在這個大數(shù)據(jù)時代，空間數(shù)據(jù)正在從各個領(lǐng)域飛速累計?？臻g數(shù)據(jù)挖掘作為數(shù)據(jù)挖掘的一部分，現(xiàn)已成為人們研究空間數(shù)據(jù)的重點學(xué)科。

空間數(shù)據(jù)挖掘（Spatial Data Mining，SDM）即找出開始并不知道但是卻隱藏在空間數(shù)據(jù)中潛在的、有價值的規(guī)則的過程。具體來說，空間數(shù)據(jù)挖掘就是在海量空間數(shù)據(jù)集中，結(jié)合確定集、模糊集、仿生學(xué)等理論，利用人工智能、模式識別等科學(xué)技術(shù)，提取出令人相信的、潛在有用的知識，發(fā)現(xiàn)空間數(shù)據(jù)集背后隱藏的規(guī)律、聯(lián)系，為空間決策提供理論技術(shù)上的依據(jù)[1]。

1 空間數(shù)據(jù)挖掘的一般步驟

空間數(shù)據(jù)挖掘系統(tǒng)大致可以分為以下步驟：

（1）空間數(shù)據(jù)準(zhǔn)備：選擇合適的多種數(shù)據(jù)來源，包括地圖數(shù)據(jù)、影像數(shù)據(jù)、地形數(shù)據(jù)、屬性數(shù)據(jù)等。

（2）空間數(shù)據(jù)預(yù)處理和特征提取：數(shù)據(jù)預(yù)處理目的是去除數(shù)據(jù)中的噪聲，包括對數(shù)據(jù)的清洗、數(shù)據(jù)的轉(zhuǎn)換、數(shù)據(jù)的集成等。特征提取是剔除掉冗余或不相關(guān)的特征并將特征轉(zhuǎn)化為適合數(shù)據(jù)挖掘的新特征。

（3）空間數(shù)據(jù)挖掘和知識評估：采用空間數(shù)據(jù)挖掘技術(shù)對空間數(shù)據(jù)進(jìn)行分析處理和預(yù)測，從而發(fā)現(xiàn)數(shù)據(jù)背后的某種聯(lián)系。然后結(jié)合具體的領(lǐng)域知識進(jìn)行評估，看是否達(dá)到預(yù)期效果。

2 空間數(shù)據(jù)挖掘的方法研究

空間數(shù)據(jù)挖掘是一門綜合型的交叉學(xué)科，結(jié)合了計算機科學(xué)、統(tǒng)計學(xué)、地理學(xué)等領(lǐng)域的很多特性，產(chǎn)生了大量處理空間數(shù)據(jù)的挖掘方法。

2.1 空間關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則挖掘是尋找數(shù)據(jù)項之間的聯(lián)系，表達(dá)式形式是X→Y，其中X與Y是兩種不相交的數(shù)據(jù)項集，即X∩Y=?覫。KOPERSKI K等人將關(guān)聯(lián)規(guī)則與空間數(shù)據(jù)庫相結(jié)合，提出了空間關(guān)聯(lián)規(guī)則挖掘[2]?？臻g關(guān)聯(lián)規(guī)則將數(shù)據(jù)項替換為了空間謂詞，一般表達(dá)形式如下：

A1∧A2∧…∧An→B1∧B2∧…∧Bm（3）

令A(yù)=（A1，A2，…，An），B=（B1，B2，…，Bm），A和B分別表示Ai和Bj的謂詞集合，A和B可以是空間謂詞或非空間謂詞，但是必須至少包含一個空間謂詞且A∩B=?覫。SHEKHAR S和HUANG Y針對空間關(guān)聯(lián)規(guī)則的特點提出了把關(guān)聯(lián)規(guī)則的思想泛化成空間索引點集的空間同位規(guī)則的概念，在不違背空間相關(guān)性的同時用鄰域替換掉了事務(wù)[3]。時空關(guān)聯(lián)不僅涉及事件在空間中的關(guān)聯(lián)，還考慮了空間位置和時間序列因素。國內(nèi)的柴思躍、蘇奮振和周成虎提出了基于周期表的時空關(guān)聯(lián)規(guī)則挖掘方法[4]。

2.2 空間聚類

空間聚類分析是普通聚類分析的擴展，不能完全按照處理普通數(shù)據(jù)的聚類分析方法來處理空間數(shù)據(jù)。由于存在地理學(xué)第一定律，即空間對象之間都存在一定的相關(guān)性，因此在空間聚類分析中，對于簇內(nèi)的定義，要考慮空間自相關(guān)這一因素。通過對空間數(shù)據(jù)進(jìn)行自相關(guān)分析，可判斷對象之間是否存在空間相關(guān)性，從而可合理判斷出對象是否可以分為一簇。

基本的聚類挖掘算法有：

（1）劃分聚類算法：存在n個數(shù)據(jù)對象，對于給定k個分組（k≤n），將n個對象通過基于一定目標(biāo)劃分規(guī)則，不停迭代、優(yōu)化，直到將這n個對象分配到k個分組中，使得每組內(nèi)部對象相似度大于組之間相似度。

（2）層次聚類算法：通過將數(shù)據(jù)不停地拆分與重組，最終把數(shù)據(jù)轉(zhuǎn)為一棵符合一定標(biāo)準(zhǔn)的具有層次結(jié)構(gòu)的聚類樹。

（3）密度聚類算法：用低密度的區(qū)域?qū)?shù)據(jù)對象進(jìn)行分割，最終將數(shù)據(jù)對象聚類成為若干高密度的區(qū)域。

（4）圖聚類算法：用空間結(jié)點表示每個數(shù)據(jù)對象，然后基于一定標(biāo)準(zhǔn)形成若干子圖，最后把所有子圖聚類成一個包含所有空間對象的整圖，子圖則代表一個個空間簇。

（5）網(wǎng)格聚類算法：把空間區(qū)域分割成具有多重分辨率的和有網(wǎng)格結(jié)構(gòu)特性的若干網(wǎng)格單元，在網(wǎng)格單元上對數(shù)據(jù)進(jìn)行聚類。

（6）模型聚類算法：借助一定的數(shù)學(xué)模型，使用最佳擬合數(shù)據(jù)的數(shù)學(xué)模型來對數(shù)據(jù)進(jìn)行聚類，每一個簇用一個概率分布表示。

僅采用一種算法通常無法達(dá)到令人滿意的預(yù)期結(jié)果，王家耀、張雪萍、周海燕將遺傳算法與K-均值算法結(jié)合提出了用于空間聚類分析的遺傳K-均值算法[5]。現(xiàn)實空間環(huán)境中，存在很多像道路、橋梁、河流的障礙物，張雪萍、楊騰飛等人把K-Medoids算法與量子粒子群算法結(jié)合進(jìn)行帶有空間障礙約束的聚類分析[6]。

2.3 空間分類

分類，簡單地說是通過學(xué)習(xí)得到一定的分類模型，然后把數(shù)據(jù)對象按照分類模型劃分至預(yù)先給定類的過程?？臻g分類時，不僅考慮數(shù)據(jù)對象的非空間屬性，還要顧及鄰近對象的非空間屬性對其類別的影響，是一種監(jiān)督式的分析方法。

空間分類挖掘方法有統(tǒng)計方法、機器學(xué)習(xí)的方法和神經(jīng)網(wǎng)絡(luò)方法等。貝葉斯分類器是基于統(tǒng)計學(xué)的方法，利用數(shù)據(jù)對象的先驗概率和貝葉斯公式計算出其后驗概率，選擇較大后驗概率的類作為該對象映射的類別。決策樹分類器是機器學(xué)習(xí)的方法，采取從上到下的貪心策略，比較決策樹內(nèi)部節(jié)點的屬性值來往下建立決策樹的各分支，每個葉節(jié)點代表滿足某個條件的屬性值，從根節(jié)點到葉節(jié)點的路徑表示一條合適的規(guī)則。支持向量機也是機器學(xué)習(xí)的方法，思路是使用非線性映射把訓(xùn)練數(shù)據(jù)集映射到較高維，然后尋找出最大邊緣超平面，將數(shù)據(jù)對象分類。神經(jīng)網(wǎng)絡(luò)是一種模擬人神經(jīng)的網(wǎng)絡(luò)，由一組連接的輸入和輸出單元組成，賦予各個連接相應(yīng)的權(quán)值，通過調(diào)節(jié)各連接的權(quán)值使得數(shù)據(jù)對象得到正確分類。

針對融入空間自相關(guān)性的空間分類挖掘，SHEKHAR S等人使用空間自回歸模型和基于貝葉斯的馬可夫隨機場進(jìn)行空間分類挖掘[7]，汪閩、駱劍承、周成虎等人將高斯馬爾可夫隨機場與支持向量機結(jié)合并將其用于遙感圖像的信息提取[8]。

2.4 其他空間挖掘方法

空間數(shù)據(jù)挖掘的方法多種多樣，其他還包括：空間分析的方法，即利用GIS的方法、技術(shù)和理論對空間數(shù)據(jù)進(jìn)行加工處理，從而找出未知有用的信息模式；基于模糊集、粗糙集和云理論的方法可用來分析具有不確定性的空間數(shù)據(jù)；可視化方法是對空間數(shù)據(jù)對象的視覺表示，通過一定技術(shù)用圖像的形式表達(dá)要分析的空間數(shù)據(jù)，從而得到其隱含的信息；國內(nèi)張自嘉、岳邦珊、潘琦等人將蟻群算法與自適應(yīng)濾波的模糊聚類算法相結(jié)合用以對圖像進(jìn)行分割[9]。

3 結(jié)論

空間數(shù)據(jù)挖掘作為數(shù)據(jù)挖掘的延伸，有很好的傳統(tǒng)數(shù)據(jù)挖掘方法理論的基礎(chǔ)，雖然取得了很大進(jìn)步，然而其理論和方法仍需進(jìn)一步的深入研究。伴隨著大數(shù)據(jù)時代，面對越來越多的空間數(shù)據(jù)，提升數(shù)據(jù)挖掘的準(zhǔn)確度和精度是一個有待研究的問題。同時現(xiàn)在流行的空間數(shù)據(jù)挖掘算法的時間復(fù)雜度仍停留在O（nlog（n））~O（n3）之間，處理大量的異構(gòu)數(shù)據(jù)，數(shù)據(jù)挖掘算法的效率也需要進(jìn)一步提高。數(shù)據(jù)挖掘在云環(huán)境下已經(jīng)得到很好的應(yīng)用[10]，對于處理空間數(shù)據(jù)的空間云計算是有待學(xué)者們研究的方向。大多數(shù)空間數(shù)據(jù)挖掘算法沒有考慮含有障礙約束的情況，如何解決現(xiàn)實中障礙約束問題值得探討。帶有時間屬性的空間數(shù)據(jù)呈現(xiàn)出了一種動態(tài)、可變的空間現(xiàn)象，時空數(shù)據(jù)挖掘將是未來研究的重點。

由于數(shù)據(jù)挖掘涉及多種學(xué)科，其基本理論與方法也已經(jīng)比較成熟，針對空間數(shù)據(jù)挖掘，如何合理地利用和拓展這些理論方法以實現(xiàn)對空間數(shù)據(jù)的挖掘仍將是研究人員們需要長期努力的方向。