[發明專利]含主導特征的co?location模式挖掘方法

在審

• 申請號: 201710669858.0
• 申請日: 2017-08-08
• 公開（公告）號: CN107480713A
• 公開（公告）日: 2017-12-15
• 發明（設計）人: 王麗珍;方圓;王曉璇;陳紅梅;周麗華
• 申請（專利權）人: 云南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京科億知識產權代理事務所(普通合伙)11350
• 代理人: 湯東鳳

1.一種含主導特征的co-location模式挖掘方法，其特征在于，按照以下步驟進行：

步驟1，

根據距離閾值生成星型實例集；通過掃描星形關系生成一個k階co-location候選模式集c_k＝{f₁,…,f_k}；計算參與度；大于參與度閾值的模式即為一個頻繁的co-location模式；

步驟2，

對于該頻繁模式c_k與該模式的k個k-1階子模式集合分別計算損失度；計算模式的最大特征影響度max_FII(c_k)及最小特征影響度min_FII(c_k)；

步驟3，

通過最大特征影響度與最小特征影響度的差直接判斷該模式是否含有主導特征；

步驟4，

根據剪枝策略，利用最大特征差異度計算替代對模式中的每對特征進行兩兩特征差異度計算；

步驟5，

如果co-location模式c_k被檢測為含主導特征的co-location模式，則通過計算模式中的每個特征來提取主要特征；計算每個特征的最大特征差異度并判斷該特征的最大特征差異度是否大于最小特征差異度閾值min_fd；將大于最小特征差異度閾值min_fd的特征加入模式c_k的主導特征集合中；存儲含有主導特征的co-location模式；反復執行步驟1-4，逐階測試生成的co-location模式，直至無法再產生更高階的頻繁模式為止，最后得到了含主導特征的co-location模式集合及其主導特征集合。

2.根據權利要求1所述的含主導特征的co-location模式挖掘方法，其特征在于，所述步驟1按照以下步驟進行：根據距離閾值生成星型實例集，采用基于星型鄰居擴展的無連接算法生成，并按照下式計算參與度：

PI(ck)=mini=1k(PR(ck,fi))]]>

其中，PR(c_k,f_i)是空間特征f_i在k階co-location模式c_k＝{f₁,…,f_k}中的參與率，即f_i的實例在T(c_k)中不重復出現的個數與f_i總實例個數的比率，PI(c_k)是co-location模式c_k的參與度，其為模式c_k的所有空間特征的參與率值中的最小值；co-location模式c_k的所有行實例的集合稱為表實例，記為T(c_k)；

給定一個空間特征集合F＝{f₁,f₂…,f_n}，一個與F對應的空間實例集合S＝S₁∪S₂∪…∪S_n，其中S_i是對應f_i的實例集合，一個空間鄰近關系R，一個k階空間co-location模式及一組空間實例的子集若l包含c_k的所有特征且所有實例滿足{R(i_i,i_j)|1≤i≤k,1≤j≤k}并形成團，則l稱為co-location模式c_k中的一個行實例，其中R(i_i,i_j)的含義指實例i_i與i_j之間存在鄰近關系；空間特征f_i在k階co-location模式c_k＝{f₁,…,f_k}中的參與率是f_i的實例在T(c_k)中不重復出現的個數與f_i總實例個數的比率，即，其中，π是關系的投影操作，co-location模式c_k＝{f₁,…,f_k}的參與度PI(c_k)是c_k的所有空間特征的PR值中的最小值，即給定用戶定義的最小參與度閾值min_prev，若PI(c_k)≥min_prev，則c_k稱為頻繁的co-location模式，T({f_i})的含義是特征f_i在空間數據集中的實例個數。