基于 T(X )参与度的负co-location模式挖掘算法

空间co-location模式是一组在空间中频繁并置的空间特征的子集.负co-location模式从非频繁的空间co-location模式中产生.一般来说很难计算和挖掘频繁的负co-location模式.频繁负co-location模式中有较强的应用价值,如发现外来物种入侵,自然界植被生长规律等.现有对负co-location模式研究不全面且挖掘算法的数量屈指可数.针对该问题,提出了T(X)下的负co-location模式的参与度度量方法,并分析了此度量的合理性、可行性和简便性;其次,利用此度量,可以发现负模式中隐含的“团爆炸”现象,而之前的度量方式不能发现此现象.提出了基于T(X)参与度度量的负co-location模式挖掘算法.最后,实验结果表明,在其他条件不变的情况下,该算法可以挖掘数量更少且更具负相关性的频繁负co-location模式.

空间亚频繁co-location模式的主导特征挖掘

空间co-location模式是一组空间特征的子集,它们的实例在邻域内频繁并置出现。通常,空间co-location模式挖掘方法假设空间实例相互独立,并采用空间实例参与到模式实例的频繁性(参与率)来度量空间特征在模式中的重要性,采用空间特征的最小参与率(参与度)来度量模式的有趣程度,忽略了空间特征间的某些重要关系。因此为了揭示空间特征间的主导关系而提出主导特征co-location模式。现有主导特征模式挖掘方法是基于传统频繁模式及其团实例模型进行挖掘,然而,团实例模型可能会忽略非团的空间特征间的主导关系。因此,基于星型实例模型,研究空间亚频繁co-location模式的主导特征挖掘,以更好地揭示空间特征间的主导关系,挖掘更有价值的主导特征模式。首先,定义了两个度量特征主导性的指标;其次,设计了有效的主导特征co-location模式挖掘算法;最后,在合成数据集和真实数据集上通过大量实验验证了所提算法的有效性以及主导特征模式的实用性。

基于指定特征的加权co-location模式挖掘方法

co-location模式是空间特征集的一个子集,其特征实例在地理空间中频繁出现互相近邻,基于特征参与率进行模式挖掘,特征参与率定义为模式表实例中不重复的实例个数与特征总实例数的比率。针对基于指定特征的模式特征实例并置程度满足模式指导性要求,但部分特征总实例数过多而导致特征参与率小于阈值,模式被界定为非频繁模式的情况,提出一种基于指定特征的加权co-location模式挖掘方法。定义特征的权以及特征加权参与率计算规则,可以有效挖掘基于指定特征的加权co-location模式,其加权参与度随着模式阶数的增大而单调递减。实验结果证明了该算法在挖掘结果及算法运行时间上的有效性。

领域驱动的高效用co-location模式挖掘方法

空间并置(co-location)模式是指其实例在空间邻域内频繁共现的空间特征集的子集。现有的空间colocation模式挖掘的有趣性度量指标,没有充分地考虑特征之间以及同一特征的不同实例之间的差异;另外,传统的基于数据驱动的空间co-location模式挖掘方法的结果常常包含大量无用或是用户不感兴趣的知识。针对上述问题,提出一种更为一般的研究对象——带效用值的空间实例,并定义了新的效用参与度(UPI)作为高效用co-location模式的有趣性度量指标;将领域知识形式化为三种语义规则并应用于挖掘过程中,提出一种领域驱动的多次迭代挖掘框架;最后通过大量实验对比分析不同有趣性度量指标下的挖掘结果在效用占比和频繁性两方面的差异,以及引入基于领域知识的语义规则前后挖掘结果的变化情况。实验结果表明所提出的UPI度量是一种兼顾频繁和效用的更为合理的度量指标;同时,领域驱动的挖掘方法能有效地挖掘到用户真正感兴趣的模式。

极小负co-location模式及有效的挖掘算法

空间co-location(并置)模式是指实例在空间中频繁关联的一组空间特征的子集。在空间数据挖掘中,现有算法主要针对的是正模式的挖掘,而空间中还存在着具有强负相关性的模式,如负co-location模式,这类模式的挖掘在一些应用中同样具有重要的意义。现有的负co-location模式挖掘算法的时间复杂度较高,挖掘到的模式数量巨大。针对该问题,探索了负co-location模式的向上包含性质,提出了极小负co-location模式,证明了极小负co-location模式可推导出所有频繁负co-location模式。在负co-location模式挖掘中,计算模式的表实例是制约挖掘效率的根本因素,为此提出了3个剪枝策略有效地提高了算法的效率。在真实和合成数据集上的大量实验,验证了提出方法的正确性和高效性。特别地,大量实验结果表明极小负co-location模式可将频繁负co-location模式数量压缩80%以上。

基于模式融合挖掘巨型频繁co-location模式

利用模式融合思想提出了一个空间co-location模式挖掘算法,该算法通过每次融合小模式来快速生成含有大量特征的巨型频繁模式,从而避开了大量的中间模式.并且,由于模式融合旨在产生近似解,因此又引进了一个质量评估模型,评估算法返回的模式.

模糊对象的空间Co-location模式挖掘研究

空间co-location模式表示的是空间对象的实例在一个相同的区域内频繁地空间并置.过去人们已经对确定及不确定数据的co-location模式挖掘问题进行了一些研究,但是针对模糊对象上进行的研究还没有.模糊对象在许多领域里都有着非常重要的应用,比如生物医学图像数据库和GIS.该文研究模糊对象的空间co-location模式挖掘问题.首先,定义模糊对象上空间co-location模式挖掘的相关概念,包括模糊参与率、模糊参与度等.其次,提出FB算法挖掘模糊对象的co-location模式.接着,提出了3种改进算法,包括剪枝对象、减少实例间连接、改进剪枝步,以提高挖掘性能、加快co-location规则的产生.最后通过大量的实验说明FB算法及其改进算法的效果和效率.

一种带稀有特征的空间co-location模式挖掘新方法

Co-location模式挖掘是找出频繁出现在一起的一组空间特征的集合.在传统的方法中,一般假定每个空间特征在模式中具有平等的地位,然而,当模式中存在稀有特征时,有些模式便无法被获取.若使用现有针对含有稀有特征的挖掘方法,一些不频繁的模式也会被挖掘出来.针对以上问题,本文提出了最小加权参与率的概念,在此新概念下,不但可以挖掘出带稀有特征的频繁co-location模式,而且可以排除不频繁的模式.此外,针对算法时间复杂度高的问题,根据加权参与率排序后的部分向下闭合性提出了一种有效的剪枝方法,大大地提高了算法的执行效率.实验表明我们的方法对带稀有特征的co-location模式挖掘问题是有效的.

一种基于U-AHC的不确定空间co-location模式挖掘算法

不确定数据在一些重要应用领域中是固有存在的,如传感器网络和移动物体追踪等.如何快速、方便、有效地从不确定数据库中发现潜在的、有价值的和人们感兴趣的信息变得越来越重要.首先,把传统的凝聚层次聚类算法(AHC)扩展到不确定的凝聚层次聚类算法(U-AHC),然后在聚类结果的基础上计算候选co-location模式的粗表实例,并对参与度小于最小参与度阈值的候选模式进行剪枝.接着展开其粗表实例并动态地实施剪枝,最后生成频繁的co-location模式.实验证明这个算法是正确的,而且效率较高.

基于凝聚层次聚类的co-location模式挖掘

空间的co-location模式代表一组空间对象的子集,它们的实例在空间中频繁地关联,它是空间数据挖掘的重要研究方向。本文首先介绍co-location模式挖掘的基本算法,然后提出一种新的挖掘算法,算法先对空间数据进行凝聚层次聚类,在聚类结果上挖掘co-location模式,最后对这种新的算法作实验评估。

含关键特征的显著Co-location模式挖掘研究

空间Co-location模式是一组在空间中频繁并置的空间特征的子集。空间Co-location模式挖掘通常假设空间实例之间相互独立,然而,在实际应用中,不同空间特征、不同实例之间往往相互作用或依赖。空间Co-location关键特征是指对模式具有主导作用的特征。在频繁模式中,识别含关键特征的Co-location模式并摘取模式中的关键特征,为用户提供更精简的挖掘结果,提高Co-location模式的可用性,对Co-location模式挖掘具有重要意义。本文首先定义了含有关键特征的显著频繁Co-location模式新概念,以及一系列度量指标以识别显著频繁Co-location模式中的关键特征;其次,给出了一个挖掘显著频繁Co-location模式和关键特征的算法;最后,在模拟和真实数据集上进行了大量的实验,验证了所提出算法的效果及性能。

空间极大co-location模式挖掘研究

空间co-location模式代表了一组空间特征的子集,它们的实例在空间中频繁地关联。挖掘空间co-location模式的研究已经有很多,但是针对极大co-location模式挖掘的研究非常少。提出了一种新颖的空间极大co-location模式挖掘算法。首先扫描数据集得到二阶频繁模式,然后将二阶频繁模式转换为图,再通过极大团算法求解得到空间特征极大团,最后使用二阶频繁模式的表实例验证极大团得到空间极大co-location频繁模式。实验表明,该算法能够很好地挖掘空间极大co-location频繁模式。

基于加权欧氏距离的空间Co-location模式挖掘算法研究

空间Co_location模式挖掘关注空间对象实例在一定区域内同时出现的关系。目前大多数研究都是把空间对象的各个实例按同等权重对待,但现实中容易发现同一类对象的不同实例其大小规模、重要程度或是影响力覆盖范围都是不一样的。因此考虑空间对象实例的影响力因素,引入加权欧氏距离阈值参与计算,能发现更具实际价值的Co_location模式。

不均匀模糊空间对象的分层次co-location模式挖掘方法

针对现有的co-location模式挖掘算法无法有效处理不均匀分布空间对象的问题,提出一种不均匀模糊空间对象的分层次co-location模式挖掘方法。首先提出一种不均匀数据集的生成方法;然后对不均匀分布的数据集进行层次划分,使每个区域具有均匀的空间分布;再基于改进的PO_RI_PC算法对划分后的模糊对象进行空间数据挖掘。该方法基于距离变化系数构建每个子区域的邻域关系图,进而完成区域融合,实现co-location模式挖掘。实验结果表明,与传统方法相比,所提方法的执行效率更高,随实例个数和不均匀度的变化获得的co-location集个数更多,同比情况下平均提高约25%,获得了更精确的挖掘结果。

基于特征效用参与率的空间高效用co-location模式挖掘方法

空间co-location模式是指其实例在空间邻域内频繁一起出现的空间特征子集.与传统的空间co-location模式挖掘不同,在空间高效用co-location模式挖掘中,不再将参与度(PI)作为有趣模式的度量指标,而是将效用值作为挖掘有趣模式的兴趣度量指标.现有的空间高效用co-location模式挖掘方法分为特征带效用和实例带效用两类.特征带效用的现有方法没有考虑不同特征效用之间的差异,挖掘的结果往往包含了许多不尽合理的"高效用"模式;而实例带效用的现有方法,则考虑了不同特征对模式效用的影响,但没有客观地度量这种影响.该文提出了一种确定特征在模式中的效用权重ω(fi,c)的方法,定义了更为合理的空间高效用co-location模式概念,设计了一个有效的挖掘算法.大量的实验表明提出的高效用co-location模式度量方法和相应的挖掘算法能够处理特征效用差异性和特征间的相互影响问题,能更有效地挖掘到空间高效用co-location模式.

空间Co-location模式挖掘经典算法的实现与比较

空间Co-location模式挖掘是空间数据挖掘的一个重要领域,其目标是发现空间中在一起频繁出现的空间特征。Joinless算法沿用了Joinbase的度量标准,定义了星型邻近关系,并利用它的性质,将Joinbase算法中的连接操作替换成了更快速的查找操作。本文基于Java Hash Map实现了上述两种算法,并通过实验考察了参数设置对挖掘算法效率的影响、Joinbase算法和Joinless算法的剪枝策略的效率,同时,从时间、空间两方面比较了这两种算法的异同,以期为学生学习、老师教学以及实际应用研究提供参考。

OSCRM:一个基于本体的空间Co-Location规则挖掘框架

空间co-location挖掘是空间数据挖掘的一个重要方向.但现有的挖掘算法很少甚至不考虑挖掘领域的背景或约束知识,挖掘到的大量co-location规则给决策者带来了极大的困扰.因此,提出一种基于本体的交互式空间co-location规则挖掘框架OSCRM(ontology-based spatial co-location rule mining).首先,OSCRM提供了基于本体的用户领域知识表达机制;然后,OSCRM提供了本体之上的强大的公式系统,使用户可以方便地表达指导挖掘方向的领域背景或约束知识;接着,OSCRM提供了2个经典的空间co-location挖掘算法,算法实现中充分利用了用户提供的公式集进行过滤处理;最后,OSCRM还提供了一种交互式的后处理机制(二次挖掘机制),进一步地减少最终规则的数量.使用实际数据的实验表明OSCRM不仅是一个方便、实用的领域驱动空间co-location挖掘框架,更为重要的是规则过滤效率达到了99.9%.

时空亚频繁co-location模式挖掘

空间co-location模式挖掘是空间数据挖掘的重要分支,在环境保护、公共交通、位置服务和城市计算等领域得到广泛应用.与基于团实例模型的传统模式相比,基于星型实例模型的空间亚频繁co-location模式可以揭示空间特征更丰富的空间关系.然而,现有空间亚频繁模式没有考虑空间数据的时间特性,而时间却是空间数据的重要维度.因此,该研究考虑空间实例的位置时变性,基于星型实例模型的时空亚频繁co-location模式进行挖掘.首先,提出了时空亚频繁co-location模式及其度量指标:时间亚频繁度;其次,证明了时间亚频繁度的反单调性(向下闭合性),提出了有效的时空亚频繁模式挖掘算法;最后,通过大量实验,验证了所提算法的有效性及时空亚频繁模式的实用性.

空间co-location模式挖掘中的模糊技术初探

空间并置(co-location)模式是指其特征的实例在地理空间中频繁并置出现的一组空间特征的集合。传统co-location模式挖掘通常由用户给定一个邻近阈值来确定实例的邻近关系,使用单一的邻近阈值来判定两个空间实例的邻近性可能会造成邻近关系的缺失,也没有考虑距离大小的不同对邻近关系的影响。同时,传统方法主要利用频繁性阈值来衡量模式的频繁性,存在着算法效率对频繁性阈值较为敏感的问题。由于频繁并置的特征间具有较高的邻近度,因此利用聚类算法可以将其聚集在一起,加之邻近以及特征间的并置都是模糊的概念,因此将模糊集理论与聚类算法相结合,研究了空间co-location模式挖掘中的模糊挖掘技术,在定义模糊邻近关系的基础上,定义了度量特征之间邻近度的函数,基于特征邻近度利用模糊聚类算法挖掘co-location模式,最后通过广泛的实验验证了提出方法的实用性、高效性及鲁棒性。

MLCPM-UC:一种基于模式实例分布均匀系数的多级co-location模式挖掘算法

空间co-location(并置)模式是一组空间特征的子集,其实例在空间中频繁地邻近出现。由于空间数据同时存在关联性和异质性,co-location模式实例的分布或在整个研究区域中全局出现(全局co-location模式),或在研究区域的局部区域出现(区域co-location模式),从而提出了多级co-location模式挖掘。当前的多级co-location模式挖掘方法存在两个问题:1)已有的多级co-location模式挖掘方法忽略了模式在空间中的分布特性,未能准确区分全局和区域co-location模式;2)已有的多级模式挖掘方法将全局非频繁co-location模式作为候选区域co-location模式,导致候选区域co-location模式数量过多。针对以上问题,首先,定义了模式的实例分布均匀系数,在考虑模式频繁性的同时考虑了模式在空间中的分布情况,从而正确、高效地识别出全局和区域co-location模式。其次,基于模式的实例分布均匀系数,设计了一个有效的多级co-location模式挖掘算法,提出了有效的剪枝策略以提高算法效率。最后,在真实和合成数据集上进行了广泛的实验,验证了所提方法的正确性和高效性。