[发明专利]顾及空间实例距离权重的自适应同位模式获取方法和装置

说明书

本发明提供一种顾及空间实例距离权重的自适应同位模式获取方法和装置；所述方法，包括：将同一空间特征的实例作为目标图层，构建泰森多边形，基于当前目标图层的实例与其它特征实例在泰森多边形影响范围的连接关系，构建归一化实例对偶表；对归一化实例对偶表的距离集合进行分布参数计算，获得归一化距离截断参数；利用归一化距离截断参数构造距离回馈函数，计算任意两个不同特征的连接实例对的距离回馈值；在所述距离回馈阈值下，获取最终的基于距离回馈函数计算的同位模式。解决了常规同位模式挖掘方法在区域适应性、高效性和有效性方面的不足。

技术领域

本发明涉及空间数据模式挖掘领域，尤其涉及一种针对空间点要素数据的自适应的，并且考虑点要素邻近距离权重的同位模式挖掘方法和装置。

背景技术

空间同位模式是指一系列空间特征的组合，这些组合的点实例要素在同一地点频繁的出现，往往表征着它们在空间上有某种普遍的依赖关系。同位模式挖掘目前已经在种群分布、移动通讯、公共安全、环境管理、城市规划等领域有广泛的应用，其挖掘的结果可以为学者进一步研究空间特征分布的内在机理提供线索，也可以辅助决策者进行科学的预判。以城市规划为例，有人发现某一新城大部分的学校周边1000米没有邮政点，而利用北京核心功能区的设施数据进行同位模式挖掘，其结果表明学校和邮政点属于显著度为89％的同位模式，基于该事实，决策者可适量的将邮政引入学校周边，以减小人口流动半径，缓建交通压力，降低各方面的资源浪费。

传统的同位模式挖掘方法普遍需要用户自行设定统一的距离阈值，即使其中有一些由于所处理的数据类型和挖掘目标有所拓展而在原来距离度量的指标上做了改进而换成了其它指标，如把距离阈值改为密度阈值。然而，这种仅凭用户经验来设定距离阈值的方法很不现实：区域具有特异性，区域上的数据分布也有疏密之分，偏小的距离阈值难以挖出有用的模式，偏大的距离阈值会导致大量无用的模式产生。虽然目前已有一些改进方法不需要用户设置距离阈值，但他们普遍利用最近邻思路或迭代优化的方法对算法进行改造，很难对实例间的距离特征有全局的认识，而考虑全局连接关系的效率问题会限制算法在大数据集上的计算。其次，传统方法基于参与度的流行模式判定方法，在计算中并没有考虑实例之间的连接紧密程度，即没有讨论实例之间的距离权重对模式流行程度的影响。而实际上，根据地理学第一定律，相近的事物联系更紧密，所以近距离实例关系对模式流行程度大小的影响，要大于远距离的实例关系。因此，需要构建一种新型有效的计算体系来评价模式的显著性。

总之，目前没有相关的文献或公开的方法，能够在同时考虑区域数据疏密和实例之间距离权重影响的情况下，高效快速的发现空间上的同位模式。

发明内容

本发明旨在解决上面描述的问题。本发明的一个目的是提供一种解决以上问题中的任何一个的顾及空间实例距离权重的自适应同位模式获取方法和装置。具体为：

本发明的一方面提供了一种顾及空间实例距离权重的自适应同位模式获取方法，包括：

将同一空间特征的实例作为目标图层，构建泰森多边形，基于当前目标图层的实例与其它特征实例在泰森多边形影响范围的连接关系，构建归一化实例对偶表；

对归一化实例对偶表的距离集合进行分布参数计算，获得归一化距离截断参数；

利用归一化距离截断参数构造距离回馈函数，计算任意两个不同特征的连接实例对的距离回馈值；

在所述距离回馈阈值下，获取最终的基于距离回馈函数计算的同位模式。

本发明提供的方法还具有如下特点：所述构建归一化实例对偶表的步骤包括：

针对每一类空间特征e_i，将其实例作为目标图层，创建泰森多边形图；