曾　新，李晓伟，杨　健

(大理大学 数学与计算机学院，云南 大理 671003)(*通信作者电子邮箱hbzengxin@163.com)

0　引言

随着信息技术的快速发展，空间数据集呈现爆炸式的增长。面对具有海量性、高维性等特点的空间数据集，如何从空间数据库当中挖掘出潜在的、人们感兴趣的知识或其他没有显示在存储空间数据库中的模式，从而指导科学决策，显得尤为重要，目前空间数据挖掘已经成为热点研究内容之一。

空间co-location模式是空间特征的一个子集，它们的实例在空间中频繁关联。空间co-location模式广泛存在于现实生活当中，如西尼罗河病毒通常发生在蚊子泛滥、饲养家禽的区域；植物学家们发现“半湿润常绿阔叶林”生长的地方80%会有“兰类”植物生长[1]。

目前大多数空间co-location模式挖掘的一般流程为：

1)根据用户设定的邻近距离阈值计算出不同对象实例间的邻近关系集；

2)通过连接k阶频繁模式，生成(k+1)阶模式候选集；

3)依据邻近关系集生成候选模式的表实例；

4)从模式的表实例中获取模式的参与度，如果模式参与度大于或等于用户设定的阈值，则模式为频繁模式，否则为非频繁模式。

从空间co-location模式挖掘的一般流程中可以看出：大多数co-location模式挖掘仅仅利用距离阈值确定实例间的邻近关系，进而依据参与度阈值确定co-location模式，并未考虑不同对象的邻近实例相互作用和模式的增益率问题，使得用户感兴趣的部分高增益率模式并没有被捕捉到，造成决策失误。例如：A、B两种蔬菜，如果按照传统的……