Speicherung und Abfrage von GPS-Koordinaten Effektiv

Ich in der Regel tun, diese Art der Abfrage mit lat/lon. Mit Hilfe der sphärischen geometrie können Sie einen Begrenzungsrahmen um einen bestimmten Punkt. Zum Beispiel, sagen, Sie haben einen Punkt (X,Y), dass Sie möchten, dass alle Koordinaten innerhalb 1 Meile (Umrechnung in Meter lasse ich als übung für den Leser). Sie können bestimmen, eine bounding-box (X-1,Y-1),(X+1,Y+1). Dann Fragen Sie Ihre Punkte-Datenbank mit dem ZWISCHEN-operator (SELECT foo FROM bar WHERE LAT ZWISCHEN X-1 UND X+1 UND LON-ZWISCHEN Y-1 UND Y+1). Dann müssen Sie Ihre detail-Distanz-Berechnung, um "Runde Ecken" Ihrer bounding box.

Nachteil ist, dass die Längengrade sind näher zusammen an der Spitze der Kugel, so erhalten Sie verzerrt die Ergebnisse, die weiter Weg Sie vom äquator entfernt. Aber es dient immer noch zu schnell filtern Sie Ihre Ergebnisse legt.

Google "Great Circle Distance" für die Berechnungen.

EDIT: Es gibt 0.167469 Längengrade pro Meile (das reicht von 0.167469 zu 0.014564), und 0.014483 Breitengrade pro Meile. Damit Ihre bounding box ist (lat - (miles * 0.014483), lon - (miles * 0.167469)), (lat + (miles * 0.014483), lon + (miles * 0.167469))

Viele Datenbank-Systeme haben die Funktion für das arbeiten mit raumbezogenen Daten.

Hier ist-Vergleich geospatial-Funktionen von SQL Server 2008, PosGIS und MySQL
http://www.bostongis.com/PrinterFriendly.aspx?content_name=sqlserver2008_postgis_mysql_compare

GIS-Datenbanken (MS PostgreSQL etc) auch tatsächlich umzusetzen, einige Datenstruktur für zwei - oder drei-dimensionale region-suchen (räumliche Indizes). Die einfachste sturcture ist die grid-index, dann die verschiedenen such-trees (kd-tree quad-tree) mit den R-Baum als die am häufigsten verwendet (eine generalisierte B-Baum für mehr Dimensionen). Diese Methoden angemessen erscheinen.

Einer grundlegenden grid-index (Partitionierung der Raum in grid-Zellen, und die Suche nur in den benachbarten Zellen) kann leicht implementiert werden und können reduzieren die Zeit für die Suche bis hin zu logarithmisch. Die Suche Bäume sind ein bisschen schwieriger zu implementieren, aber es gibt viele open-source-Implementierungen für viele Programmiersprachen. Doch in den meisten Fällen raster-Indexierung ist effizient genug.

Wenn Sie vermeiden möchten, eine GIS-Erweiterung, ich angepasst, die Funktionen von dieser Beitrag zu postgres sql:

create or replace function change_in_lat(miles numeric)
returns double precision as $$
with v as (select
    3960.0 as earth_radius,
    180 /pi() as radians_to_degrees
) select ( miles /earth_radius ) * radians_to_degrees from v;
$$ language sql
returns null on null input;

create or replace function change_in_long(lat numeric, miles numeric)
returns double precision as $$
with v as (select
    3960.0 as earth_radius,
    pi() /180 as degrees_to_radians,
    180 /pi() as radians_to_degrees
) select (
    miles /(earth_radius * cos(lat * degrees_to_radians))
    ) * radians_to_degrees from v;
$$ language sql
returns null on null input;

mit diesen können Sie einige der umliegenden Quadratmeter Abfragen:

--find all "a"s within 25 miles of any "b"
select * from a join b on (
a.gpslat between
    b.gpslat - change_in_lat(25) and b.gpslat + change_in_lat(25)
and a.gpslong between
    b.gpslong - change_in_long(b.gpslat::numeric, 25)
    and b.gpslong + change_in_long(b.gpslat::numeric, 25)
);

wenn Sie es oft genug, ich bin sicher, drehen der zwischen-Anweisungen in eine einzelne Funktion einfach wäre. Ich habe nie irgendwelche tatsächlichen "im radius" - Abfragen mit diesem obwohl.

Für die etwas komplizierter sind, werden Sie wahrscheinlich wollen eine GIS-Erweiterung, wie in anderen Antworten gesagt haben. PostGIS ist gut, aber ich fand eine Menge von gis-spezifischen Funktionen sind schwer zu bekommen Recht, und es sei denn, Sie nutzen bounding-box-Indizes Ihre räumliche Abfragen könnte einen Tag dauern, wenn Sie Ihre Daten-set ist groß genug. Aber der Nachteil in der Komplexität ist es allemal Wert für alle die Phantasie Dinge, wie die Ausgabe Ihrer Daten im geojson-format, etc.