[发明专利]一种空间同位模式挖掘的自适应方法

说明书

本发明公开了空间同位模式挖掘的自适应方法。首先，从同位模式的产生机理分析入手，过滤同位模式挖掘中的干扰要素；进而，从距离邻近性、密度变化一致性和关系紧密性的原则出发，自适应地构建空间要素实例的自然邻近关系；最后，以自然邻域为基础，基于图的连通性从整体到局部发现多层次同位模式。本发明不需要用户输入邻域关系构建参数，可以在空间要素分布不均匀时准确地描述要素间的邻近关系，而且能够借助要素实例Delaunay三角网的连通性自适应地发现局部的同位模式及其分布区域。

技术领域

本发明属于空间数据挖掘与空间分析领域，尤其涉及一种空间同位模式挖掘的自适应方法。

背景技术

现实世界中的地理现象经常表现为伴生关系，例如：生态领域中植被之间的共生关系(如湿地植物群落间生态位的重叠)、犯罪地理学中地理环境(或设施)与犯罪间的诱导关系(如酒精售卖点附近高犯罪率问题)、以及城市规划中不同类型兴趣点之间在产业布局上的依赖关系(如学校与便利店聚集关系)。此类频繁发生在邻近位置的事件集合通常被定义为空间同位模式，该模式挖掘的一个核心要素为空间邻域关系构建。

当前应用于同位模式挖掘的空间邻域关系构建方法主要有三类，即：基于空间统计的方法、基于k-近邻的方法和基于邻近图的方法。

在基于距离的邻域关系中，一个空间对象的邻域是与其距离小于给定距离的其它空间对象的集合，该方法存在两个局限性。首先为每个空间数据集选定距离阈值是困难的，且缺乏科学依据。其次，该方法无法解决由于地理现象空间异质性特性所带来的问题，比如在密度大的区域容易构建过多的邻域，在密度低的区域容易构建过少的邻域。在基于k-邻近的邻域关系中，一个空间对象的邻域是与其最邻近的k个其它类型的空间对象的集合。虽然该方法在一定程度上能够解决由于地理现象空间异质性特性所带来的问题，但是依然存在k 值的选择困难问题和无法真正解决由于地理现象空间异质性特性所带来的问题。在基于图的邻域关系中，一个空间对象的邻域是由所创建的图的邻近关系所决定的，比如在Delaunay三角网中，一个空间对象的邻域是与其有边相连的其它空间对象的集合。该方法存在仅仅考虑图的邻近关系而不考虑空间数据分布特性等问题。

基于上述分析发现，针对同位模式挖掘中的邻域关系构建，尚缺乏一种能够在空间要素分布不均匀时可以准确地描述要素间的邻近关系的方法。

发明内容

针对现有技术存在的缺陷，解决空间要素分布不均匀时空间同位模式中邻域关系构建与局部同位模式挖掘的问题，本发明提供一种空间同位模式挖掘的自适应方法。

本发明实施方式提供一种空间同位模式挖掘的自适应方法，包括：

1)利用最邻近指数法对输入的空间数据集中所有的要素进行分析，排除随机分布空间要素的干扰，保留呈聚集分布的空间要素；

2)根据距离邻近性原则、密度变化一致性原则、关系紧密性原则，分别针对每种候选同位模式参与要素实例构建自然邻域关系；

3)以自然邻域为基础，根据Delaunay三角网的连通性，从整体到局部发现多层次同位模式。

进一步，所述步骤2)包括：

2.1)基于Delaunay三角网的距离邻近性进行约束估计；

2.2)基于局部密度变异的密度一致性进行约束；

2.3)基于共享邻近的关系紧密性进行约束。

进一步，所述步骤2.1)包括：

根据空间对象的空间属性构建Delaunay三角网；

借助Delaunay三角网边长的统计规律估计邻域上限距离，计算公式如下：

Limit_p＝Mean(DT)+SD(DT)