本文深入探讨数据挖掘中的空间模式挖掘和轨迹模式挖掘。介绍了空间模式挖掘中的逐步求精方法，包括共置模式、条件概率和类Apriori算法。接着，详细讨论了轨迹模式挖掘，涵盖基本运动模式、空间运动模式、聚合/分离运动模式，以及基于密度的轨迹模式挖掘方法。同时，提出了挖掘语义丰富的运动模式的重要性及其步骤。
这是模式挖掘、数据挖掘的一部分应用。
空间模式挖掘(Mining Spatiotemporal Patterns)
两个空间实体之间存在若干拓扑关系，这些关系基于两个实体的位置：
- 分离
- 相交
- 包含
如图所示地表示位置信息，可以提取类似下面的规则：
is_a(x,large_town)⋀intersect(x,highway)→adjacent_to(x,water)[7%,85%]
逐步求精(Progressive Refinement)
我们可以知道语言中有很对二义性的词语，并且可以用不同的词汇表达相同或者相近的意思。
比如，我们表示“靠近”，可以用“临近”、“接近”、“比邻”等等。那么我们就可以用Progressive Refinement来解决，因此空间关系可以应用在一个更加粗糙或者更精细的层次上。
Step 1
粗略计算，用于筛选
使用MBR(Minimum Bounding Rectangle)或者R-tree粗略估计。
Step2
更加细节的处理算法，用于精细处理
只处理那些通过粗略计算的数据（不小于最小支持度），从而节约时间与空间。
共置模式(Colocation pattern)
现有如图所示地拓扑结构，用数字表示每一个样本点，其符号是表示样本点的种类。
共置模式指的是一组空间事件或者物体经常发生在相同的区域，在拓扑图中这样的事件用线连在一起。
其中{3, 6, 17}, {4, 7, 10, 16}, {2, 8, 11, 14, 15}, {2, 9}就是一个Colocation pattern。
rowset集合
而rowset(SET)则表示SET集合中每一个元素都出现在的Colocation pattern。
rowset({
A,B,C,D})={
{
最低0.47元/天 解锁文章
扫一扫
493
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
