留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

网络约束下局部空间同位模式的扫描统计方法

郭艺文 蔡建南 陈袁芳 邓敏 赵斌

郭艺文, 蔡建南, 陈袁芳, 邓敏, 赵斌. 网络约束下局部空间同位模式的扫描统计方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200177
引用本文: 郭艺文, 蔡建南, 陈袁芳, 邓敏, 赵斌. 网络约束下局部空间同位模式的扫描统计方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200177
Guo Yiwen, Cai Jiannan, Chen Yuanfang, Deng Min, Zhao Bin. Spatial Scan Statistic Method for Discovering Regional Network Co-location Patterns[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200177
Citation: Guo Yiwen, Cai Jiannan, Chen Yuanfang, Deng Min, Zhao Bin. Spatial Scan Statistic Method for Discovering Regional Network Co-location Patterns[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200177

网络约束下局部空间同位模式的扫描统计方法

doi: 10.13203/j.whugis20200177
基金项目: 

国家重点研发计划“云计算和大数据”重点专项(2018YFB1004603);国家重点研发计划(2016YFB0502303);中南大学研究生自主探索创新项目(2020zzts174)

详细信息
    作者简介:

    郭艺文,博士生,主要研究方向为时空关联模式挖掘方法及应用。yiwen.guo@csu.edu.cn

  • 中图分类号: P208

Spatial Scan Statistic Method for Discovering Regional Network Co-location Patterns

Funds: 

The National Key Research and Development Program of China (2018YFB1004603, 2016YFB0502303)

  • 摘要: 空间同位模式挖掘旨在发现空间数据库中频繁发生在邻近位置的地理事件。由于空间异质性,地理事件在不同区域邻近出现的频繁程度亦存在差异,进而形成局部同位模式。现有局部同位模式挖掘方法多基于欧氏空间的平面假设,难以客观揭示网络空间(如城市道路)内地理事件间的局部同位规律。为此,本文基于空间扫描统计思想,提出了一种网络约束下的局部同位模式挖掘方法。首先,发展了网络约束下的路径扩展方法,识别可能存在局部网络空间同位模式的候选路径;进一步,基于网络约束下的二元泊松分布构建显著性检验的零模型,判别候选路径中局部网络空间同位模式的有效性。通过模拟实验与北京市出租车供需模式分析,发现本文方法比现有方法得到的结果更加精细且客观,能够有效地挖掘网络约束下的局部同位模式。
  • [1] Deng M, He Z, Liu Q, et al. Multi-scale approach to mining significant spatial co-location patterns[J]. Transactions in GIS, 2017, 21(5):1023-1039.
    [2] Shekhar S, Huang Y. Co-location Rules Mining:A Summary of Results[C]. Proceedings of the 7th Spatio-temporal Symposium on Databases. 2001.
    [3] Kolasa J, Pickett S T A. Ecological Heterogeneity[M]. Springer New York, 1991.
    [4] Goodchild M F. The fundamental laws of GIScience[C]. Invited talk at University Consortium for Geographic Information Science, University of California, Santa Barbara, 2003.
    [5] Huang Y, Shekhar S, Xiong H. Discovering Colocation Patterns from Spatial Data Sets:A General Approach[J]. IEEE Transactions on Knowledge & Data Engineering, 2004, 16(12):1472-1485.
    [6] Yoo J S, Shekhar S, Smith J, et al. A Partial Join Approach for Mining Co-location Patterns[C]. Proceedings of the 12th annual ACM international workshop on Geographic information systems. ACM, 2004:241-249.
    [7] Yoo J S, Shekhar S. A Joinless Approach for Mining Spatial Colocation Patterns[M]. IEEE Educational Activities Department, 2006.
    [8] Xiao X, Xie X, Luo Q, et al. Density Based Co-location Pattern Discovery[C]. Proceedings of the 16th ACM SIGSPATIAL international conference on Advances in geographic information systems. ACM, 2008:29.
    [9] Barua S, Sander J. Mining Statistically Significant Co-location and Segregation Patterns[J]. IEEE Transactions on Knowledge & Data Engineering, 2014, 26(5):1185-1199.
    [10] Celik M, Kang J M, Shekhar S. Zonal Co-location Pattern Discovery with Dynamic Parameters[J]. Seventh IEEE International Conference on Data Mining, 2007:433-438.
    [11] Eick C F, Parmar R, Ding W, et al. Finding Regional Co-location Patterns for Sets of Continuous Variables in Spatial Datasets[C]. ACM Sigspatial International Conference on Advances in Geographic Information Systems. ACM, 2008:20-193.
    [12] Qian F, Chiew K, He Q, et al. Mining Regional Co-location Patterns with kNNG[J]. Journal of Intelligent Information Systems, 2014, 42(3):485-505.
    [13] Wang S, Huang Y, Wang X S. Regional Co-locations of Arbitrary Shapes[C]. International Conference on Advances in Spatial and Temporal Databases. 2013:19-37.
    [14] Okabe A, Sugihara K. Spatial Analysis along Networks:Statistical and Computational Methods[M]. Wiley, 2012.
    [15] Xie Z, Yan J. Kernel Density Estimation of traffic accidents in a network space[J]. Computers Environment & Urban Systems, 2008, 32(5):396-406.
    [16] Shiode S. Street-level Spatial Scan Statistic and STAC for Analysing Street Crime Concentrations.[J]. Transactions in GIS, 2011, 15(3):365-383.
    [17] Yu W. Spatial Co-location Pattern Mining for Location-based Services in Road Networks[J]. Expert Systems with Applications, 2016, 46:324-335.
    [18] Cai J, Deng M, Liu Q, He Z, et al. Nonparametric Significance Test for Discovery of Network-Constrained Spatial Colocation Patterns[J]. Geographical analysis, 2019, 51(1):3-22.
    [19] M. Kulldorff. 1997. A spatial scan statistic[J]. Communications in Statistics:Theory and Methods 26(6), 1481-1496.
    [20] Paloheimo J E. A Spatial Bivariate Poisson Distribution[J]. Biometrika, 1972, 59(2):489-492.
    [21] Babaei A, Jabbari B. Distance Distribution of Bivariate Poisson Network Nodes[J]. IEEE Communications Letters, 2010, 14(9):0-850.
    [22] Dimitris Karlis. An EM Algorithm for Multivariate Poisson Distribution and Related Models[J]. Journal of Applied Statistics, 2010, 30(1):63-77.
  • [1] 季航宇, 蔡忠亮, 姜莉莉, 李桂娥, 李伯钊.  出租车出行的空间不平等及其与人口结构的关联 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20190327
    [2] 龚希, 陈占龙, 谢忠.  出租车轨迹数据的地域间移动模式分析 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170035
    [3] 徐枫, 蔡建南, 刘启亮, 何占军, 邓敏.  显著局部空间同位模式自动探测方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170008
    [4] 万幼, 周脚根, 翁敏.  点集数据不规则形状时空异常聚类模式挖掘研究 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150069
    [5] 佘冰, 朱欣焰, 刘汝倩, 呙维.  利用方向玫瑰图分析社会经济重心轨迹移动模式 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140417
    [6] 田晶, 王一恒, 颜芬, 熊富全.  一种网络空间现象同位模式挖掘的新方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20130448
    [7] 单杰, 秦昆, 黄长青, 胡翔云, 余洋, 胡庆武, 林志勇, 陈江平, 贾涛.  众源地理数据处理与分析方法探讨 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20130633
    [8] 石岩, 刘启亮, 邓敏, 王佳璆.  一种顾及障碍约束的空间聚类方法 . 武汉大学学报 ● 信息科学版,
    [9] 邓敏, 彭东亮, 刘启亮, 石岩.  一种基于场论的层次空间聚类算法 . 武汉大学学报 ● 信息科学版,
    [10] 刘启亮, 邓敏, 彭东亮, 王佳璆.  基于力学思想的空间聚类有效性评价 . 武汉大学学报 ● 信息科学版,
    [11] 边馥苓, 万幼.  k-邻近空间关系下的空间同位模式挖掘算法 . 武汉大学学报 ● 信息科学版,
    [12] 王海军, 邓羽, 王丽, 关兴良.  基于数据场的C均值聚类方法研究 . 武汉大学学报 ● 信息科学版,
    [13] 朱玉, 张虹, 孔令东.  一种基于免疫算法的空间关联规则挖掘方法 . 武汉大学学报 ● 信息科学版,
    [14] 李光强, 邓敏, 朱建军.  基于Voronoi图的空间关联规则挖掘方法研究 . 武汉大学学报 ● 信息科学版,
    [15] 贾泽露, 刘耀林, 张彤.  可视化交互空间数据挖掘原型系统设计与实现 . 武汉大学学报 ● 信息科学版,
    [16] 王新洲.  论空间数据处理与空间数据挖掘 . 武汉大学学报 ● 信息科学版,
    [17] 王树良, 王新洲, 曾旭平, 史文中.  滑坡监测数据挖掘视角 . 武汉大学学报 ● 信息科学版,
    [18] 李德仁, 王树良, 李德毅, 王新洲.  论空间数据挖掘和知识发现的理论与方法 . 武汉大学学报 ● 信息科学版,
    [19] 李德仁, 王树良, 史文中, 王新洲.  论空间数据挖掘和知识发现 . 武汉大学学报 ● 信息科学版,
    [20] 俞能海, 王晓刚, 刘政凯.  RS与GIS一体化数据结构的研究 . 武汉大学学报 ● 信息科学版,
  • 加载中
计量
  • 文章访问数:  394
  • HTML全文浏览量:  63
  • PDF下载量:  25
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-02
  • 网络出版日期:  2021-05-07

网络约束下局部空间同位模式的扫描统计方法

doi: 10.13203/j.whugis20200177
    基金项目:

    国家重点研发计划“云计算和大数据”重点专项(2018YFB1004603);国家重点研发计划(2016YFB0502303);中南大学研究生自主探索创新项目(2020zzts174)

    作者简介:

    郭艺文,博士生,主要研究方向为时空关联模式挖掘方法及应用。yiwen.guo@csu.edu.cn

  • 中图分类号: P208

摘要: 空间同位模式挖掘旨在发现空间数据库中频繁发生在邻近位置的地理事件。由于空间异质性,地理事件在不同区域邻近出现的频繁程度亦存在差异,进而形成局部同位模式。现有局部同位模式挖掘方法多基于欧氏空间的平面假设,难以客观揭示网络空间(如城市道路)内地理事件间的局部同位规律。为此,本文基于空间扫描统计思想,提出了一种网络约束下的局部同位模式挖掘方法。首先,发展了网络约束下的路径扩展方法,识别可能存在局部网络空间同位模式的候选路径;进一步,基于网络约束下的二元泊松分布构建显著性检验的零模型,判别候选路径中局部网络空间同位模式的有效性。通过模拟实验与北京市出租车供需模式分析,发现本文方法比现有方法得到的结果更加精细且客观,能够有效地挖掘网络约束下的局部同位模式。

English Abstract

郭艺文, 蔡建南, 陈袁芳, 邓敏, 赵斌. 网络约束下局部空间同位模式的扫描统计方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200177
引用本文: 郭艺文, 蔡建南, 陈袁芳, 邓敏, 赵斌. 网络约束下局部空间同位模式的扫描统计方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200177
Guo Yiwen, Cai Jiannan, Chen Yuanfang, Deng Min, Zhao Bin. Spatial Scan Statistic Method for Discovering Regional Network Co-location Patterns[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200177
Citation: Guo Yiwen, Cai Jiannan, Chen Yuanfang, Deng Min, Zhao Bin. Spatial Scan Statistic Method for Discovering Regional Network Co-location Patterns[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200177
参考文献 (22)

目录

    /

    返回文章
    返回