1.一种路网环境下广义近似聚集Skyline查询处理方法，其特征在于，设定路网近似距离dε，若两个对象之间路网距离小于dε，则两个对象路网距离近似；定义一组非空间维度阈值ε1、ε2、…、εn，如果两个对象在各个非空间维度上差值均小于非空间维度阈值，则这两个对象非空间维度近似；不属于任何近似点集的点称为独立点；对于给定的道路网G和查询数据集D，其具体操作步骤包括：步骤一：通过变体的DBSCAN算法对查询数据集D进行近似聚集处理，聚集那些dε内非空间维度近似的对象，聚集那些dε内非空间维度近似的对象，将数据集D中对象划分为近似集和独立点，将近似集中对象统合为一个整体进行处理，形成具有近似点集和独立点的数据集D’；

步骤二：基于步骤一生成的数据集D’中的近似集与独立点对道路网进行划分，构建SSR‑tree索引，将近似集当做一个整体加入到SSR‑tree索引中同一处理；

步骤三：基于SSR‑tree索引结构，将近似集放入到Skyline查询中进行近似集与数据集中独立点的道路网广义聚集支配处理，输出具有二层近似索引结构的结果集合；

所述的变体DBSCAN算法具体步骤为：

步骤一：给定一个道路网G和查询数据集D，D中所有点标记为unvisited，输入半径dε，密度阈值≡1；

步骤二：随机选择一个unvisited点p并标记为visited；

步骤三：若p点路网半径dε领域内至少有一个点，创建新簇C将p加入C，否则标记p为独立点；

步骤四：若p点路网半径dε领域内至少有一个点，将p领域内所有点加入集合N，循环判断N中每一个unvisited点p’；

步骤五：标记p’为visited，判断p’与p是否非空间近似，如果是且p’尚未加入簇且未被标记为独立点，则将p’领域内所有点加入集合N且将p’加入C，若p’与p不存在非空间近似，则标记p’为独立点；

步骤六：当集合N为空时，输出簇C；

步骤七：当数据集D中不存在unvisited点时，运行结束，生成近似数据集D’；

所述的道路网广义聚集支配处理这一步骤，其具体包括：对于生成的数据集D’以及SSR‑tree索引，快速查询D’中的支配集合，道路网广义聚集支配处理就是处理近似集与近似集、近似集与独立点以及独立点与独立点之间的支配关系，最终生成带有近似集的二层索引结构的查询结果集合，近似集与近似集之间支配判断：若近似集A中存在一个点在所有维度上均支配近似集B中所有点，则近似集A路网支配近似集B；近似集与独立点之间支配判断：若独立点p在所有维度上均支配近似集A中所有点，则该点p路网支配近似集A，反之，若近似集A中存在一个点在所有维度上支配独立点p，则近似集A支配独立点p。

2.根据权利要求1所述的一种路网环境下广义近似聚集Skyline查询处理方法，其特征在于，所述的SSR‑tree索引这一步骤，其具体包括：将传统R树叶子节点连接二维List列表，将数据集D’中的近似集视为空间中的一个对象存储在二维List列表中，以此来构建SSR‑tree索引，保证近似集在索引中同一判断。