發(fā)布時(shí)間：2021-08-03 01:35

　　隨著空間數(shù)據(jù)和數(shù)據(jù)庫(kù)的迅速發(fā)展和廣泛應(yīng)用,空間數(shù)據(jù)挖掘越來(lái)越重要。在地理空間中,經(jīng)常位于一起的空間特征子集稱為空間（正）co-location模式。雖然全連接、部分連接以及無(wú)連接算法的提出,解決了co-location模式的挖掘問題,但是這三種算法都存在算法消耗時(shí)間過多的問題。負(fù)co-location模式挖掘是找出擁有負(fù)相關(guān)關(guān)系的空間特征子集,關(guān)于這種模式的研究較少,目前提出的算法必須要在找出所有co-location模式的情況下才能進(jìn)行負(fù)co-location模式挖掘,其挖掘過程復(fù)雜耗時(shí)。針對(duì)目前正、負(fù)co-location模式挖掘算法存在的問題,本文做了以下研究工作:（1）提出了極大實(shí)例算法。該算法引入了一種新的概念:極大實(shí)例,并提出了利用極大實(shí)例來(lái)生成co-location的所有行實(shí)例的方法,并證明這種生成行實(shí)例的方法的可行性及有效性。該算法生成行實(shí)例和co-location模式的過程都不需要連接操作,與全連接、部分連接和無(wú)連接算法相比可以節(jié)約大部分計(jì)算時(shí)間。（2）提出了改進(jìn)的負(fù)co-location模式算法。通過分析正、負(fù)co-location模式之間的關(guān)系,提出了空間鄰近關(guān)系... 

【文章來(lái)源】：桂林理工大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

空間數(shù)據(jù)集示例

桂林理工大學(xué)碩士學(xué)位論文10接操作。雖然全連接算法能夠生成完整且正確的co-location模式，但是生成過程所需的連接操作會(huì)隨著空間特征類型及其實(shí)例的增多而增多，所消耗的計(jì)算時(shí)間也會(huì)增加。圖2.2實(shí)例連接過程(3)剪枝：候選co-location模式可以通過給定的興趣度量閾值來(lái)進(jìn)行剪枝。首先算法基于頻繁度進(jìn)行剪枝，即只有高于給定的興趣度量閾值的候選co-location模式才是頻繁的。所有候選co-location模式的參與度值計(jì)算出后，執(zhí)行基于頻繁度的剪枝，那些非頻繁的候選co-location模式將被刪除。而另一種剪枝策略是多分辨率剪枝。多分辨率剪枝是在使用不相交分區(qū)的粗略分辨率的空間數(shù)據(jù)數(shù)據(jù)上學(xué)習(xí)的。在全連接中主要以基于頻繁度的剪枝為主，這個(gè)剪枝策略可以確保找出完整正確的頻繁co-location模式。(4)生成頻繁的co-location模式：通過剪枝篩選出滿足頻繁閾值大于用戶設(shè)定值的co-location模式。關(guān)于全連接算法的具體描述如下：輸入：a)={,,}表示空間特征的實(shí)例的集合；b)ET表示空間特征類型的集合；c)R表示空間鄰近關(guān)系；d)θ表示最小頻繁度閾值，α表示最小條件概率閾值；輸出：頻繁度和條件概率均大于用戶設(shè)定的最小閾值的co-location規(guī)則集合。變量：k：co-location的階；

12location模式的實(shí)例，因此這種方法為有效的co-location模式挖掘提供一個(gè)框架。只生成事務(wù)中未標(biāo)識(shí)的團(tuán)間表實(shí)例的實(shí)例連接操作的計(jì)算成本要比查找所有co-location模式表實(shí)例的實(shí)例連接操作的計(jì)算成本相對(duì)便宜。部分連接算法的基本步驟介紹如下：(1)事務(wù)化空間數(shù)據(jù)集：給定一個(gè)空間數(shù)據(jù)集，部分連接算法首先進(jìn)行劃分來(lái)生成事務(wù)集。文獻(xiàn)[8]中介紹了一些生成事務(wù)集的劃分方法，例如網(wǎng)格劃分方法、最大團(tuán)法、最小分割劃分法等等。事務(wù)化空間數(shù)據(jù)集的理想情況是可以生成一組最大團(tuán)，同時(shí)最大限度地減少由分區(qū)分割的邊數(shù)。圖2.3詳細(xì)地描述了部分連接算法中事務(wù)化空間數(shù)據(jù)集的方法。其中虛線圈表示團(tuán)，每個(gè)虛線圈的直徑都是d（d為鄰近關(guān)系的距離閾值），實(shí)線表示兩實(shí)例滿足鄰近關(guān)系，虛線表示兩實(shí)例間為分割鄰近關(guān)系。例如A.1和C.2、A.5和B.2以及A.5和C.1之間都是分割鄰近關(guān)系。Co-location模式{,,}的行實(shí)例為{.1,.2,.1}、{.4,.3,.4}和{.5,.2,.1}，其中，{.1,.2,.1}和{.4,.3,.4}是團(tuán)內(nèi)行實(shí)例，{.5,.2,.1}是團(tuán)間行實(shí)例，因?yàn)閧.5,.2,.1}中有兩條分割鄰近關(guān)系。圖2.3事務(wù)化空間數(shù)據(jù)集(2)生成候選co-location模式：在部分連接算法中，這個(gè)步驟與全連接相同，也是利用Apriori思想，采用連接操作，從k階頻繁的co-location模式中生成k+1階候選co-location模式。(3)掃描事務(wù)集收集團(tuán)內(nèi)行實(shí)例：在每個(gè)迭代過程中掃描事務(wù)集并列舉出候選co-location模式的團(tuán)內(nèi)行實(shí)例。這個(gè)步驟類似于Apriori算法。需注意的是空間數(shù)據(jù)集的事務(wù)與市場(chǎng)購(gòu)物籃數(shù)據(jù)的事務(wù)不同。傳統(tǒng)的市場(chǎng)籃子數(shù)據(jù)交易只有布爾項(xiàng)目類型，即項(xiàng)目只能存在于或不存在于交易中。相反，鄰域事務(wù)里的每一項(xiàng)都由一個(gè)空間特征類型及其實(shí)例組成。一個(gè)空間特征類型在事務(wù)中可以有多個(gè)實(shí)例。


本文編號(hào)：3318667