Rule (time, distance, counting)
Dataset (ID, 發生時間, 經度, 緯度)
	累積的data
	持續發生的event : Streaming data
Objective
	回傳累積data中符合rule的點集合pattern
	online 判斷新的event是否有match rule
Output
	所有符合rule的點集合

Dataset in postgresql
經緯度 to geom by postgis

A. 取得snapshot
	取得所有符合時間條件(time)的events
	
B. L2 from snapshot
	從snapshot events中算出符合距離條件(< distance)的任兩點為L2
	if counting==2 : then L2 set is 答案
	
C.From Ln-1 to Ln until n=counting
	http://140.116.247.115:10380/doku.php?id=spatial_temporal_rule_match:包含圓證明n個點中認兩點距離小於d, 則存在直徑d圓可包含n個點
	Ln-1 to Ln：比對Ln-1 set中任兩pattern(x,y) 是否可以長成 Ln       // n = 3 to counting
	U = union(x,y)
	if len(U==n) :
		I = intersection(x,y)
		if (U-I) in Ln-1 set :
			add U to Ln set
			return Lcounting set as answers  set

不斷偵測是否有過期的點(不符合時間條件)要刪除
snapshot是持續再更新的
若snapshot中最old的點時間不再符合rule, 代表此點過期
若偵測到event e為過期點, 則更新index
for i = 2 to n ：
	for pattern in Li ：
		if pattern.contains(e) ：
			Li.remove(pattern)
發生新的event快速判斷是否match rule, 若符合則需更新index
若發生新的event e
// check
flag = False
NeighberOfNewNode ：從snapshot中抓出所有與e距離小於distance的event
for pattern in Ln-1：
	if pattern in NeighberOfNewNode：       // Ln-1中存在一pattern, 此pattern內所有點距離e小於distance
		flag = True
		return flag        // 此pattern存在則e符合rule, 立即回傳 True
// update
if flag：        // if true then update index
	for i = 2 to n：
		for pattern in Li：
			if pattern in NeighberOfNewNode：
				Li+1.add(union(pattern, e))
	return Ln        // 新的answers set

同single

A. 取得snapshot
	每條rule會有自己的snapshot
	每個snapshot是一個db中的materialized view, 以rule id 命名區分
	
B. L2 from snapshot
	所有rules的snapshot彙整成一個L2 index
	L2是HashMap的型態, key是two pattern, value是對應符合的rules
	
C. CountingTable (hashmap)
	一個lookup table, 紀錄每一階層要處理的rule
	例如某條rule是(3天, 100公尺, 3), 則L4不會有此條rule (是不需要紀錄在L4, 這裡觀念很容易搞錯)
	此rule會被紀錄到CountingTable[2], CountingTable[3]
	CountingTable用途是處理Ln時候快速pruning
	
D. From Ln-1 to Ln until n=counting
	Ln的型態與L2相同為HashMap, 紀錄n pattern以及對應符合的rules
	比對Ln-1 set中任兩pattern(x,y)        // n = 3 to max_count
	先比對Ln-1[x]和Ln-1[y]以及CountingTable[n] 是否有交集的rules
	沒有的話就結束比對(x,y)
	有的話才比對(x,y)pattern本身
	再比對Ln-1 set中任兩pattern(x,y) 是否可以長成 Ln
	可以的話, 令rule(x,y) = Intersection(Ln-1[x], Ln-1[y], L2[union(x,y)-intersection(x,y)])
	rule(x,y)非空才能加入Ln[union(x,y)] = rule(x,y)
	
	pseudo code (比對Ln-1中任兩pattern (x,y))
	RuleIntersection = Intersection(Ln-1[x],Ln-1[y],CountingTable[n])
	if len(RuleIntersection) is not 0：
		U = union(x,y)
		if len(U==n) :
			I = intersection(x,y)
			if (U-I) in Ln-1 set :
				RuleIntersection = intersection(RuleIntersection,L2[U-I])
				if len(RuleIntersection) is not 0 ：
					add U to Ln set
					Ln[U] = RuleIntersection

	回傳答案
	for n = 2 to max_count：
		for pattern in Ln ：
			for ruleID in Ln[pattern]：
				if rules[ruleID][counting] == n：
					print pattern,ruleID

A. 偵測過期點並刪除
	偵測過期點
	所有snapshot中最old的點為觀察目標, 紀錄為 OldestCase
	當此點不符合任一條rule的時間條件, 代表過期
	刪除過期點並更新 index
	for n = 2 to max_count：
		for pattern in Ln：
			if OldestCase in pattern：
				Ln.remove(pattern)
	更新完index後要更新OldestCase, 繼續偵測
	
B. 偵測新event並回傳更新
	偵測新event
	所有snapshot中最new的點紀錄為NewestCase
	若更新snapshot前後NewestCase值有所改變, 代表有新event
	發生新event, 判斷此event有符合哪些rule, 有的話則更新index
	
	for each rule
	大致上同single
	與single不同的地方 :
		Ln的資料結構不同(是hashmap), 所以要加入rule作為value
		Li+1[(union(pattern, e))].add(rule)