时空数据模型综述_陈新保
国内物流需求预测方法文献综述
国内物流需求预测方法文献综述 (河北工程大学管理科学与工程阮俊虎） 物流需求是指一定时期内社会经济活动对生产、流通、消费领域的原材料、半成品和成品、商品以及废旧物品、废旧材料等的配置作用而产生的对物在空间、时间和费用方面的要求，涉及运输、库存、包装、装卸搬运、流通加工以及与之相关的信息需求等物流活动的诸方面[1]。物流需求的度量可以采用价值量和实物量两种度量体系。实物量意义上的物流需求主要表现为不同环节和功能的具体作业量，如货运量、库存量、加工量、配送量等；价值量意义上的物流需求是所有物流环节全部服务价值构成的综合反映，如物流成本、物流收入、供应链增值等[2]。 物流需求预测是根据物流市场过去和现在的需求状况，以及影响物流市场需求变化的因素之间的关系，利用一定的判断、技术方法和模型，对物流需求的变化及发展趋势进行预测。国内外许多专家和学者都对物流需求的预测进行了研究，提出不同的预测方法和手段。物流预测方法可以分为定性预测方法（如德尔菲法和业务人员评估法等）和定量预测方法，但多数是定量预测方法，因此，本文主要是对国内物流需求定量预测方法进行综述，归为时间序列预测方法、因果关系预测方法、组合预测方法等三类。 1．时间序列预测方法综述 时间序列预测方法是依据从历史数据组成的时间序列中找出预测对象的发展变化规律，以此作为预测依据。常用的时间序列预测模型有增长率法、移动平均法、指数平滑法、随机时间序列模型、灰色模型、以及在经济领域已经被广泛应用的混沌与分形等。 增长率法指根据预测对象在过去的统计期内的平均增长率，类推未来某期预测值的一种简便算法。该预测方法一般用于增长率变化不大，或预计过去的增长趋势在预测期内仍将继续的场合。刘劲等[3]（2002）在利用增长率系数法对百色地区港口货运量进行了逐一分析。 移动平均法是用一组最近的实际数据值来预测未来一期或几期内产品的需求量的一种常用方法。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。根据预测时使用的各元素的权重不同，移动平均法可以分为：简单移动平均和加权移动平均。杨荣英等[4]（2001）在讨论移动平均值的基础上，提出了移动平均线方法，并介绍了运用移动平均线进行物流预测的方法。李海建等[5]（2003）利用二次移动平均线模型对芜湖市物流业发展的规模进行了预测。 指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。韦司滢等[6]（1999）将指数平滑法等其他多种方法应用在三峡移民工程建材配送决策支持系统中。黄荣富等[7]（2003）、
海洋时空数据模型分析研究现状
学年论文：海洋时空数据模型研究现状 学院：海洋学院 专业：海洋技术 姓名：钱为 学号：10053212
海洋时空数据模型研究现状 钱为 <天津科技大学海洋学院海洋技术专业天津 300457 ） 【摘要】21世纪是海洋的世纪，海洋的开发与利用促进了海洋科学研究的蓬勃 发展并对海洋时空信息服务提出了更高的要求.本文主要对已有的时空数据模型、进行了评述，指出了各种模型的优点以及存在的问题。在此基础上，说明了海洋时空数据模型研究进展与现状。说明了海洋时空数据模型在实际中的应用， 以及其在海洋领域的不可或缺的地位。 关键词:海洋，时空数据模型，海洋时空数据模型 【 abstract 】 21 century is the century of sea, Marine development and use of promoting the vigorous development of the Marine scientific research and information service on ocean space and time put forward higher request. This paper focuses on the existing space time data model, are reviewed in this paper, and points out the various advantages of the model and the existing problems。 Based on this, that the Marine space time data model research progress and status. That the Marine space time data model in real application, and the important of it. Keywords: Marine, space time data model, Marine space time data model 1：引言 时态地理信息系统( TGIS> 是一种采集、存储、管理、分析与显示地学对象随时间变化信息的计算机系统。建立合理、完善、高效的时空数据模型是实现时态GIS 的基础和关键，以便有效地组织、管理和完善时态地理数据、属性、空间和时间语义，实现重建历史状态，跟踪变化，预测未来。目前，关于时空数据模型的研究大多都是基于陆地应用的，海洋数据由于其测量方式以及自身因素等方面的原因，使其具有不同于陆地上数据的独特之处。因此，现有的各种时空数据模型都不能很好地符合海洋领域的需要，必须根据海洋数据独有的特点建立起合适海洋时空数据模型。海洋时空数据模型建模理论为海洋地理信息系统发展提供理论基础，同时也为“数字海洋”的建设提供的科学依据。本文评析了现有各种基于陆地应用的时空模型不足之处，并对海洋时空数据模型的研究进展进行了综述，着重对ArcGIS 海洋数据模型进行介绍，在此基础上，对其时空数据组织方法进行了改进，并通过在“数字海洋”原型系统工程中进行应用对其进行验证，解决了一定的实际问题。 2：时空数据模型与海洋时空数据模型
中国证券市场股票价格预测模型综述
中国证券市场股票价格预测模型综述 王 浩 (洛阳理工学院工程管理系,洛阳 471023)* 摘 要:中国金融市场的证券价格存在着可预测成分。现有的各种统计预测方法基本都可以归纳为时间关系模型和因果关系模型两大类,详细分析了各种模型的实现方法并总结了其特点。 关键词:预测;股票价格;统计模型;综述do:i 10.3969/j .issn .1000-5757.2009.07.058 中图分类号:F830191 文献标志码:A 文章编号:1000-5757(2009)07-0058-03 一、证券市场可预测性 有效市场理论指出,证券价格呈现随机游走特征,因此技术分析和掷骰子选出的股票,最终表现相差无几。大量分析却发现中国股票价格波动具有长期记忆性,拒绝了随机游走假设,即股市涨跌存在自身的规律,无论长期和短期都存在着可预测的成分,因而技术分析是有用的,通过采用 相应策略,投资者可以获得超常利润。[1] 中国证券市场呈 现弱有效性的原因可能在于,作为一个新兴市场,法制、监管等因素造成市场信息传递效率低下,投资者在博弈中存在严重的信息和资金实力不对称,而且这种不对称状态并不能在市场中迅速消除,因此F a m a 所描述的概率上的/瞬时性0还无法达到,而这种市场结构的特点,使得某些/技术分析0成为信息挖掘的成本。 由于股票指数序列呈现高度的非线性,经典计量经济模型和时间序列模型的有效性受到了挑战。现代预测理论和统计学、信息技术、优化算法紧密结合,向复杂化和智能化方向发展。至少目前在我国,各种预测技术方兴未艾,投资者按照自己的经验采用各不相同的指标作为决策依据,在市场上低买高卖,获得了成功,也经历过失败。 二、主要预测模型1.神经网络模型 神经网络是一种大规模并行处理系统,具有良好的自学习能力、抗干扰能力和强大的非线性映射能力,能够从大量历史数据中进行聚类和学习,自动提取样本隐含的特征和规则,进而找到某些行为变化规律,可以实现任何复杂的因果关系。BP (反向传播)和RBF (径向基函数)神经网络是最常见的股市预测模型。崔建福等发现BP 模型普遍显著优于 GARCH (广义自回归条件异方差)模型,从而认为对股票价格这样波动频繁的时间序列,从非线性系统角度建模略胜于 从非平稳时间序列角度建模。[2] 由于传统算法收敛速度慢且 全局寻优能力差,更多研究将精力放在对神经网络结构和参数的改进上。丁雪梅等发现改进后BP 算法的预测结果比 回归预测、指数平滑预测和灰色预测都要好。 [3]神经网络预测方法的应用有两个明显特点。一方面,统计模式识别和数字信号处理等领域的特征选择和提取方法,如小波包最优分解方法、混沌吸引子理论、K a l m an 滤波算法、主成分分析、灰色系统理论,广泛用于神经网络输入参数的甄别。另一方面,新的网络模型不断被应用于证券预测实践以提高映射效率,如模糊神经网络和小波神经网络。预测结果明显优于普通神经网络模型。 神经网络的缺陷在于,网络结构只能事先指定或应用启发式算法在训练过程中寻找,需要在充分了解待解决问题的基础上,主要依靠个人经验来确定,没有统一的规范,往往需要通过反复改进和试验,最终才能选出一个相对较好的设计方案,并且网络训练过程易陷入局部极小点。不过,神经网络最致命缺点在于,无法表达和分析预测系统的输入输出之间的关系,难以解释系统输出结果。 2.灰色系统和随机过程模型 灰色预测普遍采用灰色系统模型,经由累加过程削弱原始数据的随机干扰,突出系统所蕴涵的内在规律,然后建立动态预测模型。马尔可夫过程是无后效性的随机过程,是一种应用极为广泛的传统方法。灰色系统GM (1,1)模型的解为指数型曲线,几何图形较为平滑,比较适用于具有增长趋势的问题,而对随机性波动较大的数据进行预测,会 58 第25卷 第7期V o.l 25 四川教育学院学报 J OURNAL OF S I CHUAN C O LLEG E OF EDU CAT I ON 2009年7月 Ju.l 2009 * 收稿日期:2009-02-23 作者简介:王浩(1973)),男,河南西峡人,副教授,硕士,研究方向:区域经济发展理论与数量分析。
模糊数学在数据挖掘领域综述
模糊数学在数据挖掘研究综述 一、模糊数学 关于数学的分类，根据所研究对象的确定性可以分为经典数学、随机数学以及模糊数学。三者的关系如图1所示。经典数学建立在集合论的基础上，一个对象对于一个集合要么属于，要么不属于，两者必居其一，且仅居其一，绝不可模棱两可，由于这个要求，大大限制了数学的应用范围，使它无法处理日常生活中大量的不明确的模糊现象与概念。随着发展,过去那些与数学毫无关系或关系不大的学科如生物学，心理学，等都迫切要求定量化和数学化。 图1依照研究对象是否确定的数学分类 在日常生活中，我们经常会遇到一些模糊不清的概念。例如，“高个子”、“矮个子”等。如果把1.80米的人算高个子，那么，身高1.76米的人算不算高个子呢？这就很难说，因为“高个子”，“矮个子”并没有二者明确的标准，因而这些概念就显得模糊不清。为了适应这些学科自身的特点，只有通过改造数学，使它应用的面更为广泛。模糊数学就是研究事物这种模糊性质的一门数学学科。 模糊数学诞生于1965年，创始人是美国自动控制专家查德，他最早提出了模糊集合的概念，引入了隶属函数。自诞生之日起，就与电子计算机息息相关。今天精确的数学计算当然是不可少的，然而，当我们要求脑功能的时候，精确这个长处反而成了短处。例如，我们在判别走过的人是谁时，总是将来人的高矮，胖瘦、走路姿势与大脑存储的样子进行比较，从而作出判断。一般说来，这不是件难事，即使是分别多年的老友，也会很快地认出他来，但是若让计算机做这件事，使用精确数学就太复杂了。得测量来人的身高、体重、手臂摆的角度以及鞋底对地面的正压力、磨擦力、速度、加速度等数据，而且非要精确到后几十位才肯罢休。如果有位熟人最近稍为瘦了或胖了一些，计算机就“翻脸不认了”。显然，这样的“精确”容易使人糊涂。由此可见，要使计算机能模拟人功能，一定程度的模糊是必要的。模糊数学就是在这样的背景下诞生的。 随机数学与模糊数学都是对不确定性量的研究，但与模糊数学不同的是，随机数学是研究随机现象统计规律性的一个数学分支，涉及四个主要部分：概率论、随机过程、数理统计、随机运筹。随机数学更强调对数据的统计规律；而模糊数学强调的是变量的定义的模糊性。 模糊数学是一门新兴学科，过去那些与数学毫不相关或关系不大的学科（如生物学、心理学、语言学、社会科学等）都有可能用定量化和数学化加以描述和处理，从而使数学的应用范围大大扩展。它已初步应用于模糊控制、模糊识别、模糊聚类分析、模糊决策、模糊评判、系统理论、信息检索、医学、生物学等各个方面，并且在气象、结构力学、控制、心理学等方面已有具体的研究成果。模糊数学最重要的应用领域是计算机职能，它与新一代计算机的研制有密切的联系。 二、模糊计算
大数据时代的空间数据挖掘综述
第37卷第7期测绘与空间地理信息 GEOMATICS ＆SPATIAL INFOＲMATION TECHNOLOGY Vol．37，No．7收稿日期：2014－01－22 作者简介：马宏斌（1982－），男，甘肃天水人，作战环境学专业博士研究生，主要研究方向为地理空间信息服务。 大数据时代的空间数据挖掘综述 马宏斌1 ，王 柯1，马团学 2（1．信息工程大学地理空间信息学院，河南郑州450000；2．空降兵研究所，湖北孝感432000） 摘 要：随着大数据时代的到来，数据挖掘技术再度受到人们关注。本文回顾了传统空间数据挖掘面临的问题， 介绍了国内外研究中利用大数据处理工具和云计算技术，在空间数据的存储、管理和挖掘算法等方面的做法，并指出了该类研究存在的不足。最后，探讨了空间数据挖掘的发展趋势。关键词：大数据；空间数据挖掘；云计算中图分类号：P208 文献标识码：B 文章编号：1672－5867（2014）07－0019－04 Spatial Data Mining Big Data Era Ｒeview MA Hong －bin 1，WANG Ke 1，MA Tuan －xue 2 （1．Geospatial Information Institute ，Information Engineering University ，Zhengzhou 450000，China ； 2．Airborne Institute ，Xiaogan 432000，China ） Abstract ：In the era of Big Data ，more and more researchers begin to show interest in data mining techniques again．The paper review most unresolved problems left by traditional spatial data mining at first．And ，some progress made by researches using Big Data and Cloud Computing technology is introduced．Also ，their drawbacks are mentioned．Finally ，future trend of spatial data mining is dis-cussed． Key words ：big data ；spatial data mining ；cloud computing 0引言 随着地理空间信息技术的飞速发展，获取数据的手 段和途径都得到极大丰富，传感器的精度得到提高和时空覆盖范围得以扩大，数据量也随之激增。用于采集空间数据的可能是雷达、红外、光电、卫星、多光谱仪、数码相机、成像光谱仪、全站仪、天文望远镜、电视摄像、电子 显微镜、CT 成像等各种宏观与微观传感器或设备，也可能是常规的野外测量、人口普查、土地资源调查、地图扫描、 地图数字化、统计图表等空间数据获取手段，还可能是来自计算机、 网络、GPS ，ＲS 和GIS 等技术应用和分析空间数据。特别是近些年来，个人使用的、携带的各种传感器（重力感应器、电子罗盘、三轴陀螺仪、光线距离感应器、温度传感器、红外线传感器等），具备定位功能电子设备的普及，如智能手机、平板电脑、可穿戴设备（GOOGLE GLASS 和智能手表等），使人们在日常生活中产生了大量具有位置信息的数据。随着志愿者地理信息（Volunteer Geographic Information ）的出现，使这些普通民众也加入到了提供数据者的行列。 以上各种获取手段和途径的汇集，就使每天获取的 数据增长量达到GB 级、 TB 级乃至PB 级。如中国遥感卫星地面站现在保存的对地观测卫星数据资料达260TB ，并以每年15TB 的数据量增长。比如2011年退役的Landsat5卫星在其29年的在轨工作期间，平均每年获取8．6万景影像，每天获取67GB 的观测数据。而2012年发射的资源三号（ZY3）卫星，每天的观测数据获取量可以达到10TB 以上。类似的传感器现在已经大量部署在卫 星、 飞机等飞行平台上，未来10年，全球天空、地空间部署的百万计传感器每天获取的观测数据将超过10PB 。这预示着一个时代的到来，那就是大数据时代。大数据具有 “4V ”特性，即数据体量大（Volume ）、数据来源和类型繁多（Variety ）、数据的真实性难以保证（Veracity ）、数据增加和变化的速度快（Velocity ）。对地观测的系统如图1所示。 在这些数据中，与空间位置相关的数据占了绝大多数。传统的空间知识发现的科研模式在大数据情境下已经不再适用，原因是传统的科研模型不具有普适性且支持的数据量受限， 受到数据传输、存储及时效性需求的制约等。为了从存储在分布方式、虚拟化的数据中心获取信息或知识，这就需要利用强有力的数据分析工具来将
基于过程的面向对象时空数据模型数据组织方法
基于过程的面向对象时空数据模型数据组织方法 李景文1a,1b, 邹文娟1a,1b, 田丽亚 2 ,农佳捷3，苏浩3 (1a.桂林理工大学土木与建筑工程学院，桂林541004；1b.广西空间信息与测绘重点实验室，桂林541004；2.湛江市规划勘测设计院，湛江524000；3.广西科技信息网络中心，南宁530012)摘要：在分析现有时空数据模型和面向对象方法的基础上，提出了基于过程的面向对象时空数据模型，该模型能反映时空对象的演变过程，以及在这个过程中产生的事件因果联系，并且通过过程语义和面向对象思想两者的结合较好地解决了时空动态数据的组织、存储和查询问题。 关键词：时空数据模型；过程；面向对象；数据组织 中图分类号:文献标识码：文章编号： 0 引言 随着时态GIS应用的不断推广，时空数据模型已成为国内外众多学者的研究热点。Peuquet和Duan提出了基于事件的时空数据模型[1]，该模型能较好地反映地理现象状态改变的因果关系，有利于时空分析，但难以表达事件的历史回溯和动态反演；舒红等提出了基于对象的时空数据模型[2]，该模型能隐式地表达对象的几何与拓扑关系的动态变化，但是也难以解决诸如引起对象变化的原因、发展程度、变化趋势等问题；张丰等提出了基于过程的时空数据模型[3]，该模型重点表达了参与变化的时空对象和时空过程以及变化的因果联系、演变和约束关系，但在表达与分析突发事件或离散过程的地理实体或现象时具有一定的应用局限性。本文从时空语义建模的角度出发，以过程语义和面向对象为基础，构建了基于过程的面向对象时空数据模型，研究和探讨了基于该模型的时空数据组织和时空查询，表达了时空语义并实现了在语义层面上的数据共享[4]，同时实现了时空对象在时间特征、空间特征和属性特征上的统一表达和管理以及在时间轴上的无缝描述。 1空间对象变化的过程语义描述 基于过程语义的时空数据模型[5]，将过程对象作为完整的表达载体，该类模型采用分级的思想对“过程→状态”进行提取，然后回溯复原“状态→过程”，从而提供给对象变化更丰富的时空语义和更完整的动态表达。 1.1状态、事件、过程的相互关系 状态是在特定的时间里，空间实体客观存在的形式，表达对象相对恒定的过程。空间对象的存在是指在其生命周期内从出生时态到死亡时态之间的相对稳定的一个过程，空间对象的产生和死亡是一个瞬间状态，空间对象的存在是一个相对稳定的状态[6]。 事件是空间对象在时间维上从一个状态到另一个状态的质变过程，每个事件代表一个状态变化。一个事件的发生一定有唯一的开始时间和结束时间，而一个时间段或时间点可对应多个事件。因此事件在时间维上的顺序表达了空间对象变化的时空过程。 过程是基于分类或抽象所得到的逻辑上相连的事件序列。过程实质上是时间轴上相邻两个状态间的时空对象细化而成的多个具有特殊意义的操作，这些操作导致对象从量的变化到质的变化。 状态（S-State）、事件（E-Event）及过程（P-Process）之间的关系如图1和图2所示： 收稿日期：2010-9- 基金项目：广西自然科学基金重点项目(桂科自2011GXNSFD018003)；广西科学研究与技术开发计划项目(桂科能0992030-1、10100018-2)；. 作者简介：李景文(1971-)，男，博士，教授，从事GIS理论和应用方面的研究。E-mail:lijw2008@https://www.wendangku.net/doc/667366036.html,
可视化空间数据挖掘研究综述
可视化空间数据挖掘研究综述 贾泽露1，2 刘耀林2 （1. 河南理工大学测绘与国土信息工程学院，焦作，454000；2. 武汉大学资源与环境科学学院，武汉，430079）摘要：空间数据挖掘针对的是更具有可视化要求的地理空间数据的知识发现过程，可视化能提供同用户对空间目标心理认知过程相适应的信息表现和分析环境，可视化与空间数据挖掘的结合是该领域研究发展的必然，并已成为一个研究热点。论文综述了空间数据挖掘和可视化的研究现状，重点阐述了空间数据挖掘中的可视化化技术及其应用，并对可视化空间数据挖掘的发展趋势进行了阐述。 关键词：数据挖掘；空间数据挖掘；数据可视化；信息可视化；GIS； 空间信息获取技术的飞速发展和各种应用的广泛深入，多分辨率、多时态空间信息大量涌现，以及与之紧密相关的非空间数据的日益丰富，对海量空间信息的综合应用和处理技术提出了新的挑战，要求越来越高。空间数据挖掘技术作为一种高效处理海量地学空间数据、提高地学分析自动化和智能化水平、解决地学领域“数据爆炸、知识贫乏”问题的有效手段，已发展成为空间信息处理的关键技术。然而，传统数据挖掘“黑箱”作业过程使得用户只能被动地接受挖掘结果。可视化技术能为数据挖掘提供直观的数据输入、输出和挖掘过程的交互探索分析手段，提供在人的感知力、洞察力、判断力参与下的数据挖掘手段，从而大大地弥补了传统数据挖掘过程“黑箱”作业的缺点，同时也大大弥补了GIS重“显示数据对象”轻“刻画信息结构”的弱点，有力地提高空间数据挖掘进程的效率和结果的可信度[1]。空间数据挖掘中可视化技术已由数据的空间展现逐步发展成为表现数据内在复杂结构、关系和规律的技术，由静态空间关系的可视化发展到表示系统演变过程的可视化。可视化方法不仅用于数据的理解，而且用于空间知识的呈现。可视化与空间数据挖掘的结合己成为必然，并已形成了当前空间数据挖掘1与知识发现的一个新的研究热点——可视化空间数据挖掘(Visual Spatial Data Mining，VSDM)。VSDM技术将打破传统数据挖掘算法的“封闭性”，充分利用各式各样的数据可视化技术，以一种完全开放、互动的方式支持用户结合自身专业背景参与到数据挖掘的全过程中，从而提高数据挖掘的有效性和可靠性。本文将对空间数据挖掘、可视化的研究概况，以及可视化在空间数据挖掘中的应用进行概括性回顾总结，并对未来发展趋势进行探讨。 一、空间数据挖掘研究概述 1.1 空间数据挖掘的诞生及发展 1989年8月，在美国底特律市召开的第一届国际联合人工智能学术会议上，从事数据库、人工智能、数理统计和可视化等技术的学者们，首次出现了从数据库中发现知识(knowledge discovery in database，KDD)的概念，标志着数据挖掘技术的诞生[1]。此时的数据挖掘针对的 作者1简介：贾泽露（1977,6－），男，土家族，湖北巴东人，讲师，博士，主要从事空间数据挖掘、可视化、土地信息系统智能化及GIS理论、方法与应用的研究和教学工作。 作者2简介：刘耀林(1960,9- ),男，汉族，湖北黄冈人，教授，博士，博士生导师，武汉大学资源与环境科学学院院长，现从事地理信息系统的理论、方法和应用研究和教学工作。
数据挖掘文献综述
湘潭大学 本科生专业文献综述 题目: 数据挖掘文献综述 姓名: 林勇 学院: 信心工程学院学院 专业: 自动化 班级: 一班 学号: 2010550113 指导教师: 张莹
0前言 随着计算机技术的迅猛发展，人类正在步入信息社会。面对今天浩如烟海的信息，如何帮助人们有效地收集和选择所感兴趣的信息，更关键的是如何帮助用户在日益增多的信息中自动发现新的概念并自动分析它们之间的关系，使之能够真正地做到信息处理的自动化，这已成为信息技术领域的热点问题。数据挖掘就是为满足这种要求而产生并迅速发展起来的，可用于开发信息资源的一种新的数据处理技术。 1什么是数据挖掘 数据挖掘(Data Mining)，也叫数据开采，数据采掘等，是按照既定的业务目标从海量数据中提取出潜在、有效并能被人理解的模式的高级处理过程。在较浅的层次上，它利用现有数据库管理系统的查询、检索及报表功能，与多维分析、统计分析方法相结合，进行联机分析处理，从而得出可供决策参考的统计分析数据。在深层次上，则从数据库中发现前所未有的、隐含的知识。OLAF'的出现早于数据挖掘，它们都是从数据库中抽取有用信息的方法，就决策支持的需要而言两者是相辅相成的。OLAP可以看作一种广义的数据挖掘方法，它旨在简化和支持联机分析，而数据挖掘的目的是便这一过程尽可能自动化。数据挖掘基于的数据库类型主要有：关系型数据库、面向对象数据库、事务数据库、演绎数据库、时态数据库、多媒体数据库、主动数据库、空间数据库、遗留数据库、异质数据库、文本型、Internet信息库以及新兴的数据仓库(Data Warehouse)等。而挖掘后获得的知识包括关联规则、特征规则、区分规则、分类规则、总结规则、偏差规则、聚类规则、模式分析及趋势分析等。 1.1 数据挖掘的任务 数据挖掘的两个高层目标是预测和描述。前者指用一些变量或数据库的若干已知字段预测其它感兴趣的变量或字段的未知的或未来的值；后者指找到描述数据的可理解模式。根据发现知识的不同，我们可以将数据挖掘任务归纳为以下几类： (1)特征规则。从与学习任务相关的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征．例如可以从某种疾病的症状中提取
交通流预测模型综述
交通流预测模型综述 摘要： 随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。为了缓解交通压力，交通专家也提出了各种不同的方法。在交通网络越来越复杂的今天，交通流预测在智能交通系统中是个热门的研究领域，因为正确的交通流预测，可以进行实时交通信号控制，交通分配、路径诱导、自动导航，事故检测等。本文从交通流短期预测模型出发，分析常见预测模型的优缺点，得出综合模型进行预测将是交通流预测领域的发展趋势。 关键字：交通流预测，智能交通系统，综合模型 Traffic flow predictive models review Abstract: With the development of society, traffic accidents, traffic jams, environmental pollution and energy consumption problems become more and more serious. In order to alleviate traffic pressure, traffic experts also puts forward all kinds of different methods. In the traffic network is more and more complex today, traffic flow predictive in intelligent transportation system is a hot research fields, because the correct traffic flow predictive, can real-time traffic signal control, traffic distribution, route guidance, automatic navigation, accident detection, etc. This article from short-term prediction model of traffic flow, analyzes the advantages and disadvantages of common prediction model, it is concluded that predict comprehensive model will be traffic flow predictive areas of development trend. Keywords:Traffic flow predictive, Intelligent transportation system, integrated model 引言 目前，有关交通流预测方面的研究已取得大量的成果，建立了多种实时交通量预测的方法，其预测精度也达到了较高水平。本文先是通过研究分析不同交通流短期预测模型的优缺点，然后对具有优势的基于神经网络的综合模型进行模型的构建。 一、交通流预测概述 （一）交通流预测的必要性 随着人们生活水平的提高，私家车的数量、人们出行的次数等越来越多，使得交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。很多城市也陷入了“拥有最宽阔的马路，也拥有最宽阔的…停车场?”的困境，严重影响了城市的运转效率，客观上阻碍了社会、经济的快速发展。多年来，世界各国的城市交通专家提出各种不同的方法，试图通过先进的智能交通手段来缓解交通拥堵问题。而实现这些系统或方法的关键，不仅要有实时的道路检测数据，更重要的是，要获得实时、可靠、准确的预测信息。再利用动态路径诱导和交通信息系统为出行者提供实时有效的道路信息，实现动态路径诱导，达到节约出行者旅行时间，缓解道路拥堵，减少污染、节省能源等的目的。因此，准确、可靠的交通预测信息是动态路径诱导系统的基础和关键。
时空数据分析算法及其
时空数据分析算法及其应用研究
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。面向对象的技术是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点X 相近的k 个样本(X i ，Y i )估计g n (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 Y=g(X)=∑=k 1i W i （X ；X k 1，…，X k k ）Y i =∑=k 1i k i Y i （1） 其中X k 1．表示与x 距离最近的点，并赋予权值k 1；X k 2则被赋予权值k 2；以此 类推，得到k 个权函数k 1，k 2，?，k k ，满足 k 1≥k 2≥…≥k k ≥0，∑=k 1i i k =1 （2） 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说明[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。
数据挖掘报告
数据挖掘报告 一、数据挖掘综述 随着信息时代的来临，网络技术的发展和普及，各个行业都有爆炸性的数据增长，这些海量的数据中隐藏着我们需要的信息和财富。国际数据公司（IDC）报告称，2011年全球被复制和创建的数据总量就已经大得惊人，在短短几年时间内增长了近9倍，而且预计这些数据每两年就将至少增加一倍。并且，政府机构也对外宣称了要加快数据研究进度这一重大计划，各行业也在积极讨论数据挖掘研究带来的吸引力。面对如此庞大的数据，以及这些数据背后的价值和新的机遇，挖掘和研究这些数据就会给我们带来挑战和切实的利益。 早在1989 年8 月美国底特律召开的第11 届国际功能会议上就出现了KDD 这个术语，1995年学术界和工业界共同成立了ACM 数据挖掘与知识发现专委，后者发展成为数据挖掘领域的顶级国际会议。数据挖掘是一门交叉学科，涉及到各个行业和各个领域，同时，随着各行业对大量数据的处理深度和分析上的需求的增加，数据挖掘研究已经成为了学术界研究的热门学科，同时也受到各领域的重视。 经过多年的发展，数据挖掘研究领域成果颇丰，已经有了一套自己的基础理论。从大体趋势来说，国内和国外的研究方法和方向有差异，尤其是在某些方面还是存在着一定的差距。总的来说，国外的研究更偏重交叉学科和理论基础的研究，而国内则偏重于实际的应用上，用数据来解决实际的问题。同时，国内的学者在研究上也处于世界前沿水平，在国际舞台上也有十分突出的成绩，近年来也频频有国内团队登上国际领奖台。 在20世纪90年代中后期，用关联规则来进行挖掘、分类、预测等被逐渐用于时间序列数据挖掘和空间数据挖掘，以发现与时间和空间相关的有价值的模式，这些手段使得数据挖掘研究领域已经有了一些比较成熟的技术。如今的定位系统、手持移动设备等设备的普及和应用积累了大量的移动对象数据，对这些数据领域的研究使我们受益匪浅。近年来，数据挖掘研究已经渗透到生物信息、医疗卫生、智能交通、金融证券、社交网络、多媒体数据挖掘、轨迹数据、文本数据等各大领域。这些领域与数据挖掘研究接轨后又会出现一些新的机遇和挑战。 数据挖掘是从大量数据中抽取隐含的事先未知的具有潜在有用信息或知识的非平凡过程。一般来说可以把数据挖掘过程分为6 个阶段，如图所示。
数据挖掘文献综述
中南大学 本科生专业文献综述 题目: 数据挖掘文献综述 姓名: 史玉杰 学院: 软件学院 专业: 软件工程 班级: 0902 学号: 3901090214 指导教师: 任学兵
0前言 随着计算机技术的迅猛发展，人类正在步入信息社会。面对今天浩如烟海的信息，如何帮助人们有效地收集和选择所感兴趣的信息，更关键的是如何帮助用户在日益增多的信息中自动发现新的概念并自动分析它们之间的关系，使之能够真正地做到信息处理的自动化，这已成为信息技术领域的热点问题。数据挖掘就是为满足这种要求而产生并迅速发展起来的，可用于开发信息资源的一种新的数据处理技术。 1什么是数据挖掘 数据挖掘(Data Mining)，也叫数据开采，数据采掘等，是按照既定的业务目标从海量数据中提取出潜在、有效并能被人理解的模式的高级处理过程。在较浅的层次上，它利用现有数据库管理系统的查询、检索及报表功能，与多维分析、统计分析方法相结合，进行联机分析处理，从而得出可供决策参考的统计分析数据。在深层次上，则从数据库中发现前所未有的、隐含的知识。OLAF'的出现早于数据挖掘，它们都是从数据库中抽取有用信息的方法，就决策支持的需要而言两者是相辅相成的。OLAP可以看作一种广义的数据挖掘方法，它旨在简化和支持联机分析，而数据挖掘的目的是便这一过程尽可能自动化。数据挖掘基于的数据库类型主要有：关系型数据库、面向对象数据库、事务数据库、演绎数据库、时态数据库、多媒体数据库、主动数据库、空间数据库、遗留数据库、异质数据库、文本型、Internet信息库以及新兴的数据仓库(Data Warehouse)等。而挖掘后获得的知识包括关联规则、特征规则、区分规则、分类规则、总结规则、偏差规则、聚类规则、模式分析及趋势分析等。 1.1 数据挖掘的任务 数据挖掘的两个高层目标是预测和描述。前者指用一些变量或数据库的若干已知字段预测其它感兴趣的变量或字段的未知的或未来的值；后者指找到描述数据的可理解模式。根据发现知识的不同，我们可以将数据挖掘任务归纳为以下几类： (1)特征规则。从与学习任务相关的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征．例如可以从某种疾病的症状中提取
基于旅游管理的时空数据模型研究
基于旅游管理的时空数据模型研究
————————————————————————————————作者：————————————————————————————————日期：
基于旅游管理的时空数据模型研究-旅游管理 基于旅游管理的时空数据模型研究 周晋 在人工智能、建模技术和信息处理技术、建模以及智能信息等技术上来处理旅游信息是十分重要的。并且在这些理论基础和技术上，对旅游数据进行收集、分析和挖掘是具有重要的价值，可以有效帮助假日旅游实践和空间的分析模式，针对假日旅游信息实行分类，并在这一基础上建立假日旅游的时空数据模型。本文对当前所提出的时空数据情况以及旅游业所特有的特征，阐述了当前几种疆场会用到的时空建模方法，采取面对对象的方式，建立了旅游行业的时空数据模型。我国面积广阔，因此存在很多的自然和历史旅游资源，改革开放之后，我国居民的生活水平得到了极大的提升，人们开始在假期到不同的旅游地享受生活。为此我国旅游局已经相关部分对旅游业给予了高度重视，每年会采取多多种手段在社会上收集大量的旅游数据和信息。但是这些信息通常只会被用在简单的统计和查询上，这些信息的内部所蕴含的知识并未得到充分的利用和发现，导致资源浪费，要想对这一现状进行改变，就必须强化对旅游信息的管理，提升管理技术。时空数据的模型主要是在概念方法的基础上对客观世界进行抽象化，在一组现骨干联系动态特点以及实体集基础上，包含了几何数据和语义数据模型。集合数据模型的作用主要是描述空间实体，包含了现象、时态等集合与空间的关系。语义模型描述的是空间实体、现象等。时空数据中所表现的世界和计算机数据库逻辑单元是不一样的，时空数据在建模内要采用抽象、概括和逼近等方法。 一、时空数据 （一）时空数据抽象和不稳定特性
时空数据模型概述及研究
时空数据模型概述及研究 摘要时空数据模型是时空数据库的基础，而时空数据库又是研究时态GIS(TGIS)的核心。本文分析了TGIS中的当前几种主要时空数据模型特征及存在的问题，探讨了当前时空数据模型研究存在的问题，最后对GIS和时空数据模型的将来发展方向给出了一些建议和展望。 关键词时空数据模型；时空语义；时空数据库；时空对象 0 引言 随着GIS应用的推广与深入，用户对空间数据的现势性和准确性提出了更高的要求。目前，我国基础测绘工作重点已转向持续更新和灵性服务。如何建立高效的空间数据库更新机制，如何提高空间数据库更新的自动化程度，已成为亟待解决的问题，有效地空间数据更新机制有助于提升空间数据库的现势性，增强空间数据的利用率，使GIS更好的服务民生、辅助政府决策，而增量更新的重要研究内容是建立时空数据库，规范化的时空数据建模作为其核心技术尚处在探索阶段。 1 时空对象与时空语义 从建立数据模型的角度可将时空对象看作是空间对象，时态对象和属性对象的抽象，而空间数据对象的扩展是从空间数据类型开始的。 对于时态数据类型同样可定义具有时间点、时间区间和时间集合特征的时态数据类型。 整个时态数据类型的扩展层次如图1所示： 2 几种主要的时空数据模型 合理的时空数据模型包含如下几方面的因素：如何节省存储空间，加快存取速度，确立时空语义诠释和模型体系结构的层次[1]。TGIS模型主要包括序列快照模型、空间时间立方体模型、基态修正模型、时空数据模型的面向对象等。 2.1 空间时间立方体模型 空间时间立方体模型诠释的是一个3维立方体，由一个时间维和空间两个维度组成的，形象的诠释了二维空间向着第三个时间维演变的过程（如图2所示）[2]。空间一时间立方体作为任意一个空间实体的改变过程中的一个实体。模型形象地采用了时间维的几何特征，诠释了空间实体是一个时空体的理念，易于读者理解，模型实现的难度在于三维立方体的诠释。 2.2 序列快照模型 快照模型有栅格快照模型和矢量快照模型，是通过将一系列时间片段的快照存储起来，为反映地理现象的时空演变过程，要使每个切片都分别对应着不同时刻的状态图层，按照需要对所选择的时间片段进行播放，有一些GIS就是用该方式来慢慢逼近时空特征.该模型的优越之处在于：一是目前的数据库一直处于合理有效的状态；二是能够直接在目前的地理信息系统软件中实现。然而，快照将没有发生变化的全部特征进行储存，会出现许多数据冗余，如若模型变化较为频繁，而且数据量较大时，系统效率就会迅速降低，结果必然难以处理时空对象间的时空关系。 2.3 基态修正模型 通过设置基态修正模型时间间隔进行采样，避开快照模型使每一次没有发生改变部分特性反复进行记录。该模型也具有栅格和矢量两种模型。基态修正模型
数据挖掘噪声数据处理综述.doc
噪声数据处理综述 摘要：噪声数据是指数据中存在着错误或异常(偏离期望值)的数据,不完整数据是指感兴趣的属性没有值.不一致数据则是数据内涵出现不一致的情况。 为了更好的论述什么是噪声数据处理,给出了两种噪声数据处理的算法：在属性级别上处理噪声数据的数据清洗算法和一种改进的应用于噪声数据中的KNN算法。 关键词：噪声数据噪声数据处理数据清洗KNN算法 1.概述 噪声数据（noisy data）就是无意义的数据（meaningless data）。这个词通常作为损坏数据（corrupt data）的同义词使用。但是,现在它的意义已经扩展到包含所有难以被机器正确理解和翻译的数据,如非结构化文本。任何不可被创造它的源程序读取和运用的数据,不管是已经接收的、存储的还是改变的,都被称为噪声。 噪声数据未必增加了需要的存储空间容量,相反地,它可能会影响所有数据挖掘（data mining）分析的结果。统计分析可以运用历史数据中收集的信息来清除噪声数据从而促进数据挖掘。 引起噪声数据（noisy data）的原因可能是硬件故障、编程错误或者语音或光学字符识别程序（OCR）中的乱码。拼写错误、行业简称和俚语也会阻碍机器读取。 噪声数据处理是数据处理的一个重要环节,在对含有噪声数据进行处理的过程中,现有的方法通常是找到这些孤立于其他数据的记录并删除掉,其缺点是事实上通常只有一个属性上的数据需要删除或修正,将整条记录删除将丢失大量有用的、干净的信息。在数据仓库技术中,通常数据处理过程应用在数据仓库之前,其目的是提高数据的质量,使后继的联机处理分析(OLAP)和数据挖掘应用得到尽可能正确的结果。然而,这个过程也可以反过来,即利用数据挖掘的一些技术来进行数据处理,提高数据质量。