论文部分内容阅读
随着空间数据库的快速增长和广泛使用,如何从空间数据中自动地发现的空间知识变得越来越重要。空间co-location模式代表了空间属性的实例在地理空间中的频繁关联。当前挖掘空间co-location模式所遇到的困难在于,空间属性的实例分布在连续的空间中并拥有复杂的空间关系。大部分的计算时间需要用来分离co-location模式中的实例。本文分析了co-location模式挖掘的实质和近年来提出的三种co-location模式挖掘算法。在此基础上,本文提出了一种新的co-location模式挖掘算法,该算法使用Trie结构来存贮和裁剪co-location模式,使用邻近关系扫描作为co-location模式增长方式。本文证明了新算法的正确性和完整性。并通过对模拟数据的试验,表明新算法能够提高现有算法的效率。
第一章主要介绍了数据挖掘和空间数据挖掘的基本概念及其研究现状。
第二章首先介绍了co-location模式的概念和研究背景,然后定义了co-location模式挖掘问题。
第三章首先对挖掘co-location模式进行了分析,然后详细阐述了Trie树结构及其在挖掘co-location模式方面的应用,接着对使用邻近关系扫描来增长co-location模式的方式进行了介绍和分析。最后给出了详细的算法描述。
第四章首先证明了新算法的正确性和完整性。
第五章给出了新算法和现有算法在模拟数据上的试验结果。
第六章是本文的结束部分,在对本文主要内容作简要回顾的同时,还指出了当前挖掘co-location模式研究的未尽问题,并对未来的研究做出展望。