基于時間的關鍵字路網路徑規劃

盧航，李艷紅，黃金亮

（中南民族大學 計算機科學學院， 武漢 430074）

智能手機等移動設備基本上都具備了GPS 芯片，它們每天都能產生大量的位置信息，輕松地獲取用戶的位置數據.為了給用戶提供基于位置的服務（LBS），產生了大量的LBS 應用，例如，谷歌地圖，高德地圖等.在日常生活中有很多應用場景，如用戶希望找到道路網絡上某兩個點之間的最短路徑.隨著用戶的需求越來越高，近年來附加了文本信息的空間對象查詢，即空間關鍵字查詢［1-4］，受到廣泛的關注.每個對象都包含一個或者多個關鍵字來描述它，當用戶需要某個關鍵字提供的功能時，而具備關鍵字的目標點往往不是唯一的，因此需要從搜索地點尋找一條最短或者最合適的路徑，這樣的過程被稱為路徑規劃［5-6］.

然而，現有的研究主要集中在尋找代價最低的路徑，例如基于動態權值的路徑規劃研究等［7-8］.實際上，時間是一個非常重要的影響因素.圖1 中，用戶位于o點，計劃去餐飲店，此時是21：10，根據用戶的需求，查詢的關鍵字應為“Restaurant”.如圖1 所示，用戶o距離包含關鍵字“Restaurant”的對象v1最近，但v1的營業時間為（15：00-20：30），因此對象v1并不能被選擇作為目標點；對象v5雖然距離用戶o相較v1更遠，但v5此時正在營業，因而應該推薦給該用戶從o點到頂點v5的最短路徑.為此，將“有效時間”的概念引入路徑規劃問題中，為每個對象都設置一個有效時間，當查詢時間不在對象有效時間內時，具有關鍵詞的對象將不能被推薦.

圖1 路網圖Fig.1 Road network map

為了便于道路網絡距離的計算、對象文本信息和時間信息的組織和快速獲取，本文在G-Tree［9-10］的基礎上改進索引結構，增加時間戳和倒排序列相關信息，將改進后的索引結構稱為IGT-Tree.它用GTree 組織路網結構和路網距離信息，用倒排文件組織對象的關鍵字信息，并為關鍵字增加有效時間，采用時間戳的方式來存儲有效時間.因而可以根據路網距離、關鍵字信息和有效時間進行剪枝，提高搜索效率.并基于構建的IGT-Tree 設計兩種推薦算法，一種是基于時間的目標點查詢算法，用于尋找符合有效時間的最近目標點；另一種是在目標點查詢算法基礎上的路徑推薦算法，用在基于時間的道路網絡中，為查詢點和目標點之間推薦一條最佳路徑.簡而言之，本文的主要貢獻概括如下：

—提出了一種改進G-Tree 的索引結構IGTTree，有效地組織路網結構信息、對象關鍵字信息和有效時間信息.

—通過模擬實驗驗證了所提出的基于IGT-Tree算法的目標關鍵字查詢結果和所規劃路徑的準確率比基于G-Tree的方法更高.

1 準備工作

本節介紹必要的背景信息，以及道路網絡上路徑規劃所采用的數據模型和查詢模型.

1.1 路網模型

將道路網絡抽象成一個無向加權圖G=（V，E），其中V是頂點的集合，E是邊的集合，每條邊（u，v）∈E連接著兩個相鄰的頂點u和v（u、v∈V）.并且每條邊都關聯一個表示距離或者行程時間的非負權重w（u，v）＞0.路徑P（v1，vn）=｛v1，v2，…，vn｝（n≥1）是一個有序的頂點集合，即（vi，vi+1）∈E（1≤i≤n-1）.給定頂點u和v，使用δ（u，v）表示從頂點u到v的最短路徑，用距離權值dist（u，v）表示δ（u，v）路徑上各條邊的權重之和.圖1顯示了道路網絡的示意圖，如果給定起始點v1和目標點v7，那么δ（v1，v7）=｛v1，v4，v6，v7｝表示v1到v7間的最短路徑，其距離權值dist（v1，v7）=9.

1.2 時間范圍最佳路徑

給定查詢起始位置st、目標位置ed 和一組關鍵字K=｛k1，k2，…，kn｝，其中ki（i∈（1，n））代表各個關鍵字，道路網絡上每個頂點vi（i∈（1，n））都有相應的關鍵字描述，并且每個頂點v都具有一個有效時間T=［t1，t2］，t1和t2代表時間戳（Timestamp，ts），即一個時間點.例如，［8：30-11：30］代表開始時間戳為8.5，結束時間戳為11.5，在這兩個時間戳范圍內該關鍵字是有效關鍵字.從查詢起始點st 到含有符合有效時間t和一組關鍵字K的目標點ed 的最短路徑，稱為有效時間的最佳路徑（Time-aware Best Path， TBP）.

1.3 數據模型

給定對象o，具有空間位置L=｛l1，l2，…，lm｝（m≥1）和一組關鍵字K=｛k1，k2，…，kn｝（n≥1），并且每個對象都存在一個有效時間T=［t1，t2］.邊（o1，o2）∈E的權值w（o1，o2）表示兩個空間相鄰對象o1和o2之間的路網距離或者行駛時間，本文假設空間文本對象o位于頂點vi（i∈（1，n））上（表1）.

表1 頂點關鍵字-有效時間表Tab.1 Vertex keyword-effective timetable

1.4 查詢模型

給定道路網G，假定用戶位于查詢點st，其關鍵字集合為K=｛k1，k2，…，kn｝（1≤i≤n）.基于上述信息，希望找到一條最佳路徑TBP（st，ed，K，t），在查詢時間t從起始點st 到符合其有效時間T且含有目標關鍵字K的結點ed 之間的一條最短路徑δ（st，ed），其權值為dist（st，ed）.

2 數據索引IGT-Tree

IGT-Tree用于規劃道路網絡最佳路徑查詢的索引技術.G-Tree 和IR2-Tree［11-12］這兩個索引啟發了通過設計IGT-Tree 來解決TBP（st，ed，K，t）的查詢問題.G-Tree 被用于道路網絡上的路網距離計算，而IR2-Tree 被用于歐氏空間中的空間關鍵字查詢.雖然這兩種索引結構不能直接用于道路網絡上最佳路徑查詢，但可以基于該思想，改進并創建一種新的索引結構IGT-Tree，以滿足最佳路徑查詢的要求.

2.1 IGT-Tree的圖劃分

以圖1 路網為例，使用多級劃分算法［13］將路網抽象出的無向圖劃分成了若干個子圖，由于圖劃分過程是通過多級劃分算法來執行的，保證了每個子圖大小幾乎相同.圖2 是IGT-Tree 的圖劃分例子，整個道路網路被劃分為兩個子圖，分別用G1和G2表示.然后，G1繼續被劃分為G3和G4兩個子圖，類似的G2被劃分為G5和G6兩個子圖，直到每個子圖的頂點個數小于預設值（一般大于等于2）時停止劃分.將兩個子圖連接起來的頂點稱為邊界點.圖G1由子圖G3和G4組成，頂點v1、v2和v3構成了G1的邊界點；G1和G2共同組合成了G0，G0的邊界點由v1、v2、v4和v7組成.

圖2 IGT-Tree的路網圖劃分Fig.2 Road network map division of IGT-Tree

2.2 IGT-Tree的倒排索引

圖1中，每個頂點都包含關鍵字的信息，對IGTTree每個結點通過倒排文件索引該結點覆蓋區域內頂點的關鍵字信息.假定系統有N個關鍵字，對系統中的所有關鍵字按順序排列，每個關鍵字對應一個序號.IGT-Tree 每個結點設置一個N位的二進制數，以表示該結點是否包含此關鍵字.對于葉子結點，對于每個關鍵字，如果該葉結點包含的對象存在該關鍵字，則對應位置為1，否則為0；對于非葉子節點，將對應孩子結點的倒排序列通過邏輯“或”運算來得到其倒排索引.例如，對于葉子節點G4，它對應的頂點v1、v2和v9所包含的關鍵字為“Restaurant”、“Tea”和“Supermarket”，這些關鍵字所對應的倒排序列分別為10000、01000、00010，對它們進行邏輯“或”運算后得到11010，因此葉子結點G4的倒排索引為11010.由此可見，根結點G0的倒排索引通常全為1.關鍵字索引如表2所示.

表2 關鍵字索引Tab.2 Keyword index

2.3 IGT-Tree的距離矩陣

雖然各個結點添加倒排索引，能夠快速地區分各個子圖是否存在目標關鍵詞，但還是無法知道搜索位置與目標地點的路徑距離，因此，計算并保存邊界點距離矩陣，便于尋找出頂點之間的最小代價路徑.連接兩個子圖的頂點被標記為邊界點，并存儲在IGT-Tree 中，邊界點距離矩陣保存的是每個子圖內部邊界點之間的最小權值路徑距離.以G0為例，它的邊界點是v1、v2、v4和v7，其邊界點距離矩陣保存的是各個邊界點之間具有最小權重的路徑距離，由圖3中G0的邊界點距離矩陣可知，v1到v2、v4和v7的最小權重路徑距離分別為2、5 和9.邊界點-頂點距離矩陣保存圖的邊界點到子圖里其他頂點的最小權重路徑距離，因此只有葉子結點存在邊界點-頂點距離矩陣.表3-6為邊界點-頂點距離矩陣.

表3 G3的邊界點-頂點距離矩陣Tab.3 G3 boundary point-vertex distance matrix

表4 G4的邊界點-頂點距離矩陣Tab.4 G4 boundary point-vertex distance matrix

表5 G5的邊界點-頂點距離矩陣Tab.5 G5 boundary point-vertex distance matrix

表6 G6的邊界點-頂點距離矩陣Tab.6 G6 boundary point-vertex distance matrix

圖3 IGT-Tree索引結構Fig.3 The structure of IGT-Tree index

2.4 IGT-Tree索引的有效時間

由于每個頂點所包含的關鍵字均具有有效時間，為了表示頂點對象的有效時間間隔，引入時間戳的概念，以1 個小時為1 個時間單位，每天都被劃分成了24個時間單位，例如（21：00，22：00），可以轉化為［21，22］來表示時間段二十一點至二十二點.如表1所示，每個結點都包含了關鍵詞和有效時間的信息.關鍵字和有效時間保存在IGT-Tree中對應的葉子結點中，對于非葉子結點的有效時間，其處理和倒排索引類似，都使用其子結點的邏輯“或”來計算.例如對于非葉子結點G3來說，其子結點為v3和v8，它們對應的有效時間分別為（12：00，24：00）和（10：00，18：00），將它們轉化為時間戳（12，24）∪（10，18），然后通過“或”運算，得到結點G3的時間戳為（10，24）.所以根結點G0的時間戳一般為（0，24）.

2.5 IGT-Tree整體結構

IGT-Tree 結構見圖3，對于每個非葉子結點，包含子圖的名稱、對應的邊界點距離矩陣、倒排索引和時間戳；對于每個葉子結點，包含子圖名稱、對應的倒排索引、邊界點-頂點距離矩陣以及時間戳.

3 關鍵字查詢和路網規劃

基于所構建的IGT-Tree 索引結構，提出了兩種查詢處理算法，即有效時間目標點查詢算法和有效時間最佳路徑規劃算法.

3.1 基于有效時間目標關鍵字查詢算法

本算法為用戶查找在時間感知路網下包含目標關鍵字的頂點.算法的主要步驟是尋找包含查詢點st 所位于的最小邊界矩形（Minimal Bounding Rectangle），即包含st 的葉子結點Gst，再通過它的倒排索引，判斷Gst所包含的頂點是否有滿足條件的關鍵字K，如果存在目標點ed′，再查詢頂點ed′對應時間戳ted′，從而計算出發點st到目標點ed′所耗費的時間tb=dist（st，ed′）/θ（θ為速度變量，這里取6 km/h）和查詢時間t之和得到的預期時間T=t+tb，判斷T是否滿足結點ed′的有效時間（t1ed，t2ed），若滿足，則結點ed′即為目標點ed；若不滿足，那么再通過Gst的父結點Gf依次進行查詢.

例如，當用戶位于道路網絡中的頂點v6時，在14：30 時搜索關鍵詞“Restaurant”，此時st=v6，t=14.5，需找到包含關鍵詞K=｛Restaurant｝的目標點ed，同時滿足從st 到達ed 時的預期時間T在有效時間（t1ed，t2ed）內.首先將關鍵詞K=｛Restaurant｝轉換為其對應的二進制序列，即10000；然后查詢IGT-Tree，找到st 所位于的MBR 即葉子結點G6.遍歷IGT-Tree可知結點G6的關鍵字倒排索引KG6為00111，表2 可知結點G6沒有關鍵字K=｛Restaurant｝對應的二進制序列10000，結點G6不符合.然后從G6的父結點G2開始查詢，結點G2的倒排索引為11111，存在關鍵字K對應的二進制序列10000，遍歷G2的孩子結點，得到G5包含目標關鍵字的葉子結點G5.遍歷G5包含的頂點，可得頂點v5包含關鍵詞K，計算dist（st，v5）=2，可得T=t+dist（st，v5）/θ=14.83，而頂點v5的有效時間為［17，23］，顯然預期時間T不滿足v5的有效時間.雖然頂點v5含有目標關鍵字K，但它不能滿足查詢要求，故排除掉.再從G2的父節點G0開始查詢，通過以上方法可知頂點v1包含關鍵字K，計算dist（st，v1）=7，得T=t+dist（st，v1）/θ=14.5+1.17=15.67，查詢頂點v1的有效時間為［15，20.5］，預期時間T滿足v1的有效時間.因此可得查詢的目標點ed=v1，如算法1所示.

為了得到包含有效時間的關鍵字目標點ed，需要從葉子結點Gst開始，通過對包含在葉子結點內的每個節點進行時間戳和倒排序列的剪枝處理，需要對每個非根結點進行一次搜索，時間代價主要集中在對葉子結點Gst、Ged和最近公共父結點Gp之間層數差的遍歷操作中，對每層相鄰樹結點之間都要進行一次最小邊界點的計算，而層數差j 的最大值為IGT-Tree 的高度H=logf(V/τ)+1，其中V為頂點總數、τ 為葉子結點包含的頂點數、f為非葉子結點的扇出，因此基于有效時間目標關鍵字查詢算法的時間復雜度為O(logf(V/τ)).

Algorithm 1 Finding the nearest target point ed on IGT-Tree Input： IGT-Tree ， st ， K ，t Output： ed 1： Convert the key K to a binary sequence Kb //將關鍵字K轉化為二進制序列Kb 2： Convert Search time t to timestamp ts //將查詢時間轉化為時間戳ts 3： Find the leaf node Gst that contains st //找到包含起始點st 的葉子結點Gst 4： while parent node of Gst ！= ? do 5： Search the inverted index KGst of Gst //輸出結點Gst的倒排索引KGst 6： if KGst contains Kb then 7： Find the vertex ved that contains the keyword K //找到包含關鍵字K的頂點ved 8： Search the valid time Tved of vertex ved //查詢ved的有效時間Tved 9： Calculate t = t + dist（st，ved）/θ 10： if Tved contains t then 11： return ed = ved 12： else 13： Find the Parent node GstP of Gst //找到Gst的父結點GstP 14： continue 15： end if 16： else 17： Find the Parent node GstP of Gst //找到Gst的父結點GstP 18： continue 19： end if 20： end while

3.2 基于有效時間最佳路徑規劃算法

由上述3.1 可知，當用戶位于結點v6，搜索關鍵字為“Restaurant”即K=｛Restaurant｝，此時查詢時間為14：30 即T=14.5 時，符合條件的最近目標點ed=v1，因此δ（v6，v1）=（v6，v4，v1）即TBP=（v6，v4，v1），如何找到TBP中的每個頂點，是本節要解決的問題.

第一步判斷起始點st 和目標點ed 是否被包含在同一葉子結點內，由IGT-Tree 可知，包含起始點v6的結點為G6，而包含目標點v1的結點為G4，它們不在相同的葉子結點內；若它們包含在同一葉子結點內，可由該葉子結點的邊界點-頂點距離矩陣直接得出最短路徑.接下來根據包含頂點v6和v1的葉子結點G6和G4，遍歷IGT-Tree 找到最近的公共父結點Gf即G0，查詢G6和G4的邊界點矩陣分別找到它們的邊界點BG6和BG4（BG代表圖G中的任意的邊界點），計算dist（v6，BG6）和dist（v1，BG4）找到權值最小的邊界點Bv6=v6和Bv1=v1（Bv代表頂點v為邊界點）；若邊界點不為目標點ed，則將Bed作為中間點.由G0的邊界點距離矩陣可知，G0的邊界點為v1、v2、v4和v7，且位于G0不同孩子結點的最小權值為dist（v1，v4）=5.判斷Bv6和Bv1是否為G0的邊界點，顯然Bv1=BG0=v1，而Bv6≠BG0不為G0的邊界點，比較出dist（v6，BG0）的最小權值的邊界點v7.雖然到起始點v6權值最小的邊界點為v7，但不能直接將v7作為中間節點，需要比較起始點v6到G0中距目標點v1權值最小的邊界點v4，即dist（v6，v4）+ dist（v4，v1）=7，和dist（v6，v7）+dist（v7，v1）=11，選擇權值更小的為中間點，故將v4作為中間點，根據G0的邊界點距離矩陣，可得δ（v4，v1）=｛v4，v1｝；若目標點ed不為G0的邊界點，則計算dist（ed，BG0）選擇權值最小的邊界點作為中間點.因此最終dist（st，ed）=dist（v6，v4）+dist（v4，v1）=7，而δ（st，ed）=｛v6，v4，v1｝，即TBP（v6，v1，｛restaurant｝）=｛v6，v4，v1｝.如算法2所示.

為了尋找起始位置st 和目標位置ed 間的最佳路徑，需要對節點st和ed分別位于的葉子結點Gst和Ged尋找最近非空父結點進行查詢，對于被查詢的結點，需要對其包含的i個滿足關鍵字條件的對象，計算一次有效時間的匹配性，而i不大于τ。同時最多遍歷n個樹結點，因此基于有效時間最佳路徑規劃算法的時間復雜度為O(n·τ).

Algorithm 2 Finding the best path from st to ed on IGT-Tree Input：IGT-Tree，st，ed Output：δ（st，ed）1： Find the leaf node Gst that contains st //找到包含起始點st 的葉子結點Gst 2： Find the leaf node Ged that contains ed //找到包含目標點ed 的葉子結點Ged 3： while nearest parent node Gf of Gst and Ged ！= ? do //Gst和Ged的最近父結點Gf不為空4： Search the boundary point distance matrix of Gst to get the boundary point BGst //找到葉子結點Gst的邊界點BGst 5： Search the boundary point distance matrix of Ged to get the boundary point BGed 6： if st = BGst then 7： if ed = BGed then 8： Search the boundary point distance matrix of Gf to get δ（st，ed） //由Gf的邊界點距離矩陣可得δ（st，ed）9： return δ（st，ed）10： else 11： Find the boundary point Bed of the minimum value of dist（ed，BGed） //找到邊界點BGed距離ed最近的那個Bed 12： Search the boundary point distance matrix of Gf to get δ（st，Bed）13： return δ（st，ed） = δ（st，Bed）+δ（Bed，ed）14： end if 15： else 16： Find the boundary point Bst of the minimum value of dist（st，BGst）17： if ed = BGed then 18： Search the boundary point distance matrix of Gf to get δ（Bst，ed）19： return δ（st，ed） = δ（st，Bst）+δ（Bst，ed）20： else 21： Find the boundary point Bed of the minimum value of dist（ed，BGed）22： Search the boundary point distance matrix of Gf to get δ（Bed，ed）23： return δ（st，ed）=δ（st，Bst）+δ（Bst+Bed）+δ（Bed，ed）24： end if 25： end if 26： end while

4 實驗

采用了兩個合成的數據集CA 和SF（通過真實的California和San Francisco兩個城市的路網數據和實驗系統產生的數據對象合成的），其中隨機產生的對象包含了關鍵字信息、有效時間信息和位置信息.其中CA 包含1458 個數據對象和46 個關鍵字，SF 包含10000 個數據對象和215 個關鍵字，對于CA中的每一個對象，通過zipf分布［14］為其分配1-2個關鍵字，每個對象的有效時間范圍設置在［0-24］，且遵循高斯分布［15］；對于SF 中的每一個對象同樣采用zipf 分布的方式為其分配3 個關鍵字.現實生活中，每個對象能具備多個關鍵字，SF 和CA 的對象的有效時間設置方式相同.另外，每個對象的位置都隨機分布在路網的節點上，由于以上的數據集是根據數據對象的時間特征和關鍵字特征進行合成的，因此對實驗結果沒有影響.表7為兩個數據集的特征.

表7 實驗數據集特征Tab.7 Characteristices of data sets

4.1 系統設置

設備為Intel Core i5-8400，2.8 GHz CPU，GTX 1060TI，16 GB RAM Windows10 的電腦，所有算法的開發及運行均在Java 1.8.0_302的運行環境下完成.

4.2 實驗結果分析

4.2.1 索引建立性能分析

本節評估IGT-Tree索引的構建時間和內存空間消耗這兩方面的性能.圖4（a）顯示在CA 和SF 兩個大小不同的數據集下，IGT-Tree 和G-Tree 索引建立耗費的時間和占內存空間的大小.盡管IGT-Tree 索引加入了有效時間，其創建時間和G-Tree 相差無幾；不過隨著數據集的增大，它們兩者的索引創建時間差距會稍微增大.圖4（b）顯示IGT-Tree 索引所占內存空間大小略大于G-Tree 索引，這是因為IGTTree 索引相較于G-Tree 中除了邊界點距離矩陣、倒排索引和邊界點-頂點距離矩陣以外，每個結點和葉子結點所包含的頂點還包含了時間戳的內容.

圖4 IGT-Tree和G-Tree的索引創建時間與大小Fig.4 Index creation time and size of IGT-Tree and G-Tree

4.2.2 關鍵字查詢分析

根據CA 和SF 兩個數據集，設置不同的關鍵字數，CA 設置為1 個，SF 設置為2～3 個，設置每個對象的有效時間T 隨機分布在［0-24］內，查詢G-Tree 和IGT-Tree兩種索引結構下查詢算法對于目標關鍵字查詢的正確率.圖5（a）顯示IGT-Tree 的查詢時間比G-Tree 稍大，圖5（b）中，在關鍵字K更大的SF 數據集里，查詢時間變長但正確率會隨之變大，當數據集變大后，IGT-Tree 和G-Tree 的查詢正確率也變得比較接近，并且正確率同時都在提高.因為隨著單個對象包含的關鍵字數增多，在有效時間不變的情況下，有效的目標對象會隨之增多，因此增大了查詢的正確率，并且在G-Tree 下查詢的關鍵字，由于可選的對象增多，在查詢時，目標對象處于有效時間的可能性同時變大，因此隨著K的數值變大，G-Tree的查詢正確率會逐漸接近IGT-Tree.

圖5 IGT-Tree和G-Tree關鍵字查詢時間與正確率Fig.5 IGT-Tree and G-Tree keyword query time and accuracy rate

4.2.3 不同時間段查詢的準確率分析

為了探究在一天內各個不同時間點查詢目標的正確率，G-Tree和IGT-Tree兩者的性能差別，根據CA 和SF 兩個數據集，設置不同的關鍵字數，CA 設置為1 個，SF 設置為2-3 個，設置每個對象的有效時間T 隨機分布在［0-24］內，對比G-Tree 和IGT-Tree兩種索引下查詢算法在不同時間內目標關鍵字的查詢正確率.根據圖6，結果顯示隨著數據集變大，兩者查詢的正確率都隨之提高.在［8，16］這個時間區間內，IGT-Tree 和G-Tree 查詢的正確率差值收小并且變化規律類似，但在［20，24］∪［0，8］這個時間區間內，IGT-Tree 的查詢正確率相較于G-Tree 提升明顯，隨著數據集的增大，兩者之間的正確率的差距也有所縮小.因為查詢時間越晚，處于有效時間的對象數量也在減少.G-Tree 的查詢對象往往都是時間代價最小的，但隨著T處于［20，24］∪［0，8］這個時間區間內，很多對象已經不在有效時間范圍內，這也導致IGT-Tree查詢正確率的降低.

圖6 不同時間點查詢準確率對比Fig.6 Comparison of query accuracy at different time points

5 結論

為解決基于時間的關鍵字路網路徑規劃問題，本文提出一種有效的路網索引結構IGT-Tree，并在此基礎上提出關鍵字查詢算法和路徑規劃算法.對比以往的索引結構G-Tree，在有效時間的路網關鍵字查詢下，能提高查詢的準確率，尤其是在T=［20，24］∪［0，8］這個時間段內，查詢準確率相較于G-Tree提升明顯.實驗結果驗證了本文提出的IGT-Tree 索引結構和算法在處理基于時間的路網關鍵字查詢和路徑規劃的可行性和準確性.