공간 인덱싱을 위해 R + Tree over R-Tree를 선호하는 주요 이유는 무엇입니까? 내가 알다시피, R + -ree는 노드가 겹치지 않게하여 더 복잡한 코드, 더 복잡한 분할 알고리즘 등을 유도합니다. R * -tree는 R-tree와 매우 비슷하지만 노드 중첩을 최소화하고 R + -tree보다 훨씬 적은 코드를 필요로합니다. 그렇다면 R * -T
ELKI 라이브러리를 사용하여 DBSCAN 클러스터링 테스트 응용 프로그램을 구현하려고합니다. 내 데이터 세트는 6 차원이며 약 100.000 개의 개체로 구성됩니다. 내 코드에서 R * -Tree ELKI 최적화를 사용하려고했지만 코드를 벤치마킹하면 여전히 O (n^2)와 함께 사용되는 것처럼 보입니다. 이 내가 내 응용 프로그램 내에서 사용하는 코드입니
R-Tree 개념을 처음 사용합니다. Rtree와 관련된 아주 기본적인 질문을하면 죄송합니다. R-Tree의 기본 개념을 이해하기 위해 R-Tree에 대한 몇 가지 자료를 읽었습니다. 그러나 MBR의 클러스터링 또는 그룹화 단계를 이해할 수 없었습니다. 나를 귀찮게하는 것은 다음과 같습니다. 각 MBR에 몇 개의 점이나 물체가 들어갈 수 있습니까? 각각의
현재 시나리오에서는 작성하는 데 약 1 시간이 걸리는 수백만 개의 레코드를 추가하는 Rtree 인스턴스가 있습니다. 다중 RTrees를 만들기 위해 여러 mappers를 사용할 수 있는지 궁금합니다. & 그런 다음 최종 RTree를 만들기 위해 감속기에서 병합 하시겠습니까? 특정 병합 Rtree 기술이 있습니까? 어떻게 해결해야합니까? 어떤 도움을 주시면
지형 공간 데이터에 대해 R-Tree와 Quadtree를 비교하고 싶습니다. 저기서 문학이있는 동안 나는 진짜 기본 비교를 다루는 문서를 찾기 위해 애 쓰고 있습니다. 그래서 나는이 질문을하기로 결정했다. 제 생각에는 R-Tree가 균형을 이루는 이점이 있고 트리에 빈 잎이 없습니다. 단점으로 삽입 또는 삭제와 같은 기본 작업은 전체 색인을 재구성 할 수
공간 도메인 (구조와 같이 밀도가 높은 커뮤니티)과 쿼리 포인트에 그래프 구조가 있습니다. 이 그룹 전체와 쿼리 포인트 사이의 거리를 계산하기 위해 효율적인 알고리즘 + 데이터 구조를 고안하고 싶습니다. 여기서 적절한 거리 함수는 쿼리 포인트로부터 모든 점의 거리를 평균화 할 수 있습니다. 다른 기능이 모든 거리의 최대 값을 차지할 수 있습니다. 이 문제는
JSI RTree 구현 https://github.com/aled/jsi을 사용하여 응용 프로그램의 지리적 위치를 색인하려고합니다. 약 7M 항목으로로드 한 다음 매사 추세 츠 주와 코네티컷주의 경계 상자가있는 포함 방법을 사용하여 쿼리합니다. 다시 돌아온 결과는 실제로 해당 경계 상자에 없습니다. 이 사용자 오류 또는 RTree 구현의 버그입니까? 여기