空间亚频繁co-location模式的主导特征挖掘

doi:10.11772/j.issn.1001-9081.2019081900

《计算机应用》唯一官方网站 ›› 2020, Vol. 40 ›› Issue (2): 465-472.DOI: 10.11772/j.issn.1001-9081.2019081900

• 第36届CCF中国数据库学术会议(NDBC 2019) • 上一篇下一篇

空间亚频繁co-location模式的主导特征挖掘

马董, 陈红梅(), 王丽珍, 肖清

云南大学信息学院，昆明 650504

收稿日期:2019-08-12 修回日期:2019-11-06 接受日期:2019-11-08 发布日期:2019-11-18 出版日期:2020-02-10
通讯作者: 陈红梅
作者简介:马董（1992—），男，云南曲靖人，硕士研究生，主要研究方向：空间数据挖掘
王丽珍（1962-），女，山东博兴人，教授，博士，CCF高级会员，主要研究方向：数据库、空间数据挖掘
肖清（1975-），女，江西吉水人，讲师，硕士，CCF会员，主要研究方向：空间数据挖掘。
基金资助:
国家自然科学基金资助项目(61662086);云南省创新团队项目(2018HC019);云南大学“东陆中青年骨干教师”培养计划项目(WX069051)

Dominant feature mining of spatial sub-prevalent co-location patterns

Dong MA, Hongmei CHEN(), Lizhen WANG, Qing XIAO

School of Information Science and Engineering，Yunnan University，Kunming Yunnan 650504，China

Received:2019-08-12 Revised:2019-11-06 Accepted:2019-11-08 Online:2019-11-18 Published:2020-02-10
Contact: Hongmei CHEN
About author:MA Dong， born in 1992， M. S. candidate. His research interests include spatial data mining.
WANG Lizhen， born in 1962， Ph. D.， professor. Her research interests include databaase， spatial data mining.
XIAO Qing， born in 1975， M. S.， lecturer. Her research interests include spatial data mining.
Supported by:
the National Natural Science Foundation of China(61662086);the Project of Innovative Research Team of Yunnan Province(2018HC019);the Program for Donglu Young and Middle-aged Skeleton Teachers of Yunnan University(WX069051)

摘要/Abstract

摘要：

空间co-location模式是一组空间特征的子集，它们的实例在邻域内频繁并置出现。通常，空间co-location模式挖掘方法假设空间实例相互独立，并采用空间实例参与到模式实例的频繁性（参与率）来度量空间特征在模式中的重要性，采用空间特征的最小参与率（参与度）来度量模式的有趣程度，忽略了空间特征间的某些重要关系。因此为了揭示空间特征间的主导关系而提出主导特征co-location模式。现有主导特征模式挖掘方法是基于传统频繁模式及其团实例模型进行挖掘，然而，团实例模型可能会忽略非团的空间特征间的主导关系。因此，基于星型实例模型，研究空间亚频繁co-location模式的主导特征挖掘，以更好地揭示空间特征间的主导关系，挖掘更有价值的主导特征模式。首先，定义了两个度量特征主导性的指标；其次，设计了有效的主导特征co-location模式挖掘算法；最后，在合成数据集和真实数据集上通过大量实验验证了所提算法的有效性以及主导特征模式的实用性。

关键词: 空间数据挖掘, 空间co-location模式, 亚频繁co-location模式, 主导特征, 主导特征co-location模式

Abstract:

The spatial co-location pattern is a subset of spatial features whose instances frequently appear together in the neighborhoods. Co-location pattern mining methods usually assume that spatial instances are independent to each other， adopt a participation rate， which is the frequency of spatial instances participating in pattern instances， to measure the importance of spatial features in the co-location pattern， and adopt a participation index， which is the minimal participation rate of spatial features， to measure the interest of patterns. These methods neglect some important relationships between spatial features. Therefore， the co-location pattern with dominant feature was proposed to reveal the dominant relationship between spatial features. The existing method for mining co-location pattern with dominant feature is based on the traditional co-location pattern mining and its clique instance model. However， the clique instance model may neglect the non-clique dominant relationship between spatial features. Motivated by the above， the dominant feature mining of spatial sub-prevalent co-location patterns was studied based on the star instance model to better reveal the dominant relationship between spatial features and mine more valuable co-location patterns with dominant feature. Firstly， two metrics to measure feature’s dominance were defined. Secondly， an effective algorithm for mining co-location pattern with dominant feature was designed. Finally， the experimental results on both synthetic and real datasets show that the proposed mining algorithm is efficient and the co-location pattern with dominant feature is pratical.

Key words: spatial data mining, spatial co-location pattern, sub-prevalent co-location pattern, dominant feature, co-location pattern with dominant feature

中图分类号:

TP391

马董, 陈红梅, 王丽珍, 肖清. 空间亚频繁co-location模式的主导特征挖掘[J]. 计算机应用, 2020, 40(2): 465-472.

Dong MA, Hongmei CHEN, Lizhen WANG, Qing XIAO. Dominant feature mining of spatial sub-prevalent co-location patterns[J]. Journal of Computer Applications, 2020, 40(2): 465-472.

图/表 15

参考文献 24

1	AKBARI M， SAMADZADEGAN F， WEIBEL R. A generic regional spatio-temporal co-occurrence pattern mining model： a case study for air pollution［J］. Journal of Geographical Systems， 2015， 17（3）： 249-274. 10.1007/s10109-015-0216-4
2	YU W， AI T， HE Y， et al. Spatial co-location pattern mining of facility points-of-interest improved by network neighborhood and distance decay effects［J］. International Journal of Geographical Information Science， 2017， 31（2）： 280-296. 10.1080/13658816.2016.1194423
3	AN S， YANG H， WANG J， et al. Mining urban recurrent congestion evolution patterns from GPS equipped vehicle mobility data［J］. Information Sciences， 2016， 373： 515-526. 10.1016/j.ins.2016.06.033
4	王丽珍，陈红梅. 空间模式挖掘理论与方法［M］. 北京：科学出版社， 2014：2-4. （WANG L Z， CHEN H M， Spatial Pattern Mining Theory and Methods［M］. Beijing： Science Press， 2014：2-4.）
5	FANG Y， WANG L， WANG X， et al. Mining co-location patterns with dominant features［C］// Proceedings of the 2017 International Conference on Web Information Systems Engineering， LNCS10569. Cham： Springer， 2017： 183-198.
6	WANG L， BAO X， ZHOU L， et al. Maximal sub-prevalent co-location patterns and efficient mining algorithms［C］// Proceedings of the 2017 International Conference on Web Information Systems Engineering， LNCS10569. Cham： Springer， 2017： 199-214.
7	WANG L， BAO X， ZHOU L， et al. Mining maximal sub-prevalent co-location patterns［J］. World Wide Web， 2019， 22（5）： 1971-1997. 10.1007/s11280-018-0646-2
8	HUANG Y， SHEKHAR S， XIONG H. Discovering colocation patterns from spatial data sets： a general approach［J］. IEEE Transactions on Knowledge and Data Engineering， 2004，16（12）： 1472-1485. 10.1109/tkde.2004.90
9	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. New York： ACM， 2004： 241-249. 10.1145/1032222.1032258
10	YOO J S， SHEKHAR S， CELIK M. A join-less approach for co-location pattern mining： a summary of results［C］// Proceedings of the 5th IEEE International Conference on Data Mining. Piscataway： IEEE， 2005： 813-816. 10.1109/icdm.2005.8
11	WANG L， BAO Y， LU J， et al. A new join-less approach for co-location pattern mining［C］// Proceedings of the 8th IEEE International Conference on Computer and Information Technology. Piscataway： IEEE， 2008： 197-202. 10.1109/cit.2008.4594673
12	WANG L， BAO Y， LU Z. Efficient discovery of spatial co-location patterns using the iCPI-tree［J］. The Open Information Systems Journal， 2009， 3 ：69-80. 10.2174/1874133900903020069
13	WANG L， ZHOU L， LU J， et al. An order-clique-based approach for mining maximal co-locations［J］. Information Sciences， 2009， 179（19）： 3370-3382. 10.1016/j.ins.2009.05.023
14	WANG L， CHEN H， ZHAO L， et al. Efficiently mining co-location rules on interval data［C］// Proceedings of the 2010 International Conference on Advanced Data Mining and Applications， LNCS6440. Berlin： Springer， 2010： 477-488.
15	陆叶，王丽珍，张晓峰. 从不确定数据集中挖掘频繁co-location模式［J］. 计算机科学与探索， 2009， 3（6）： 656-664. 10.3778/j.issn.1673-9418.2009.06.011
	LU Y， WANG L Z， ZHANG X F. Mining frequent co-location patterns from uncertain data［J］. Journal of Frontiers of Computer Science and Technology， 2009， 3（6）： 656-664. 10.3778/j.issn.1673-9418.2009.06.011
16	WANG L， WU P， CHEN H. Finding probabilistic prevalent colocations in spatially uncertain data sets［J］. IEEE Transactions on Knowledge and Data Engineering， 2013， 25（4）： 790-804. 10.1109/tkde.2011.256
17	HUANG Y， PEI J， XIONG H. Mining co-location patterns with rare events from spatial data sets［J］. GeoInformatica， 2006， 10（3）： 239-260. 10.1007/s10707-006-9827-8
18	冯岭，王丽珍，高世健. 一种带稀有特征的空间co-location模式挖掘新方法［J］. 南京大学学报（自然科学版）， 2012， 48（1）：99-107.
	FENG L， WANG L Z， GAO S J. A new approach of mining co-location patterns in spatial datasets with rare features［J］. Journal of Nanjing University （Natural Sciences）， 2012， 48（1）： 99-107.
19	欧阳志平，王丽珍，陈红梅. 模糊对象的空间co-location模式挖掘研究［J］. 计算机学报， 2011， 34（10）：1947-1955. 10.3724/SP.J.1016.2011.01947
	OUYANG Z P， WANG L Z， CHEN H M. Mining spatial co-location patterns for fuzzy objects［J］. Chinese Journal of Computers， 2011， 34（10）： 1947-1955. 10.3724/SP.J.1016.2011.01947
20	FANG Y， WANG L， HU T. Spatial co-location pattern mining based on density peaks clustering and fuzzy theory［C］// Proceedings of the 2018 Asia-Pacific Web （APWeb） and Web-Age Information Management （WAIM） Joint International Conference on Web and Big Data， LNCS10988. Cham： Springer， 2018： 298-305.
21	雷乐，王丽珍，肖清. 空间co-location模式挖掘中的模糊技术初探［J］. 计算机工程与应用， 2019， 55（21）： 158-166. 10.1109/icbk.2019.00025
	LEI L， WANG L Z， XIAO Q. Study on fuzzy mining technology in spatial co-location pattern mining［J］. Computer Engineering and Applications ， 2019， 55（21）： 158-166. 10.1109/icbk.2019.00025
22	WANG X， WANG L， LU J， et al. Effectively updating high utility co-location from spatial database［C］// Proceedings of the 17th Web-Age Information Management， LNCS9658. Cham： Springer， 2016： 67-81.
23	FLOUVAT F， VAN SOC J F N， DESMIER E， et al. Domain-driven co-location mining［J］. GeoInformatica， 2015， 19（1）： 147-183. 10.1007/s10707-014-0209-3
24	ZENG X， YANG J， LI Z， et al. A method of mining spatial high utility co-location patterns based on feature actual participation weight［J］. Journal of Physics： Conference Series， 2019， 1168（3）： No. 032064. 10.1088/1742-6596/1168/3/032064

特征	星型参与实例	星型行实例
D	D.2	｛D.2^#，F.5，H.1｝
	D.3	｛D.3^#，F.6，H.1｝
	D.4	｛D.4^#，F.1，H.2｝
F	F.1	｛D.4，F.1^#，H.2｝
	F.5	｛D.2，F.5^#，H.1｝
	F.6	｛D.3，F.6^#，H.1｝
H	H.1	｛D.2，F.5，H.1^#｝｛D.2，F.6，H.1^#｝｛D.3，F.5，H.1^#｝｛D.3，F.6，H.1^#｝
	H.2	｛D.1，F.1，H.2^#｝｛D.4，F.1，H.2^#｝
	H.3	｛D.6，F.2，H.3^#｝｛D.6，F.3，H.3^#｝｛D.7，F.2，H.3^#｝｛D.7，F.3，H.3^#｝
	H.4	｛D.5，F.4，H.4^#｝

特征	星型参与实例	星型行实例
D	D.2	｛D.2^#，F.5，H.1｝
	D.3	｛D.3^#，F.6，H.1｝
	D.4	｛D.4^#，F.1，H.2｝
F	F.1	｛D.4，F.1^#，H.2｝
	F.5	｛D.2，F.5^#，H.1｝
	F.6	｛D.3，F.6^#，H.1｝
H	H.1	｛D.2，F.5，H.1^#｝｛D.2，F.6，H.1^#｝｛D.3，F.5，H.1^#｝｛D.3，F.6，H.1^#｝
	H.2	｛D.1，F.1，H.2^#｝｛D.4，F.1，H.2^#｝
	H.3	｛D.6，F.2，H.3^#｝｛D.6，F.3，H.3^#｝｛D.7，F.2，H.3^#｝｛D.7，F.3，H.3^#｝
	H.4	｛D.5，F.4，H.4^#｝

特征	贡献度（FCR）	影响度（FIR）	影响比指数（FIQI）
D	0.18	0.43	0.00
F	0.18	0.50	0.14
H	0.65	1.75	0.75

特征	贡献度（FCR）	影响度（FIR）	影响比指数（FIQI）
D	0.18	0.43	0.00
F	0.18	0.50	0.14
H	0.65	1.75	0.75

数据集	特征数	实例数	范围（D×D）
Plantdata	31	356	8 000×13 000
Beijing-POI	16	23 025	22 000×14 000
Synthetic data 1	10	10 000	500×500
Synthetic data 2	10	10 000	1 000×1 000
Synthetic data 3	25	50 000	1 000×1 000

空间亚频繁co-location模式的主导特征挖掘

Dominant feature mining of spatial sub-prevalent co-location patterns

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 24

相关文章 5

编辑推荐

Metrics

数据集	距离阈值（d）	星型参与度阈值（min_sprev）	贡献度阈值（min_ fcr）	影响比指数阈值（min_ fiqi）
Plantdata	5 000	0.3	0.3	0.3
Beijing-POI	50	0.3	0.3	0.3
Synthetic data 1	20	0.3	0.3	0.3
Synthetic data 2	20	0.3	0.3	0.3
Synthetic data 3	20	0.3	0.3	0.3

[1]	袁书寒陈维斌傅顺开. 位置服务社交网络用户行为相似性分析[J]. 计算机应用, 2012, 32(02): 322-325.
[2]	王生生;刘大有;曹斌;刘杰. 一种高维空间数据的子空间聚类算法[J]. 计算机应用, 2005, 25(11): 2615-2617.
[3]	张永梅，韩焱，张建华. 一种有效聚类算法的研究和实现[J]. 计算机应用, 2005, 25(07): 1573-1576.
[4]	孙志伟，赵政. DBSCAN在非空间属性处理上的扩展[J]. 计算机应用, 2005, 25(06): 1379-1381.
[5]	涂建东，陈崇成，黄洪宇，张群洪. 基于J2EE的空间数据挖掘系统设计与实现[J]. 计算机应用, 2005, 25(03): 710-712.