Spatial Aproximation Tree

Klemems Neyder Monteagudo Mamani

Univerisdad Nacional del Altiplano
Puno, Perú
knmonteagudo@epg.unap.edu.pe

Resumen

El presente documentos, es una revisión sobre el

Árbol de aproximación espacial (SAT por sus siglas
en ingles). De esta manera en primer lugar se trata
realizar una introducción sobre los espacios métricos
y las búsquedas por similitud; para luego abordar el
funcionamiento del SAT y sus aplicaciones

Palabras Clave— Aproximación espacial,

búsqueda, espacios métricos, similitud,
I. INTRODUCCIÓN
Tradicionalmente el manejo de datos
computacionales se basaba en el tratamiento sobre
datos con significado básico, por ejemplo tratamiento
de números, letras, palabras; así como en las bases de Fig 1: Ejemplo de espacio métrico
datos tradicionales; de manera que las búsquedas se
hacían de manera eficiente sobre este tipo de datos; no Los espacios métricos tienen las siguientes
obstante la evolución de la información impulso a que propiedades [2]
los datos cada vez sean agregados [1], y encontramos 1: d(A; B) ≥ 0 Positividad
por ejemplo imágenes, fragmentos de sonido
codificado, entre otro tipo de dato; para lo cual los 2: d(A; A) = 0 Reflexividad
algoritmos de búsqueda tradicional no tenían valía; de 3: d(A; B) > 0 (if A =! B) Positividad estricta
manera que frente a esta evolución de la información
se requiere nuevas formas de búsqueda; y una de esas 4: d(A; B) = d(B; A) Simetría
formas es la búsqueda por similitud [2]. 5: d(A; C) ≤ d(A; B) + d(B; C) Desigualdad
De manera que las búsquedas por similitud triangular
extienden la búsqueda por exactitud porque el
resultado obtenido es un conjunto de elementos
cercanos al objeto de búsqueda [3]. B. Busqueda por similitud
Existen varios tipos de búsqueda por similitud,
dentro de los cuales los principales son [2][1]:
• Consulta por rango
II. MARCO TEÓRICO
• Consulta del vecino más cercano
En el presente apartado se muestra un analisis de
los fundamentos sobre los indicadores de negocio y de • Consulta de los k vecinos más cercanos
exito, los objetivos de Inteligencia de Negocio, • Consulta por ranking
Minería de Datos en la actualidad, metodologías de
inteligencia de negocios y minería de datos. • Consulta de vecinos reverso más cercano
A. Espacios metricos • Unión por similitud
Los espacios métricos son una colección de objetos
(M) y una función de distancia; es tan similar al
espacio donde abstractamente se ubica un grafo.

©2021 IEEE
 III. SPATIAL APROXIMATION TREE
Este es un tipo de búsqueda del vecino más cercano
[1], en este modelo se busca un objeto A, dentro de un
espacio métrico y se trata de encontrar al vecino más
cercano espacialmente, fue un método creado por
Navarro [4]
Para que sea posible se necesita una estructura tipo
grafo dirigido [2], donde para realizar la búsqueda
aleatoriamente nos posicionamos en un nodo raíz, y
nos acercamos mediante sus grafos vecinos, es decir
migramos de a hacia sus vecinos más cercanos N(a),
una vez ubicado en los vecinos volvemos a hacer la Fig 3: Búsqueda en radios alejados
búsqueda en los nuevos vecinos de cada nodo que
ahora se convierte en raíz, y así de manera sucesiva En la figura 3 se observa que el radio de q esta fuera
acercando no más al elemento buscado [5] del alcance del radio de a; por lo tanto no es necesario
entrar al nodo a y sus vecinos que pudiera tener
dentro.

Fig 4: Búsqueda en radios que intersectan

Para el caso de 4 como se ve los radios si chocan, de

manera que si se puede entrar a buscar en el nodo a y
Fig 2: Ejemplo de búsqueda en base al SAT
todos sus vecinos, porque existe un espacio métrico
donde puede existir un nodo que se aproxime a q.
Como se observa en la figura 2, se toma un nodo raíz
u11, y se va recorriendo los nodos vecinos más
Si tenemos la figura 2, donde elegimos el nodo u11,
cercanos u6 y u4; al respecto u7 no se recorre porque
entonces nos queda definir como seleccionar el nodo
está más alejado del nodo de búsqueda; de manera que
con mayor probabilidad de éxito; al comienzo dijimos
en u4 también se detiene la búsqueda porque u3 se
que la selección es aleatoria; no obstante podemos
aleja; el único camino es por u6, y recursivamente se
aplicar ciertos métodos que nos permitan
llega a u10 y u9; es u9 el nodo que está dentro del
aproximarnos más [5], estos métodos pueden ser:
radio de q (objeto de búsqueda), y por tanto termina
la búsqueda.
Método de selección del nodo más central en el
Para que la búsqueda sea inteligente el algoritmo SAT
espacio métrico.
utiliza información sobre el radio de cobertura de los
• Método de muestreo
nodos, e incluso el mismo objeto de búsqueda también
tiene su radio. De manera que los nodos con radio que • Límite inferior máximo en la distancia
esta fuera del alcance del radio de búsqueda no es • Mínimo Máximo Radio Límite Inferior
necesario que sean visitados. De manera que en SAT • Mínimo Máximo Promedio Radio Límite
también usa la representación de bola, es decir, un
radio de cobertura igual a la distancia máxima entre el
centro del nodo y cualquier objeto en el subárbol se
mantiene con cada nodo [6].
IMPLEMENTACIÓN
 CONCLUSIONES

REFERENCES
[1] N. Reyes, E. Herrera, and G. Navarro,
“Búsqueda en espacios métricos: Árbol de
aproximación espacial dinámico,” in III
Workshop de Investigadores en Ciencias de la
Computación, 2001.
[2] E. Gómez, “Aportaciones a la mejora de la
eficiencia de la búsqueda del vecino más
cercano,” Tesis doctoral: Universidad de
Alicante, 2012.
[3] H. Gercek, “Combinando Métodos para
Búsquedas en Espacios Métricos Anidados (
CMSNMS ),” Tesis de grado: Universidad
Nacional de Rosario, 2011.
[4] G. Navarro, “Searching in metric spaces by
spatial approximation,” String Process. Inf.
Retr. Symp. Int. Work. Groupware, SPIRE
1999 CRIWG 1999, pp. 141–148, 1999.
[5] A. Gómez, V. Ludeña, and N. Reyes,
“Eligiendo Raíces para el Árbol de
Aproximación Espacial,” in XIII Congreso
Argentino de Ciencias de la Computación,
2007.
[6] Y. Gao and L. Chen, “Metric Indexing,” 2020.
[Online]. Available:
http://dbl.zju.edu.cn/~yjgao/MetricIndexes/.