顾及多变量关联特性的时空异常模式挖掘模型与方法

Detection of spatio-temporal anomaly patterns is very valuable for further understanding the occurrence mechanism and evolving regularity of special geographical phenomenon and process, and it has become one of the most important tasks of spatio-temporal data mining and knowledge discovery. For multi-variable spatio-temporal data, current researches almost consider the multi-variable as a high-dimensional vector to measure the degree of anomaly. So there is lack of handling of space-time correlation among multi-variable when detecting anomaly patterns from multi-variable spatio-temporal data. On that account, this project aims at developing models of detecting spatio-temporal anomaly patterns by embedding the space-time correlation among multiple variables. Specially, this project focuses on three aspects of research issues: (1) the quantitative description of space-time correlation among multiple variables; (2) spatio-temporal anomaly pattern detection with the consideration of space-time correlation among multiple variables; (3) the effectiveness analysis of spatio-temporal anomaly patterns. On the one hand, this project can expand the methodologies of spatio-temporal anomaly pattern detection. On the other hand, the proposed methodology can be applied to the identification and prediction of the anomalous distribution of air particulate concentration, extreme climate events, traffic congestions, outbreaks of crime, and so on.

时空异常模式挖掘对于研究特殊地理现象和地理过程的发生机制和变化规律具有重要价值，已成为时空数据挖掘与知识发现的主要研究内容之一。对于包含多个变量的时空数据，当前研究大多将多变量转化为一个高维向量进行异常度量，对时空异常模式挖掘中多变量间的时空关联关系缺乏深入研究。为此，本项目充分考虑多维时空数据的基本特征，将多变量之间的时空关联关系耦合于时空异常探测过程，研究顾及多变量关联特性的时空异常模式挖掘模型与方法，主要包括：（1）多变量间时空关联关系的定量描述；（2）融合多变量关联特性的时空异常模式探测；（3）时空异常模式的有效性分析。此外，本项目研究一方面可以延拓时空异常探测的方法体系；另一方面，发展的模型与方法可扩展应用于空气颗粒物浓度异常分布、极端气候事件、交通拥堵路段以及犯罪爆发区域的识别与预测等应用领域。

在地理空间数据集中，时空异常表现为偏离整体或局部时空分布的离群对象，从而驱使人们去寻找隐含在其背后的发生机制。时空异常模式挖掘对于研究极端气候事件、城市交通拥堵、流行病爆发、犯罪事件聚集等特殊地理现象和地理过程的发生机制和变化规律具有重要价值，已成为时空数据挖掘与知识发现的主要研究内容之一。然而，随着多源异构时空大数据的产生和广泛应用，现有直接将多变量转化为高维向量的异常探测思想由于无法透视大数据中多变量间的时空关联关系，从而难以有效实现对其中隐含时空异常模式的深层探测。为此，本项目重新审视多变量时空数据的时-空-属特性，在多变量间时空关系的充分耦合下，发展一系列适应于地理空间大数据的时空异常探测方法，在延拓时空异常探测方法体系的同时，对时空异常探测的多领域应用奠定重要的理论方法基础。. 本项目的主要研究内容包括：（1）量化表达地理事件在城市路网约束下的空间耦合关系，提出一种基于密度的空间聚类方法实现路网空间热点区域的自适应统计探测；（2）针对描述两类地理事件的空间点数据，借助层次约束TIN耦合两者间的空间关联关系，提出一种空间关联异常探测方法；（3）面向时空流数据，考虑时空单元之间的动态流动关系，提出一种基于动态时空邻域构建的异常探测方法；（4）面向异常模式的关联机制分析，以时间序列异常为驱动，提出一种顾及时空序列空间多尺度效应的时空遥相关挖掘方法。. 本项目研究成果的科学意义主要表现在：（1）聚焦时空大数据刻画各类地理现象的特殊性，在特定条件约束下发展的时空异常探测方法提高了实际应用的科学性和可行性；（2）考虑地理空间数据中多变量间关联关系的耦合，实现了对现有时空异常内涵的扩展，并延拓了时空异常探测方法体系；（3）深入挖掘异常模式在时空维度中的隐式关联效应，为异常模式的合理解释和深层探测提供科学指导。