基于聚類算法的GIS深度數(shù)據(jù)挖掘模型研究

摘要：本文基于項(xiàng)目研究，結(jié)合GIS數(shù)據(jù)的特點(diǎn)及業(yè)務(wù)領(lǐng)域特征，基于聚類算法進(jìn)一步研究了深度數(shù)據(jù)挖掘方案，得到新的算法模型。本文闡述了多維建模過程及模式，對(duì)樣本數(shù)據(jù)進(jìn)行分類的方法，聚類規(guī)則等，并在來源項(xiàng)目中得到驗(yàn)證。

關(guān)鍵詞：聚類，GIS，時(shí)間，位置，文件

前言

GIS 數(shù)據(jù)不僅具有空間特征，又具有屬性特征，并隨時(shí)間變化。因此，數(shù)據(jù)量大且結(jié)構(gòu)復(fù)雜。如今，社會(huì)上許多行業(yè)和部門都在使用 GIS。面向不同應(yīng)用領(lǐng)域的GIS數(shù)據(jù)，還會(huì)同時(shí)產(chǎn)生更多維度的數(shù)據(jù)，如人文信息。如果沒有合適的數(shù)據(jù)分析和挖掘方案，GIS就不可能發(fā)揮其最大的效能，許多數(shù)據(jù)間的關(guān)聯(lián)及潛在“知識(shí)”不會(huì)被發(fā)現(xiàn)。

1. GIS數(shù)據(jù)的特性

1.1 時(shí)空特性

地理數(shù)據(jù)是與空間相關(guān)的。它可以被分配坐標(biāo)或任何空間引用。數(shù)據(jù)在地球表面，包括位置和組織。地理數(shù)據(jù)的規(guī)模可以從一般到具體，從簡單到復(fù)雜。地理數(shù)據(jù)是動(dòng)態(tài)的，包括空間動(dòng)態(tài)（空間變化）和時(shí)間動(dòng)態(tài)（時(shí)間變化）。地理數(shù)據(jù)既具有空間特征，又具有屬性特征，并隨時(shí)間變化。因此，數(shù)據(jù)量非常大。

1.2 業(yè)務(wù)特性

當(dāng)今，許多行業(yè)已經(jīng)將GIS納入了自己的業(yè)務(wù)系統(tǒng)。在這些業(yè)務(wù)系統(tǒng)中，GIS中的數(shù)據(jù)與用戶的其他在線活動(dòng)相關(guān)聯(lián)。GIS數(shù)據(jù)來源包括地圖、遙感圖像、文本數(shù)據(jù)、統(tǒng)計(jì)數(shù)據(jù)、實(shí)測數(shù)據(jù)、多媒體數(shù)據(jù)、現(xiàn)有系統(tǒng)數(shù)據(jù)等。由于標(biāo)準(zhǔn)化，不同系統(tǒng)之間的數(shù)據(jù)共享和互換性正變得越來越強(qiáng)。這擴(kuò)大了數(shù)據(jù)的可用性，增加了數(shù)據(jù)的潛在價(jià)值。因此，在挖掘 GIS中的信息時(shí)，首先要明確業(yè)務(wù)需求，確定數(shù)據(jù)源。本文主要研究了用戶在網(wǎng)絡(luò)和數(shù)字地圖上的活動(dòng)數(shù)據(jù)。事實(shí)上，有很多數(shù)據(jù)庫系統(tǒng)是關(guān)系數(shù)據(jù)庫。

2. 聚類算法及挖掘架構(gòu)

2.1 聚類算法

聚類（Cluster）分析是由若干模式（Pattern）組成的，通常，模式是一個(gè)度量（Measurement）的向量，或者是多維空間中的一個(gè)點(diǎn)。聚類分析以相似性為基礎(chǔ)，在一個(gè)聚類中的模式之間比不在同一聚類中的模式之間具有更多的相似性。聚類分析的算法可以分為劃分法（Partitioning Methods）、層次法（Hierarchical Methods）、基于密度的方法（Density-based Methods）、基于網(wǎng)格的方法（Grid-based Methods）、基于模型的方法（Model-Based Methods）。

基于某種業(yè)務(wù)，很難說具體應(yīng)用了哪種聚類算法，因?yàn)檫@些類別可能重疊，從而使得一種方法具有幾類的特征。因此在聚類基本劃分方法的基礎(chǔ)上，如何針對(duì)業(yè)務(wù)領(lǐng)域設(shè)計(jì)出相應(yīng)的新算法是有一定挑戰(zhàn)的。

2.2 挖掘架構(gòu)

在來源項(xiàng)目的研究中發(fā)現(xiàn)，數(shù)據(jù)資源可以通過訪問公眾、收集地理信息等方式獲得。我們可以把所有的數(shù)據(jù)分成幾種類型。一般的挖掘過程包括：挖掘?qū)ο蟠_定、數(shù)據(jù)準(zhǔn)備、模式提取、模式評(píng)價(jià)。

基于項(xiàng)目研究領(lǐng)域的特點(diǎn)，新挖掘算法模型的產(chǎn)生基于這樣的架構(gòu)：數(shù)據(jù)維的劃分、切片、聚類、識(shí)別。該模型關(guān)注的是地理數(shù)據(jù)的維度，這些數(shù)據(jù)被信息需求分割。然后高密度區(qū)域被劃分為集群。在對(duì)數(shù)字地圖進(jìn)行聚類之后，用戶可以進(jìn)一步識(shí)別地圖上的深度信息。

3. 多維數(shù)據(jù)模型的建立

3.1 維度確定

數(shù)據(jù)在轉(zhuǎn)換后被加載到一個(gè)關(guān)系數(shù)據(jù)庫中。選擇多維數(shù)據(jù)允許我們從數(shù)據(jù)庫的各個(gè)方面觀察數(shù)據(jù)。多維數(shù)據(jù)矩陣由模式表示：

C （A1，A2，...，Am，count）

矢量 Ai （i = 1，2，...，m）表示其中一個(gè)維度。參數(shù)count是一個(gè)變量。

在數(shù)據(jù)矩陣中，根據(jù)實(shí)驗(yàn)要求選擇多個(gè)維度：時(shí)間維度、空間維度、 url 維度、用戶維度、文件維度。建立數(shù)據(jù)矩陣后，可用于分析來自多個(gè)方向的數(shù)據(jù)。

3.2 模式設(shè)計(jì)

創(chuàng)建多維數(shù)據(jù)模式在關(guān)系數(shù)據(jù)庫中，數(shù)據(jù)模型由實(shí)體及其關(guān)聯(lián)的集合組成。該數(shù)據(jù)模型適用于在線事務(wù)處理。然后，我們構(gòu)造了一個(gè)星型模式來表示數(shù)據(jù)倉庫中的多維數(shù)據(jù)結(jié)構(gòu)。這個(gè)模式包含一些部分，如圖1所示。

星型模式由兩部分組成：

（1）中心表也是事實(shí)表。這個(gè)表包含了大量的數(shù)據(jù)，這些數(shù)據(jù)并不是冗余的。

（2）還附加了一組維度表，每個(gè)維度對(duì)應(yīng)一個(gè)維度表。

4.多維視圖的聚類分析算法

在以前構(gòu)建的數(shù)據(jù)倉庫中采用聚類分析算法，從數(shù)據(jù)庫引擎中提取數(shù)據(jù)的三個(gè)維度：日期、文件、位置。在數(shù)字地圖中，位置維度按街道劃分。日期尺寸除以年份。文件尺寸按文件類型劃分。

根據(jù)原始數(shù)據(jù)經(jīng)過清理和轉(zhuǎn)換后的數(shù)據(jù)矩陣，用戶對(duì)數(shù)據(jù)的訪問用2D 表示。我們?cè)谶@個(gè)二維表示中使用日期維度和文件維度。日期維度是按年組織的，例如：y1，y2，y3，y4。文件維度按訪問的文件類型進(jìn)行組織，例如：file1，file2，file3。事實(shí)或度量是屬性 visit _ count。屬性 visit _ count 的值表示每次訪問一個(gè)文件的次數(shù)。

DBSCAN （Density-Based Spatial Clustering of Application with Noise）是一種針對(duì)高密度連接區(qū)域的密度聚類算法。該算法將具有足夠密度的區(qū)域劃分為若干個(gè)簇。任何形狀的聚類都可以在帶有“噪聲”的空間數(shù)據(jù)庫中找到。集群被定義為與密度相關(guān)的最大點(diǎn)集。基于密度的聚類包含了一些新的定義，例如：

（1）neighborhood是給定物體的區(qū)域，該區(qū)域的半徑為r。

（2）如果一個(gè)對(duì)象的鄰域至少包含一個(gè)最小數(shù)量的對(duì)象，該對(duì)象被稱為核心對(duì)象。

（3）給定一個(gè)對(duì)象集 d，如果對(duì)象 p 在對(duì)象 q 的鄰域內(nèi)，q 是核心對(duì)象，我們說對(duì)象 p 是直接從對(duì)象 q 密度可達(dá)的。

結(jié)語：

該算法模型在來源項(xiàng)目中進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果驗(yàn)證了該聚類分析算法及模型的有效性。數(shù)據(jù)被劃分為多個(gè)維度，并通過星型模式存儲(chǔ)在數(shù)據(jù)倉庫中。新的聚類算法給出了一些定義和規(guī)則。根據(jù)這些算法規(guī)則，對(duì)多維數(shù)據(jù)進(jìn)行計(jì)算和分析，最終可獲得更深層次信息。

參考文獻(xiàn)：

[1]呂奕. 基于改進(jìn)密度峰值聚類算法的軌跡行為分析[J]. 計(jì)算機(jī)工程與應(yīng)用. 2021，4

[2]Nagpal Mayank. Keyword Selection Strategies in Search Engine Optimization：How Relevant is Relevance [J]. Journal of Retailing. 2020，12

[3]Hamid Saadatfar. A New K-Nearest Neighbors Classifier for Big Data Based on Efficient Data Pruning [J]. Mathematics Volume 8，Issue 2. 2020

項(xiàng)目來源：面向復(fù)雜來源的大數(shù)據(jù)分析架構(gòu)及算法模型研究，湖北省教育廳2019年度科研計(jì)劃項(xiàng)目，項(xiàng)目編號(hào)B2019285

作者簡介：熊燕，女，副教授，湖北省武漢市武昌理工學(xué)院，人工智能學(xué)院。