王慧东，宋耀莲，田榆杰

(昆明理工大学 信息工程与自动化学院，昆明 650500)

0 引 言

时空聚类分析是时空数据挖掘领域的重要分支，是计算机科学与地球信息科学交叉领域中最前沿、最具挑战的研究课题之一[1]。其目的在于从时空数据库中提取具有相似特征的密集时空对象集合，它是从空间维度到时空维度的扩展。时空数据的可视化分析[2-4]同样是近年数据可视化研究领域的热点前沿，以可视环境下交互式挖掘分析实现问题可以更高效地表达数据包含的信息。

时空聚类在疾病异常趋势[5]、全球气候变化[6]、犯罪热点分析[7]、地理现象分析[8]等领域的研究中起到了重要作用，辅助用户更好地发现和分析事务发展变化的趋势和规律。赵其杰等[9]针对小样本及混叠类群提出一种密度-距离的新式聚类优化方法；李晓璐等[10]针对具有密度分布非均匀特征的数据集，提出基于高斯混合模型的DBSCAN聚类算法分析车站内乘客的聚集特征；XIE等[11]针对DBSCAN算法聚类精度的问题，提出了一种设定参数的新方法来提高聚类的准确率；BIRANT等[12]基于DBSCAN算法之上考虑了时间因素，并提出ST-DBSCAN时空聚类算法，但其人为参数设置过多，导致聚类结果随机性增大；JOSHI[13]等基于密度聚类思想，通过拓扑邻接关系定义时空邻域，进而定义时空核点进行扩展聚类，该方法主要针对时空数据进行聚类；PEI[14]等在密度分解思想上提出了WKN时空聚类算法，该算法减少了参数的设置量，但是该算法仅适用于三维时空数据，无法考虑非时空的属性因素。……