多层次空间同位模式自适应挖掘方法

空间同位模式挖掘旨在从空间数据中发现频繁发生在邻近位置的事件集合,对于揭示地理现象间的共生规律具有重要价值。由于地理现象的空间异质特质,空间同位模式也存在区域性分异的特点,在不同空间层次上的分析结果各异。然而,现有方法仅从全局视角挖掘空间同位模式,发现局部空间同位模式依然是一个亟待解决的难题。为此,本文基于由整体到局部的思想,提出了一种多层次空间同位模式自适应挖掘方法。首先,从全局视角提取频繁的空间同位模式,将全局不频繁的空间同位模式作为候选的局部空间同位模式;然后,通过对候选局部同位模式进行自适应聚类自动识别其局部分布区域,并在这些局部区域内度量候选模式的频繁程度;进而,提出了一种叠置推绎的方法,从频繁子模式的局部区域中进一步推绎获得超模式的局部分布区域,最终生成所有频繁的局部空间同位模式集合。通过试验分析与比较发现,本文方法不仅可以发现全局的空间同位模式,还能有效提取具有区域性分布特征的局部空间同位模式,可以从多个空间层次上反映地理事件间的共生规则。     

显著空间同位模式的多尺度挖掘方法

空间同位模式挖掘对于揭示地理现象间的共生、依赖规律具有重要价值。然而,空间同位模式挖掘中参数阈值缺乏先验知识,若设置不合理,挖掘结果中会遗漏重要的模式或包含冗余的、甚至错误的模式。为此,本文提出了一种基于模式重建的显著空间同位模式多尺度挖掘方法。首先,定义了互邻近距离指标,该指标可用来确定距离阈值的有效取值范围。进而,以模式重建为基础构建零模型,借助统计检验的方法来发现显著的空间同位模式,从而避免了兴趣度阈值的设置。最后,对空间同位模式进行多尺度挖掘,并引入生存期的概念对同位模式多尺度挖掘结果进行有效性评价。试验结果表明:本文方法可有效降低算法参数设置的主观性,从而提升空间同位模式挖掘结果的准确性和稳健性。     

网络约束下局部空间同位模式的扫描统计方法

空间同位模式挖掘旨在发现空间数据库中频繁发生在邻近位置的地理事件。由于空间异质性,地理事件在不同区域邻近出现的频繁程度亦存在差异,进而形成局部同位模式。现有局部同位模式挖掘方法多基于欧氏空间的平面假设,难以客观揭示网络空间（如城市道路）内地理事件间的局部同位规律,因此基于空间扫描统计思想,提出了一种网络约束下的局部同位模式挖掘方法。首先,发展了网络约束下的路径扩展方法,识别可能存在局部网络空间同位模式的候选路径;其次,基于网络约束下的二元泊松分布构建显著性检验的零模型,判别候选路径中局部网络空间同位模式的有效性。通过模拟实验与北京市出租车供需模式分析,发现该方法比现有方法得到的结果更精细、更客观,能够有效地挖掘网络约束下的局部同位模式。     

自然邻域支持下的空间同位模式挖掘方法

空间同位模式指频繁发生在邻近空间位置的事件集合,此类模式对于深入理解不同空间要素间的交互关系具有重要意义。空间同位模式挖掘的一个核心内容是空间要素邻近关系构建,然而现有方法在空间要素分布不均匀时难以准确地描述要素间的邻近关系,容易导致挖掘结果的遗漏或误判。为此,本文提出了一种基于自然邻域的空间同位模式挖掘方法。首先从同位模式的产生机理分析入手,过滤同位模式挖掘中的干扰要素;进而,从距离邻近性、密度变化一致性和关系紧密性的原则出发,自适应地构建空间要素实例的自然邻近关系;最后,以自然邻域为基础,基于图的连通性从整体到局部发现多层次同位模式。试验分析与比较发现,本文方法能够有效发现空间要素分布不均匀情况下的同位模式,而且降低了人为设置邻域参数对挖掘结果的影响。     

空间同位模式挖掘研究进展

从基本概念、挖掘方法、研究内容、研究成果等方面对空间同位模式挖掘进行了综述;通过对现有空间同位模式挖掘研究成果的分析,指出了其发展存在的问题,并对其前景进行了展望。     

基于粗糙集的局部同位模式挖掘算法北大核心CSCD

通过空间同位模式挖掘可发现频繁发生在邻近位置的事件集合,为揭示地理现象间的共生规律提供重要的决策支持。由于空间同位模式存在空间异质性问题,已有方法不能很好地探测出空间同位模式分布的相近性区域。为此,本文从地理属性的相近性方向探测同位模式的分布区域,提出了基于粗糙集的局部空间同位模式挖掘方法。首先,从全局视角提取不频繁的空间同位模式作为候选的局部空间同位模式;然后,对候选同位模式的实例位置进行处理,将其分布的热点区域属性作为粗糙数据集,借助粗糙集探测局部空间同位模式自然的分布区域;最后,度量在这些局部区域的频繁程度,生成所有频繁的局部空间同位模式。通过试验与应用发现,该方法不仅可以探测局部空间同位模式分布的相近性区域,还能反映同位模式分布区域的地理属性信息。     

k-邻近空间关系下的空间同位模式挖掘算法

定义了一种基于k-邻近对象的空间同位模式,探讨了基于k-邻近空间关系的同位模式的特点及其与基于距离阈值的空间同位模式的区别与联系,并开发了k-邻近对象同位模式挖掘算法(KNFCOM)。通过对真实数据的实验结果表明,KNFCOM算法可有效地发现大型空间数据集中存在的各种空间同位模式。     

多尺度空间同位模式挖掘的点过程分解方法

空间同位模式挖掘旨在发现多类地理要素或事件频繁互邻近形成的关联规则,对于理解复杂地理现象内在发生机理具有重要价值。针对现有基于关联规则的空间同位模式挖掘方法难以对地理数据特性(如多尺度性)进行有效建模的缺陷,本文提出了一种基于点过程建模与分解的多尺度空间同位模式挖掘方法。首先通过构建一个随机变量将多类要素实例分布数据表达为混合空间点过程,并引入一个非参统计指标对同位模式进行特征尺度判别;基于此,定义一种条件概率密度分布函数,利用点过程分解思想挖掘多尺度空间同位模式及其实例分布。试验分析结果表明本文方法可以准确挖掘空间同位模式在不同尺度的空间分布形态,并且有效降低了人为设定参数的主观性。     

多尺度空间同位模式挖掘的点过程分解方法

空间同位模式挖掘旨在发现多类地理要素或事件频繁互邻近形成的关联规则,对于理解复杂地理现象内在发生机理具有重要价值。针对现有基于关联规则的空间同位模式挖掘方法难以对地理数据特性(如多尺度性)进行有效建模的缺陷,本文提出了一种基于点过程建模与分解的多尺度空间同位模式挖掘方法。首先通过构建一个随机变量将多类要素实例分布数据表达为混合空间点过程,并引入一个非参统计指标对同位模式进行特征尺度判别;基于此,定义一种条件概率密度分布函数,利用点过程分解思想挖掘多尺度空间同位模式及其实例分布。试验分析结果表明本文方法可以准确挖掘空间同位模式在不同尺度的空间分布形态,并且有效降低了人为设定参数的主观性。     

网络空间同位模式的加色混合可视化挖掘方法

同位模式挖掘是空间数据挖掘的热点问题之一,应用领域广泛。已有的同位模式挖掘方法一般采用统计或数据挖掘的方式,要求对复杂的数学公式、算法及相关参数等有深刻的理解,主要针对同质的欧式空间中地理现象。而城市空间中人为地理现象大多发生在网络空间,鉴于此,本文提出了一种网络空间同位模式可视化挖掘方法。该方法利用视觉语言表达网络空间现象之间的影响和交互作用。首先,利用网络空间核密度估计表达网络空间现象的分布情况和影响范围,为网络空间现象的同位模式挖掘提供支持,并建立单个地理现象分布情况与颜色之间的映射;然后基于色光加色混合原理获得两个地理现象相互影响的认知,借以挖掘空间同位模式。本文提出的方法属于形象思维,具有直观,形象和易感受等特点。     

基于结构模式的道路网节点匹配方法

道路网数据中微观结构的识别对于多尺度路网建模、步行导航等至关重要。复杂道路交叉口是重要的道路微观结构之一,针对目前道路复杂交叉口基于几何形状描述与图形匹配识别方法存在的不足,从复杂交叉口识别与化简的角度出发,提出了一种利用路段分类进行复杂道路交叉口识别与化简的方法。该方法首先通过点密度聚类的方法对道路交叉口进行定位,然后利用路段的规模、形状和属性等特征构建特征空间,将交叉口的识别作为一种区分主干路段与辅助路段的两类分类问题,利用支持向量机的方法对交叉口区域内的路段进行分类,从而完成交叉口的识别与化简。利用开放街道地图（Open Street Map）数据进行实验,结果表明,该方法能够有效地识别道路交叉口。     

Discovering Spatial Patterns in Origin‐Destination Mobility Data

Mobility and spatial interaction data have become increasingly available due to the wide adoption of location‐aware technologies. Examples of mobility data include human daily activities, vehicle trajectories, and animal movements, among others. In this article we focus on a special type of mobility data, i.e. origin‐destination pairs, and present a new approach to the discovery and understanding of spatio‐temporal patterns in the movements. Specifically, to extract information from complex connections among a large number of point locations, the approach involves two steps: (1) spatial clustering of massive GPS points to recognize potentially meaningful places; and (2) extraction and mapping of the flow measures of clusters to understand the spatial distribution and temporal trends of movements. We present a case study with a large dataset of taxi trajectories in Shenzhen, China to demonstrate and evaluate the methodology. The contribution of the research is two‐fold. First, it presents a new methodology for detecting location patterns and spatial structures embedded in origin‐destination movements. Second, the approach is scalable to large data sets and can summarize massive data to facilitate pattern extraction and understanding.     

一种空间交叉异常显著性判别的非参数检验方法

空间异常探测旨在从海量空间数据中挖掘不符合普适性规律、表现出“与众不同”特性的空间实体集合,对于揭示地理现象的特殊发展规律具有重要价值。现有研究在空间异常度量方面取得了重要进展,但多缺乏对空间异常模式显著性的统计判别,且是针对单一类别数据,没有顾及多类别数据间的相互影响。为此,本文基于空间随机过程的思想,针对两种类别空间点数据,提出了一种空间交叉异常显著性判别的非参数检验方法。首先,针对基本数据集实体,采用约束Delaunay三角网,构建合理、稳定的空间邻近域;然后,统计落在基本数据集实体空间参考邻域半径范围内的参考数据集实体的数目,度量初始异常度;进而,采用α-Shape法构建支撑域,以空间随机过程为基础构建零模型,采用蒙特卡洛模拟检验空间异常的显著性;最后,采用生存距离对异常模式的稳定性进行评价分析。通过试验分析与比较发现,该方法能够有效识别具有统计显著性的空间交叉异常。     

基于空间约束和结构特征的光学与SAR影像配准

针对光学和合成孔径雷达(synthetic aperture radar,SAR)影像间的几何形变和辐射差异造成的配准困难问题,提出一种基于空间几何约束和结构特征的光学影像与SAR影像自动配准方法.首先,利用分块的Harris算子在输入影像上提取分布均匀的特征点,根据有理函数模型对输入影像进行局部几何纠正,实现输入影像...     

一种网络空间现象同位模式挖掘的新方法

同位模式的挖掘是空间数据挖掘领域关注的热点问题。目前,对于网络空间现象同位模式挖掘的研究较少。本文将欧氏空间已有方法扩展至网络空间,该方法由两个核心步骤组成:①通过对网络进行划分定义同位腜停范ㄍ止叵担虎诙酝止叵到型臣仆贫先范ㄆ涫欠裎荒J健6陨钲谑兄圃煲倒镜耐荒J酵诰蚪辛朔椒ㄋ得鳎谰菁劬醚е械贾虏导鄣娜只贫哉庑┩荒J浇辛硕ㄐ苑治觯ü胍延蟹椒ǖ谋冉弦约巴纾撕募煅檠橹ち吮疚姆椒ǖ挠行浴€     

空间数据插值的自动化方法研究

克里金插值是空间数据插值的常用方法,其关键在于变异函数的正确拟合。目前一些空间统计分析工具及开发包对变异函数的拟合主要以一定的人工经验为先导,通过直观的方法来确定变异函数的一些参数并反复调整,这种人工干预的操作步骤不仅妨碍了克里金插值的自动化,参数设置和模型选择也没有科学理论依据,因此预测的结果往往不精确。针对这一问题,围绕着自动化目标,基于R语言中的变异函数的自动拟合函数实现了自动克里金插值,并对自动拟合模型进行了自动交叉验证。实验结果表明该空间数据插值自动化方法可行。     

利用FME进行空间数据库更新的实用方法

对空间数据库的更新模式进行探索,将空间数据库按照更新的精细程度分为区域级更新和要素级更新.针对两种方式的更新模式,以SDE空间数据库为例,根据要素空间拓扑关系,使用FME Workbench创建更新模板对数据库数据进行更新.