概率区间下基于可能世界的空间co-location模式挖掘研究

【摘要】：随着数据采集技术的发展,数据采集系统积累了大量的空间数据,越来越多的学者开始关注空间数据挖掘。空间co-location模式挖掘是空间数据挖掘的一个重要分支,它用于发现空间特征之间的关联关系。在许多现实的应用中,收集到的数据往往是不确定的,通常情况下数据的不确定性会采用概率来描述,并且用一个精确的实数来表达。然而,在一些实际应用当中有时很难得到一个精确的概率值,或者根本得不到精确值,只能得到概率的一个近似估计。由于不精确概率在实际当中经常存在,所以,当用概率来描述数据的不确定性时,概率的不精确性是有必要考虑的。本文针对概率的不精确性,考虑当采用概率区间来描述空间实例的存在不确定时如何挖掘空间co-location模式。 首先,介绍了不确定数据的含义和不精确概率的概念。 其次,介绍了空间co-location模式挖掘的基本概念,并介绍了两个重要的挖掘算法。 第三,对于空间实例的存在不确定,介绍了可能世界模型、模式的频繁概率以及概率频繁co-locarion模式的概念。 第四,针对采用概率区间来描述实例的存在不确定的情况,把可能世界模型扩展到概率区间下。对于得到的所有可能世界的概率区间集,证明了它是合理的、可行的,并在此基础上通过转化的方式将可能世界的概率区间转化为点概率。以点概率为测度定义了模式的频繁点概率,提出了概率区间下挖掘概率频繁co-location模式的算法。针对算法的指数级时间复杂度讨论了优化策略,并提出了有效的改进算法。 第五,通过对模拟数据和实际数据的大量实验说明了概率区间下挖掘概率频繁模式的算法的有效性以及实用价值。 最后,对本文的主要内容进行了总结与展望。