本文選題：時(shí)空數(shù)據(jù) + 大數(shù)據(jù)��； 參考：《測繪通報(bào)》2017年07期

【摘要】：時(shí)空聚類分析是對時(shí)空大數(shù)據(jù)進(jìn)行利用的一種有效手段。本文提出了一種分布式增量大數(shù)據(jù)聚類分析方法,利用分布增量機(jī)制不但可以減少重復(fù)計(jì)算和遷移拷貝次數(shù),而且可以持續(xù)對聚類結(jié)果進(jìn)行修正,能夠在保持聚類準(zhǔn)確性的條件下提升整體運(yùn)算效率。而聚類算法本身通過數(shù)據(jù)聚集趨勢預(yù)分析、聚類算法和結(jié)果評價(jià)3個(gè)步驟,構(gòu)建了一體化時(shí)空鄰域,在時(shí)間和空間維度保證了聚類結(jié)果的準(zhǔn)確性。經(jīng)過試驗(yàn)證明該方法可以實(shí)現(xiàn)時(shí)空大數(shù)據(jù)的快速高效信息挖掘。
[Abstract]:Temporal-spatial clustering analysis is an effective method to utilize spatiotemporal big data. In this paper, a distributed incremental big data clustering analysis method is proposed. The distributed increment mechanism can not only reduce the number of duplicate computations and transfer copies, but also continuously modify the clustering results. It can improve the overall operation efficiency under the condition of maintaining the clustering accuracy. The clustering algorithm itself constructs an integrated spatio-temporal neighborhood by pre-analysis of data aggregation trend, clustering algorithm and result evaluation, and ensures the accuracy of clustering results in time and space dimensions. Experiments show that this method can realize fast and efficient information mining of spatiotemporal big data.
【作者單位】： 河南財(cái)經(jīng)政法大學(xué)中原經(jīng)濟(jì)區(qū)"三化"協(xié)調(diào)發(fā)展河南省協(xié)同創(chuàng)新中心;河南財(cái)經(jīng)政法大學(xué)資源與環(huán)境學(xué)院;
【基金】：國家自然科學(xué)基金(41501178) 河南財(cái)經(jīng)政法大學(xué)博士科研啟動(dòng)基金(800257)
【分類號】：P208;U491

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 李德仁;馬軍;邵振峰;;論時(shí)空大數(shù)據(jù)及其應(yīng)用[J];衛(wèi)星應(yīng)用;2015年09期

2 楊杰;李小平;陳nI;;基于增量時(shí)空軌跡大數(shù)據(jù)的群體挖掘方法[J];計(jì)算機(jī)研究與發(fā)展;2014年S2期

3 鄧敏;劉啟亮;王佳;石巖;;時(shí)空聚類分析的普適性方法[J];中國科學(xué):信息科學(xué);2012年01期

4 雷小鋒;謝昆青;林帆;夏征義;;一種基于K-Means局部最優(yōu)性的高效聚類算法[J];軟件學(xué)報(bào);2008年07期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李欣;;分布式增量機(jī)制下的交通流大數(shù)據(jù)聚類分析[J];測繪通報(bào);2017年07期

2 李欣;羅慶;孟德友;;基于時(shí)空權(quán)重相關(guān)性的交通流大數(shù)據(jù)預(yù)測方法[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年04期

3 劉寶龍;蘇金;;基于Hadoop平臺的K-means聚類算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2017年06期

4 郁啟麟;;K-means算法初始聚類中心選擇的優(yōu)化[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2017年05期

5 唐建波;劉啟亮;劉博;鄧敏;黃金彩;胡衛(wèi)松;;一種基于重排檢驗(yàn)的時(shí)空聚類方法[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2017年04期

6 賈培靈;樊建聰;彭延軍;;一種基于簇邊界的密度峰值點(diǎn)快速搜索聚類算法[J];南京大學(xué)學(xué)報(bào)(自然科學(xué));2017年02期

7 趙南;張梁;薛衛(wèi);王雄飛;任守綱;;詞袋模型在蛋白質(zhì)亞細(xì)胞定位預(yù)測中的應(yīng)用[J];食品與生物技術(shù)學(xué)報(bào);2017年03期

8 王歡;李紅輝;張駿溫;;改進(jìn)K-means聚類的云任務(wù)調(diào)度算法[J];計(jì)算機(jī)與現(xiàn)代化;2017年02期

9 徐佑軍;譚成國;;時(shí)空數(shù)據(jù)的組織與應(yīng)用研究[J];測繪通報(bào);2017年02期

10 李欣;孟德友;;基于路網(wǎng)相關(guān)性的分布式增量交通流大數(shù)據(jù)預(yù)測方法[J];地理科學(xué);2017年02期

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 劉大有;陳慧靈;齊紅;楊博;;時(shí)空數(shù)據(jù)挖掘研究進(jìn)展[J];計(jì)算機(jī)研究與發(fā)展;2013年02期

2 王珊;王會(huì)舉;覃雄派;周p，

本文編號：2034432