空间数据流的概念漂移问题研究

The rapid development of Internet, sensor networks and various information technology field, in many application fields such as social networks, e-commerce, geological survey, meteorological, astronomical observation and so produces a mass, high speed and dynamic data stream, this includes the spatial characteristics and dynamic changes of data poses a great challenge to the current stream system. Firstly, the spatial characteristics of spatial data streams to study as a starting point, basic theoretical problems to be solved to focus spatial data stream concept drift detection and preliminary construction space, concept drift of data stream multi concept learning algorithm system, class imbalance learning algorithm system, detection method of evaluation system. Secondly, in-depth analysis of various algorithms, key breakthrough and to solve the multi concept of spatial data concept clustering methods such as stream detecting concept drift, based on the multi class adaptive algorithm of the class imbalance of spatial data stream concept drift detection, spatial data integration classifier stream of MOA framework based on the concept drift detection evaluation. Thirdly, select a specific application object, research in the application of various algorithms in specific application domain, in order to test various algorithms, concept drift analysis, detection of the specific application domain, by mining the deep-seated information value.

互联网、传感器网及各种信息技术的迅猛发展，在许多应用领域如社交网络、电子商务、地质测量、气象、天文观测等领域产生了一种海量、高速和动态的数据流，这种包含了空间位置特征且动态变化的数据流给现有系统带来了巨大挑战。首先，以空间数据流的空间特性探讨作为出发点，着眼空间数据流概念漂移及检测亟待解决的基础理论问题，初步构建空间数据流概念漂移多概念学习算法体系、类别不平衡学习算法体系、检测方法评价体系；其次，深入分析各类算法，重点突破和解决基于概念聚类等方法的多概念空间数据流概念漂移检测、基于多类别自适应等算法的类别不平衡空间数据流概念漂移检测、基于集成分类器MOA框架的空间数据流概念漂移检测评价等问题；然后，选择具体应用对象，开展各种算法在特定应用领域的应用研究，以检验各种算法，分析、检测特定应用领域的概念漂移，挖掘得到有价值的深层次信息。

互联网、传感网及信息技术的迅猛发展，在许多应用领域如社交网络、电子商务、地质、测量、气象、天文观测等领域产生了一种海量、高速和动态的数据流，这种包含了空间位置特征且动态变化的数据流给现有系统带来巨大挑战。该项目以空间数据流的空间特性探讨为出发点，着眼空间数据流概念漂移及检测亟待解决的基础理论问题，初步构建空间数据流概念漂移多概念学习算法体系、类别不平衡学习算法体系、检测方法评价体系；分析各类算法，重点突破和解决基于概念聚类等方法的多概念空间数据流概念漂移检测、基于多类别自适应等算法的类别不平衡空间数据流概念漂移检测、基于集成分类器MOA框架的空间数据流概念漂移检测评价等问题；选择具体应用对象，检验各种算法，开展各种算法的应用研究，以挖掘隐含的深层次信息。该研究取得的重要成果包括：基于气象数据流，开展了面向异常时空数据模型的气象数据流异常检测、面向异常分类时空数据模型的气象数据流分类、面向异常频繁时空数据模型的气象数据流频繁模式挖掘、面向属性分布时空数据模型的气象数据流高维聚类研究；基于城市出租车数据，开展了流环境下空间聚类分布变化监测及异常轨迹检测，提出了一种基于质量估算的空间数据流聚类方法和基于点群空间分布特征聚类的聚集行为模式分析方法，并结合出行位置点群的点数量和空间分布特征提出异常聚集行为的检测方法；提出了一种基于实时聚类快照的空间聚类变化检测方法和基于滑动窗口的空间聚类变化检测方法并应用于旧金山地区犯罪数据的空间聚类变化模拟与北京市实时出租车数据慢行事件的空间分布变化检测；利用中文文本数据流，研究了基于规则的中文文本时间表达式识别和规范化方法；基于航线数据流，探讨了以中心城市为核心向周围辐射的城市群发展模式及格局优化的城市跨区域发展问题。这些研究和实验，对构建空间数据流的概念漂移检测研究方法体系和应用体系、建立空间数据流的概念漂移及其检测的理论和方法框架有重要意义。