多时间尺度密度聚类算法的案事项分析应用.pdfVIP

第17卷 第7 期 Vol. 17, No.7 2015 年7 月 Jul., 2015 多时间尺度密度聚类算法的案事件分析应用 吴文浩，吴 升* (福州大学福建省空间信息工程研究中心空间数据挖掘与信息共享教育部重点实验室，福州350002) 摘要：时空聚类是数据挖掘研究的主要内容之一，在环境保护、疾病预防与控制、犯罪预防与打击等领域具有重要 的应用价值。已有的时空聚类方法中，时间“距离”都认为是真实的间隔，而对于具有社会属性的案事件而言，其在 不同时间尺度下具有明显的周期性特征，忽略这些特征将很难反映出案事件真实的时空规律。本文综合考虑多时 间尺度下的时间属性，构建等效时空邻近域，并借鉴经典的密度聚类算法，提出了多时间尺度等效时空邻近域密度 聚类算法（MTS-ESTN DBSCAN ）。通过对福州市区2013 年案事件数据的聚类分析表明，该方法在案事件时空聚 类方面具有可行性，对于进一步深入研究城市犯罪地理具有一定的理论意义和实际价值。 关键词：时空聚类;多时间尺度;密度聚类;案事件 DOI:10.3724/SP.J. 1047.2015.00837 1 引言 扫描统计（Space-time Scan Statistics）定义为以圆形 空间为底面、对应时间为高度的圆柱体时空窗口， 时空数据是对现实世界中时空特征和过程的 以变长的半径和时间间隔扫描研究区，并通过蒙特 [1] 卡罗法进行统计学检验，获得其时空聚集性或时空 抽象概括 ，而在时空数据分析与挖掘的研究中，时 [4,7-8] 空聚类一直是活跃在地理信息科学和计算机科学 异常特征 。时空耦合距离（Space-time Distance） [2] 是综合考虑点事件时空属性和非空间属性，定义事 领域的研究热点 。时空聚类是以对象或事件的空 [9-10] 间属性和非空间属性，在时空域中寻找具有相似特 件间的“距离”，进而发现事件发生的丛聚形态 。 征或行为的时空对象或事件集合（即时空簇），使得 时空密度聚类（ST-DBSCAN）是在带有噪声的空间 集合内“高内聚”，集合间“低耦合”。案事件指符合 聚类（Density- Based Spatial Clustering of Applica- 公安部门的立案条件，能够立案的刑事案件、治安 tions with Noise ，DBSCAN ）算法的基础上，纳入时 案件等。近年来，随着公安案事件这一典型时空数 间维和非空间属性，通过指定空间半径、时间窗口 据的不断积累，以及日趋复杂的犯罪形势，利用案 与密度阈值，计算、识别出核心对象和噪声对象，从 [6] 事件点的长时间序列数据分析、挖掘犯罪，在空间