时空数据分析算法及其应用研究.docxVIP

时空数据分析算法及其应用研究 空间和时间是现实世界最基本、 最重要的属性， 许多空间应用系统都需要表 达地学对象的时空属性， 例如在地理位置变更、 环境监测、 城市演化等领域都需 要管理历史变化数据，以便重建历史、跟踪变化、预测未来。面向 对象的技是术 用在软件设计中的一种方法， 它用在时空数据 [1]表达中主要是为了克服给定实体 的空间或非空间属性在不同时间不同频率变化而出现的复杂问 题 [2] 。下面从 KNN 、 RNN 、 SkyLine 三种时空数据分析算法出发，论述时空数据分析算法的应用。 1、 KNN 分析算法的基本概述及应用分析 KNN 算法是非参数回归模型的基本算法之一，通过在状态空间中搜 索与待测 X相近的 k 个样本 (Xi ， Yi ) 估计 gn(x) ，因此又称为 k 最近邻非参数回归，其预测函数 [3]可表示为 k k Y=g(X)=Wi（ X； X ，? ， X ） Y = k Y （ 1） k 1 k ki i i i 1 i 1 其中 Xk 1．表示与 x 距离最近的点，并赋予权值k1； Xk2 则被赋予权值k2；以此类推，得到k 个权函数 k1， k2， ?， kk，满足 k k1 ≥ k2≥ ? ≥ kk ≥ 0， k =1 （ 2） i i 1 KNN 算法通过计算样本个体之间的距离或者相似度来寻找与每个样本个体最相近的 K 个个体，在这个过程中需要完成一次样本个体的两两比较，所以算法的时间复杂度，跟样本的个数直接相。关 K 最近邻算法通常情况下是用于分类的， 这只是对 K 近邻算法用途的本质明说 [4] 。从实际来看， K 近邻算法可以应用的地方还有很多，比如系统推荐等等。简 单的讲，就是挖掘出客户喜欢的相同商品， 来进行相似物品的推荐。 另外区分客 户群体，从而使我们更好的为客户服务。 下面是 KNN 分类器构建实例。 KNN 的实现分训练和识别两步。 训练时， 把每类样本降维后的结果作为 KNN 的输入。如图1所示，圆圈表示待识别数据所处的位置， 选择K值为 3 时，选中实线圆中的 3 个数据，识别结果为三角形代表的类；选择K值为 5 时，选中虚线圆中的 5 个数据，识别结果为正方形代表的类。 - 1 - ... 1 KNN 分类器构建 关于智能商务中的聚类算法等， 已经应用于很多系统中， 比如推荐系统、 文 本分类系统等等 [5]。这其中衍生出的产品或者项目都已经被广泛使用于电 子商务 领域。为了增加交易， 满足不同的顾客的需求， 研究人员已经推出了利用消者费 访问和购买的行为的推荐系统。 广泛应用在大的超市或者企业中。 这些系统通常 通过给顾客一些与他购买物品高度相关联的推荐物品， 来增加购买和交易。 比如 亚马逊是通过偏好和用户信息和购买信息来向顾客推荐相关书 。籍 并且在这过程 中，使用的技术并不复杂，而这不妨碍推荐系统的精确 有。效 2、 RNN 分析算法的基本概述及应用分析 通常， RNN 查 [6] 的定义为：给定一个数据点集合P 和一个查询点 q，单色反 询 向最近邻查询 (Monochromatic Reverse Nearest Neighbor Query,RNN) 找出所有 以查询点 q 为最近邻的数据点，即 RNN(q)={p ∈P丨 ? ∈P p’ s.t.d(p,p ’)d(p,q)} ，其中 d 是一个距离度量。给定两个数据集P 和 Q以及一个 查询点 q，双色反向最近邻查询 (Bichromatic Reverse Nearest Neighbor Query,bRNN) 找出所有的数据点 p∈P，满足 p 与 q 之间的距离比 p 与 Q中任意一个点 的距离都要短，即 bRNN(q)={p ∈P丨 ? p∈’Q s.t.d(p,q ’)d(p,q)} 。 [7] 1 展示了该查询算法的一个实例 ，图中显示有四个数据点，每个数据点 都对应一个限定圆，查询点g 落在数据点 p1， P2 对应的限定圆中，因此p1 ， P2 就 g 的 RNN 查询结果，即 RNN(q)={Pl ， P2) 。 ... ... - 2 - ... 图 2 查询实例 近年来，反向最近邻查询学术界得到了深入探讨和研究， 并且在诸如决策支 持、资源分配等许多领域得到了广泛应用。 例如利用随机神经元网络方法和辐射 神经元网络方法设计分布式数据库系统，从而确定数据的物理分段方式 [8] ；再如 利用基于随机神经网络的时延预测模型对时延进行精确的预测， 为实施网络拥塞 控制、路由选择提供重要的依据 [9]。 3、 SkyLine 分析算法的基本概述及应用分析 近年来，流数据挖掘与管理成为学术界和工业界所共同关注的问题， 并且随 着信息技术