空间Co—location模式挖掘经典算法的实现与比较
2016-05-01周庆芳
周庆芳
摘 要:空间Co-location模式挖掘是空间数据挖掘的一个重要领域,其目标是发现空间中在一起频繁出现的空间特征。Joinless算法沿用了Joinbase的度量标准,定义了星型邻近关系,并利用它的性质,将Joinbase算法中的连接操作替换成了更快速的查找操作。本文基于Java HashMap实现了上述两种算法,并通过实验考察了参数设置对挖掘算法效率的影响、Joinbase算法和Joinless算法的剪枝策略的效率,同时,从时间、空间两方面比较了这两种算法的异同,以期为学生学习、老师教学以及实际应用研究提供参考。
关键词:空间数据挖掘;Co-location模式;Joinbase算法;Joinless算法
中图分类号:TP3-0 文献标识码:B 收稿日期:2015-12-09
一、引言
现实世界中的物体都占据一定的物理空间,并且与周围的其他物体存在诸多联系。本文首先介绍了Joinbase算法和Joinless算法,并详细阐述了其中的剪枝策略以及一些可能的优化方法;其次,分析了使用Java编程语言实现的两种算法,并进行了相关实验,考察了参数设置对算法的影响,探究了剪枝策略的效率以及比较两种算法。
二、空间Co-location模式挖掘
空间特征(spatial feature)是一系列特征的集合,它们用来表示空间中事物的不同属性,记为F= {f1,f2,…,fn}。它们的实例(instance)就是指空间中体现这些特征(可以是一种或多种)的具体事物,记为I={i1,i2,…,in},其中每个实例in∈I都可以表示为“实例ID、所属特征、空间位置”。以植被数据为例,某种植被可以看作是空间特征,而这种植被的某一个个体则称之为实例。
Co-location规则的条件概率表示由模式c1推出模式c2的可信度,计算方法为:
三、算法实现……p>
