导读:本文包含了空间关联规则挖掘论文开题报告文献综述及选题提纲参考文献，主要关键词:出租车轨迹数据,空间关联规则,数据挖掘,OpenStreetMap
空间关联规则挖掘论文文献综述
姜晶莉,郭黎[1]（2019）在《基于出租车轨迹数据的空间关联规则挖掘》一文中研究指出出租车作为城市公共交通的重要组成部分,对于人们的日常活动有着重要的作用。而出租车的运营产生了大量的轨迹数据,通过对轨迹数据的挖掘可以反映城市居民的人口流动状况及出租车的运营规律。空间关联规则挖掘作为数据挖掘的重要组成部分,通过对轨迹数据进行关联规则的挖掘可以得到其隐含的规律信息,从而改进出租车运营模式。而OpenStreetMap是众源地理数据中极具代表性的项目,其数据量丰富、现势性强、成本低廉,被广泛关注。以深圳市出租车轨迹数据及OpenStreetMap矢量地图数据为基本数据,基于出租车上(下)车点进行关联规则挖掘,进而得到深圳人口流动特征,从而为人口活动分析及基于位置的服务提供参考。(本文来源于《测绘与空间地理信息》期刊2019年07期）
董志[2]（2016）在《地理背景知识约束的空间关联规则挖掘方法研究—C-MOSAprioriO》一文中研究指出空间数据挖掘和知识发现是从空间数据集中提取暗含的有意义的空间信息的过程,而空间关联规则(Spatial association Rule)则是空间数据挖掘和知识发现的一个重要组成部分。空间关联规则发现过程包含了很多空间数据的分析和运算。以往的空间关联规则算法更注重空间数据的定量分析和运算,而忽视了空间的定性分析和先验性的知识推理。实际上,数据挖掘工作是一种基于知识的过程,单纯的空间数据定量分析并不适合知识模型。为了能够更好地发现空间关联规则,挖掘到的空间关联规则结果集更加合理,本文提出了用本体描述地理空间背景知识约束集,用背景知识指导空间关联规则的挖掘方法。随着空间挖掘技术的发展和大量空间数据集的积累,空间关联规则的挖掘技术越来越受关注。给定一组空间数据集,空间关联规则挖掘可以寻找在地理空间中的地理实体之间存在有某种比较高频繁空间关系。例如,某种植物和某种珍稀的动物共同存在一个地理环境中。空间关联规则不同于其他普通的挖掘方法,空间的关联规则依赖于空间中实体特有的空间属性和空间关系。因此,空间关联规则挖掘的有效性很大程度上依赖于空间数据的空间属性和空间关系的处理。例如,空间物体具有拓扑、方位和距离等各种空间关系,其中形状为点、线、面(多边形)等。因此空间数据除了具备普通数据的基本属性之外,还具备各种空间属性和空间关系。而空间中的数据因为空间环境中复杂多变的特征,即相似又相异,也就是说空间环境约束着空间物体属性和它们之间的关系,但是这种制约是非线性的、异质的。对于特定的某片区域来说,有属于它自己的约束条件,这种约束条件是与其他区域条件是区别的,有其区域特殊性。正因为这种真实空间事物的复杂性,造就了空间数据的复杂性,进而造就了对空间数据进行空间关联规则发现的困难。空间关联规则的算法现在已经提出过很多,但是得到的结果不是很如人意,其中的原因之一是忽视了空间数据集所处的空间背景知识,很少有空间约束或者输入数据所在的区域背景知识约束和指导监督空间关联规则的挖掘过程。具体说来,目前空间关联规则挖掘的主要问题在于：空间数据复杂,对挖掘过程中的数据区域背景知识关注不够,对挖掘过程中各种产生空间谓词的空间分析算法关注不够,造成在某些场景中空间关联规则发现的缺失和错误。针对以上问题,本文重点研究了以N3本体表达空间关联规则过程中空间数据和涉及的相关空间算法,在这种本体表达的基础上建立各种规则集,通过规则集对空间数据和空间算法的推理,获得到空间挖掘约束条件集,对空间关联规则挖掘过程进行指导,以达到改进空间关联规则结果集质量的目的。具体研究内容如下：(1)在详细介绍地理空间关联规则基本原理的基础上,引出了空间化的关联规则算法问题。在Apriori的基础上,对其进行空间化的处理,创建了MSOApriori算法：首先根据空间数据特征,以点、线、面(多边形)等空间数据作为处理基础对象,对这叁种数据做出了统一的面(多边形)处理,得到待分析数据的面(多边形)集合；然后对面(多边形)集进行求交,将迭置分析能够求得交面的面(多边形)之间设置为纵向关系空间谓词,将迭置分析得不到交面的面(多边形)进一步空间运算得到空间横向关系空间谓词；根据面积计算空间支持度和置信度方法,依据设置的最小空间支持度和置信度阈值,滤除弱空间关联规则；最后分析了MSOApriori算法的缺点,以实际案例为据说明了无空间背景知识约束算法的种种问题,指出在缺少约束条件下发现的空间关联规则集可能不合理。(2)基于本体的基本理论和当前的本体技术,以知识的表达为切入点,针对空间关联规则发现算法MSOApriori中的问题,围绕着MSOApriori中的空间数据和空间算法,设计了本体应用框架MOSAprioriO。MOSAprioriO本体应用框架包括两类概念层级树-空间数据本体SpatialThingFeature和空间算法本体MOSAprioriAlgorithm,两类本体对象关系DataRelation和AlgorithmRelation;对SpatialThingFeature和MOSAprioriAlgorithm属性和实例进行了深入剖析。MOSAprioriO主要的设计思路就是如何表达空间关联规则中的约束关系。(3)在MOSAprioriO本体应用框架的基础上,介绍了MOSAprioriO约束的空间关联规则提取算法C-MOSAprioriO(Constraints Multi-type Object Spatial Apriori by Ontology),给出了MOSApriori Ontology的推理流程、方法和实例。本文根据MOSAprioriO建立了适合空间关联规则使用的约束规则,以MOSAprioriO与约束规则集组成地理信息背景知识库用以指导空间关联规则的提取和发现,提出了一个新的方法--基于MOSAprioriO知识库的约束下的C-MOSAprioriO;本文详细阐述了C-MOSAprioriO方法的工作原理,并就方法实现中的针对点数据的聚类分析进行了详细的约束案例分析。(4)以C-MOSAprioriO为基础开发了C-MOSAprioriO Demo原型,并对C-MOSAprioriO Demo原型进行了数据测试与结果评价；为了进行实验和评价,收集了数据和选定了评价指标；在进行了实验测试后,将C-MOSAprioriO与MOSApriori两种算法的运算效果进行了比较和分析,发现因为没有地理背景知识的支持,MOSApriori的运算后提取的空间关联规则集比C-MOSAprioriO的数量少；通过进一步的空间兴趣度计算和比较,也证实MOSApriori的关联规则兴趣度远低于C-MOSAprioriO。(本文来源于《武汉大学》期刊2016-10-01）
许栋浩,李宏伟,张铁映,樊超,朱燕[3]（2016）在《一种顾及模糊属性的空间关联规则挖掘方法》一文中研究指出针对传统空间关联规则挖掘对数据硬化分导致的"尖锐边界"问题,提出了一种顾及模糊属性的空间关联规则挖掘方法。该方法引入模糊集理论,将模糊空间属性通过隶属函数转化为隶属度表示的模糊数值,从而将其划分为模糊集合。然后使用改进的模糊关联规则挖掘算法扫描数据库,根据相应的支持度得到频繁项集,最终提取出关联规则。实验结果表明,该方法能够对带有模糊属性的空间数据进行关联规则挖掘,且在一定程度上提高了挖掘结果的兴趣度。(本文来源于《测绘科学技术学报》期刊2016年03期）
许静[4]（2016）在《多级空间关联规则挖掘及性能评价方法》一文中研究指出数据挖掘就是在现有的技术条件下,从大量的、不完全的、含有随机性的数据集中,挖掘其中隐含的并且具有重要价值的知识过程。但是随着现代社会的知识的飞速产生及发展,数据挖掘技术变得越来越重要。本文在Apriori算法的基础上,结合堆排序和链表的优点,设计了一种改进的Apriori算法,并将其应用到多级空间关联规则的挖掘中,并对评价方法进行了相应的研究。关联规则是数据挖掘中最常使用的方法,只有发现关联规则才能够挖掘数据集中存在的数据关系。本文设计了一种新的发现关联规则的方法。该方法结合了Apriori算法和堆排序的特点。通过对实验结果的分析,发现改进后的算法是有效的,并且得到的结果是频率最高的前n项,即重要关联规则。改进后的算法不仅优化了数据集的选择和生成候选集的运算,也优化了剪枝的过程。另外本文的算法在一定程度上可以利用已有的挖掘结果,将现有的结果和未来新产生的数据集相结合,能较好的发现重要规则并利用其价值推断相应的规律。最后将本文改进的算法应用到多级空间关联规则挖掘过程中,并对实验结果进行了分析。关联规则的评价方法主要是为了对关联规则算法进行多方面的评价,能够较全面比较算法的性能,本文主要从主观和客观两方面来进行研究。本文在主观上面主要考虑的是人们的预期结果与实际结果的对比,客观上面主要考虑的是准确度、空间效率、运行时间、对数据库的访问的比较。本文还简单介绍了多级空间挖掘过程中的数据特性,并与其它空间算法的实验结果进行了对比。实验证明在多级空间挖掘中,本文算法能够更好的提取空间数据中最顶层的空间信息。(本文来源于《北方工业大学》期刊2016-06-21）
杜泽欣,李宏伟,连世伟,周海,范瑞杰[5]（2016）在《基于模拟退火的量化空间关联规则挖掘》一文中研究指出目前在空间关联规则挖掘研究中,对数据的处理和算法的改进主要针对布尔关联规则挖掘,存在对空间关联规则的量化表示不够重视等问题。在FP-growth算法的基础上增加规则的事务信息,并使用模拟退火算法,对得到的规则进行进一步挖掘,得到量化空间关联规则。(本文来源于《地理空间信息》期刊2016年05期）
魏艳艳[6]（2016）在《空间关联规则挖掘技术的应用分析》一文中研究指出空间关联规则挖掘是数据挖掘中的重要组成部分,在实际应用过程中取得了巨大的成功,因此空间关联规则挖据技术的研究已经成为该领域的热门话题。基于此,本文首先分析了空间数据的特性和关系,然后对空间关联挖掘技术进行了简要的分析,最后结合实例对本文所以出的新型挖掘算法进行了分析,希望能够引起读者的思考。(本文来源于《自动化与仪器仪表》期刊2016年02期）
杜泽欣[7]（2015）在《量化空间关联规则挖掘应用研究》一文中研究指出空间关联规则挖掘是空间数据挖掘的重要内容,作为关联规则挖掘的一个分支,能为人们提供隐含在空间数据中对人们有价值的知识,发现空间实体之间的空间依存关系、相互作用关系、因果关系和共生关系等。传统的空间关联规则挖掘研究主要集中于布尔关联规则的挖掘,但对于规则中存在的量化关系则鲜有研究。本文在总结前人对空间关联规则挖掘研究的基础上,研究量化空间关联规则挖掘问题,通过对空间数据预处理,并对传统的关联规则算法进行改进,使得到的关联规则包含部分量化信息,最后使用模拟退火算法提取关联规则的量化信息,从而最终实现量化空间关联规则挖掘。本文主要内容包括：1.分析了空间关联规则挖掘和量化关联规则挖掘的研究进展,并指出当前研究中主要存在的问题。2.分析了空间关联规则挖掘的基本概念及主要算法、数据预处理方法和模拟退火算法,结合多层关联规则挖掘的思路,给出了量化空间关联规则挖掘的基本流程。3.在分析了空间关联规则挖掘在数据预处理中存在的问题后,论文使用空间聚类进行空间数据预处理,对将要进行空间关联规则挖掘的要素进行空间聚类,将得到的每个聚类簇看作一个离散空间,从而实现空间离散化。从而在空间数据预处理时尽可能多的保留隐含的空间信息。4.为实现量化空间关联规则挖掘,使空间关联规则挖掘过程中保留量化信息,论文对关联规则算法FP-Growth和其辅助数据结构FP-tree进行了改进。重新构造FP-tree数据结构,设计了包含事务信息的FPT-tree,并对FP-Growth算法进行了相应的改进,使提取的关联规则包含其对应的事务信息。5.研究了模拟退火算法的基本思路和过程,使用模拟退火算法对包含事务信息的关联规则进行量化关联规则挖掘,有效地提取了关联规则中各项之间的量化关系。并以某市地址点数据为例,进行量化空间关联规则挖掘,验证了论文中量化关联规则挖掘的有效性。(本文来源于《解放军信息工程大学》期刊2015-04-20）
向俊,王静[8]（2013）在《集成同位模式的空间关联规则挖掘方法》一文中研究指出在空间数据挖掘中,使用传统的频繁集挖掘方法会导致空间实体重复计数,而且未考虑到空间实体之间的关系以及空间实体与周围环境的相关性将产生大量不相关的空间信息。针对以上存在的不足,提出集成空间同位模式挖掘的空间关联规则挖掘模型及算法。引入"地理学第一定律"和"生物群落构建"思想,首先对空间实体特征分布进行优化划分及连续空间分布的离散化处理;然后消除冗余的空间信息,并使用空间同位算法挖掘不同空间实体特征的隐含关系,由实体的空间属性、非空间属性及空间关系来构建空间事务数据库;最后在空间事务数据库中进行空间关联规则挖掘。实验结果表明,该模型和算法是有效的,考虑到空间实体特征间的相关性,经过冗余信息消除方法和连续空间分布的离散化处理,在构建的空间事务数据库中能发现多种有意义的空间关联规则。(本文来源于《计算机应用与软件》期刊2013年12期）
李宏伟,陈虎,王振宇,张斌[9]（2013）在《基于概念格的空间关联规则挖掘优化》一文中研究指出关联规则挖掘会产生大量的项集和规则,其中只有少部分是用户感兴趣和有价值的,其他大部分是冗余的或已知的。在已有的空间关联规则挖掘研究中,用户对数据库中存在的强制约束缺少考虑。本文分析了空间数据库中的已知空间依赖,发现已有的Apriori算法和闭频繁项集挖掘难以消除该空间依赖,为此提出了基于概念格方法的已知空间依赖剔除策略,包括概念格中每个闭频繁节点的产生子获得方法和利用概念格产生子实现最优频繁地理模式挖掘的方法,最后通过实验验证了概念格产生子方法的有效性和优越性。(本文来源于《测绘科学技术学报》期刊2013年03期）
陆新慧,吴陈,杨习贝[10]（2013）在《空间关联规则挖掘技术的研究及应用》一文中研究指出空间数据挖掘是指从空间数据库中提取用户感兴趣的空间模式与特征、空间与非空间的普遍关系及其它一些隐含在空间数据库中的普遍数据特征。文中首先介绍了空间数据挖掘和空间关联规则挖掘技术。结合空间数据的关联特性,针对传统关联规则挖掘方法的不足,提出了叁种适合空间数据挖掘的空间关联规则挖掘算法:基于空间拓扑关系挖掘算法、基于空间距离挖掘算法和基于空间方位关系挖掘算法,并通过实例验证了方法的有效性。最后对未来可能研究的方向做了分析和展望。(本文来源于《计算机技术与发展》期刊2013年05期）
空间关联规则挖掘论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
空间数据挖掘和知识发现是从空间数据集中提取暗含的有意义的空间信息的过程,而空间关联规则(Spatial association Rule)则是空间数据挖掘和知识发现的一个重要组成部分。空间关联规则发现过程包含了很多空间数据的分析和运算。以往的空间关联规则算法更注重空间数据的定量分析和运算,而忽视了空间的定性分析和先验性的知识推理。实际上,数据挖掘工作是一种基于知识的过程,单纯的空间数据定量分析并不适合知识模型。为了能够更好地发现空间关联规则,挖掘到的空间关联规则结果集更加合理,本文提出了用本体描述地理空间背景知识约束集,用背景知识指导空间关联规则的挖掘方法。随着空间挖掘技术的发展和大量空间数据集的积累,空间关联规则的挖掘技术越来越受关注。给定一组空间数据集,空间关联规则挖掘可以寻找在地理空间中的地理实体之间存在有某种比较高频繁空间关系。例如,某种植物和某种珍稀的动物共同存在一个地理环境中。空间关联规则不同于其他普通的挖掘方法,空间的关联规则依赖于空间中实体特有的空间属性和空间关系。因此,空间关联规则挖掘的有效性很大程度上依赖于空间数据的空间属性和空间关系的处理。例如,空间物体具有拓扑、方位和距离等各种空间关系,其中形状为点、线、面(多边形)等。因此空间数据除了具备普通数据的基本属性之外,还具备各种空间属性和空间关系。而空间中的数据因为空间环境中复杂多变的特征,即相似又相异,也就是说空间环境约束着空间物体属性和它们之间的关系,但是这种制约是非线性的、异质的。对于特定的某片区域来说,有属于它自己的约束条件,这种约束条件是与其他区域条件是区别的,有其区域特殊性。正因为这种真实空间事物的复杂性,造就了空间数据的复杂性,进而造就了对空间数据进行空间关联规则发现的困难。空间关联规则的算法现在已经提出过很多,但是得到的结果不是很如人意,其中的原因之一是忽视了空间数据集所处的空间背景知识,很少有空间约束或者输入数据所在的区域背景知识约束和指导监督空间关联规则的挖掘过程。具体说来,目前空间关联规则挖掘的主要问题在于：空间数据复杂,对挖掘过程中的数据区域背景知识关注不够,对挖掘过程中各种产生空间谓词的空间分析算法关注不够,造成在某些场景中空间关联规则发现的缺失和错误。针对以上问题,本文重点研究了以N3本体表达空间关联规则过程中空间数据和涉及的相关空间算法,在这种本体表达的基础上建立各种规则集,通过规则集对空间数据和空间算法的推理,获得到空间挖掘约束条件集,对空间关联规则挖掘过程进行指导,以达到改进空间关联规则结果集质量的目的。具体研究内容如下：(1)在详细介绍地理空间关联规则基本原理的基础上,引出了空间化的关联规则算法问题。在Apriori的基础上,对其进行空间化的处理,创建了MSOApriori算法：首先根据空间数据特征,以点、线、面(多边形)等空间数据作为处理基础对象,对这叁种数据做出了统一的面(多边形)处理,得到待分析数据的面(多边形)集合；然后对面(多边形)集进行求交,将迭置分析能够求得交面的面(多边形)之间设置为纵向关系空间谓词,将迭置分析得不到交面的面(多边形)进一步空间运算得到空间横向关系空间谓词；根据面积计算空间支持度和置信度方法,依据设置的最小空间支持度和置信度阈值,滤除弱空间关联规则；最后分析了MSOApriori算法的缺点,以实际案例为据说明了无空间背景知识约束算法的种种问题,指出在缺少约束条件下发现的空间关联规则集可能不合理。(2)基于本体的基本理论和当前的本体技术,以知识的表达为切入点,针对空间关联规则发现算法MSOApriori中的问题,围绕着MSOApriori中的空间数据和空间算法,设计了本体应用框架MOSAprioriO。MOSAprioriO本体应用框架包括两类概念层级树-空间数据本体SpatialThingFeature和空间算法本体MOSAprioriAlgorithm,两类本体对象关系DataRelation和AlgorithmRelation;对SpatialThingFeature和MOSAprioriAlgorithm属性和实例进行了深入剖析。MOSAprioriO主要的设计思路就是如何表达空间关联规则中的约束关系。(3)在MOSAprioriO本体应用框架的基础上,介绍了MOSAprioriO约束的空间关联规则提取算法C-MOSAprioriO(Constraints Multi-type Object Spatial Apriori by Ontology),给出了MOSApriori Ontology的推理流程、方法和实例。本文根据MOSAprioriO建立了适合空间关联规则使用的约束规则,以MOSAprioriO与约束规则集组成地理信息背景知识库用以指导空间关联规则的提取和发现,提出了一个新的方法--基于MOSAprioriO知识库的约束下的C-MOSAprioriO;本文详细阐述了C-MOSAprioriO方法的工作原理,并就方法实现中的针对点数据的聚类分析进行了详细的约束案例分析。(4)以C-MOSAprioriO为基础开发了C-MOSAprioriO Demo原型,并对C-MOSAprioriO Demo原型进行了数据测试与结果评价；为了进行实验和评价,收集了数据和选定了评价指标；在进行了实验测试后,将C-MOSAprioriO与MOSApriori两种算法的运算效果进行了比较和分析,发现因为没有地理背景知识的支持,MOSApriori的运算后提取的空间关联规则集比C-MOSAprioriO的数量少；通过进一步的空间兴趣度计算和比较,也证实MOSApriori的关联规则兴趣度远低于C-MOSAprioriO。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
空间关联规则挖掘论文参考文献
[1].姜晶莉,郭黎.基于出租车轨迹数据的空间关联规则挖掘[J].测绘与空间地理信息.2019
[2].董志.地理背景知识约束的空间关联规则挖掘方法研究—C-MOSAprioriO[D].武汉大学.2016
[3].许栋浩,李宏伟,张铁映,樊超,朱燕.一种顾及模糊属性的空间关联规则挖掘方法[J].测绘科学技术学报.2016
[4].许静.多级空间关联规则挖掘及性能评价方法[D].北方工业大学.2016
[5].杜泽欣,李宏伟,连世伟,周海,范瑞杰.基于模拟退火的量化空间关联规则挖掘[J].地理空间信息.2016
[6].魏艳艳.空间关联规则挖掘技术的应用分析[J].自动化与仪器仪表.2016
[7].杜泽欣.量化空间关联规则挖掘应用研究[D].解放军信息工程大学.2015
[8].向俊,王静.集成同位模式的空间关联规则挖掘方法[J].计算机应用与软件.2013
[9].李宏伟,陈虎,王振宇,张斌.基于概念格的空间关联规则挖掘优化[J].测绘科学技术学报.2013
[10].陆新慧,吴陈,杨习贝.空间关联规则挖掘技术的研究及应用[J].计算机技术与发展.2013
标签：出租车轨迹数据; 空间关联规则; 数据挖掘; OpenStreetMap;