葛繼科（西南農(nóng)業(yè)大學(xué)信息學(xué)院　400716）
?
摘要? 本文簡要論述了空間數(shù)據(jù)庫技術(shù)及空間數(shù)據(jù)挖掘技術(shù)的理論及特點(diǎn)，分析了空間數(shù)據(jù)挖掘技術(shù)的層次、方法，并重點(diǎn)介紹了當(dāng)前常用的分類、聚類、關(guān)聯(lián)規(guī)則等空間數(shù)據(jù)挖掘方法，指出了當(dāng)前空間數(shù)據(jù)挖掘技術(shù)中尚需解決的問題、發(fā)展趨勢及方向。
關(guān)鍵詞　空間數(shù)據(jù)挖掘　分類　聚類　關(guān)聯(lián)規(guī)則　
0 引言
地理信息系統(tǒng)(Geographic Information System，簡稱GIS)是計(jì)算機(jī)科學(xué)、地理學(xué)、測量學(xué)、地圖學(xué)等多門學(xué)科綜合的技術(shù)[1]。GIS的基本技術(shù)是空間數(shù)據(jù)庫、地圖可視化及空間分析，而空間數(shù)據(jù)庫是GIS的關(guān)鍵。空間數(shù)據(jù)挖掘技術(shù)作為當(dāng)前數(shù)據(jù)庫技術(shù)最活躍的分支與知識(shí)獲取手段，在GIS中的應(yīng)用推動(dòng)著GIS朝智能化和集成化的方向發(fā)展。
1 空間數(shù)據(jù)庫與空間數(shù)據(jù)挖掘技術(shù)的特點(diǎn)
隨著數(shù)據(jù)庫技術(shù)的不斷發(fā)展和數(shù)據(jù)庫管理系統(tǒng)的廣泛應(yīng)用，數(shù)據(jù)庫中存儲(chǔ)的數(shù)據(jù)量也在急劇增大，在這些海量數(shù)據(jù)的背后隱藏了很多具有決策意義的信息。但是，現(xiàn)今數(shù)據(jù)庫的大多數(shù)應(yīng)用仍然停留在查詢、檢索階段，數(shù)據(jù)庫中隱藏的豐富的知識(shí)遠(yuǎn)遠(yuǎn)沒有得到充分的發(fā)掘和利用，數(shù)據(jù)庫中數(shù)據(jù)的急劇增長和人們對數(shù)據(jù)庫處理和理解的困難形成了強(qiáng)烈的反差，導(dǎo)致“人們被數(shù)據(jù)淹沒，但卻饑餓于知識(shí)”的現(xiàn)象。
空間數(shù)據(jù)庫(數(shù)據(jù)倉庫)中的空間數(shù)據(jù)除了其顯式信息外，還具有豐富的隱含信息，如數(shù)字高程模型〔DEM或TIN〕，除了載荷高程信息外，還隱含了地質(zhì)巖性與構(gòu)造方面的信息；植物的種類是顯式信息，但其中還隱含了氣候的水平地帶性和垂直地帶性的信息，等等。這些隱含的信息只有通過數(shù)據(jù)挖掘才能顯示出來。空間數(shù)據(jù)挖掘（Spatial Data Mining，簡稱SDM），或者稱為從空間數(shù)據(jù)庫中發(fā)現(xiàn)知識(shí)，是為了解決空間數(shù)據(jù)海量特性而擴(kuò)展的一個(gè)新的數(shù)據(jù)挖掘的研究分支，是指從空間數(shù)據(jù)庫中提取隱含的、用戶感興趣的空間或非空間的模式和普遍特征的過程[2]。由于SDM的對象主要是空間數(shù)據(jù)庫，而空間數(shù)據(jù)庫中不僅存儲(chǔ)了空間事物或?qū)ο蟮?strong>幾何數(shù)據(jù)、屬性數(shù)據(jù)，而且存儲(chǔ)了空間事物或?qū)ο笾g的圖形空間關(guān)系，因此其處理方法有別于一般的數(shù)據(jù)挖掘方法。SDM與傳統(tǒng)的地學(xué)數(shù)據(jù)分析方法的本質(zhì)區(qū)別在于SDM是在沒有明確假設(shè)的前提下去挖掘信息、發(fā)現(xiàn)知識(shí)，挖掘出的知識(shí)應(yīng)具有事先未知、有效和可實(shí)用3個(gè)特征。
空間數(shù)據(jù)挖掘技術(shù)需要綜合數(shù)據(jù)挖掘技術(shù)與空間數(shù)據(jù)庫技術(shù)，它可用于對空間數(shù)據(jù)的理解，對空間關(guān)系和空間與非空間關(guān)系的發(fā)現(xiàn)、空間知識(shí)庫的構(gòu)造以及空間數(shù)據(jù)庫的重組和查詢的優(yōu)化等。
2 空間數(shù)據(jù)挖掘技術(shù)的主要方法及特點(diǎn)
常用的空間數(shù)據(jù)挖掘技術(shù)包括：序列分析、分類分析、預(yù)測、聚類分析、關(guān)聯(lián)規(guī)則分析、時(shí)間序列分析、粗集方法及云理論等。本文從挖掘任務(wù)和挖掘方法的角度,著重介紹了分類分析、聚類分析和關(guān)聯(lián)規(guī)則分析三種常用的重要的方法。
2.1、分類分析
分類在數(shù)據(jù)挖掘中是一項(xiàng)非常重要的任務(wù)，目前在商業(yè)上應(yīng)用最多。分類的目的是學(xué)會(huì)一個(gè)分類函數(shù)或分類模型(也常常稱作分類器)，該模型能把數(shù)據(jù)庫中的數(shù)據(jù)項(xiàng)映射到給定類別中的某一個(gè)。分類和我們熟知的回歸方法都可用于預(yù)測，兩者的目的都是從歷史數(shù)據(jù)紀(jì)錄中自動(dòng)推導(dǎo)出對給定數(shù)據(jù)的推廣描述，從而能對未來數(shù)據(jù)進(jìn)行預(yù)測。和回歸方法不同的是，分類的輸出是離散的類別值，而回歸的輸出則是連續(xù)的數(shù)值。二者常表現(xiàn)為一棵決策樹，根據(jù)數(shù)據(jù)值從樹根開始搜索，沿著數(shù)據(jù)滿足的分支往上走，走到樹葉就能確定類別。空間分類的規(guī)則實(shí)質(zhì)是對給定數(shù)據(jù)對象集的抽象和概括，可用宏元組表示。
要構(gòu)造分類器,需要有一個(gè)訓(xùn)練樣本數(shù)據(jù)集作為輸入。訓(xùn)練集由一組數(shù)據(jù)庫記錄或元組構(gòu)成,每個(gè)元組是一個(gè)由特征(又稱屬性)值組成的特征向量,此外,訓(xùn)練樣本還有一個(gè)類別標(biāo)記。一個(gè)具體樣本的形式可為:( v1, v2, ..., vn; c )；其中vi表示字段值，c表示類別。
分類器的構(gòu)造方法有統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)方法等等。統(tǒng)計(jì)方法包括貝葉斯法和非參數(shù)法(近鄰學(xué)習(xí)或基于事例的學(xué)習(xí))，對應(yīng)的知識(shí)表示是判別函數(shù)和原型事例。機(jī)器學(xué)習(xí)方法包括決策樹法和規(guī)則歸納法，前者對應(yīng)的表示為決策樹或判別樹，后者則一般為產(chǎn)生式規(guī)則。神經(jīng)網(wǎng)絡(luò)方法主要是反向傳播（Back-Propagation,簡稱BP）算法，它的模型表示是前向反饋神經(jīng)網(wǎng)絡(luò)模型(由代表神經(jīng)元的節(jié)點(diǎn)和代表聯(lián)接權(quán)值的邊組成的一種體系結(jié)構(gòu))，BP算法本質(zhì)上是一種非線性判別函數(shù)[3]。另外，最近又興起了一種新的方法:粗糙集(rough set)，其知識(shí)表示是產(chǎn)生式規(guī)則。
不同的分類器有不同的特點(diǎn)。有三種分類器評價(jià)或比較尺度：1) 預(yù)測準(zhǔn)確度；2) 計(jì)算復(fù)雜度；3) 模型描述的簡潔度。預(yù)測準(zhǔn)確度是用得最多的一種比較尺度，特別是對于預(yù)測型分類任務(wù)，目前公認(rèn)的方法是10番分層交叉驗(yàn)證法。計(jì)算復(fù)雜度依賴于具體的實(shí)現(xiàn)細(xì)節(jié)和硬件環(huán)境，在數(shù)據(jù)挖掘中，由于操作對象是海量的數(shù)據(jù)庫，因此空間和時(shí)間的復(fù)雜度問題將是非常重要的一個(gè)環(huán)節(jié)。對于描述型的分類任務(wù)，模型描述越簡潔越受歡迎。例如，采用規(guī)則歸納法表示的分類器構(gòu)造法就很有用，而神經(jīng)網(wǎng)絡(luò)方法產(chǎn)生的結(jié)果就難以理解。
另外要注意的是，分類的效果一般和數(shù)據(jù)的特點(diǎn)有關(guān)。有的數(shù)據(jù)噪聲大，有的有缺值， 有的分布稀疏，有的字段或?qū)傩蚤g相關(guān)性強(qiáng)，有的屬性是離散的而有的是連續(xù)值或混合式的。目前普遍認(rèn)為不存在某種方法能適合于各種特點(diǎn)的數(shù)據(jù)。
分類技術(shù)在實(shí)際應(yīng)用非常重要，比如：可以根據(jù)房屋的地理位置決定房屋的檔次等。
2.2 聚類分析
聚類是指根據(jù)“物以類聚”的原理，將本身沒有類別的樣本聚集成不同的組，并且對每一個(gè)這樣的組進(jìn)行描述的過程。它的目的是使得屬于同一個(gè)組的樣本之間應(yīng)該彼此相似，而不同組的樣本應(yīng)足夠不相似。與分類分析不同，進(jìn)行聚類前并不知道將要?jiǎng)澐殖蓭讉€(gè)組和什么樣的組，也不知道根據(jù)哪些空間區(qū)分規(guī)則來定義組。其目的旨在發(fā)現(xiàn)空間實(shí)體的屬性間的函數(shù)關(guān)系，挖掘的知識(shí)用以屬性名為變量的數(shù)學(xué)方程來表示。聚類方法包括統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)方法和面向數(shù)據(jù)庫的方法。基于聚類分析方法的空間數(shù)據(jù)挖掘算法包括均值近似算法[4]、CLARANS、BIRCH、DBSCAN等算法。目前，對空間數(shù)據(jù)聚類分析方法的研究是一個(gè)熱點(diǎn)。
對于空間數(shù)據(jù)，利用聚類分析方法，可以根據(jù)地理位置以及障礙物的存在情況自動(dòng)地進(jìn)行區(qū)域劃分。例如，根據(jù)分布在不同地理位置的ATM機(jī)的情況將居民進(jìn)行區(qū)域劃分，根據(jù)這一信息，可以有效地進(jìn)行ATM機(jī)的設(shè)置規(guī)劃，避免浪費(fèi)，同時(shí)也避免失掉每一個(gè)商機(jī)。
2.3 關(guān)聯(lián)規(guī)則分析
關(guān)聯(lián)規(guī)則分析主要用于發(fā)現(xiàn)不同事件之間的關(guān)聯(lián)性，即一事物發(fā)生時(shí)，另一事物也經(jīng)常發(fā)生。關(guān)聯(lián)分析的重點(diǎn)在于快速發(fā)現(xiàn)那些有實(shí)用價(jià)值的關(guān)聯(lián)發(fā)生的事件。其主要依據(jù)是：事件發(fā)生的概率和條件概率應(yīng)該符合一定的統(tǒng)計(jì)意義。空間關(guān)聯(lián)規(guī)則的形式是X－＞Y[S%，C%]，其中X、Y是空間或非空間謂詞的集合，S%表示規(guī)則的支持度，C%表示規(guī)則的置信度。空間謂詞的形式有3種：表示拓?fù)浣Y(jié)構(gòu)的謂詞、表示空間方向的謂詞和表示距離的謂詞[5]。各種各樣的空間謂詞可以構(gòu)成空間關(guān)聯(lián)規(guī)則。如，距離信息（如Close_to(臨近)、Far_away(遠(yuǎn)離)）、拓?fù)潢P(guān)系（Intersect（交）、Overlap（重疊）、Disjoin(分離)）和空間方位（如Right_of(右邊)、West_of(西邊)）。實(shí)際上大多數(shù)算法都是利用空間數(shù)據(jù)的關(guān)聯(lián)特性改進(jìn)其分類算法，使得它適合于挖掘空間數(shù)據(jù)中的相關(guān)性，從而可以根據(jù)一個(gè)空間實(shí)體而確定另一個(gè)空間實(shí)體的地理位置，有利于進(jìn)行空間位置查詢和重建空間實(shí)體等。大致算法可描述如下：(1)根據(jù)查詢要求查找相關(guān)的空間數(shù)據(jù)；(2)利用臨近等原則描述空間屬性和特定屬性；(3)根據(jù)最小支持度原則過濾不重要的數(shù)據(jù)；(4)運(yùn)用其它手段對數(shù)據(jù)進(jìn)一步提純(如OVERLAY)；(5)生成關(guān)聯(lián)規(guī)則。
關(guān)聯(lián)規(guī)則通常可分為兩種：布爾型的關(guān)聯(lián)規(guī)則和多值關(guān)聯(lián)規(guī)則。多值關(guān)聯(lián)規(guī)則比較復(fù)雜，一種自然的想法是將它轉(zhuǎn)換為布爾型關(guān)聯(lián)規(guī)則，由于空間關(guān)聯(lián)規(guī)則的挖掘需要在大量的空間對象中計(jì)算多種空間關(guān)系，因此其代價(jià)是很高的。—種逐步求精的挖掘優(yōu)化方法可用于空間關(guān)聯(lián)的分析，該方法首先用一種快速的算法粗略地對一個(gè)較大的數(shù)據(jù)集進(jìn)行一次挖掘，然后在裁減過的數(shù)據(jù)集上用代價(jià)較高的算法進(jìn)一步改進(jìn)挖掘的質(zhì)量。因?yàn)槠浯鷥r(jià)非常高，所以空間的關(guān)聯(lián)方法需要進(jìn)一步的優(yōu)化。
對于空間數(shù)據(jù)，利用關(guān)聯(lián)規(guī)則分析，可以發(fā)現(xiàn)地理位置的關(guān)聯(lián)性。例如，85%的靠近高速公路的大城鎮(zhèn)與水相鄰，或者發(fā)現(xiàn)通常與高爾夫球場相鄰的對象是停車場等。

3 空間數(shù)據(jù)挖掘技術(shù)的研究方向
3.1 處理不同類型的數(shù)據(jù)
絕大多數(shù)數(shù)據(jù)庫是關(guān)系型的，因此在關(guān)系數(shù)據(jù)庫上有效地執(zhí)行數(shù)據(jù)挖掘是至關(guān)重要的。但是在不同應(yīng)用領(lǐng)域中存在各種數(shù)據(jù)和數(shù)據(jù)庫，而且經(jīng)常包含復(fù)雜的數(shù)據(jù)類型，例如結(jié)構(gòu)數(shù)據(jù)、復(fù)雜對象、事務(wù)數(shù)據(jù)、歷史數(shù)據(jù)等。由于數(shù)據(jù)類型的多樣性和不同的數(shù)據(jù)挖掘目標(biāo)，一個(gè)數(shù)據(jù)挖掘系統(tǒng)不可能處理各種數(shù)據(jù)。因此針對特定的數(shù)據(jù)類型，需要建立特定的數(shù)據(jù)挖掘系統(tǒng)。
3.2? 數(shù)據(jù)挖掘算法的有效性和可測性
海量數(shù)據(jù)庫通常有上百個(gè)屬性和表及數(shù)百萬個(gè)元組。GB數(shù)量級數(shù)據(jù)庫已不鮮見，TB數(shù)量級數(shù)據(jù)庫已經(jīng)出現(xiàn)，高維大型數(shù)據(jù)庫不僅增大了搜索空間，也增加了發(fā)現(xiàn)錯(cuò)誤模式的可能性。因此必須利用領(lǐng)域知識(shí)降低維數(shù)，除去無關(guān)數(shù)據(jù)，從而提高算法效率。從一個(gè)大型空間數(shù)據(jù)庫中抽取知識(shí)的算法必須高效、可測量，即數(shù)據(jù)挖掘算法的運(yùn)行時(shí)間必須可預(yù)測，且可接受，指數(shù)和多項(xiàng)式復(fù)雜性的算法不具有實(shí)用價(jià)值。但當(dāng)算法用有限數(shù)據(jù)為特定模型尋找適當(dāng)參數(shù)時(shí)，有時(shí)也會(huì)導(dǎo)致物超所值，降低效率。
3.3 交互性用戶界面
數(shù)據(jù)挖掘的結(jié)果應(yīng)準(zhǔn)確地描述數(shù)據(jù)挖掘的要求，并易于表達(dá)。從不同的角度考察發(fā)現(xiàn)的知識(shí)，并以不同形式表示，用高層次語言和圖形界面表示數(shù)據(jù)挖掘要求和結(jié)果。目前許多知識(shí)發(fā)現(xiàn)系統(tǒng)和工具缺乏與用戶的交互，難以有效利用領(lǐng)域知識(shí)。對此可以利用貝葉斯方法和演譯數(shù)據(jù)庫本身的演譯能力發(fā)現(xiàn)知識(shí)。
3.4 在多抽象層上交互式挖掘知識(shí)
很難預(yù)測從數(shù)據(jù)庫中會(huì)挖掘出什么樣的知識(shí)，因此一個(gè)高層次的數(shù)據(jù)挖掘查詢應(yīng)作為進(jìn)一步探詢的線索。交互式挖掘使用戶能交互地定義一個(gè)數(shù)據(jù)挖掘要求，深化數(shù)據(jù)挖掘過程，從不同角度靈活看待多抽象層上的數(shù)據(jù)挖掘結(jié)果。
3.5? 從不同數(shù)據(jù)源挖掘信息
局域網(wǎng)、廣域網(wǎng)以及Internet網(wǎng)將多個(gè)數(shù)據(jù)源聯(lián)成一個(gè)大型分布、異構(gòu)的數(shù)據(jù)庫，從包含不同語義的格式化和非格式化數(shù)據(jù)中挖掘知識(shí)是對數(shù)據(jù)挖掘的一個(gè)挑戰(zhàn)。數(shù)據(jù)挖掘可揭示大型異構(gòu)數(shù)據(jù)庫中存在的普通查詢不能發(fā)現(xiàn)的知識(shí)。數(shù)據(jù)庫的巨大規(guī)模、廣泛分布及數(shù)據(jù)挖掘方法的計(jì)算復(fù)雜性，要求建立并行分布的數(shù)據(jù)挖掘。
3.6? 私有性和安全性
數(shù)據(jù)挖掘能從不同角度、不同抽象層上看待數(shù)據(jù)，這將影響到數(shù)據(jù)挖掘的私有性和安全性。通過研究數(shù)據(jù)挖掘?qū)е碌臄?shù)據(jù)非法侵入，可改進(jìn)數(shù)據(jù)庫安全方法，以避免信息泄漏。
3.7? 和其它系統(tǒng)的集成
方法、功能單一的發(fā)現(xiàn)系統(tǒng)的適用范圍必然受到一定的限制。要想在更廣泛的領(lǐng)域發(fā)現(xiàn)知識(shí)，空間數(shù)據(jù)挖掘系統(tǒng)就應(yīng)該是數(shù)據(jù)庫、知識(shí)庫、專家系統(tǒng)、決策支持系統(tǒng)、可視化工具、網(wǎng)絡(luò)等技術(shù)的集成。

4 有待研究的問題
我們雖然在空間數(shù)據(jù)挖掘技術(shù)的研究和應(yīng)用中取得了很大的成績，但在一些理論及應(yīng)用方面仍存在急需解決的問題。
4.1 數(shù)據(jù)訪問的效率和可伸縮性
空間數(shù)據(jù)的復(fù)雜性和數(shù)據(jù)的大量性，TB數(shù)量級的數(shù)據(jù)庫的出現(xiàn)，必然增大發(fā)現(xiàn)算法的搜索空間，增加了搜索的盲目性。如何有效的去除與任務(wù)無關(guān)的數(shù)據(jù)，降低問題的維數(shù)，設(shè)計(jì)出更加高效的挖掘算法對空間數(shù)據(jù)挖掘提出了巨大的挑戰(zhàn)。
4.2 對當(dāng)前一些GIS軟件缺乏時(shí)間屬性和靜態(tài)存儲(chǔ)的改進(jìn)
由于數(shù)據(jù)挖掘的應(yīng)用在很大的程度上涉及到時(shí)序關(guān)系，因此靜態(tài)的數(shù)據(jù)存儲(chǔ)嚴(yán)重妨礙了數(shù)據(jù)挖掘的應(yīng)用。基于圖層的計(jì)算模式、不同尺度空間數(shù)據(jù)之間的完全割裂也對空間數(shù)據(jù)挖掘設(shè)置了重重障礙。空間實(shí)體與屬性數(shù)據(jù)之間的聯(lián)系僅僅依賴于標(biāo)識(shí)碼，這種一維的連接方式無疑將丟失大量的連接信息，不能有效的表示多維和隱含的內(nèi)在連接關(guān)系，這些都增加了數(shù)據(jù)挖掘計(jì)算的復(fù)雜度，極大地增加了數(shù)據(jù)準(zhǔn)備階段的工作量和人工干預(yù)的程度。
4.3 發(fā)現(xiàn)模式的精煉
當(dāng)發(fā)現(xiàn)空間很大時(shí)會(huì)獲得大量的結(jié)果，盡管有些是無關(guān)或沒有意義的模式，這時(shí)可利用領(lǐng)域的知識(shí)進(jìn)一步精煉發(fā)現(xiàn)的模式，從而得到有意義的知識(shí)。
在空間數(shù)據(jù)挖掘技術(shù)方面，重要的研究和應(yīng)用的方向還包括：網(wǎng)絡(luò)環(huán)境上的數(shù)據(jù)挖掘、柵格矢量一體化的挖掘、不確定性情況下的數(shù)據(jù)挖掘、分布式環(huán)境下的數(shù)據(jù)挖掘、數(shù)據(jù)挖掘查詢語言和新的高效的挖掘算法等。
5? 小結(jié)
隨著GIS與數(shù)據(jù)挖掘及相關(guān)領(lǐng)域科學(xué)研究的不斷發(fā)展，空間數(shù)據(jù)挖掘技術(shù)在廣度和深度上的不斷深入，在不久的將來，一個(gè)集成了挖掘技術(shù)的GIS、GPS、RS集成系統(tǒng)必將朝著智能化、網(wǎng)絡(luò)化、全球化與大眾化的方向發(fā)展。
參考文獻(xiàn)：
[1] 鄔　倫　等　地理信息系統(tǒng)――原理、方法和應(yīng)用 .科學(xué)出版社.2001.
[2] 邸凱昌．空間數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的理論與方法[D]．武漢：武漢測繪科技大學(xué)，1999.
[3] 蔡自興，徐光祐. 人工智能及其應(yīng)用. 清華大學(xué)出版社. 1999. 206~216.
[4] Sheikholeslami G, Chatterjee S, Zhang A. Wave-Cluster: A multi-resolution clustering approach for very large spatiall databases. In:Proceedings of the 24th International Conference on Very Large Databases. New York, 1998. 428~439.
[5] 朱建秋，張曉輝，菇偉杰，朱楊勇．數(shù)據(jù)挖掘語言淺析[Z].

?

總結(jié)

以上是生活随笔為你收集整理的空间数据挖掘技术理论及方法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。