张 亚 楠，龙 华，邵 玉 斌，杜 庆 治，陈 腾 飞

(昆明理工大学信息工程与自动化学院，云南 昆明 650500)

0 引言

随着大数据时代的到来，通过时空数据异常探测可发现诸多重要信息。例如：识别路况中的时空异常数据，有助于检测造成交通拥堵的交通事件[1]；搜寻疾病[2]、犯罪[3]、火灾[4]、极端高温[5]等发生的热点地区，有助于分析事件发生的规律并对未来事件提出预警。为利用时空异常数据中蕴含的重要信息并挖掘其中的价值，越来越多的学者开始探索时空异常数据的探测方法[6-8]。

异常探测可分为事物异常探测、空间异常探测、时空点事件异常探测、时空序列异常探测、时空轨迹异常探测5类。其中，时空点事件包括离群事件和热点事件：前者指存在于时空域内的孤立事件点以及少量事件的聚集；后者指显著程度较大的局部聚集[9]。Kulldorff于1997年首次提出扫描统计方法[10]并对时空热点事件进行异常探测，2001年在仅考虑空间属性的扫描模型中加入时间属性，提出时空扫描统计方法[11]，2005年进一步提出无需人口数据，仅根据区域病例数即可进行时空扫描分析的时空重排扫描统计方法[12]。该方法使用圆柱体扫描窗口对研究区域进行尺寸限定，但圆柱体扫描窗口对于不规则大型实际数据集的探测存在局限性[13]。因此，相关学者对圆柱体扫描窗口的关键参数之一——扫描形状进行了优化。例如：Duczmal等提出非圆形簇方法[14]，以提升检测非常不规则形状簇的能力；Takahashi等通过将相邻子区域组合，生成形状不规则的窗口进行扫描，提出一种灵活时空扫描统计方法[15]，并在算法中加入集群尺寸(一般为整个研究区域面积的10%～15%)控制，可进行较小尺寸异常点的检测；……