基于粗糙集的局部同位模式挖掘算法北大核心CSCD

通过空间同位模式挖掘可发现频繁发生在邻近位置的事件集合,为揭示地理现象间的共生规律提供重要的决策支持。由于空间同位模式存在空间异质性问题,已有方法不能很好地探测出空间同位模式分布的相近性区域。为此,本文从地理属性的相近性方向探测同位模式的分布区域,提出了基于粗糙集的局部空间同位模式挖掘方法。首先,从全局视角提取不频繁的空间同位模式作为候选的局部空间同位模式;然后,对候选同位模式的实例位置进行处理,将其分布的热点区域属性作为粗糙数据集,借助粗糙集探测局部空间同位模式自然的分布区域;最后,度量在这些局部区域的频繁程度,生成所有频繁的局部空间同位模式。通过试验与应用发现,该方法不仅可以探测局部空间同位模式分布的相近性区域,还能反映同位模式分布区域的地理属性信息。     

多尺度空间同位模式挖掘的点过程分解方法

空间同位模式挖掘旨在发现多类地理要素或事件频繁互邻近形成的关联规则,对于理解复杂地理现象内在发生机理具有重要价值。针对现有基于关联规则的空间同位模式挖掘方法难以对地理数据特性(如多尺度性)进行有效建模的缺陷,本文提出了一种基于点过程建模与分解的多尺度空间同位模式挖掘方法。首先通过构建一个随机变量将多类要素实例分布数据表达为混合空间点过程,并引入一个非参统计指标对同位模式进行特征尺度判别;基于此,定义一种条件概率密度分布函数,利用点过程分解思想挖掘多尺度空间同位模式及其实例分布。试验分析结果表明本文方法可以准确挖掘空间同位模式在不同尺度的空间分布形态,并且有效降低了人为设定参数的主观性。     

多尺度空间同位模式挖掘的点过程分解方法

空间同位模式挖掘旨在发现多类地理要素或事件频繁互邻近形成的关联规则,对于理解复杂地理现象内在发生机理具有重要价值。针对现有基于关联规则的空间同位模式挖掘方法难以对地理数据特性(如多尺度性)进行有效建模的缺陷,本文提出了一种基于点过程建模与分解的多尺度空间同位模式挖掘方法。首先通过构建一个随机变量将多类要素实例分布数据表达为混合空间点过程,并引入一个非参统计指标对同位模式进行特征尺度判别;基于此,定义一种条件概率密度分布函数,利用点过程分解思想挖掘多尺度空间同位模式及其实例分布。试验分析结果表明本文方法可以准确挖掘空间同位模式在不同尺度的空间分布形态,并且有效降低了人为设定参数的主观性。     

网络约束下局部空间同位模式的扫描统计方法

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,因此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;其次,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,发现该方法比现有方法得到的结果更精细、更客观,能够有效地挖掘网络约束下的局部同位模式。     

多层次空间同位模式自适应挖掘方法

空间同位模式挖掘旨在从空间数据中发现频繁发生在邻近位置的事件集合,对于揭示地理现象间的共生规律具有重要价值。由于地理现象的空间异质特质,空间同位模式也存在区域性分异的特点,在不同空间层次上的分析结果各异。然而,现有方法仅从全局视角挖掘空间同位模式,发现局部空间同位模式依然是一个亟待解决的难题。为此,本文基于由整体到局部的思想,提出了一种多层次空间同位模式自适应挖掘方法。首先,从全局视角提取频繁的空间同位模式,将全局不频繁的空间同位模式作为候选的局部空间同位模式;然后,通过对候选局部同位模式进行自适应聚类自动识别其局部分布区域,并在这些局部区域内度量候选模式的频繁程度;进而,提出了一种叠置推绎的方法,从频繁子模式的局部区域中进一步推绎获得超模式的局部分布区域,最终生成所有频繁的局部空间同位模式集合。通过试验分析与比较发现,本文方法不仅可以发现全局的空间同位模式,还能有效提取具有区域性分布特征的局部空间同位模式,可以从多个空间层次上反映地理事件间的共生规则。     

显著空间同位模式的多尺度挖掘方法

空间同位模式挖掘对于揭示地理现象间的共生、依赖规律具有重要价值。然而,空间同位模式挖掘中参数阈值缺乏先验知识,若设置不合理,挖掘结果中会遗漏重要的模式或包含冗余的、甚至错误的模式。为此,本文提出了一种基于模式重建的显著空间同位模式多尺度挖掘方法。首先,定义了互邻近距离指标,该指标可用来确定距离阈值的有效取值范围。进而,以模式重建为基础构建零模型,借助统计检验的方法来发现显著的空间同位模式,从而避免了兴趣度阈值的设置。最后,对空间同位模式进行多尺度挖掘,并引入生存期的概念对同位模式多尺度挖掘结果进行有效性评价。试验结果表明:本文方法可有效降低算法参数设置的主观性,从而提升空间同位模式挖掘结果的准确性和稳健性。     

k-邻近空间关系下的空间同位模式挖掘算法

定义了一种基于k-邻近对象的空间同位模式,探讨了基于k-邻近空间关系的同位模式的特点及其与基于距离阈值的空间同位模式的区别与联系,并开发了k-邻近对象同位模式挖掘算法(KNFCOM).通过对真实数据的实验结果表明,KNFCOM算法可有效地发现大型空间数据集中存在的各种空间同位模式.     

显著局部空间同位模式自动探测方法

局部空间同位模式挖掘旨在揭示多类地理事件在异质环境下的共生共存规律。已有的方法一方面需要模式筛选的频繁度阈值参数,另一方面需要区域探测的划分参数或聚类参数,参数的不合理设置会导致挖掘结果不可靠甚至出现错误。因此,提出了一种显著局部空间同位模式自动探测方法。首先,基于空间统计思想,采用非参数模式重建方法对空间同位模式进行显著性判别,将全局非显著空间同位模式作为进一步局部探测的候选模式;然后,借助自适应空间聚类方法提取每个候选模式的热点区域;最后,通过不断生长并测试每个热点区域,界定显著局部空间同位模式的有效边界,即空间影响域。通过实验与比较发现,该方法能够客观且有效判别空间同位模式的显著性,并且自适应地提取局部同位模式的空间分布结构,降低了现有方法参数设置的主观性。     

顾及距离衰减效应的网络空间同位模式挖掘

针对现有挖掘方法往往忽略了地理学第一定律的区位影响,未考虑距离衰减效应问题,该文提出了一种顾及距离衰减效应的网络空间同位模式挖掘方法。该方法包括两个核心步骤:①计算网络空间要素网络核密度,刻画要素的分布强度与影响范围;②探测要素间分布相关性,跟据相关性强弱来评价和判断要素是否同位。通过模拟实验与比较发现,该方法能够准确识别和挖掘网络空间同位模式。最后将该方法应用至犯罪事件与城市设施兴趣点的网络空间关联实例挖掘中,挖掘结果可为犯罪预防和犯罪管控提供更为科学的借鉴和参考。     

网络空间同位模式的加色混合可视化挖掘方法

同位模式挖掘是空间数据挖掘的热点问题之一,应用领域广泛。已有的同位模式挖掘方法一般采用统计或数据挖掘的方式,要求对复杂的数学公式、算法及相关参数等有深刻的理解,主要针对同质的欧式空间中地理现象。而城市空间中人为地理现象大多发生在网络空间,鉴于此,本文提出了一种网络空间同位模式可视化挖掘方法。该方法利用视觉语言表达网络空间现象之间的影响和交互作用。首先,利用网络空间核密度估计表达网络空间现象的分布情况和影响范围,为网络空间现象的同位模式挖掘提供支持,并建立单个地理现象分布情况与颜色之间的映射;然后基于色光加色混合原理获得两个地理现象相互影响的认知,借以挖掘空间同位模式。本文提出的方法属于形象思维,具有直观,形象和易感受等特点。     

一种建筑群同质二元组直线模式的识别方法

建筑群空间分布模式识别对制图综合、多尺度表达及空间数据挖掘具有重要意义。针对建筑群中以建筑物组合结构为单元的直线模式识别问题,提出一种建筑群同质二元组直线模式的识别方法。首先分析研究同质二元组直线模式的认知特征和定义;然后利用Delaunay三角网构建建筑群邻近关系,以建筑物邻近性、尺寸和方向相似性约束进行聚类,考虑邻近程度的异质性、直线性识别直线模式,根据直线模式识别结果识别同质二元组结构;最后逐步识别由具有相似特征且呈等间隔直线排列的同质二元组构成的直线模式。实验表明所提方法能有效识别出同质二元组直线模式,其识别结果符合人类认知。     

加色法同位规则挖掘支持下的兰州市居民区生活便利度分析

居民区生活便利度分析是城市研究的热点问题之一，对提升城市居民生活质量具有重要意义。城市空间中的居民活动主要发生在道路网络空间，加色法同位规则是一种网络空间同位模式可视化挖掘方法，避免了复杂的数学公式、算法及相关参数，具有形象直观的特点。鉴于此，本文利用加色法同位规则这一可视化数据挖掘手段，在表达空间交互的同时将数据挖掘的结果直接用于居民区生活便利度分析。以兰州市为例，进行居民区与其他14类城市基础设施之间位置关系的挖掘试验，全局分析与局部分析相结合，对不同区域的居民区生活便利度进行评价，以期为兰州市城市建设提供参考。结果表明：在兰州市，居民区与药店、超市、牛肉面馆等地理要素存在最强同位规则，与医院、火锅店存在较强同位规则，与商场、派出所、消防站无同位规则；居民区在整体上呈现多个宜居中心的分布特点，在区位上呈现便利度东高西低的分布特征。     

城市犯罪时空同现模式的非参数检验方法

采用时空同现模式分析方法挖掘多元犯罪事件之间的关联关系，可为犯罪事件防控问题提供科学指导。现有方法依赖人为设置的频繁度阈值，应用部门若缺乏先验知识则可能导致决策错误。因此，基于非参数统计思想，提出一种面向城市犯罪的时空同现模式显著性检验方法。首先通过重建每类犯罪事件的时空分布，构建多元犯罪事件分布独立的零模型；然后根据零模型下多元犯罪事件同现频率的试验分布，判别候选时空同现模式的显著性。最后设计具有预设模式的模拟数据实验验证该方法的有效性；在多个分析尺度（时空半径）下识别S市2016年13种犯罪事件间时空同现模式，并以时空同现模式{扰乱治安，盗窃电动自行车，扒窃}为例，结合公共设施空间分布，对该模式形成机理进行深入分析。结果表明:①该方法充分顾及了单元犯罪事件自相关特征的影响，能够有效识别具有统计特性的时空同现模式；②犯罪事件时空同现模式随分析尺度的变化而存在差异；③具有相似建成环境和社会环境的犯罪事件容易形成时空同现模式。     

顾及属性空间分布不均的空间聚类方法——以城市商业中心的提取为例

针对Delaunay三角网空间聚类存在的不足,提出一种顾及属性空间分布不均的空间聚类方法。首先将Delaunay三角网空间位置聚类作为约束条件,采用广度优先搜索方法,以局部参数"属性变化率"作为阈值识别非空间属性相似簇的聚类过程。以城市商业中心为例,验证了该方法能够更客观地识别非空间属性相似的簇,且自适应属性阈值可以满足不同聚类需求,为城市商业中心等空间实体的提取提供了一种有效方法。     

Pattern detection in airborne LiDAR data using Laplacian of Gaussian filter

Methods for feature detection in laser scanning data have been studied for decades ever since the emergence of the technology. However, it is still one of the unsolved problems in LiDAR data processing due to difficulty of texture and structure information extraction in unevenly sampled points. The paper analyzes the characteristics of Laplacian of Gaussian (LoG) Filter and its potential use for structure detection in LiDAR data. A feature detection method based on LoG filtering is presented and experimented on the unstructured points. The method filters the elevation value (namely, z coordinate value) of each point by convolution using LoG kernel within its local area and derives patterns suggesting the existence of certain types of ground objects/features. The experiments are carried on a point cloud dataset acquired from a neighborhood area. The results demonstrate patterns detected at different scales and the relationship between standard deviation that defines LoG kernel and neighborhood size, which specifies the local area that is analyzed.     

Pattern detection in airborne LiDAR data using Laplacian of Gaussian filter

Methods for feature detection in laser scanning data have been studied for decades ever since the emergence of the technology.However,it is still one of the unsolved problems in LiDAR data processing due to difficulty of texture and structure information extraction in unevenly sampled points.The paper analyzes the characteristics of Laplacian of Gaussian(LoG) Filter and its potential use for structure detection in LiDAR data.A feature detection method based on LoG filtering is presented and ex-perimented on the unstructured points.The method filters the elevation value(namely,z coordinate value) of each point by convo-lution using LoG kernel within its local area and derives patterns suggesting the existence of certain types of ground ob-jects/features.The experiments are carried on a point cloud dataset acquired from a neighborhood area.The results demonstrate patterns detected at different scales and the relationship between standard deviation that defines LoG kernel and neighborhood size,which specifies the local area that is analyzed.