[发明专利]含主导特征的co‑location模式挖掘方法

权利要求书

1.一种含主导特征的co-location模式挖掘方法，其特征在于，按照以下步骤进行：

步骤1，

根据距离阈值生成星型实例集；通过扫描星形关系生成一个k阶co-location候选模式集c_k＝{f₁,…,f_k}；计算参与度；大于参与度阈值的模式即为一个频繁的co-location模式；

步骤2，

对于该频繁模式c_k与该模式的k个k-1阶子模式集合分别计算损失度；计算模式的最大特征影响度max_FII(c_k)及最小特征影响度min_FII(c_k)；

步骤3，

通过最大特征影响度与最小特征影响度的差直接判断该模式是否含有主导特征；

步骤4，

根据剪枝策略，利用最大特征差异度计算替代对模式中的每对特征进行两两特征差异度计算；

步骤5，

如果co-location模式c_k被检测为含主导特征的co-location模式，则通过计算模式中的每个特征来提取主要特征；计算每个特征的最大特征差异度并判断该特征的最大特征差异度是否大于最小特征差异度阈值min_fd；将大于最小特征差异度阈值min_fd的特征加入模式c_k的主导特征集合中；存储含有主导特征的co-location模式；反复执行步骤1-4，逐阶测试生成的co-location模式，直至无法再产生更高阶的频繁模式为止，最后得到了含主导特征的co-location模式集合及其主导特征集合。

2.根据权利要求1所述的含主导特征的co-location模式挖掘方法，其特征在于，所述步骤1按照以下步骤进行：根据距离阈值生成星型实例集，采用基于星型邻居扩展的无连接算法生成，并按照下式计算参与度：

PI(ck)=mini=1k(PR(ck,fi))]]>

其中，PR(c_k,f_i)是空间特征f_i在k阶co-location模式c_k＝{f₁,…,f_k}中的参与率，即f_i的实例在T(c_k)中不重复出现的个数与f_i总实例个数的比率，PI(c_k)是co-location模式c_k的参与度，其为模式c_k的所有空间特征的参与率值中的最小值；co-location模式c_k的所有行实例的集合称为表实例，记为T(c_k)；

给定一个空间特征集合F＝{f₁,f₂…,f_n}，一个与F对应的空间实例集合S＝S₁∪S₂∪…∪S_n，其中S_i是对应f_i的实例集合，一个空间邻近关系R，一个k阶空间co-location模式及一组空间实例的子集若l包含c_k的所有特征且所有实例满足{R(i_i,i_j)|1≤i≤k,1≤j≤k}并形成团，则l称为co-location模式c_k中的一个行实例，其中R(i_i,i_j)的含义指实例i_i与i_j之间存在邻近关系；空间特征f_i在k阶co-location模式c_k＝{f₁,…,f_k}中的参与率是f_i的实例在T(c_k)中不重复出现的个数与f_i总实例个数的比率，即，其中，π是关系的投影操作，co-location模式c_k＝{f₁,…,f_k}的参与度PI(c_k)是c_k的所有空间特征的PR值中的最小值，即给定用户定义的最小参与度阈值min_prev，若PI(c_k)≥min_prev，则c_k称为频繁的co-location模式，T({f_i})的含义是特征f_i在空间数据集中的实例个数。