空間數(shù)據(jù)挖掘方法與實(shí)踐

目錄
序
作者序
前言
第1章 顧及限定規(guī)則的空間聚類 1
1.1 空間聚類限定規(guī)則問題 1
1.1.1 限定規(guī)則問題 1
1.1.2 限定規(guī)則問題定義及相關(guān)概念 3
1.2 附加限定規(guī)則的空間聚類 3
1.2.1 附加空間限定規(guī)則的空間聚類 4
1.2.2 附加非空間屬性限定規(guī)則的空間聚類 8
1.2.3 附加方位因素的空間聚類 13
1.3 空間聚類結(jié)果分級(jí)處理 16
1.3.1 非空間屬性的分級(jí)處理 16
1.3.2 空間方位因素的分級(jí)處理 18
1.4 算法實(shí)現(xiàn)及應(yīng)用 23
1.4.1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理 23
1.4.2 算法實(shí)現(xiàn) 24
1.4.3 算法應(yīng)用實(shí)例 30
第2章 基于人工蜂群算法的空間聚類 34
2.1 人工蜂群算法及改進(jìn) 34
2.1.1 人工蜂群算法 34
2.1.2 人工蜂群算法改進(jìn) 38
2.1.3 算法改進(jìn)測試 39
2.2 人工蜂群聚類算法 47
2.2.1 FCM算法和HCM算法 47
2.2.2 群智能聚類算法 51
2.2.3 算法比較分析 53
2.3 人工蜂群算法的空間聚類應(yīng)用 56
2.3.1 實(shí)驗(yàn)數(shù)據(jù) 56
2.3.2 數(shù)據(jù)預(yù)處理 58
2.3.3 實(shí)驗(yàn)結(jié)果及分析 62
第3章 數(shù)據(jù)流的空間聚類變化檢測 65
3.1 數(shù)據(jù)流相關(guān)概念及算法 65
3.1.1 數(shù)據(jù)流相關(guān)概念 65
3.1.2 數(shù)據(jù)流聚類算法 67
3.1.3 基于動(dòng)態(tài)圖的聚類變化挖掘 74
3.2 基于實(shí)時(shí)聚類快照的空間聚類變化檢測 75
3.2.1 基于網(wǎng)格索引的DenStream算法優(yōu)化 75
3.2.2 在線階段的實(shí)時(shí)聚類快照截取 79
3.2.3 基于快照的聚類變化分析 80
3.2.4 實(shí)驗(yàn)與結(jié)果分析 84
3.3 基于滑動(dòng)窗口的空間聚類變化檢測 89
3.3.1 基于滑動(dòng)窗口的在線聚類更新 89
3.3.2 基于圖的空間聚類變化分析 95
3.3.3 實(shí)驗(yàn)與結(jié)果分析 97
3.4 應(yīng)用實(shí)例——城市犯罪數(shù)據(jù)流模擬及聚類演化分析 99
第4章 量化空間關(guān)聯(lián)規(guī)則挖掘應(yīng)用 110
4.1 量化關(guān)聯(lián)規(guī)則問題 110
4.1.1 關(guān)聯(lián)規(guī)則挖掘相關(guān)概念 110
4.1.2 量化關(guān)聯(lián)規(guī)則挖掘問題 112
4.2 空間數(shù)據(jù)預(yù)處理 115
4.2.1 基于聚類的空間數(shù)據(jù)離散化 115
4.2.2 聚類算法優(yōu)化 117
4.2.3 基于行政區(qū)劃的空間數(shù)據(jù)離散化 123
4.2.4 事務(wù)數(shù)據(jù)庫構(gòu)建 124
4.3 量化空間關(guān)聯(lián)規(guī)則挖掘 125
4.3.1 包含事務(wù)信息的FP-tree 126
4.3.2 FPT-growth算法 129
4.3.3 基于模擬退火的量化關(guān)聯(lián)規(guī)則挖掘 131
4.4 實(shí)驗(yàn)及分析 138
4.4.1 使用聚類數(shù)據(jù)進(jìn)行定量關(guān)聯(lián)規(guī)則挖掘 138
4.4.2 使用行政區(qū)劃數(shù)據(jù)進(jìn)行定量關(guān)聯(lián)規(guī)則挖掘 143
4.4.3 實(shí)驗(yàn)結(jié)果分析 145
第5章 基于粒子群的模糊空間關(guān)聯(lián)規(guī)則挖掘 147
5.1 基于粒子群的隸屬函數(shù)優(yōu)化方法 147
5.1.1 基本粒子群優(yōu)化算法 147
5.1.2 隸屬函數(shù)及其優(yōu)化 149
5.1.3 優(yōu)化算法描述 154
5.1.4 實(shí)驗(yàn)結(jié)果及分析 156
5.2 模糊空間關(guān)聯(lián)規(guī)則挖掘方法 160
5.2.1 模糊集與模糊關(guān)聯(lián)規(guī)則 160
5.2.2 全模糊區(qū)域頻繁模式挖掘算法 163
5.2.3 基于改進(jìn)粒子群算法的關(guān)聯(lián)規(guī)則提取 167
5.3 模糊空間關(guān)聯(lián)規(guī)則應(yīng)用研究 173
5.3.1 數(shù)據(jù)準(zhǔn)備與數(shù)據(jù)預(yù)處理 173
5.3.2 挖掘結(jié)果分析及檢驗(yàn) 177
5.3.3 結(jié)果檢驗(yàn) 178
第6章 本體輔助的空間關(guān)聯(lián)規(guī)則挖掘 183
6.1 本體及其構(gòu)建 183
6.1.1 本體基本概念 183
6.1.2 本體的結(jié)構(gòu)與構(gòu)建原則 184
6.1.3 基于語義收縮的本體構(gòu)建 185
6.2 本體輔助的空間關(guān)聯(lián)規(guī)則挖掘數(shù)據(jù)預(yù)處理 191
6.2.1 本體輔助的數(shù)據(jù)清理 191
6.2.2 本體輔助的數(shù)據(jù)歸約 196
6.2.3 實(shí)驗(yàn)及評(píng)價(jià) 200
6.3 基于本體語義約束的空間頻繁模式挖掘 207
6.3.1 空間依賴分析 207
6.3.2 基于概念格的空間依賴剔除 211
6.3.3 本體語義應(yīng)用的實(shí)現(xiàn) 213
6.3.4 實(shí)驗(yàn)及其評(píng)價(jià) 214
6.4 本體輔助的空間關(guān)聯(lián)規(guī)則挖掘結(jié)果優(yōu)化 218
6.4.1 規(guī)則的生成和知識(shí)的表達(dá) 219
6.4.2 基于規(guī)則模式的規(guī)則選取 223
6.4.3 基于本體語義相似度的規(guī)則過濾 226
6.4.4 實(shí)驗(yàn)分析 227
第7章 本體輔助的中文文本自然災(zāi)害專題信息挖掘 232
7.1 中文文本時(shí)空信息獲取及解析方法 232
7.1.1 地名本體、事件本體和災(zāi)害本體 232
7.1.2 面向主題的網(wǎng)頁信息獲取 233
7.1.3 文本中時(shí)空信息解析方法 233
7.1.4 文本中事件信息抽取方法 235
7.2 基于地名本體的地名知識(shí)表達(dá)方法 237
7.2.1 基于地名本體的地名知識(shí)建模 237
7.2.2 地名本體定性空間推理機(jī)制 243
7.2.3 地名知識(shí)庫構(gòu)建 244
7.3 面向事件的自然災(zāi)害領(lǐng)域本體構(gòu)建 248
7.3.1 相關(guān)概念與技術(shù)方法 248
7.3.2 自然災(zāi)害事件領(lǐng)域知識(shí)分析 251
7.3.3 自然災(zāi)害事件領(lǐng)域本體建模與表達(dá) 257
7.3.4 自然災(zāi)害事件領(lǐng)域本體評(píng)價(jià) 260
7.4 顧及本體語義的自然災(zāi)害信息主題爬蟲 264
7.4.1 主題爬蟲技術(shù)基礎(chǔ) 264
7.4.2 本體語義支持的自然災(zāi)害主題爬蟲框架 268
7.4.3 基于語義和HTML位置加權(quán)的網(wǎng)頁文本主題相關(guān)度計(jì)算 269
7.4.4 基于主題相關(guān)度的鏈接分析改進(jìn)方法 275
7.4.5 測試與分析 277
7.5 非結(jié)構(gòu)化中文文本自然災(zāi)害事件專題信息解析 280
7.5.1 相關(guān)技術(shù)基礎(chǔ) 280
7.5.2 基于規(guī)則和推理的中文文本時(shí)間信息解析 282
7.5.3 基于本體標(biāo)注的中文文本地名識(shí)別 288
7.5.4 中文文本自然災(zāi)害事件時(shí)空信息合并 291
7.5.5 基于復(fù)合特征的自然災(zāi)害事件類型識(shí)別 293
7.5.6 基于事件本體和模式匹配的自然災(zāi)害事件屬性元素抽取 302
7.6 自然災(zāi)害事件時(shí)空信息匹配與可視化 308
7.6.1 自然災(zāi)害事件時(shí)空信息匹配 308
7.6.2 地名知識(shí)輔助的中文文本地名消歧 308
7.6.3 自然災(zāi)害事件可視化表達(dá)與分析 313
7.6.4 應(yīng)用實(shí)例——以地震災(zāi)害為例 319
第8章 基于出租車軌跡數(shù)據(jù)的異常事件檢測 323
8.1 出租車軌跡數(shù)據(jù)分析概述 323
8.1.1 軌跡數(shù)據(jù)相關(guān)知識(shí) 323
8.1.2 軌跡數(shù)據(jù)分析 325
8.1.3 聚類分析與異常檢測 327
8.2 出租車異常軌跡模式發(fā)現(xiàn) 3308.2.1 相關(guān)定義 331
8.2.2 異常軌跡模式發(fā)現(xiàn) 333
8.2.3 實(shí)驗(yàn)與分析 338
8.3 事件檢測與分析 342
8.3.1 基于LRT的元事件檢測 343
8.3.2 元事件統(tǒng)計(jì)分析 348
8.3.3 復(fù)合時(shí)空事件的提取與分析 352
8.4 異常聚集行為檢測 356
8.4.1 聚集行為發(fā)現(xiàn) 356
8.4.2 聚集行為模式分析與異常檢測 361
第9章 基于出租車數(shù)據(jù)和POI的城市空間行為特征分析 369
9.1 數(shù)據(jù)準(zhǔn)備與數(shù)據(jù)預(yù)處理 369
9.1.1 研究區(qū)域與數(shù)據(jù)準(zhǔn)備 369
9.1.2 出租車數(shù)據(jù)預(yù)處理 370
9.1.3 POI數(shù)據(jù)預(yù)處理 373
9.2 城市功能區(qū)識(shí)別及主要交通樞紐空間分析 373
9.2.1 基于POI數(shù)據(jù)的城市功能區(qū)識(shí)別 373
9.2.2 城市功能區(qū)識(shí)別結(jié)果分析 376
9.2.3 交通用地的服務(wù)范圍及空間聯(lián)系強(qiáng)度分析 377
9.3 基于密度聚類的熱點(diǎn)路段及區(qū)域挖掘 381
9.3.1 密度聚類算法的改進(jìn) 382
9.3.2 熱點(diǎn)路段時(shí)空分布與分析 387
9.3.3 熱點(diǎn)區(qū)域POI熱度指數(shù)計(jì)算與分析 389
9.4 基于時(shí)空譜聚類的出行特征挖掘 396
9.4.1 相似性度量方法及其改進(jìn) 396
9.4.2 譜聚類算法的時(shí)空及功能區(qū)拓展 398
9.4.3 實(shí)驗(yàn)結(jié)果與分析 401
第10章 再分析計(jì)劃氣象數(shù)據(jù)流挖掘 411
10.1 氣象數(shù)據(jù)流挖掘基礎(chǔ)知識(shí) 411
10.1.1 相關(guān)概念 411
10.1.2 氣象數(shù)據(jù)流的組織與管理 414
10.1.3 數(shù)據(jù)流挖掘基本算法 416
10.2 面向事件的氣象數(shù)據(jù)流滑動(dòng)窗口查詢 417
10.2.1 基于事件的元對(duì)象查詢 418
10.2.2 氣象數(shù)據(jù)流滑動(dòng)窗口查詢方法 422
10.3 面向異常時(shí)空數(shù)據(jù)模型的氣象數(shù)據(jù)流異常檢測 424
10.3.1 面向異常時(shí)空數(shù)據(jù)模型 424
10.3.2 數(shù)據(jù)流的異常檢測 427
10.3.3 氣象數(shù)據(jù)流的異常檢測實(shí)驗(yàn) 429
10.4 面向異常分類時(shí)空數(shù)據(jù)模型的氣象數(shù)據(jù)流異常分類 438
10.4.1 面向異常分類時(shí)空數(shù)據(jù)模型 438
10.4.2 數(shù)據(jù)流的異常分類 440
10.4.3 氣象數(shù)據(jù)流的異常分類實(shí)驗(yàn) 445
10.5 面向異常頻繁時(shí)空數(shù)據(jù)模型的氣象數(shù)據(jù)流異常頻繁挖掘 449
10.5.1 面向異常頻繁時(shí)空數(shù)據(jù)模型 449
10.5.2 數(shù)據(jù)流的異常頻繁挖掘 452
10.5.3 氣象數(shù)據(jù)流的異常頻繁挖掘?qū)嶒?yàn) 455
10.6 面向?qū)傩苑植紩r(shí)空數(shù)據(jù)模型的氣象數(shù)據(jù)流高維聚類 462
10.6.1 面向?qū)傩苑植紩r(shí)空數(shù)據(jù)模型 463
10.6.2 數(shù)據(jù)流的高維聚類 465
10.6.3 氣象數(shù)據(jù)流的高維聚類實(shí)驗(yàn) 469
參考文獻(xiàn) 477
后記 485