技術領域

本發明屬于空間數據挖掘與空間分析技術領域，涉及一種基于Delaunay三角網的空間點事件集聚模式挖掘方法。?

背景技術

現實世界中，許多地理現象可以采用空間點事件的形式進行抽象，如傳染病例、犯罪事件、交通事故、生態物種分布、地震及公共設施位置等。空間點事件分析是空間分析的主要研究內容之一，旨在對空間點事件中蘊含的空間分布模式進行分析和描述。空間點事件集聚模式通常表現為由一系列異常聚集的空間點事件構成的高密度連續區域，其通常蘊含了地理現象發展變化的特殊規律。空間點事件集聚模式探測已經成為空間點模式分析的一個核心內容，在疾病監測、犯罪熱點探測、交通擁堵分析、環境保護及地震帶識別等方面具有重要的應用價值。?

現有的空間點事件集聚模式探測方法大致可以分為：(1)劃分的方法；(2)層次的方法；(3)基于密度的方法；(4)基于圖論的方法；(5)基于模型的方法；(6)基于格網的方法。劃分的方法對于體積相近、密度相似的球形集聚模式效果較好。但是，這類方法的聚類結果嚴重依賴初始聚類中心的選擇，難以發現任意形狀的空間簇，而且當空間集聚模式尺寸、密度變化較大時難以獲得滿意的聚類結果。同樣地，傳統的層次聚類方法只適合發現球形的空間集聚模式。改進的層次空間聚類方法（如CURE）使用代表點的策略雖然能夠發現較為復雜結構的空間集聚模式，但是其依然無法發現任意形狀的空間集聚模式，而且過多的輸入參數增加了算法的復雜性和使用難度；傳統的密度聚類方法（如DBSCAN）由于采用固定閾值聚類，難以適應空間點事件密度的變化。改進的密度方法雖然能夠在一定程度上顧及空間點事件密度的分異特性，但對于空間集聚模式鄰近等問題依然難以很好解決。地理分析機與空間掃描統計可以視為兩種特殊的基于密度的方法。然而，地理分析機也存在兩個嚴重的問題，一方面地理分析機假設了空間集聚模式是近似圓形分布的，導致其難以識別形狀復雜的空間簇；另一方面，地理分析機雖然采用假設檢驗的方法對空間鄰域的顯著性進行統計判別，但是多重假設檢驗問題導致其統計判別的結果并不可靠。空間掃描統計的方法可以有效避免多?重假設檢驗問題，因此其識別的顯著窗口具有統計上的可靠性。然而，空間掃描統計的方法依然無法識別形狀復雜的空間聚集模式，同時空間點集中可能存在的多個聚集模式難以準確識別。現有基于圖論的聚類方法還不夠穩健，容易受空間集聚模式鄰接與密度變化的影響。基于模型的方法需要預先假定空間點事件的分布模型，這在一些實際應用中難以準確獲得。基于格網的方法雖然聚類效率得到提高，但是聚類質量不高，且易遇到基于密度方法同樣的問題。?

通過上述分析可以發現，進行空間點事件集聚模式探測時，尚缺乏一種人為干預較少且可以發現不同形態、不同密度空間集聚模式的方法。?

發明內容

針對現有技術中存在的缺陷，解決空間點事件集聚模式挖掘中，發現不同密度、不同形態空間集聚模式所遇到的技術問題。本發明提供一種基于Delaunay三角網的空間點事件集聚模式挖掘方法，該方法是一種需要較少的人為干預的空間點事件集聚模式挖掘方法，借助不同的統計約束條件從空間點事件構建的Delaunay三角網發現不同密度、不同形態的空間集聚模式，進一步提高了空間點事件集聚模式探測方法的實用性與可靠性。?

其技術方案如下：?

一種基于Delaunay三角網的空間點事件集聚模式挖掘方法，包括以下步驟：?

1)空間數據預處理：該步驟首先對空間數據中重復、冗余的記錄進行清理，同時依據具體需要剔除或填補部分缺失值.?

2)根據空間點事件的空間屬性（地理坐標）構建Delaunay三角網，并獲取實體間的鄰近關系。?

3)針對每個空間點事件連接的Delaunay三角網邊施加邊長的整體統計約束，即刪除整體上的長邊。整體約束條件表達為C^Global(p)，表示與空間實體p連接的所有邊的整體約束條件，利用下列公式進行計算：?

C^Global(p)＝Mean(DT)+α*(SD(DT)/NI(p))?

Mean(DT)表示三角網的平均邊長，利用下列公式計算：?