时空共现模式(spatiotemporal co-location pattern,以下简称co-location模式)挖掘属于空间数据挖掘中一个非常热门的领域,系指多种对象实例在某些时刻经常处于近邻状态,现有的此领域算法中,大多采用类似事务数据库项集挖掘的方法,对空间实体的共现模式进行挖掘。在最初的频繁co-location模式挖掘中,只考虑每个空间同位模式在整个空间范围内出现的频率,而不考虑每个空间实体的内在产出是多少,这样就导致好多有高产出、低出现率的位置共现模式不能被挖掘出来。高效用时空共现模式(High Utility Co-location Pattern Mining,HUCPM)的提出有效的解决了只注重出现频次、不注重利润产出这个缺点,它能挖掘出更有价值的co-location模式来指导科学决策,提取隐含的预测性信息。在创新性方面,本文首先运用度数法求极大团的方法,把整个区域内的空间点划分成若干个不相交的极大团,同时使用KD-树结构对求解极大团的方法进行改进,使之在效率上有显著提升。划分为若干不相交极大团的点集,可看为不相交的事务集合,事务的扩展模式效用——即单个极大团中所有实例点的总效用,可以被计算出来用作剪枝,从而按照类似挖掘高效用项集的方法进行挖掘。挖掘高效用co-location模式和挖掘事务数据库中的高效用项集类似,都要用到频繁度的向下闭合性质作为剪枝策略。但是,高效用频繁项集并不具有频繁项集所具有的良好性质即反向单调性;本文最终采用基于包含索引挖掘高效用项集的方法(Mining High Utility Itemset Based on Subsume Index,IHUI-Mine)对极大团事务集合进行挖掘,把之前划分出对事务集合用位图进行表示,再借助于每个极大团总权重效用的单调性进行挖掘,避免了之前采用较多的基于表实例的方法,不仅不再需要存储大量的表实例,改进了没有反单调性的剪枝问题,还优化了以往重复遍历二阶近邻点对的问题。改进后的算法在挖掘效率、内存使用和可伸缩性方面有较优的表现。最后论文借用图形展示的方法,对挖掘出的高效用co-location模式进行可视化展示,更生动地体现出不同空间事务间的近邻关系获得效用大小。