基于距离衰减效应的加权同位模式挖掘方法研究

As one of the main tasks of spatial data mining, spatial co-location patterns mining aims to discovering interaction, dependency and correlation relationships between geographic features. The study of spatial co-location patterns mining is an important work for the fields of data increment, knowledge discovery and knowledge representation. The previous works focus on the patterns mining algorithms based on mathematical models, and lacks the consideration of the influence of the spatial problem mechanism on generation and representation of co-location patterns and the related distance decay effects. This research project aims to introduce the distance decay effects (i.e. street network constraint, correlation strength decay constraint and pattern scoping constraint) into spatial co-location patterns mining process. This new framework consists of the following three contents: 1. collect and formalize the distance decay effects between geographic features by means such as background subjects learning, and make the constraints as a basis for guiding the neighborhood analysis and co-location patterns mining; 2. establish geographic context based spatial neighboring relationships, and then improve the prevalence measures of co-location patterns with the integration of distance decay models; 3. design methods to scope the significant regions of weighted co-location patterns with the introducing of kernel density estimation, which is based on the established distance decay functions.

空间同位模式挖掘作为空间数据挖掘的主要任务之一，其目的在于发现地理要素之间的相互作用、相互依存、相关或共生关系，对数据增值、知识发现、知识表达等具有重要意义。长期以来该领域的研究聚焦在数学统计为主的挖掘算法上，缺乏从空间问题机理上探求同位模式的产生与表达，对距离衰减效应关注不够。本课题将距离衰减效应的街道网络约束、相关性强度衰减约束及显著性范围约束引入到空间同位模式发现中，发展新型的加权同位模式挖掘方法。即：1. 基于地理学等背景学科知识，形式化描述地理要素目标间的距离衰减效应，并以此作为邻近分析与同位模式挖掘的理论依据；2. 构建适应地理上下文特征的空间邻域，并结合距离衰减模型，改进同位模式的度量指标（如参与指数），发展加权的频繁同位模式挖掘方法；3. 基于建立的距离衰减函数，引入核密度曲面热点分析技术，发展加权同位模式的显著性范围界定方法，最终建立完整的加权同位模式挖掘框架体系。

随着大数据的发展，海量空间数据汇聚于网络众源信息平台，发现该类资源背后潜在的有价值信息、关系、模式和时空规律，有赖于空间数据挖掘领域的地理分析与知识加工技术的发展。空间关联模式作为空间数据挖掘的主要任务之一，表示目标间的相互作用、相互依存、相关或共生关系，其研究成果直接影响空间分析、数据挖掘及决策的可靠性和智能性。长期以来该领域的研究聚焦在数学统计为主的挖掘算法上，缺乏从空间问题机理上探求关联模式的产生与表达，对空间交互效应关注不够。本项目将空间交互知识引入至关联模式挖掘过程，主要探讨研究三个方面的内容，即：（1）基于地理学等背景学科知识，形式化描述空间要素目标间的空间交互效应，并以此作为邻近分析与关联模式挖掘的理论依据；（2）构建适应地理上下文特征的空间邻域，并结合空间交互模型，改进关联模式的度量指标，发展针对复杂要素类型的关联模式挖掘方法；（3）基于建立的空间交互模型和关联特征概念，发展新型的空间知识提取与地图数据处理算法，应用于地图学、城市规划、应急管理等多个领域。通过三年的课题研究，本项目突破了面向不同维度空间的目标交互关系问题，其结果不仅适应于传统欧氏空间的数据建模，也可应用于网络空间的城市设施兴趣点分析。此外，通过引入距离衰减函数，本项目发展了一种新的加权关联模式度量指标，可提高传统算法的精度；提出了一种针对交通流数据的关联模式挖掘算法，从海量的出租车轨迹数据中提取频繁通行路径，辅助城市交通模式分析与异常探测。本项目将关联特征概念引入到地图数据群组模式识别，提出了一种群点模式度量的基元共生矩阵方法，可支持空间数据库的智能检索与质量评价研究；基于街道网络与其他要素间的交互关系，发展了新型的层次聚类与地图综合方法，其精度比传统方法更高。