基于空間自相關的空間數(shù)據(jù)挖掘若干關鍵技術的研究.pdf

1、由于計算機技術、網(wǎng)絡技術、空間數(shù)據(jù)采集技術以及空間數(shù)據(jù)庫技術等的迅速發(fā)展，使得復雜多變的空間數(shù)據(jù)日益膨脹，遠遠超出了人的解譯能力。因此對從空間數(shù)據(jù)庫發(fā)現(xiàn)空間知識的需求日益增長，于是出現(xiàn)了用于從空間數(shù)據(jù)庫中進行知識發(fā)現(xiàn)的嶄新研究領域——空間數(shù)據(jù)挖掘?？臻g數(shù)據(jù)挖掘指的是從空間數(shù)據(jù)庫中抽取隱含的知識、空間關系或非顯式地存儲在空間數(shù)據(jù)庫中的其它模式等。它是多學科和多種技術交叉綜合的新領域，匯集了來自數(shù)據(jù)挖掘、機器學習、模式識別、空間數(shù)據(jù)庫、統(tǒng)計

2、學、人工智能、地理信息系統(tǒng)、遙感以及決策支持系統(tǒng)等各學科的成果。 本文系統(tǒng)的介紹了空間數(shù)據(jù)挖掘的基本理論，比較傳統(tǒng)數(shù)據(jù)挖掘與空間數(shù)據(jù)挖掘的不同之處。由于空間數(shù)據(jù)的特殊性，傳統(tǒng)的數(shù)據(jù)挖掘技術已經(jīng)不再適用于從空間數(shù)據(jù)庫中有效地發(fā)現(xiàn)知識，只有研究新的理論、技術和方法，才能從空間數(shù)據(jù)庫中挖掘出新穎有效的、能被人們理解的空間知識。針對空間數(shù)據(jù)的自相關性，本文重點對空間聚類、空間同位規(guī)則以及空間分類和預測進行了研究。 本文的主要創(chuàng)新

3、成果包括以下四個方面： （1）研究了如何進行高效空間聚類的問題。對DBSCAN算法進行改進，提出了一種改進的基于密度的抽樣聚類算法（IDBSCAS），它不僅能夠有效地處理大規(guī)?？臻g數(shù)據(jù)庫，而且在聚類時既考慮了空間屬性又考慮了非空間屬性。該算法采用了一種新的抽樣技術，不需要再對純核心對象鄰域中的每個對象都執(zhí)行區(qū)域查詢，從而節(jié)省了許多聚類時間；另外，通過引入匹配鄰域的概念，使得該算法在聚類時，不僅考慮了空間屬性也考慮了非空間屬性，提

4、高了聚類質(zhì)量。2維空間數(shù)據(jù)測試結果表明IDBSCAS算法在聚類效果和執(zhí)行時間上都比DBSCAN算法好。 （2）研究了有效地挖掘正負空間同位規(guī)則的問題。盡管人們對挖掘空間同位規(guī)則做了一些研究，但大多數(shù)研究者僅僅對正空間同位規(guī)則進行研究，沒有考慮負空間同位規(guī)則。提出了一種新的正負空間同位規(guī)則挖掘算法（PNSCLRMA），它不僅能挖掘正空間同位規(guī)則也能挖掘負空間同位規(guī)則。在該算法中采取了兩項優(yōu)化技術，第一，為了減少大量的連接操作，定義

5、了星形鄰域的概念；第二，采用了剪枝技術，只保留感興趣的空間同位模式。實驗表明該算法能有效地提取正負空間同位規(guī)則。 （3）研究有效的空間數(shù)據(jù)預測模型。提出了在多元線性回歸模型的基礎上用于空間數(shù)據(jù)預測的模型（MLR*）。該模型在多元線性回歸模型的基礎上，首先通過在輸入變量中加入空間信息，然后把新的輸入變量輸入多元線性回歸模型來估計模型參數(shù)，最后再進行空間預測。實驗結果表明，該方法能取得與空間自相關模型幾乎相同的預測效果而且它的計算代

6、價較小。 （4）研究了基于模糊c-means算法的空間分類和預測。通過引入空間對象對模糊聚類的模糊隸屬度的概念，提出了基于模糊c-means算法的空間數(shù)據(jù)分類和預測的方法（SFCM）。該方法首先用模糊c-means方法對數(shù)據(jù)集論域空間進行聚類，但由于空間數(shù)據(jù)具有空間自相關的特性，在用模糊c-means算法進行空間聚類時加入了空間信息。然后計算每個空間對象對所有聚類的模糊隸屬度并從中找出模糊隸屬度最大的聚類。最后用該聚類中心對象的