基于变点的时空异常模式研究

异常模式的探测具有很好的实用价值和生产指导意义,本文首先对目前国内外时空异常模式方面的研究工作做了介绍。然后基于时空变点的概念给出了时空异常的定义,在此基础上结合大气污染监测数据对基于变点的时空异常模式进行探测。     

时空数据插值的杨赤中滤波法

时空数据插值是时空数据分析的一项基础性任务,其核心问题在于建模时空自相关结构。当时空数据非平稳、分布稀疏时,现有方法难以准确建模时空自相关结构,直接影响了插值的精度与可靠性。本文基于空间域复合变量理论,采用几何学与统计学相结合的策略对时空自相关结构进行建模,提出了一种基于杨赤中滤波的时空数据插值方法。该方法首先耦合杨赤中滤波与时空积和模型,建立定量描述时空自相关结构的时空基本变化函数;然后,基于时空基本变化函数,构建满足最优线性无偏估计准则的时空数据插值模型。采用模拟数据、2000—2009年我国大陆区域年平均气温与2014年5月—2015年4月北京市日均PM_2.5浓度时空数据集进行试验验证,结果表明：本文方法的时空插值精度明显优于当前的3种代表性时空插值方法,且不需要时空平稳性假设,可以更好地适应分布稀疏的时空数据集。     

点集数据不规则形状时空异常聚类模式挖掘研究

传统扫描统计方法在进行时空异常聚类模式挖掘时,受扫描窗口形状的限制,不能准确地获取聚类区域形状。提出一种改进的不规则形状时空异常聚类模式挖掘方法stAntScan。新方法基于26方位时空邻近单元格构建时空邻接矩阵,再对蚁群最优化扫描统计方法进行改进,使其能适应三维大数据量的时空区域扫描。模拟数据和真实微博签到数据的实验证明,stAntScan能有效地识别时空范围内的不规则形状异常聚类,并且准确性较经典的SaTScan方法高。     

扩展流数据立方体的GIS时空大数据组织方法

针对大数据GIS面临的大规模数据的多源异构动态性与数据存储优化等问题,本文开展大数据背景下的地理时空数据组织与模型研究,提出了一种基于流数据的可扩展立方体处理框架,在典型的流数据二维数据序列基础上,构建增加垂直方向的非结构数据立方体;结合立方体数据组织模型的定义和特征,探讨扩展关系型数据库与协同非关系型数据库的GIS时空大数据组织方法;通过扩展数据源、数据类型及数据操作等属性,突出多源异构地理时空大数据的时空关系和演变过程关系等特征,对地理时空大数据进行数据一体化组织、存储和分析;进而解决地理信息时空大数据的大体量、异构与动态性在GIS数据管理与分析方面的技术瓶颈,并且对GIS时空大数据的有效管理提供科学性方法和解决策略。     

时空一体化GIS-T数据模型与应用方法

在介绍与交通地理信息系统(GIS for transportation,GIS-T)相关的概念的基础上,归纳了GIS-T数据模型的发展和已经取得的主要成果,重点讨论了时空一体化GIS-T数据模型的基本框架。该模型着重解决了动态交通信息与道路网几何数据的一体化时空建模问题,并且进一步分析了GIS-T的基本技术方法,探讨了GIS-T的若干典型应用,并对该方向今后的研究进行了分析和展望。     

顾及时空异质性的缺失数据时空插值方法

时空插值方法被广泛应用于缺失时空数据集的插值与估计。时空插值是时空建模与分析的一个重要内容,当前该研究关注的热点之一是异质条件下的时空插值与估计问题。因此,本文从时空数据的异质性出发,提出了一种顾及时空异质性的缺失数据时空插值方法。该方法首先对数据集进行时空分区,然后分别在时间和空间按照异质协方差模型计算缺失数据的估计值,进而利用相关系数确定时空权重、融合时间和空间估计值得到缺失数据的最终估计结果。最后通过两组气象数据集进行交叉验证对比分析试验。试验结果表明本文方法对比其他插值方法具有更高的精度和适用性。     

时空数据挖掘中的模式探讨

随着数据的采集、存储、计算等能力不断提升,在数据挖掘领域,基于大数据的时空信息数据的分析和处理正是当前研究的热门问题。步入"互联网+"时代后,从巨大体量的时空大数据中挖掘出潜藏的有价值的信息具有重大意义。加之时空数据处理更为复杂,日趋繁重的时空数据处理任务急需寻找有效时空数据挖掘方法。据此,从数据挖掘中的时空数据挖掘模式的分析和展示角度出发,探讨时空数据挖掘的几种模式,包括时空频繁模式、时空关联模式、时空共现模式、时空分类、时空聚类、时空异常模式检测等,分析这些时空数据挖掘模式目前发展状况,对存在的问题及可能的解决办法进行探讨。     

基于MapReduce的时空数据模型设计方法

针对时空数据存储与查询问题,传统方法存在硬件成本高,存储效率低等缺点。通过对MapReduce模型和Hadoop框架等云计算核心技术的分析和研究,提出了一种基于Hadoop的时空数据存储模型,并在此模型的基础上,设计了基于MapReduce的时空数据查询并行化框架。该框架通过对时空数据的并行操作,使其适用于海量时空数据的存储与管理。     

面向BDS时空数据的多粒度时空模型构建研究

针对北斗卫星导航系统（BDS）时空数据组织管理过程中数据存储与分析困难的问题,本文面向BDS时空数据,通过分析其数据特征,引入时空粒化思想,从空间粒度、时间粒度、时空粒度三个粒度对BDS时空对象进行多粒度表达．参考面向对象和基态修正模型的方法,建立BDS多粒度时空数据模型的概念模型,提出一种BDS时空对象多粒度表达方法,并实例证明该方法可以实现BDS时空数据的组织与存储．      

时空信息云平台下数据管理及可视化方法

针对智慧城市时空信息云平台中海量时空数据的管理和可视化问题,该文提出了一种时空索引建立及时空数据可视化方法。时空索引机制将时间、空间与专题属性作为同等重要的维度,兼顾了三者的查询效率,实现对时空数据的快速有效提取。时空数据可视化表达方法提出了时间轴动画、多时态对比、对象状态回溯等可视化方式,实现时空数据的动态交互式表达。该方法在"智慧常州时空信息云平台"项目中进行了实现,证明这种时空数据组织管理方法可较高效地实现数据的检索调度,且具有较强的可操作性;基于此的时空数据可视化方法亦具备较佳的时空对象动态表达效果。     

基于位置点统计的时空异常检测与分析

探讨了位置数据异常分析的一种新思路,给出了面向异常的时空表达模型,建立了基于区域位置点统计的异常检测和分析框架,探寻异常在事件影响下的时空发展趋势和分布特征。通过纽约两个月的出租车出行数据的实验分析验证了框架的有效性,并发现一些有趣的规律,为公共安全、交通管控应急、城市功能区分析等提供指导信息。     

分布式增量机制下的交通流大数据聚类分析

时空聚类分析是对时空大数据进行利用的一种有效手段。本文提出了一种分布式增量大数据聚类分析方法,利用分布增量机制不但可以减少重复计算和迁移拷贝次数,而且可以持续对聚类结果进行修正,能够在保持聚类准确性的条件下提升整体运算效率。而聚类算法本身通过数据聚集趋势预分析、聚类算法和结果评价3个步骤,构建了一体化时空邻域,在时间和空间维度保证了聚类结果的准确性。经过试验证明该方法可以实现时空大数据的快速高效信息挖掘。     

采用聚类技术探测空间异常

提出了一种基于聚类的空间异常探测方法。该方法通过空间聚类获得局部相关性较强的实体集合,分别探测空间异常,给出了一种稳健的空间异常度量指标,提高了异常探测结果的可靠性。通过实例验证以及与SOM方法的比较分析,证明了该方法的正确性和优越性。     

A Multiscale Approach for Spatio-Temporal Outlier Detection

A spatial outlier is a spatially referenced object whose thematic attribute values are significantly different from those of other spatially referenced objects in its spatial neighborhood. It represents an object that is significantly different from its neighbourhoods even though it may not be significantly different from the entire population. Here we extend this concept to the spatio‐temporal domain and define a spatial‐temporal outlier (ST‐outlier) to be a spatial‐temporal object whose thematic attribute values are significantly different from those of other spatially and temporally referenced objects in its spatial or/and temporal neighbourhoods. Identification of ST‐outliers can lead to the discovery of unexpected, interesting, and implicit knowledge, such as local instability or deformation. Many methods have been recently proposed to detect spatial outliers, but how to detect the temporal outliers or spatial‐temporal outliers has been seldom discussed. In this paper we propose a multiscale approach to detect ST‐outliers by evaluating the change between consecutive spatial and temporal scales. A four‐step procedure consisting of classification, aggregation, comparison and verification is put forward to address the semantic and dynamic properties of geographic phenomena for ST‐outlier detection. The effectiveness of the approach is illustrated by a practical coastal geomorphic study.     

基于等效残差积探测粗差的方差-协方差分量估计

已有方差-协方差分量估计(VCE)的粗差探测是对残差检验,而VCE的本质是利用残差的二阶量来估计它的二阶中心矩,因此更合理的方法应该对残差二阶量检验.由最小二乘残差估值导出了一组服从标准正态分布的等效残差;然后从等效残差的VCE基本方程出发,分别采用χ2统计量和正态积Np统计量检验等效残差的平方及其乘积.结果表明,采用...     

一种基于场论的空间异常探测方法

从空间数据场的角度,借鉴高斯势函数发展了一种新的空间异常度度量指标。进而,提出了一种基于场论的空间异常探测方法。该方法通过空间聚类获得局部相关性较强的空间簇,并构建合理、稳定的空间邻近域。在此基础上,采用专题属性变化梯度修复策略减弱空间邻近域中潜在异常的影响,并利用空间异常度度量指标计算实体的异常度,从而探测空间异常。实验结果及实例证明了此方法的正确性。     

一种顾及邻近域内实体间距离的空间异常检测新方法

空间异常检测已成为空间数据挖掘和知识发现的一个重要研究内容.空间异常蕴含着许多意想不到的知识,现有的空间异常检测方法大多依据空间邻近域的非空间属性差异来计算偏离因子,忽略了邻近域内空间实体间距离的影响.本文首先讨论了空间邻近域内实体间距离对空间异常检测的影响,在此基础上,提出了一种顾及邻近域内实体间距离的空间异常度量方法--SOM法,并分析了它的复杂度.由于该方法是利用实体非空间属性的加权内插值与实测值的差值作为度量空间异常程度的参数,从而顾及了邻近域内所有实体相互间距离对非空间属性偏离的影响,并且克服了现有检测方法在不均匀分布空间实体集内寻找空间异常的缺陷.最后,通过一个实际算例验证了所提方法的可行性和正确性.     

时空大数据分布式增量IMSTDCA聚类方法研究

时空聚类分析是对时空大数据进行利用的一种有效手段,目前传统聚类算法存在着大规模分布数据难以处理,海量数据处理时间较长,确定参数困难,聚类质量较差等缺陷。因此,提出一种分布式增量聚类流程DICP,利用广域网分布增量聚类方法,避免大量数据的传输拷贝,有效提升聚类运算效率。对于DICP流程中的时空数据聚类算法本身,研究了一种大数据环境下的IMSTDCA时空数据聚类算法,借助密度聚类的思想,通过时空数据的聚集趋势预分析、时空数据聚类算法,以及时空数据聚类结果评价3个步骤完成聚类分析,实现时空大数据的快速高效信息挖掘。     

多尺度点云噪声检测的密度分析法

当前机载激光雷达数据和影像匹配得到的点云是密集点云数据的两类主要来源,但都不可避免存在着噪声点。本文提出一种新的点云去噪算法,可适用于这两类数据中所包含的噪声点的去除。算法主要包括两步:第1步利用多尺度的密度算法去除孤立噪声和小的簇状噪声;第2步利用三角网约束将第1步中误检测为噪声的点重新归为正常点。针对真实数据进行了剔噪试验,结果表明本文提出的基于密度分析的多尺度噪声检测算法对孤立噪声和簇状噪声都有较为效,且对于质量较差的影像匹配点云的检测也能有效处理。本文算法检测率达到97%以上。