何語(yǔ)義關(guān)系，用于反映目標(biāo)間空間位置的鄰近關(guān)系，當(dāng)小于規(guī)定閾值、可能相互重疊壓蓋時(shí)，則進(jìn)行聚合操作；為目標(biāo)間的關(guān)聯(lián)語(yǔ)義關(guān)系，本文定義了隸屬、編組、類(lèi)別三種關(guān)系，當(dāng)多個(gè)目標(biāo)屬于同屬（多個(gè)目標(biāo)隸屬于同一實(shí)體）、同組（多個(gè)目標(biāo)在某活動(dòng)中處于同一編組）或同類(lèi)（目標(biāo)類(lèi)型相同）時(shí)，則向上一層級(jí)目標(biāo)聚合；為多級(jí)聚合控制因子，即根據(jù)當(dāng)前地圖比例尺和顯示場(chǎng)景確定聚合顯示的目標(biāo)層級(jí)。

本文對(duì)于目標(biāo)間的關(guān)聯(lián)語(yǔ)義聚合關(guān)系規(guī)定了以下三種情況：

1）按隸屬關(guān)系聚合

按隸屬關(guān)系聚合時(shí)，將多個(gè)同一單位、同級(jí)別的目標(biāo)聚合為上一級(jí)目標(biāo)。例如，車(chē)隊(duì)C包括車(chē)輛1、車(chē)輛2、車(chē)輛3，對(duì)車(chē)輛1、車(chē)輛2、車(chē)輛3聚合時(shí)，可以按隸屬關(guān)系聚合為車(chē)隊(duì)C，如圖2所示。

圖2 按隸屬關(guān)系聚合顯示

2）按編組關(guān)系聚合

多個(gè)目標(biāo)沒(méi)有隸屬關(guān)系，但執(zhí)行同一任務(wù)，可將多個(gè)目標(biāo)視為一個(gè)組合體進(jìn)行聚合，如運(yùn)輸編隊(duì)包括卡車(chē)1、面包車(chē)2、吉普車(chē)3，共同完成貨物運(yùn)輸任務(wù)，如圖3所示。

圖3 按編組關(guān)系聚合顯示

3）按目標(biāo)類(lèi)別聚合

多個(gè)目標(biāo)沒(méi)有隸屬關(guān)系，且互不相干，但屬于同一類(lèi)別，可將多個(gè)目標(biāo)視為一個(gè)整體進(jìn)行聚合。如圖4所示，對(duì)于多個(gè)點(diǎn)狀人員目標(biāo)，可以聚合為一個(gè)人員集合目標(biāo)，并注記表明其數(shù)量。

圖4 按目標(biāo)類(lèi)別聚合顯示

1.2 改進(jìn)的網(wǎng)格聚合算法

基于網(wǎng)格的點(diǎn)聚合算法應(yīng)用較廣，其基本原理是根據(jù)縮放級(jí)別將顯示區(qū)域劃分為多個(gè)規(guī)則網(wǎng)格（網(wǎng)格大小根據(jù)當(dāng)前顯示比例確定），將同屬同一網(wǎng)格的所有空間點(diǎn)聚合顯示至網(wǎng)格中心。當(dāng)網(wǎng)格中沒(méi)有目標(biāo)時(shí)，不繪制任何目標(biāo)；當(dāng)包含1個(gè)目標(biāo)時(shí)，繪制為傳統(tǒng)顯示目標(biāo)；當(dāng)包含１個(gè)以上目標(biāo)時(shí)，繪制為聚合目標(biāo)[12,18]，如圖5所示。該算法只需判斷空間點(diǎn)與所屬網(wǎng)格區(qū)域的包含關(guān)系，不用進(jìn)行距離等復(fù)雜計(jì)算，運(yùn)算速度較快，聚合效率較高，相較于其他算法，尤其適合于海量目標(biāo)聚合計(jì)算。但是，由于聚合點(diǎn)選擇在網(wǎng)格中心，而不是聚合點(diǎn)的質(zhì)心，其顯示過(guò)于規(guī)整；此外，對(duì)于有些距離較近、聚合度高的點(diǎn)，會(huì)因?qū)儆诓煌W(wǎng)格而被強(qiáng)行分在不同的聚合中，不能精確展現(xiàn)目標(biāo)的空間分布和特點(diǎn)規(guī)律。

針對(duì)上述問(wèn)題，本文提出了基于網(wǎng)格密度優(yōu)先的北斗用戶(hù)目標(biāo)聚合算法。算法思路是在網(wǎng)格算法的基礎(chǔ)上，對(duì)每個(gè)網(wǎng)格進(jìn)一步細(xì)化切分成新的網(wǎng)格（本文將原網(wǎng)格切分成3×3個(gè)新網(wǎng)格），按照新網(wǎng)格單元數(shù)據(jù)密度（包含的目標(biāo)數(shù)量）由高到低的順序，依次以每個(gè)新網(wǎng)格中心為聚合中心，將網(wǎng)格內(nèi)與周?chē)徑W(wǎng)格包含目標(biāo)進(jìn)行聚合，聚合過(guò)程如圖6所示。

圖6 基于網(wǎng)格密度的北斗用戶(hù)目標(biāo)聚合算法示意圖

改進(jìn)后的算法解決了網(wǎng)格算法顯示過(guò)于規(guī)整的問(wèn)題，能夠確保目標(biāo)分布密集的區(qū)域優(yōu)先得到聚合，更能真實(shí)反映目標(biāo)的實(shí)際分布情況。如圖5中3、4、5、8目標(biāo)相互鄰近、聚合度高，若采用網(wǎng)格算法，由于處于不同網(wǎng)格，會(huì)被割裂到不同的聚合中，原始分布特征也被改變；而采用改進(jìn)算法，如圖6所示，由于它們所處網(wǎng)格相鄰，且密集度高，能夠優(yōu)先進(jìn)行聚合，較為客觀地反映了目標(biāo)點(diǎn)的位置信息和疏密特征。此外，可以將聚合目標(biāo)質(zhì)心而不是網(wǎng)格中心作為聚合中心，從而進(jìn)一步提高聚合顯示的準(zhǔn)確性。

聚合目標(biāo)質(zhì)心計(jì)算如式（3）所示：

式中，為目標(biāo)權(quán)重，即為目標(biāo)的大小、層級(jí)、分布范圍等的綜合描述?？梢钥闯?，當(dāng)有一大一小兩個(gè)目標(biāo)聚合時(shí)，聚合中心更靠近大目標(biāo)位置；當(dāng)目標(biāo)權(quán)重相同時(shí)，聚合中心為網(wǎng)格內(nèi)目標(biāo)的幾何中心。

算法中對(duì)目標(biāo)數(shù)據(jù)集的網(wǎng)格劃分、網(wǎng)格內(nèi)目標(biāo)數(shù)量統(tǒng)計(jì)等運(yùn)算相對(duì)簡(jiǎn)單，效率較高。對(duì)算法速度影響較大的主要是對(duì)網(wǎng)格密度排序。如果網(wǎng)格尺寸過(guò)大，則顯示可能過(guò)于粗略；如果網(wǎng)格尺寸過(guò)小，網(wǎng)格數(shù)量過(guò)多，尤其空網(wǎng)格或只包含1個(gè)目標(biāo)的網(wǎng)格過(guò)多，則會(huì)產(chǎn)生很多不必要的計(jì)算。因此，需要合理劃分網(wǎng)格，才能有效節(jié)約系統(tǒng)計(jì)算和繪制資源開(kāi)銷(xiāo)。本文將網(wǎng)格寬度按照顯示像素設(shè)置為聚合后繪制圖標(biāo)寬度的1/3，這樣可以確保聚合后顯示圖標(biāo)之間不相互重疊壓蓋，同時(shí)設(shè)置閾值，當(dāng)網(wǎng)格密度過(guò)低時(shí)（如小于或等于1），則不參與排序。此外，采用雙線(xiàn)程機(jī)制，在后臺(tái)線(xiàn)程通過(guò)預(yù)判顯示比例和顯示窗口變化進(jìn)行網(wǎng)格切分和排序操作，將排序結(jié)果存入緩存，聚合顯示時(shí)直接讀入并根據(jù)排序結(jié)果進(jìn)行聚合操作，從而大大提升聚合效率。

考慮到顯示過(guò)程中對(duì)北斗用戶(hù)目標(biāo)數(shù)量動(dòng)態(tài)變化的實(shí)時(shí)處理需求，本文采用動(dòng)態(tài)鏈表結(jié)構(gòu)體來(lái)管理所有的北斗用戶(hù)目標(biāo)數(shù)據(jù)，并采用樹(shù)型結(jié)構(gòu)按照類(lèi)別、隸屬、編組等關(guān)聯(lián)關(guān)系構(gòu)建目標(biāo)間關(guān)系模型。當(dāng)視圖顯示范圍發(fā)生變化（縮放、平移）時(shí)，重新建立屏幕像素網(wǎng)格，為每個(gè)網(wǎng)格建立一個(gè)鏈表用于存儲(chǔ)網(wǎng)格所包含的目標(biāo)數(shù)據(jù)，遍歷當(dāng)前視圖內(nèi)的所有可見(jiàn)目標(biāo)，經(jīng)坐標(biāo)轉(zhuǎn)換后填入網(wǎng)格鏈表中，當(dāng)實(shí)時(shí)目標(biāo)數(shù)據(jù)更新或視圖顯示范圍發(fā)生變化時(shí)，重新計(jì)算網(wǎng)格內(nèi)的目標(biāo)數(shù)量。根據(jù)網(wǎng)格密度采用冒泡法對(duì)網(wǎng)格進(jìn)行排序，按照從高到低的順序，依次將網(wǎng)格與其相鄰的8個(gè)網(wǎng)格進(jìn)行聚合，具體操作是將相鄰8個(gè)網(wǎng)格鏈表存儲(chǔ)的目標(biāo)彈出并壓入中心網(wǎng)格鏈表中。在繪制時(shí)，遍歷網(wǎng)格鏈表，鏈表為空時(shí)，即屏幕網(wǎng)格目標(biāo)數(shù)量為0時(shí)，不進(jìn)行繪制；當(dāng)鏈表對(duì)象數(shù)量為1時(shí)，即屏幕網(wǎng)格目標(biāo)數(shù)量為1時(shí)，繪制正常的目標(biāo)符號(hào)；當(dāng)鏈表對(duì)象數(shù)量大于1時(shí)，即屏幕網(wǎng)格目標(biāo)數(shù)量大于1時(shí)，按照目標(biāo)間的關(guān)聯(lián)關(guān)系對(duì)目標(biāo)進(jìn)行聚合，計(jì)算目標(biāo)質(zhì)心作為聚合中心，在聚合中心繪制聚合目標(biāo)符號(hào)，并標(biāo)注聚合目標(biāo)的數(shù)量。

2 算法實(shí)現(xiàn)與實(shí)驗(yàn)驗(yàn)證

本文算法在某北斗監(jiān)測(cè)系統(tǒng)進(jìn)行了實(shí)現(xiàn)與應(yīng)用。系統(tǒng)基于PIE-Map平臺(tái)，采用QT框架進(jìn)行開(kāi)發(fā)。為進(jìn)一步提高目標(biāo)顯示效率，采用了以下措施：

1）通過(guò)圖形處理器（Graphics Processing Unit，GPU）實(shí)現(xiàn)目標(biāo)的二三維一體化繪制引擎，即將大批量動(dòng)態(tài)目標(biāo)按照網(wǎng)格分塊并處理成OpenGL可渲染的對(duì)象，進(jìn)而分塊綁定到GPU中，從而解決了大批量目標(biāo)數(shù)據(jù)的反復(fù)加載以及數(shù)據(jù)處理過(guò)程的阻塞；

2）采用多級(jí)緩存顯示技術(shù)。顯示流程如圖7所示，顯示時(shí)首先從GPU中尋找對(duì)應(yīng)的瓦片；如果GPU中沒(méi)有，檢索內(nèi)存緩存中的瓦片，內(nèi)存中有瓦片，就加載到GPU中；如果內(nèi)存中沒(méi)有，就去本地瓦片緩存文件夾中加載瓦片，再通過(guò)相應(yīng)的緩存算法，放入緩存列表中。

圖7 多級(jí)緩存調(diào)度示意圖

如圖7所示，通過(guò)Carmack卷軸算法和LRU緩存交換算法實(shí)現(xiàn)多級(jí)緩存交換與調(diào)度，使目標(biāo)顯示查詢(xún)效率得到進(jìn)一步提高，顯示時(shí)緩存列表中緩存了多級(jí)瓦片，在窗口平移和縮放過(guò)程中，配合使用多級(jí)瓦片查找和顯示策略，最終達(dá)到無(wú)縫實(shí)時(shí)漫游的顯示效果。

算法在i7 CPU 3.5 GHz，16 G內(nèi)存，8 G顯存，Windows 7系統(tǒng)環(huán)境下進(jìn)行了測(cè)試。測(cè)試中，選擇顯示目標(biāo)數(shù)分別為300、5 000、10 000、50 000、100 000、200 000共6組數(shù)據(jù)，分別計(jì)算不聚合顯示和本文方法聚合顯示的響應(yīng)時(shí)間。測(cè)試結(jié)果如表1和圖8所示。

表1 目標(biāo)聚合顯示性能對(duì)比

由表1可以看出，相較于不聚合方法，本文方法由于對(duì)顯示的北斗用戶(hù)目標(biāo)進(jìn)行了網(wǎng)格劃分，繪制的聚合目標(biāo)數(shù)目最大為網(wǎng)格數(shù)目，減少了目標(biāo)符號(hào)化的時(shí)間，提高了顯示效率。在目標(biāo)數(shù)少的情況下，聚合算法提升效率不高，甚至可能帶來(lái)效率降低；在大批量目標(biāo)顯示時(shí)，聚合方式的時(shí)長(zhǎng)明顯小于不聚合方式，且目標(biāo)數(shù)越多，目標(biāo)分布越集中，節(jié)約時(shí)長(zhǎng)越多，性能提升越明顯。

由圖8可以看出，本文方法解決了目標(biāo)顯示相互壓蓋的問(wèn)題，能夠更精確簡(jiǎn)明地反映當(dāng)前北斗用戶(hù)目標(biāo)的實(shí)際分布情況，實(shí)現(xiàn)對(duì)目標(biāo)的全面、準(zhǔn)確監(jiān)測(cè)。

3 結(jié)束語(yǔ)

目標(biāo)聚合為海量空間目標(biāo)數(shù)據(jù)可視化提供了解決方案，其本質(zhì)上是地圖綜合技術(shù)在地理信息系統(tǒng)的創(chuàng)新應(yīng)用。本文提出了基于關(guān)聯(lián)關(guān)系的語(yǔ)義多尺度聚合模型，對(duì)網(wǎng)格聚合算法進(jìn)行了優(yōu)化，算法原理簡(jiǎn)單、運(yùn)算效率較高，且更貼近于表達(dá)北斗用戶(hù)目標(biāo)的實(shí)際分布特征，適用于千萬(wàn)量級(jí)北斗用戶(hù)目標(biāo)的顯示。本文方法除適用于北斗應(yīng)用系統(tǒng)目標(biāo)顯示外，還可應(yīng)用于其他地理信息系統(tǒng)，具有較高實(shí)用價(jià)值。

[1] YANG Y X, GAO W G, GUO S R, et al. Introduction to BeiDou-3 Navigation Satellite System[J]. Navigation, 2019, 66(1): 7-18.

[2] 張杰，何玉晶，厲劍. 北斗用戶(hù)機(jī)應(yīng)急指揮系統(tǒng)研究[J]. 測(cè)繪與空間地理信息，2020，43（12）：133-135.

[3] 張志峰，李中學(xué). 應(yīng)急狀況下北斗短報(bào)文通信功能的應(yīng)用[J]. 計(jì)算機(jī)測(cè)量與控制，2018，26（10）：276-279.

[4] 李邦訓(xùn)，陳崇成，黃正睿，等. 基于北斗與ZigBee的生態(tài)環(huán)境參數(shù)實(shí)時(shí)采集系統(tǒng)[J]. 福州大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，47（4）：460-466.

[5] 王洵，歐志偉，柳井明，等. 交通運(yùn)輸行業(yè)北斗系統(tǒng)國(guó)際化應(yīng)用綜述[J]. 衛(wèi)星應(yīng)用，2021（4）：12-16.

[6] 莫云音，吳盛洪，陳亮，等. 北斗船載終端可視化氣象預(yù)警信息技術(shù)研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2020，30（10）：199-203.

[7] 劉興科，張之孔. “北斗一號(hào)”車(chē)輛監(jiān)控管理系統(tǒng)的設(shè)計(jì)[J]. 測(cè)繪與空間地理信息，2012，35（6）：15-18.

[8] 楊濤，邢建平，王勝利，等. 高精度高可靠性車(chē)聯(lián)網(wǎng)位置服務(wù)整體解決方案[C]. 衛(wèi)星導(dǎo)航定位與北斗系統(tǒng)應(yīng)用2019——北斗服務(wù)全球融合創(chuàng)新應(yīng)用，2019：230-235.

[9] Chen J H, Chen J X. Research on Point Aggregation Algorithm Based on WEBGL[C]. Proceedings of the 3rd International Conference on Electronic Information Technology and Computer Engineering, 2019(10): 1243-1246.

[10] 呂德奎. 聚合算法在電力GIS中的應(yīng)用[J]. 電力信息化，2012，10（5）：37-40.

[11] Beilschmidt C, Fober C, Mattig M, et al. A Linear-Time Algorithm for the Aggregation and Visualization of Big Spatial Point Data[C]. Proceedings of the 25th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2017(11): 1-4.

[12] 薛雯，王唯圳，吳瑞祥. 基于網(wǎng)格聚合的態(tài)勢(shì)展現(xiàn)方法[J]. 信息化研究，2019，45（1）：33-36.

[13] Desislava D, Lars L. Data Aggregation and Distance Encoding for Interactive Large Multidimensional Data Visualization [C]. Proceedings of the 13th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, 2018(3): 225-235.

[14] Habibullayevich G K, CHEN X, Shin H. Efficient Filtering and Clustering Mechanism for Google Maps[J]. Journal of Advanced Management Science, 2013, 1(1).

[15] 蘇錦旗，薛惠鋒，詹海亮. 基于劃分的K-均值初始聚類(lèi)中心優(yōu)化算法[J]. 微電子學(xué)與計(jì)算機(jī)，2009，26（1）：8-11.

[16] 周愛(ài)武，于亞飛. K-Means聚類(lèi)算法的研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2011，21（2）：62-65.

[17] 熊平，顧霄. 基于屬性權(quán)重最優(yōu)化的k-means聚類(lèi)算法[J]. 微電子學(xué)與計(jì)算機(jī)，2014，31（4）：40-43.

[18] 丁立國(guó)，熊偉，周斌. 專(zhuān)題圖空間點(diǎn)聚合可視化算法研究[J]. 地理空間信息，2017，15（5）：6-10.

[19] 曾紹琴，李光強(qiáng)，廖志強(qiáng). 空間聚類(lèi)方法的分類(lèi)[J]. 測(cè)繪科學(xué)，2012，37（5）：103-106.

[20] Lin K H, Pan Y B, Wang X L, et al. Effective Dynamic Algorithms for Massive Mark Point Aggregation Display[C]. Proceedings of the 12th International Conference on Computer Science and Education, 2017(10): 331-336.

Beidou User Objects Visualization Method Based on Grid Density Priority

GAO Yang, GUO Hao, WANG Chengbin, WU Qiang

Combined with the spatial distribution and attribute characteristics of Beidou user objects, a semantic multi-scale aggregation model based on association relationship is proposed, optimizes the traditional grid aggregation algorithm, improves and puts forward the calculation method based on grid object density priority aggregation and aggregation center, which improves the aggregation display effect while ensuring the aggregation efficiency. This method has been applied and tested in a Beidou monitoring system. The results show that the algorithm has simple principle, high operation efficiency, and is closer to expressing the actual distribution characteristics of Beidou user targets. It provides a solution for massive spatial data visualization, has high practical value, and basically meets the needs of perception and understanding of user targets in different display scenes of map scale.

Beidou User Objects; Aggregation; Disaggregation; Association Relationship; Grid

TN967.1

A

1674-7976-(2022)-03-157-07

2022-04-28。

高揚(yáng)（1969.12—），陜西西安人，博士，正高級(jí)工程師，主要研究方向?yàn)樾l(wèi)星導(dǎo)航應(yīng)用。