نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

:

رشد انفجاری در داده‌های مکانی و زمانی و همچنین ظهور فناوری‌های جدید بر نیاز به کشف خودکار دانش مکانی-زمانی تأکید دارد. داده‌کاوی فضایی-زمانی فرآیند کشف الگوهای جالب و ناشناخته قبلی، اما بالقوه مفید از پایگاه‌های اطلاعاتی بزرگ مکانی-زمانی را مطالعه می‌کند. حوزه های کاربردی گسترده ای از جمله مدیریت زیست محیطی و محیط زیست، ایمنی عمومی، حمل و نقل، علوم زمین، اپیدمیولوژی و اقلیم شناسی دارد. پیچیدگی داده‌های مکانی و زمانی و روابط درونی، سودمندی تکنیک‌های مرسوم علم داده را برای استخراج الگوهای مکانی-زمانی محدود می‌کند. در این بررسی، ما تکنیک‌ها و ابزارهای محاسباتی اخیر در داده‌کاوی فضایی-زمانی را با تمرکز بر چندین خانواده الگوی اصلی مرور می‌کنیم: پرت مکانی-زمانی، جفت شدن و جفت شدن از راه دور، پیش‌بینی فضایی-زمانی، تقسیم‌بندی و خلاصه‌سازی مکانی-زمانی، نقاط کانونی مکانی-زمانی، و تشخیص تغییر. در مقایسه با سایر بررسی‌های موجود در ادبیات، این مقاله بر پایه‌های آماری داده‌کاوی مکانی-زمانی تأکید می‌کند و پوشش جامعی از رویکردهای محاسباتی برای خانواده‌های الگوهای مختلف ارائه می‌کند. ما همچنین ابزارهای نرم افزاری محبوب را برای تجزیه و تحلیل داده های مکانی و زمانی فهرست می کنیم. این نظرسنجی با نگاهی به نیازهای تحقیقاتی آینده به پایان می رسد. این مقاله بر پایه های آماری داده کاوی مکانی-زمانی تأکید می کند و پوشش جامعی از رویکردهای محاسباتی برای خانواده های الگوهای مختلف ارائه می دهد. ما همچنین ابزارهای نرم افزاری محبوب را برای تجزیه و تحلیل داده های مکانی و زمانی فهرست می کنیم. این نظرسنجی با نگاهی به نیازهای تحقیقاتی آینده به پایان می رسد. این مقاله بر پایه های آماری داده کاوی مکانی-زمانی تأکید می کند و پوشش جامعی از رویکردهای محاسباتی برای خانواده های الگوهای مختلف ارائه می دهد. ما همچنین ابزارهای نرم افزاری محبوب را برای تجزیه و تحلیل داده های مکانی و زمانی فهرست می کنیم. این نظرسنجی با نگاهی به نیازهای تحقیقاتی آینده به پایان می رسد.
کلید واژه ها: 

داده کاوی فضایی و زمانی ; نظرسنجی ; بررسی ; آمار مکانی – زمانی ; الگوهای فضایی و زمانی

 

1. معرفی

رشد انفجاری در داده‌های مکانی و زمانی و همچنین ظهور فناوری‌های جدید بر نیاز به کشف خودکار دانش مکانی-زمانی تأکید دارد. داده کاوی فضایی-زمانی فرآیند کشف الگوهای جالب و ناشناخته قبلی، اما بالقوه مفید را از پایگاه داده های بزرگ مکانی و مکانی زمانی مطالعه می کند [ 1 ، 2 ، 3 ، 4 ، 5 ]. شکل 1فرآیند داده کاوی مکانی و زمانی را نشان می دهد. با توجه به داده‌های مکانی-زمانی ورودی، اولین گام اغلب پیش پردازش برای تصحیح نویز، خطاها و داده‌های از دست رفته و تحلیل فضا-زمان اکتشافی برای درک توزیع‌های فضایی-زمانی زیربنایی است. سپس، یک الگوریتم داده کاوی مکانی-زمانی مناسب برای اجرا بر روی داده های از پیش پردازش شده و تولید الگوهای خروجی انتخاب می شود. خانواده‌های الگوهای خروجی رایج شامل نقاط پرت فضایی-زمانی، تداعی‌ها و اتصالات دور، مدل‌های پیش‌بینی‌کننده، پارتیشن‌ها و خلاصه‌سازی، نقاط داغ و همچنین الگوهای تغییر هستند. الگوریتم های داده کاوی فضایی و زمانی اغلب دارای مبانی آماری هستند و تکنیک های محاسباتی مقیاس پذیر را ادغام می کنند. الگوهای خروجی پس از پردازش می شوند و سپس توسط دانشمندان حوزه تفسیر می شوند تا در صورت نیاز، بینش های جدیدی پیدا کنند و الگوریتم های داده کاوی را اصلاح کنند.
Ijgi 04 02306 g001 1024
شکل 1. فرآیند داده کاوی مکانی و زمانی.
اهمیت اجتماعی: تکنیک‌های داده‌کاوی فضایی-زمانی برای سازمان‌هایی که بر اساس مجموعه داده‌های مکانی و مکانی-زمانی بزرگ، از جمله ناسا، آژانس اطلاعات مکانی-مکانی ملی [6]، مؤسسه ملی سرطان [ 7 ]، وزارت حمل‌ونقل ایالات متحده [ 8] تصمیم‌گیری می‌کنند، حیاتی هستند. ]، و موسسه ملی دادگستری [ 9 ]. این سازمان ها در بسیاری از حوزه های کاربردی پخش شده اند. در محیط زیست و مدیریت محیطی [ 10 ، 11 ، 12 ، 13 ]، محققان به ابزارهایی برای طبقه بندی تصاویر سنجش از دور برای نقشه برداری از پوشش جنگلی نیاز دارند. در امنیت عمومی [ 14]، تحلیل گران جرم و جنایت علاقه مند به کشف الگوهای کانونی از نقشه های رویداد جرم هستند تا به طور موثر منابع پلیس را تخصیص دهند. در حمل و نقل [ 15 ]، محققان مسیرهای تاریخی GPS تاکسی را تجزیه و تحلیل می کنند تا مسیرهای سریع را از مکان ها به مکان ها توصیه کنند. اپیدمیولوژیست ها [ 16 ] از تکنیک های داده کاوی مکانی-زمانی برای تشخیص شیوع بیماری استفاده می کنند. همچنین حوزه های کاربردی دیگری مانند علوم زمین [ 17 ]، اقلیم شناسی [ 1 ، 18 ]، کشاورزی دقیق [ 19 ] و اینترنت اشیا [ 20 ] نیز وجود دارد.
ماهیت میان رشته ای داده کاوی فضایی و زمانی به این معنی است که تکنیک های آن باید با آگاهی از فیزیک یا نظریه های اساسی در حوزه های کاربردی توسعه یابد [ 21 ]. برای مثال، مطالعات علم آب و هوا نشان می‌دهد که پیش‌بینی‌کننده‌های قابل مشاهده برای پدیده‌های آب و هوایی که توسط تکنیک‌های علم داده کشف شده‌اند، اگر مدل‌های آب و هوا، مکان‌ها و فصول را در نظر نگیرند، می‌توانند گمراه‌کننده باشند [22 ] . در این مورد، آزمون معناداری آماری به منظور اعتبارسنجی بیشتر یا کنار گذاشتن روابط استخراج شده از داده ها بسیار مهم است.
چالش ها:علاوه بر چالش‌های میان رشته‌ای، داده‌کاوی مکانی-زمانی نیز چالش‌های آماری و محاسباتی را ایجاد می‌کند. استخراج الگوهای جالب و مفید از مجموعه داده‌های مکانی-زمانی دشوارتر از استخراج الگوهای متناظر از داده‌های عددی و طبقه‌بندی سنتی است به دلیل پیچیدگی انواع داده‌های مکانی-زمانی و روابط. طبق قانون اول جغرافیای توبلر، “همه چیز به هر چیز دیگری مرتبط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند.” به عنوان مثال، افراد با ویژگی ها، شغل و پیشینه مشابه، تمایل دارند در یک محله با هم جمع شوند. در آمار فضایی به چنین وابستگی فضایی اثر خودهمبستگی فضایی می گویند. نادیده گرفتن خودهمبستگی و فرض توزیع یکسان و مستقل (iid23 ]. علاوه بر وابستگی فضایی در مکان‌های مجاور، پدیده‌های تله جفت مکانی-زمانی نیز وابستگی فضایی دوربرد مانند اثرات ال نینو و لا نینا در سیستم آب و هوا را نشان می‌دهند. چالش دیگر از این واقعیت ناشی می‌شود که مجموعه داده‌های مکانی-زمانی در فضا و زمان پیوسته تعبیه شده‌اند، و بنابراین بسیاری از تکنیک‌های داده‌کاوی کلاسیک با فرض داده‌های گسسته (مثلاً تراکنش‌ها در کاوی قوانین انجمن) ممکن است مؤثر نباشند. چالش سوم ناهمگونی مکانی و غیر ایستایی زمانی است، یعنینمونه‌های داده‌های زمانی مکانی-زمانی از توزیع یکسانی در کل فضا و در تمام زمان پیروی نمی‌کنند. در عوض، مناطق جغرافیایی مختلف و دوره زمانی ممکن است دارای توزیع های متمایز باشند. مسئله واحد منطقه قابل اصلاح (MAUP) یا اثر چند مقیاسی چالش دیگری است زیرا نتایج تحلیل فضایی به انتخاب مقیاس‌های مکانی و زمانی مناسب بستگی دارد. در نهایت، جریان و حرکت و چارچوب مرجع لاگرانژی در شبکه‌های مکانی-زمانی چالش‌هایی (به عنوان مثال، جهت، ناهمسانگردی و غیره ) ایجاد می‌کنند.
بررسی‌های قبلی: همانطور که در شکل 2 نشان داده شده است، بررسی‌ها در داده‌کاوی مکانی و مکانی-زمانی را می‌توان به دو گروه دسته‌بندی کرد: گروه‌هایی بدون مبانی آماری و گروه‌هایی با تمرکز بر مبنای آماری. در میان بررسی های بدون تمرکز بر مبنای آماری، کوپرسکی و همکاران. [ 24 ] و استر و همکاران. [ 25 ] داده کاوی مکانی را از رویکرد پایگاه داده فضایی بررسی کرد. رادیک و همکاران [ 12 ] کتابشناسی برای داده کاوی مکانی، زمانی و مکانی-زمانی ارائه کرد. میلر و همکاران [ 26] فهرستی از موضوعات اخیر داده کاوی مکانی و مکانی-زمانی را پوشش می دهد، اما بدون یک دید سیستماتیک از پایه های آماری. از میان نظرسنجی هایی که مبانی آماری را پوشش می دهند، شکر و همکاران. 2003 [ 23 ] چندین خانواده الگوی فضایی را با تمرکز بر ویژگی های منحصر به فرد داده های مکانی بررسی کرد. کیسیلویچ و همکاران [ 27 ] تحقیقات خوشه بندی فضایی-زمانی را مرور کرد. آگاروال و همکاران [ 28 ] دارای فصلی است که تکنیک‌های تشخیص پرت مکانی و مکانی-زمانی را خلاصه می‌کند. ژو و همکاران [ 29 ] تحقیقات تشخیص تغییرات مکانی و مکانی-زمانی را از دیدگاه بین رشته‌ای بررسی کرد. چنگ و همکاران 2014 [ 30] آخرین تحقیقات داده کاوی مکانی-زمانی از جمله خودهمبستگی مکانی-زمانی، پیش بینی و پیش بینی فضا-زمان، خوشه بندی فضا-زمان، و همچنین تجسم فضا-زمان را بررسی می کند. شکر و همکاران 2011 [ 31 ] جدیدترین بررسی تحقیقات داده کاوی مکانی را ارائه می دهد. با این حال، بحث آن در مورد الگوهای مکانی-زمانی محدود است (به عنوان مثال، هیچ چیزی در مورد الگوهای تغییرات مکانی-زمانی یا نقاط مهم آماری). به طور خلاصه، هیچ بررسی فعلی در ادبیات وجود ندارد که یک مرور سیستماتیک از داده کاوی مکانی-زمانی ارائه دهد که مبانی آماری آن و همچنین تمام خانواده های اصلی الگوهای مکانی-زمانی را پوشش دهد.
Ijgi 04 02306 g002 1024
شکل 2. طبقه بندی بررسی های داده کاوی مکانی و مکانی- زمانی.
امیدواریم این نظرسنجی به تحقیقات داده کاوی مکانی-زمانی در پر کردن این دو شکاف کمک کند. به طور خاص: (1) ما یک طبقه بندی از انواع داده های مکانی-زمانی ارائه می دهیم. (2) ما یک طبقه بندی از آمار مکانی و مکانی-زمانی سازماندهی شده توسط انواع داده های مختلف ارائه می دهیم. (3) ما تکنیک‌های محاسباتی رایج را برای همه خانواده‌های اصلی الگوهای مکانی-زمانی، از جمله نقاط پرت مکانی-زمانی، جفت و جفت مکانی-زمانی، پیش‌بینی مکانی-زمانی، تقسیم‌بندی و خلاصه‌سازی مکانی-زمانی، نقاط کانونی مکانی-زمانی و الگوهای تغییر بررسی می‌کنیم. در هر خانواده الگو، تکنیک ها بر اساس انواع داده های مکانی-زمانی ورودی طبقه بندی می شوند. (4) ما روندهای تحقیق و نیازهای تحقیقاتی آینده را تجزیه و تحلیل می کنیم.
سازماندهی مقاله: این بررسی با ویژگی های ورودی داده های داده کاوی مکانی-زمانی ( بخش 2 ) و مروری بر مبنای آماری آن ( بخش 3 ) شروع می شود. سپس به تفصیل شش الگوی خروجی اصلی داده کاوی مکانی-زمانی مربوط به نقاط پرت، ارتباط و اتصال از راه دور، پیش‌بینی، تقسیم‌بندی و خلاصه‌سازی، نقطه کانونی و الگوهای تغییر را شرح می‌دهد (بخش 4 ) . ابزارهای نرم افزاری رایج در بخش 5 مورد بحث قرار گرفته اند . این مقاله با بررسی نیازهای پژوهشی و جهت گیری های آینده در بخش 6 به پایان می رسد .

2. ورودی: داده های مکانی و زمانی

یکی از جنبه های مهم داده کاوی مکانی-زمانی، داده های ورودی آن است. این بخش یک طبقه بندی از انواع مختلف داده های مکانی و مکانی-زمانی را ارائه می دهد. این بخش همچنین ویژگی ها و روابط منحصر به فرد داده آنها را خلاصه می کند. هدف ارائه یک نمای کلی سیستماتیک از تکنیک های مختلف در وظایف داده کاوی مکانی-زمانی است.

2.1. انواع داده های مکانی و مکانی – زمانی

ورودی داده‌های وظایف داده‌کاوی مکانی-زمانی پیچیده‌تر از ورودی‌های وظایف علم داده کلاسیک است، زیرا شامل نمایش‌های گسسته از فضا و زمان پیوسته است. جدول 1 طبقه بندی انواع داده های مکانی و مکانی-زمانی (یا مدل ها) را نشان می دهد. داده های مکانی را می توان به سه مدل طبقه بندی کرد، به عنوان مثال ، مدل شی، مدل میدانی، و مدل شبکه فضایی [ 3 ، 32 ]. داده‌های مکانی-زمانی، بر اساس نحوه مدل‌سازی اطلاعات زمانی اضافی، می‌توانند به سه نوع طبقه‌بندی شوند، به عنوان مثال ، مدل عکس فوری زمانی، مدل تغییر زمانی، و مدل رویداد یا فرآیند [ 33 ، 34 ، 35] .]. در مدل عکس فوری زمانی، لایه‌های فضایی یک موضوع دارای مهر زمانی هستند. به عنوان مثال، اگر لایه‌های فضایی نقطه‌ای یا چند نقطه‌ای باشند، عکس‌های فوری زمانی آن‌ها مسیر نقاط یا سری‌های زمانی مکانی هستند ( یعنی متغیرهایی که در زمان‌های مختلف در مکان‌های ثابت مشاهده می‌شوند). به طور مشابه، عکس‌های فوری می‌توانند مسیر خطوط و چندضلعی‌ها، سری‌های زمانی شطرنجی و شبکه‌های فضایی-زمانی مانند نمودارهای گسترش‌یافته زمانی (TEGs) و نمودارهای جمع زمانی (TEGs) را نشان دهند [36 ، 37 ] . مدل تغییر زمانی، داده‌های مکانی-زمانی را با یک لایه فضایی در یک زمان شروع معین به همراه تغییرات افزایشی که پس از آن رخ می‌دهند، نشان می‌دهد. به عنوان مثال، می تواند حرکت را نشان دهد (به عنوان مثال، حرکت براونی، راه رفتن تصادفی [ 38]) و همچنین سرعت و شتاب در نقاط مکانی و همچنین چرخش و تغییر شکل در خطوط و چندضلعی ها. مدل‌های رویداد و فرآیند اطلاعات زمانی را بر حسب رویدادها یا فرآیندها نشان می‌دهند . یکی از راه‌های تشخیص رویدادها از فرآیندها این است که رویدادها موجودیت‌هایی هستند که ویژگی‌های آنها بی‌زمان است و بنابراین در طول زمان در معرض تغییر نیستند، در حالی که فرآیندها موجودیت‌هایی هستند که در طول زمان در معرض تغییر هستند (مثلاً ممکن است گفته شود یک فرآیند در حال شتاب است یا کند شدن) [ 39 ].
جدول
جدول 1. طبقه بندی مدل های داده های مکانی و مکانی- زمانی.

2.2. ویژگی ها و روابط داده ها

سه نوع متمایز از ویژگی های داده برای داده های مکانی-زمانی وجود دارد: ویژگی های غیر مکانی-زمانی، ویژگی های مکانی و ویژگی های زمانی. ویژگی‌های غیرمکانی زمانی برای توصیف ویژگی‌های غیر متنی اشیا، مانند نام، جمعیت و نرخ بیکاری برای یک شهر استفاده می‌شود. آنها همان ویژگی هایی هستند که در ورودی داده های داده کاوی کلاسیک استفاده می شوند [ 40 ]. ویژگی های فضایی برای تعریف موقعیت مکانی (به عنوان مثال، طول و عرض جغرافیایی)، وسعت فضایی (به عنوان مثال، مساحت، محیط) استفاده می شود [ 41 ، 42]، شکل، و همچنین ارتفاع تعریف شده در یک چارچوب مرجع فضایی. ویژگی های زمانی شامل مهر زمانی یک شی فضایی، یک لایه شطرنجی، یا یک عکس فوری شبکه فضایی، و همچنین مدت زمان یک فرآیند است. روابط این ویژگی های داده در جدول 2 و جدول 3 خلاصه شده است .
جدول
جدول 2. روابط مشترک بین ویژگی های غیر مکانی و فضایی.
جدول
جدول 3. روابط در داده های مکانی-زمانی.
یکی از راه‌های مقابله با روابط فضایی و زمانی ضمنی، تحقق روابط در ستون‌های ورودی داده سنتی و سپس اعمال تکنیک‌های داده‌کاوی کلاسیک است [ 60 ، 61 ، 62 ، 63 ، 64 ]. با این حال، تحقق می تواند منجر به از دست دادن اطلاعات شود [ 23]. ابهام مکانی و زمانی که به طور طبیعی در داده‌ها و روابط وجود دارد، معمولاً مشکل مدل‌سازی و پردازش بیشتر را در داده‌کاوی مکانی و مکانی-زمانی ایجاد می‌کند. یک راه ارجح تر برای به دست آوردن روابط ضمنی مکانی و مکانی، توسعه آمار و تکنیک هایی برای ترکیب اطلاعات مکانی و زمانی در فرآیند داده کاوی است. این آمار و تکنیک ها تمرکز اصلی نظرسنجی هستند.

3. مبانی آماری

این بخش یک طبقه بندی از مفاهیم آماری رایج برای انواع مختلف داده های مکانی و مکانی-زمانی ارائه می دهد. آمار مکانی و مکانی و زمانی به دلیل ویژگی های منحصر به فرد مکان و زمان از آمار کلاسیک متمایز است. یکی از ویژگی‌های مهم داده‌های مکانی، وابستگی مکانی است، ویژگی به قدری اساسی که جغرافی‌دانان آن را به مقام قانون اول جغرافیا ارتقا داده‌اند: «همه چیز به هر چیز دیگری مربوط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند» [ 65 ] . وابستگی فضایی نیز با استفاده از خودهمبستگی فضایی اندازه گیری می شود. سایر ویژگی های مهم عبارتند از ناهمگونی فضایی، خودهمبستگی زمانی و غیر ایستایی، و همچنین اثر مقیاس چندگانه.

3.1. آمار مکانی برای انواع مختلف داده های مکانی

آمار مکانی [ 38 ، 66 ، 67 ، 68 ] شاخه ای از آمار است که به تجزیه و تحلیل و مدل سازی داده های مکانی می پردازد. تفاوت اصلی بین آمار مکانی و آمار کلاسیک این است که داده های مکانی اغلب نمی توانند فرض توزیع یکسان و مستقل (iid) را برآورده کنند. همانطور که در جدول 4 خلاصه شده است، آمارهای مکانی را می توان بر اساس نوع داده های مکانی زیربنایی آنها طبقه بندی کرد: زمین آمار برای داده های نقطه ای مرجع، آمار شبکه برای داده های منطقه، و فرآیند نقطه مکانی برای الگوهای نقطه مکانی.
زمین آمار: زمین آمار [ 69 ] با تجزیه و تحلیل پیوستگی فضایی ( به عنوان مثال ، وابستگی بین مکان ها)، ایستایی ضعیف ( یعنی برخی از خصوصیات آماری که با مکان ها تغییر نمی کنند) و همسانگردی ( یعنی یکنواختی در همه جهات) سر و کار دارد که از ویژگی های ذاتی هستند. داده های مرجع نقطه مکانی بیشتر به توسعه مدل‌های وابستگی فضایی برای پیش‌بینی می‌پردازد. با فرض ایستایی ضعیف یا ایستایی ذاتی، وابستگی فضایی در فواصل مختلف را می توان با یک تابع کوواریانس یا یک نیمه متغیروگرام دریافت کرد [ 66 ]. زمین آمار مجموعه ای از ابزارهای آماری مانند Kriging [ 66] که می تواند برای درون یابی ویژگی ها در مکان های نمونه برداری نشده استفاده شود. با این حال، داده‌های فضایی دنیای واقعی اغلب تغییرات ذاتی را در اندازه‌گیری یک رابطه در فضا نشان می‌دهند، به دلیل تأثیرات بافت فضایی بر ماهیت روابط فضایی. برای مثال، رفتار انسان می‌تواند ذاتاً در فضا متفاوت باشد (مثلاً فرهنگ‌های متفاوت). حوزه های قضایی مختلف تمایل به تولید قوانین متفاوتی دارند (مثلاً تفاوت محدودیت سرعت بین مینه سوتا و ویسکانسین). این اثر ناهمگونی فضایی یا غیر ایستایی نامیده می شود. مدل‌های ویژه (مثلاً کریجینگ مکان-زمان محلی [ 70 ]) را می‌توان بیشتر برای انعکاس عملکردهای مختلف در مکان‌های مختلف استفاده کرد.
آمار شبکه: آمار شبکه آماری را برای داده های مکانی در مدل میدانی (یا منطقه ای) مطالعه می کند. در اینجا یک شبکه به مجموعه ای قابل شمارش از سلول های منظم یا نامنظم در یک چارچوب فضایی اشاره دارد. محدوده وابستگی فضایی بین سلول ها با یک رابطه همسایگی منعکس می شود که می تواند با یک ماتریس مجاورت به نام ماتریس W نشان داده شود. یک رابطه همسایگی فضایی را می توان بر اساس مجاورت فضایی (به عنوان مثال، محله های رخ یا ملکه) یا فاصله اقلیدسی، یا در مدل های کلی تر، دسته ها و ابرگراف ها تعریف کرد [71 ] . بر اساس یک ماتریس W، آمار خودهمبستگی فضایی را می توان برای اندازه گیری همبستگی یک ویژگی غیر مکانی در مکان های همسایه تعریف کرد. آمار خود همبستگی فضایی رایج شامل I موران است، گتیس اورد G i *جیمن*، Geary’s C ، شاخص گاما Γ [ 69 ]، و غیره ، و همچنین نسخه های محلی آنها به نام شاخص های محلی ارتباط فضایی (LISA) [ 72 ]. چندین مدل آماری فضایی، از جمله مدل خودرگرسیون فضایی (SAR)، مدل خودرگرسیون شرطی (CAR)، میدان های تصادفی مارکوف (MRF)، و همچنین سایر مدل های سلسله مراتبی بیزی [66]، می توانند برای مدل سازی داده های شبکه استفاده شوند . مسئله مهم دیگر مسئله واحد منطقه ای قابل اصلاح (MAUP) است (که اثر چند مقیاسی نیز نامیده می شود) [ 73]]، اثری در تحلیل فضایی که برای روش تحلیل یکسانی به دست می‌آید در مقیاس‌های تجمع متفاوت تغییر می‌کند. به عنوان مثال، تجزیه و تحلیل با استفاده از داده های جمع آوری شده توسط ایالت ها با تجزیه و تحلیل با استفاده از داده ها در سطح خانواده فردی متفاوت خواهد بود.
جدول
جدول 4. طبقه بندی آمار فضایی و زمانی.
فرآیندهای نقطه‌ای مکانی: فرآیند نقطه‌ای مکانی مدلی برای توزیع مکانی نقاط در یک الگوی نقطه‌ای است. تفاوت آن با داده های مرجع نقطه ای در این است که متغیرهای تصادفی مکان هستند. به عنوان مثال می توان به موقعیت درختان در یک جنگل و مکان های زیستگاه پرندگان در یک تالاب اشاره کرد. یک نوع اساسی از فرآیند نقطه‌ای، فرآیند نقطه‌ای پواسون فضایی همگن است (که تصادفی فضایی کامل یا CSR نیز نامیده می‌شود) [ 38 ]، که در آن مکان‌های نقطه‌ای متقابلاً با همان شدت در فضا مستقل هستند. با این حال، فرآیندهای نقطه فضایی دنیای واقعی اغلب به جای استقلال کامل فضایی مانند CSR، یا تجمع فضایی (خوشه‌بندی) یا مهار فضایی را نشان می‌دهند. آمار فضایی مانند تابع K ریپلی [ 74 ، 75 ]،به عنوان مثال ، میانگین تعداد نقاط در یک فاصله معین از یک نقطه معین بر شدت میانگین کل، می تواند برای آزمایش یک الگوی نقطه در برابر CSR استفاده شود. علاوه بر این، فرآیندهای نقطه فضایی دنیای واقعی مانند رویدادهای جرم و جنایت اغلب شامل مناطق کانونی به جای دنبال کردن شدت همگن در سراسر فضا هستند. یک آمار اسکن فضایی [ 76] را می توان برای شناسایی این الگوهای کانون استفاده کرد. آزمایش می کند که آیا شدت نقاط داخل یک پنجره اسکن به طور قابل توجهی بیشتر (یا کمتر) از خارج است یا خیر. اگرچه هم آمار عملکرد K و هم آمار اسکن فضایی فرضیه صفر یکسانی در مورد CSR دارند، فرضیه های جایگزین آنها کاملاً متفاوت است: اگر نقاط به جای استقلال، تجمع یا بازداری مکانی را نشان دهند، آزمون های تابع K آزمایش می کند، در حالی که آمار اسکن فضایی فرض می کند که نقاط مستقل هستند. و تست کنید که آیا نقطه ای با شدت بسیار بالاتر وجود دارد یا خیر. در نهایت، فرآیندهای نقطه‌ای فضایی دیگری مانند فرآیند کاکس وجود دارد که در آن تابع شدت خود یک تابع تصادفی در فضا است، و همچنین یک فرآیند خوشه‌ای، که یک فرآیند نقطه‌ای پایه را با یک خوشه کوچک متمرکز بر هر نقطه اصلی گسترش می‌دهد. 38]. برای اشیاء فضایی گسترده مانند خطوط و چندضلعی ها، فرآیندهای نقطه فضایی را می توان به فرآیندهای خطی و فرآیندهای مسطح در هندسه تصادفی تعمیم داد [ 77 ].
آمار شبکه های فضایی: بیشتر تحقیقات آمار فضایی بر فضای اقلیدسی متمرکز است. آمار فضایی در فضای شبکه بسیار کمتر مورد مطالعه قرار گرفته است. فضای شبکه فضایی، به عنوان مثال، شبکه های رودخانه و شبکه های خیابانی، در کاربردهای علوم زیست محیطی و تجزیه و تحلیل ایمنی عمومی مهم است. با این حال، چالش های منحصر به فردی از جمله جهت و ناهمسانگردی وابستگی فضایی، اتصال، و همچنین هزینه محاسباتی بالا را به همراه دارد. خواص آماری فیلدهای تصادفی در یک شبکه در [ 78 ] خلاصه شده است. اخیراً چندین آمار فضایی مانند خودهمبستگی فضایی، تابع K و کریجینگ به شبکه های فضایی تعمیم داده شده است [ 79 ، 80 ، 81] .]. تحقیقات کمی در مورد آمار مکانی – زمانی در فضای شبکه انجام شده است.

3.2. آمار فضایی و زمانی

آمار مکانی-زمانی [ 38 ، 82 ] آمار مکانی را با آمارهای زمانی ترکیب می کند (تحلیل سری زمانی [ 83 ]، مدل های پویا [ 82 ]). جدول 4 آمارهای رایج برای انواع داده های مکانی-زمانی مختلف، از جمله سری های زمانی مکانی، فرآیند نقطه زمانی مکانی، و سری زمانی داده های شبکه (مساحتی) را خلاصه می کند.
سری زمانی مکانی: آمار مکانی برای داده های مرجع نقطه ای برای داده های مکانی-زمانی تعمیم داده شده است [ 84 ]. به عنوان مثال می توان به ایستایی مکانی-زمانی، کوواریانس مکانی-زمانی، واریوگرام های مکانی-زمانی، و کریجینگ مکانی-زمانی [ 38 ، 82 ] اشاره کرد. همچنین خودهمبستگی زمانی و جفت از راه دور (همبستگی بالا در سری های زمانی مکانی در فاصله طولانی) وجود دارد. روش‌های مدل‌سازی فرآیند مکانی-زمانی شامل مدل‌های الهام‌گرفته از فیزیک (به عنوان مثال، معادلات دیفرانسیل تصادفی) [ 38 ] و مدل‌های مکانی-زمانی دینامیکی سلسله مراتبی (مثلا، فیلتر کالمن) برای جذب داده‌ها [ 38 ] است.
فرآیند نقطه‌ای مکانی-زمانی: یک فرآیند نقطه‌ای مکانی-زمانی، فرآیند نقطه‌ای مکانی را با ترکیب عامل زمان تعمیم می‌دهد. همانند فرآیندهای نقطه‌ای مکانی، فرآیند پواسون مکانی-زمانی، فرآیند کاکس و فرآیند خوشه‌ای وجود دارد. همچنین آزمون‌های آماری مربوطه از جمله تابع K فضایی-زمانی و آمار اسکن مکانی-زمانی [ 38 ] وجود دارد.
سری زمانی داده های شبکه (مساحتی): مشابه آمار شبکه، خودهمبستگی مکانی و زمانی، مدل رگرسیون خودرگرسیون مکانی زمانی (STAR) [ 85 ] و مدل های سلسله مراتبی بیزی [ 66 ] وجود دارد. سایر آمارهای مکانی-زمانی شامل تحلیل توابع متعامد تجربی (EOF) (تحلیل مؤلفه های اصلی در ژئوفیزیک)، تحلیل همبستگی متعارف (CCA) و مدل های مکانی-زمانی دینامیکی (فیلتر کالمن) برای همسان سازی داده ها [82] است .

4. خانواده الگوی خروجی

4.1. پرت فضایی و زمانی

4.1.1. نقاط پرت فضایی و زمانی چیست؟

برای درک معنای پرت های مکانی-زمانی، ابتدا مفید است که نقاط پرت جهانی را در نظر بگیریم. نقاط پرت جهانی [ 86 ، 87 ، 88 ] به طور غیررسمی به عنوان مشاهداتی در یک مجموعه داده تعریف شده است که به نظر می رسد با بقیه آن مجموعه داده ها ناسازگار باشد، یا آنقدر از مشاهدات دیگر منحرف می شود که باعث ایجاد سوء ظن می شود که توسط آنها ایجاد شده است. مکانیزم متفاوت در مقابل، یک نقطه پرت مکانی-زمانی [ 89 ، 90 ، 91 ، 92] یک شی ارجاع مکانی و زمانی است که مقادیر ویژگی غیر مکانی زمانی آن به طور قابل توجهی با سایر اشیاء در همسایگی مکانی-زمانی آن متفاوت است. به طور غیررسمی، نقطه پرت فضایی-زمانی یک ناپایداری یا ناپیوستگی موضعی است .

4.1.2. دامنه های کاربردی

تشخیص نقاط پرت فضایی و زمانی در بسیاری از کاربردها از جمله حمل و نقل، اکولوژی، امنیت داخلی، بهداشت عمومی، اقلیم شناسی و خدمات مبتنی بر مکان مفید است [ 93 ، 94 ]. به عنوان مثال، تشخیص پرت مکانی-زمانی می‌تواند برای تشخیص الگوهای ترافیکی غیرعادی از مشاهدات حسگر در شبکه جاده‌ای بزرگراه استفاده شود.

4.1.3. بنیاد آمار

تا زمانی که همسایگی‌های مکانی-زمانی به خوبی تعریف شده باشند، آمار فضایی برای تشخیص نقاط پرت فضایی برای نقاط پرت مکانی-زمانی نیز قابل استفاده است. ادبیات دو نوع آزمون چند بعدی دوبخشی را ارائه می‌کند: آزمون‌های گرافیکی، از جمله ابرهای واریوگرام [ 95 ] و نمودارهای پراکنده موران [ 68 ، 96 ]، و آزمون‌های کمی، از جمله نمودار پراکندگی [ 97 ] و آمار فضایی همسایگی [ 93 ، 98 ].

4.1.4. رویکردهای رایج

شهود پشت تشخیص پرت مکانی-زمانی این است که آنها “ناپیوستگی” را در ویژگی های غیر مکانی-زمانی در یک همسایگی مکانی-زمانی منعکس می کنند. رویکردها را می توان با توجه به انواع داده های ورودی خلاصه کرد.
نقاط پرت در سری‌های زمانی مکانی: برای سری‌های زمانی مکانی (بر روی داده‌های مرجع نقطه‌ای، داده‌های شطرنجی، و همچنین داده‌های نمودار)، روش‌های اصلی تشخیص نقاط پرت مکانی، مانند رویکردهای مبتنی بر تجسم و رویکردهای مبتنی بر همسایگی، می‌توانند با تعریف فضای زمانی تعمیم داده شوند. محله ها بنابراین، برای سادگی، ما در اینجا فقط این رویکردهای اساسی تشخیص پرت فضایی را مورد بحث قرار می دهیم. رویکرد تجسم، مکان‌های مکانی را بر روی یک نمودار ترسیم می‌کند تا نقاط پرت فضایی را شناسایی کند. روش های متداول عبارتند از ابرهای واریوگرام و پراکندگی موران همانطور که قبلاً معرفی شد. رویکرد محلهیک همسایگی مکانی یا مکانی-زمانی را تعریف می کند و یک آمار فضایی به عنوان تفاوت بین ویژگی غیرمکانی مکان فعلی و مجموع همسایگی محاسبه می شود [ 93 ، 99 ، 100 ، 101 ]. محله‌های فضایی را می‌توان با فواصل در ویژگی‌های فضایی (به عنوان مثال، K نزدیک‌ترین همسایه)، یا با اتصال نمودار (به عنوان مثال، مکان‌ها در شبکه‌های جاده‌ای) شناسایی کرد [89 ] . این تحقیق به روش‌های مختلفی گسترش یافته است تا ویژگی‌های غیرمکانی متعدد [ 100 ]، مقدار مشخصه میانگین و میانه [ 99 ، 102 ]، نقاط پرت فضایی وزنی [ 103 ]، فضای پرت طبقه‌بندی شده [100] را فراهم کند.104 ]، نقاط پرت فضایی محلی [ 105 ]، و تشخیص سریع [ 106 ، 107 ].
ناهنجاری‌های جریان: با توجه به مجموعه‌ای از مشاهدات در چندین مکان فضایی در یک جریان شبکه فضایی، هدف کشف ناهنجاری جریان شناسایی بازه‌های زمانی غالب است که در آن کسری از لحظه‌های زمانی قرائت‌های حسگر به‌طور قابل‌توجهی ناهماهنگ از حد آستانه معین فراتر می‌رود. شکل 3 a یک مثال ساده از ورودی مسئله است که شامل دو مکان مجاور ( یعنی یک حسگر بالادست (بالا) و پایین دست (پایین))، 10 لحظه زمانی و مفهوم زمان سفر (TT) یا جریان بین مکان ها خروجی شامل دو ناهنجاری جریان است. با استفاده از لحظه های زمانی در حسگر بالادست، دوره های 1-3 و 6-9، که در آن اکثر نقاط زمانی تفاوت های قابل توجهی را بین آنها نشان می دهد ( شکل 3ب). کشف ناهنجاری جریان را می توان به عنوان تشخیص ناپیوستگی یا ناسازگاری یک ویژگی غیر مکانی زمانی در یک همسایگی تعریف شده توسط جریان بین گره ها در نظر گرفت، و چنین ناپیوستگی ها در یک دوره زمانی پایدار هستند. یک تکنیک مقیاس‌پذیر زمانی به نام SWEET (شمارش پنجره هوشمند و ارزیابی آستانه‌های پایدار) پیشنهاد شد [ 57 ، 108 ، 109 ] که از چندین ویژگی جبری در مسئله ناهنجاری جریان برای کشف مؤثر این الگوها استفاده می‌کند. برای توضیح ناهنجاری‌های جریان در چندین مکان، کار اخیر [ 58 ] یک ناهنجاری جریان متصل از راه دور را تعریف می‌کند.الگوی و یک تکنیک RAD (تحلیل روابط پویا-همسایه ها) را برای شناسایی کارآمد این الگو پیشنهاد می کند.
Ijgi 04 02306 g003 1024
شکل 3. مثال ناهنجاری جریان. ( الف ) ورودی مثال. ( ب ) خروجی نمونه.
مسیرهای متحرک غیرعادی: تشخیص نقاط پرت مکانی-زمانی از مسیرهای اجسام متحرک به دلیل ابعاد بالای مسیرها و طبیعت پویا چالش برانگیز است. یک مدل تصادفی آگاه از زمینه برای تشخیص الگوی متحرک غیرعادی در مسیرهای دستگاه داخلی [ 110 ] پیشنهاد شده است. روش دیگری مبتنی بر انحرافات فضایی (فاصله) برای نظارت بر ناهنجاری بر روی جریان مسیر حرکت جسم متحرک پیشنهاد شده است [ 111 ]. در این مورد، ناهنجاری ها به عنوان الگوهای نادر با انحرافات فضایی بزرگ از مسیرهای عادی در یک بازه زمانی مشخص تعریف می شوند. یک رویکرد نظارت شده به نام Motion-Alert نیز برای تشخیص ناهنجاری در اجسام متحرک عظیم پیشنهاد شده است [ 112]]. این رویکرد ابتدا ویژگی‌های موتیف را از مسیرهای شی متحرک استخراج می‌کند، سپس ویژگی‌ها را خوشه‌بندی می‌کند و یک مدل نظارت شده را می‌آموزد تا طبقه‌بندی کند که آیا یک مسیر یک ناهنجاری است یا خیر. تکنیک های دیگری برای تشخیص الگوهای رانندگی غیرعادی از مسیرهای GPS تاکسی پیشنهاد شده است [ 113 ، 114 ، 115 ].

4.2. کوپلینگ های فضایی و زمانی و تله کوپلینگ

4.2.1. کوپلینگ های مکانی-زمانی و تله کوپلینگ چیست؟

الگوهای جفت مکانی-زمانی نشان دهنده انواع شیء مکانی-زمانی است که نمونه‌های آن اغلب در مجاورت جغرافیایی و زمانی نزدیک رخ می‌دهد. این الگوها را می‌توان بر اساس اینکه آیا ترتیب زمانی انواع اشیاء وجود دارد طبقه‌بندی کرد: هم‌رویدادهای مکانی-زمانی (حرکه مختلط) [ 48 ] برای الگوهای نامرتب، آبشارهای مکانی-زمانی [ 51 ] برای الگوهای منظم جزئی، و الگوهای متوالی مکانی-زمانی [ 48 ] استفاده می‌شوند. برای الگوهای کاملاً سفارش داده شده تله کوپلینگ مکانی-زمانی [ 46 ] الگوی همبستگی زمانی مثبت یا منفی قابل توجهی بین داده های سری زمانی مکانی در فاصله زیاد است.

4.2.2. دامنه های کاربردی

کشف الگوهای مختلف اتصال مکانی و زمانی و تله کوپلینگ در کاربردهای مرتبط با اکولوژی، علوم محیطی، ایمنی عمومی و علم آب و هوا مهم است. به عنوان مثال، شناسایی الگوهای آبشاری مکانی-زمانی از مجموعه داده‌های رویدادهای جنایی می‌تواند به اداره پلیس کمک کند تا عوامل جرم و جنایت را در یک شهر درک کند و بنابراین اقدامات مؤثری برای کاهش رویدادهای جرم انجام دهد [ 116 ].

4.2.3. بنیاد آمار

آمار اساسی برای الگوهای جفت مکانی-زمانی تابع K متقاطع مکانی-زمانی است [ 117 ]، که تابع K مکانی-زمانی ریپلی ( بخش 3.2 ) را در مورد متغیرهای متعدد گسترش می دهد.

4.2.4. رویکردهای رایج

الگوهای هم‌وقوع فضایی و زمانی مختلط زیرمجموعه‌هایی از دو یا چند نوع شی مختلف را نشان می‌دهند که نمونه‌های آنها اغلب در مجاورت مکانی و زمانی قرار دارند. کشف MDCOP ها به طور بالقوه در شناسایی تاکتیک ها در میدان های نبرد و بازی ها، درک تعاملات شکارچی-شکار، و در برنامه ریزی حمل و نقل (جاده و شبکه) مفید است [ 118 ، 119 ]. با این حال، استخراج MDCOP از نظر محاسباتی بسیار گران است، زیرا معیارهای علاقه از نظر محاسباتی پیچیده هستند، مجموعه داده‌ها به دلیل سابقه بایگانی بزرگ‌تر هستند، و مجموعه الگوهای کاندید از نظر تعداد انواع شی نمایی است. کار اخیر یک اندازه گیری بهره ترکیبی یکنواخت برای کشف MDCOP ایجاد کرده است و الگوریتم های جدید استخراج MDCOP در [ 48 ،120 ]. یک رویکرد فیلتر و پالایش نیز برای شناسایی همزمانی فضایی-زمانی در اشیاء فضایی گسترده پیشنهاد شده است [ 49 ].
الگوی متوالی مکانی-زمانی دنباله ای از انواع رویدادهای مکانی-زمانی به شکل f1→f2→ _ . . →fک�1→�2→...→�ک. این یک “واکنش زنجیره ای” از نوع رویداد را نشان می دهد f1�1به نوع رویداد f2�2و سپس به نوع رویداد f3�3تا زمانی که به نوع رویداد برسد fک�ک. یک الگوی متوالی فضایی-زمانی با یک الگوی هم‌موقعیت تفاوت دارد زیرا دارای ترتیب کلی انواع رویداد است. چنین الگوهایی در کاربردهایی مانند اپیدمیولوژی که در آن برخی از انتقال بیماری ممکن است مسیرهایی را بین چندین گونه از طریق تماس های فضایی دنبال کند، مهم هستند. استخراج الگوهای متوالی مکانی-زمانی به دلیل فقدان معیارهای آماری معنی دار و همچنین هزینه محاسباتی بالا چالش برانگیز است. اندازه گیری شاخص توالی ، که می تواند توسط آمار تابع K تفسیر شود، در [ 52 ، 53 ]، همراه با الگوریتم های محاسباتی کارآمد پیشنهاد شد. آثار دیگر الگوهای متوالی مکانی-زمانی را از داده‌های غیر از رویدادهای مکانی-زمانی، مانند مسیر حرکت اجسام مورد بررسی قرار داده‌اند [ 121 ,122 ، 123 ].
الگوهای مکانی-زمانی آبشاری: به زیرمجموعه‌های مرتب شده جزئی از انواع رویداد که نمونه‌های آنها در کنار هم قرار گرفته‌اند و در مراحل رخ می‌دهند، الگوهای مکانی-زمانی آبشاری (CSTP) نامیده می‌شوند. در حوزه امنیت عمومی، رویدادهایی مانند بسته شدن کافه ها و بازی های فوتبال مولد جرم محسوب می شوند. تجزیه و تحلیل اولیه نشان داد که بازی های فوتبال و رویدادهای بسته شدن بار در واقع CSTP را ایجاد می کنند. کشف CSTP می‌تواند نقش مهمی در برنامه‌ریزی بلایا، علم تغییرات آب و هوا [ 124 ، 125 ] (به عنوان مثال، درک اثرات تغییرات آب و هوا و گرمایش جهانی) و سلامت عمومی (به عنوان مثال، ردیابی ظهور، گسترش و ظهور مجدد چندین بیماری عفونی داشته باشد. بیماری ها [ 126]). یک معیار آماری معنادار برای کمی کردن جذابیت پیشنهاد شد و استراتژی‌های هرس محاسباتی برای کارآمدتر کردن فرآیند کشف الگو از نظر محاسباتی پیشنهاد شد [ 50 ، 51 ].
سری‌های زمانی مکانی و اتصال از راه دور: با توجه به مجموعه‌ای از سری‌های زمانی مکانی در مکان‌های مختلف، هدف کشف اتصال از راه دور شناسایی جفت‌هایی از سری‌های زمانی مکانی است که همبستگی آنها بالاتر از یک آستانه معین است. الگوهای اتصال از راه دور در درک نوسانات در علم آب و هوا مهم هستند. چالش‌های محاسباتی از طول سری‌های زمانی و تعداد زیاد جفت‌های نامزد و طول سری‌های زمانی ناشی می‌شوند. یک ساختار شاخص کارآمد، به نام درخت مخروط، و همچنین یک رویکرد فیلتر و اصلاح [ 46 ، 127]] پیشنهاد شده‌اند که از خودهمبستگی فضایی سری‌های زمانی مکانی مجاور برای فیلتر کردن محاسبات همبستگی زائد جفتی استفاده می‌کنند. چالش دیگر جفت مکان های جعلی “همبستگی بالا” است که به طور تصادفی اتفاق می افتد. اخیراً، آزمون‌های آماری معنی‌دار برای شناسایی الگوهای ارتباط از راه دور از نظر آماری معنی‌دار به نام دوقطبی از داده‌های اقلیمی پیشنهاد شده‌اند [ 47 ]. این رویکرد از یک «راه‌انداز وحشی» برای دریافت وابستگی‌های مکانی-زمانی استفاده می‌کند و همبستگی مکانی، فصلی و روند در سری‌های زمانی را در یک دوره زمانی در نظر می‌گیرد.

4.3. پیش بینی فضایی و زمانی

4.3.1. پیش بینی فضایی و زمانی چیست؟

با توجه به اقلام داده های مکانی-زمانی، با مجموعه ای از متغیرهای توضیحی (که ویژگی ها یا ویژگی های توضیحی نیز نامیده می شود) و یک متغیر وابسته (که متغیرهای هدف نیز نامیده می شوند)، هدف مسئله پیش بینی مکانی-زمانی یادگیری مدلی است که بتواند متغیر وابسته را از روی متغیرهای توضیحی پیش بینی کند. زمانی که متغیر وابسته گسسته باشد، مسئله طبقه بندی مکانی-زمانی نامیده می شود . هنگامی که متغیر وابسته پیوسته است، مشکل رگرسیون مکانی و زمانی است . یکی از نمونه‌های مشکل طبقه‌بندی مکانی و زمانی، طبقه‌بندی تصویر سنجش از راه دور بر روی عکس‌های فوری زمانی است [ 128]]، که در آن متغیرهای توضیحی از باندها یا کانال های طیفی مختلف (مثلاً آبی، سبز، قرمز، مادون قرمز، حرارتی و غیره ) تشکیل شده است و متغیر وابسته یک کلاس موضوعی مانند جنگل، شهری، آب و کشاورزی است. نمونه‌هایی از رگرسیون مکانی-زمانی شامل پیش‌بینی عملکرد سالانه محصول [ 129 ]، و پیش‌بینی دمای روزانه در مکان‌های مختلف است.

4.3.2. دامنه های کاربردی

پیش‌بینی فضایی و زمانی کاربردهای گسترده‌ای مانند طبقه‌بندی پوشش زمین بر روی تصاویر سنجش از دور [ 130 ]، پیش‌بینی روندهای آینده در متغیرهای آب و هوایی جهانی یا منطقه‌ای [ 131 ] و مدل‌سازی قیمت املاک و مستغلات [ 132 ] دارد.

4.3.3. بنیاد آمار

شالوده آماری تکنیک‌های پیش‌بینی مکانی-زمانی شامل آمارهای کلاسیک تقویت‌شده برای محاسبه متغیرهای تأخیر (از لحاظ مکانی و زمانی) [ 133 ]، و همچنین آمارهای مکانی-زمانی از جمله خود همبستگی مکانی و زمانی، ناهمگنی مکانی و چند ناپایداری زمانی و همچنین اثر مقیاس (معرفی شده در بخش 3 ).

4.3.4. رویکردهای رایج

رگرسیون خودرگرسیون مکانی-زمانی (STAR): در مدل خودرگرسیون مکانی، وابستگی های فضایی عبارت خطا یا متغیر وابسته، مستقیماً در معادله رگرسیون مدل می شوند [ 134 ]. اگر مقادیر وابسته yمن�منبه یکدیگر مرتبط هستند، سپس معادله رگرسیون را می توان به صورت اصلاح کرد y= ρ Wy+ Xβ+ ϵ�=�دبلیو�+ایکس�+�، که در آن W ماتریس مجاورت رابطه همسایگی است و ρ پارامتری است که قدرت وابستگی های فضایی بین عناصر متغیر وابسته را از طریق تابع لجستیک برای متغیرهای وابسته باینری منعکس می کند. رگرسیون خودرگرسیون مکانی زمانی (STAR) SAR را با مدل‌سازی صریح بیشتر وابستگی زمانی و مکانی-زمانی در بین متغیرها در مکان‌های مختلف گسترش می‌دهد. جزئیات بیشتر را می توان در [ 68 ] یافت .
کریجینگ مکانی-زمانی: کریجینگ [ 68 ] یک تکنیک زمین آماری برای پیش‌بینی مکان‌هایی است که مشاهدات ناشناخته هستند، بر اساس مکان‌هایی که مشاهدات شناخته شده هستند. به عبارت دیگر، کریجینگ یک مدل «درون یابی» فضایی است. وابستگی فضایی توسط ماتریس کوواریانس فضایی گرفته می شود که می تواند از طریق واریوگرام های فضایی تخمین زده شود. کریجینگ مکانی-زمانی [ 82 ] کریجینگ فضایی را با ماتریس کوواریانس مکانی-زمانی و واریوگرام تعمیم می دهد. می توان از آن برای پیش بینی از داده های مکانی-زمانی ناقص و نویز استفاده کرد.
مدل های مکانی-زمانی دینامیک سلسله مراتبی: مدل های مکانی-زمانی دینامیکی سلسله مراتبی (DSMs) [ 82]، همانطور که از نام آن پیداست، هدف آن مدل سازی فرآیندهای مکانی-زمانی به صورت پویا با چارچوب سلسله مراتبی بیزی است. در بالا یک مدل داده وجود دارد که نشان دهنده وابستگی مشروط مشاهدات (واقعی یا بالقوه) به فرآیند پنهان زیربنایی با متغیرهای پنهان است. در وسط یک مدل فرآیند قرار دارد که وابستگی مکانی – زمانی را با مدل فرآیند نشان می دهد. در پایین یک مدل پارامتر وجود دارد که توزیع های قبلی پارامترهای مدل را نشان می دهد. DSM ها به طور گسترده ای در علم آب و هوا و علوم محیطی استفاده شده اند، به عنوان مثال، برای شبیه سازی رشد جمعیت یا فرآیندهای جوی و اقیانوسی. برای استنباط مدل می توان از فیلتر کالمن با فرض مدل های خطی و گاوسی استفاده کرد.

4.4. تقسیم بندی و خلاصه سازی فضایی و زمانی

4.4.1. تقسیم بندی و خلاصه سازی فضایی و زمانی چیست؟

پارتیشن بندی فضایی-زمانی یا خوشه بندی مکانی-زمانی فرآیند گروه بندی اقلام داده های مکانی-زمانی مشابه و در نتیجه تقسیم بندی فضا و زمان اساسی است [ 27 ]. در بسیاری از کاربردهای اجتماعی مهم است. به عنوان مثال، تقسیم و خلاصه کردن داده های جرم، که ماهیت مکانی و زمانی دارند، به سازمان های مجری قانون کمک می کند تا روند جرایم را پیدا کنند و به طور موثر منابع پلیس خود را مستقر کنند. مهم است که توجه داشته باشید که پارتیشن بندی یا خوشه بندی فضایی-زمانی ارتباط نزدیکی با تشخیص نقطه کانونی مکانی-زمانی دارد، اما مشابه آن نیست. Hotspotها را می‌توان به‌عنوان خوشه‌های ویژه در نظر گرفت، به طوری که رویدادها یا فعالیت‌های درون یک خوشه شدت بسیار بیشتری نسبت به خارج دارند.
هدف خلاصه‌سازی مکانی-زمانی ارائه یک نمایش فشرده از داده‌های مکانی-زمانی است. برای مثال، رویدادهای تصادفات رانندگی در یک شبکه جاده ای را می توان در چندین مسیر اصلی خلاصه کرد که بیشتر تصادفات را پوشش می دهد. خلاصه سازی فضایی-زمانی اغلب بعد از تقسیم بندی فضایی-زمانی یا همراه با آن انجام می شود، به طوری که اشیاء در هر پارتیشن را می توان با آمار انباشته یا اشیاء نماینده خلاصه کرد.

4.4.2. دامنه های کاربردی

تقسیم بندی و خلاصه سازی فضایی و زمانی در بسیاری از کاربردهای اجتماعی مانند ایمنی عمومی، بهداشت عمومی و علوم زیست محیطی مهم است. به عنوان مثال، تقسیم و خلاصه کردن داده های جرم، که ماهیت مکانی و زمانی دارند، به سازمان های مجری قانون کمک می کند تا روند جرایم را پیدا کنند و به طور موثر منابع پلیس خود را به کار گیرند [ 135 ].

4.4.3. بنیاد آمار

آمار مربوط به تقسیم بندی و خلاصه سازی مکانی-زمانی شامل تخمین چگالی نقطه مکانی-زمانی [ 38 ] (به عنوان مثال، تابع چگالی هسته)، و همبستگی زمانی برای سری های زمانی مکانی و غیره است.

4.4.4. رویکردهای رایج

پارتیشن بندی رویداد مکانی-زمانی : برخی از الگوریتم های کلاسیک خوشه بندی برای فضای دو بعدی را می توان به راحتی به سناریوهای مکانی-زمانی تعمیم داد [ 136 ]. این تکنیک ها را می توان به عنوان پارتیشن بندی جهانی، مبتنی بر چگالی، سلسله مراتبی و مبتنی بر نمودار طبقه بندی کرد. پارتیشن بندی جهانی اشیاء فضایی را برای به حداکثر رساندن شباهت درون گروهی گروه بندی می کند. به عنوان مثال K-means، K-Medoids، الگوریتم EM، CLIQUE [ 137 ]، BIRCH و CLARANS [ 138 ] هستند. رویکردهای مبتنی بر تراکم ابتدا نقاط “متراکم” را شناسایی کرده و آنها را به هم متصل می کنند تا خوشه ها یا پارتیشن های به هم پیوسته را تشکیل دهند. مثال‌ها عبارتند از ST-DBSCAN [ 139 ]، یک توسعه مکانی-زمانی از نسخه فضایی آن به نام DBSCAN [ 140 ، 141 ]، و همچنین ST-GRID [142 ]، که فضا و زمان را به سلول‌های سه بعدی تقسیم می‌کند و سلول‌های متراکم را با هم در خوشه‌ها ادغام می‌کند. رویکرد سلسله مراتبی، به عنوان مثال، تجمعی [ 40 ]، دندروگرام [ 40 ]، و BIRCH [ 143 ]، داده های مکانی-زمانی را در سطوح مختلف سلسله مراتبی تقسیم یا گروه بندی می کند. رویکردهای مبتنی بر نمودار مانند Chameleon [ 40 ، 144 ] ابتدا اقلام داده را به عنوان یک گراف نزدیک‌ترین همسایه k پراکنده نشان می‌دهند، سپس نمودار را به بخش‌هایی تقسیم می‌کنند، و به صورت سلسله مراتبی بخش‌های گراف را با توجه به شباهت بین بخش‌های اصلی و بخش‌های ادغام شده ادغام می‌کنند.
پارتیشن بندی سری زمانی فضایی : پارتیشن بندی سری زمانی فضایی با هدف تقسیم فضا به مناطق به گونه ای است که همبستگی یا شباهت بین سری های زمانی در همان مناطق به حداکثر برسد. روش های پارتیشن بندی جهانی مانند K Means، K Medoids و EM را می توان اعمال کرد. همینطور رویکرد سلسله مراتبی. با این حال، به دلیل ابعاد بالای سری های زمانی مکانی، رویکردهای مبتنی بر چگالی و رویکردهای مبتنی بر نمودار اغلب مؤثر نیستند. هنگام محاسبه شباهت بین سری های زمانی مکانی، می توان از رویکرد فیلتر و اصلاح [ 46 ] برای جلوگیری از محاسبات اضافی استفاده کرد.
پارتیشن بندی داده های مسیر : هدف پارتیشن بندی داده های مسیر، تقسیم مسیرها به گروه ها بر اساس شباهت آنهاست. الگوریتم‌ها دو نوع هستند، یعنی مبتنی بر چگالی و مبتنی بر فرکانس. رویکردهای مبتنی بر چگالی [ 145 ، 146 ] ابتدا مسیرها را به بخش‌های کوچک می‌شکنند و الگوریتم‌های خوشه‌بندی مبتنی بر چگالی را شبیه به DB-SCAN [ 140 ] برای اتصال مناطق متراکم بخش‌ها اعمال می‌کنند. رویکرد مبتنی بر فرکانس [ 147 ] از الگوریتم‌های استخراج قانون انجمن [ 63 ] برای شناسایی زیربخش‌هایی از مسیرهایی که فرکانس‌های بالایی دارند (همچنین «پشتیبانی» بالا نامیده می‌شود) استفاده می‌کند.
خلاصه سازی فضایی و زمانی : هدف خلاصه سازی داده ها یافتن نمایش فشرده یک مجموعه داده است [ 148 ]. برای فشرده سازی داده ها و همچنین برای راحت تر کردن تحلیل الگو مهم است. همانطور که در جدول 5 نشان داده شده است ، خلاصه سازی داده ها را می توان بر روی داده های کلاسیک، داده های مکانی و همچنین داده های مکانی-زمانی انجام داد. برای داده‌های سری زمانی مکانی، خلاصه‌سازی را می‌توان با حذف افزونگی مکانی و زمانی به دلیل اثر همبستگی خودکار انجام داد. خانواده ای از این الگوریتم ها برای خلاصه کردن جریان داده های ترافیکی استفاده شده است [ 149]. به طور مشابه، از مرکز K Means نیز می توان برای خلاصه کردن سری های زمانی مکانی استفاده کرد. برای داده های مسیر، به ویژه مسیرهای شبکه فضایی، خلاصه سازی به دلیل هزینه هنگفت محاسبات شباهت چالش برانگیزتر است. یک رویکرد اخیر، مسیرهای شبکه را در k راهروهای اولیه خلاصه می کند [ 150 ، 151 ]. این کار الگوریتم‌های کارآمدی را برای کاهش هزینه‌های هنگفت برای محاسبه فاصله مسیر شبکه پیشنهاد می‌کند.
جدول
جدول 5. چارچوب خلاصه سازی برای انواع داده های مختلف.

4.5. نقاط حساس فضایی و زمانی

4.5.1. هات اسپات های فضایی و زمانی چیست؟

با توجه به مجموعه‌ای از اشیاء فضایی (مثلاً مکان‌های فعالیت) در یک منطقه مورد مطالعه، نقاط کانونی مکانی-زمانی مناطقی هستند که در فواصل زمانی معینی در آن‌ها تعداد اشیاء به طور غیرعادی یا غیرمنتظره در بازه‌های زمانی زیاد است. نقاط حساس فضایی-زمانی نوع خاصی از الگوی خوشه‌ای هستند که درون آن‌ها شدت بیشتری نسبت به بیرون دارد.

4.5.2. دامنه های کاربردی

حوزه‌های کاربردی برای تشخیص نقاط کانونی مکانی-زمانی از بهداشت عمومی تا جرم‌شناسی را شامل می‌شود. به عنوان مثال، در اپیدمیولوژی، یافتن نقاط داغ بیماری به مقامات اجازه می دهد تا یک اپیدمی را شناسایی کرده و منابعی را برای محدود کردن گسترش آن اختصاص دهند [ 152 ].

4.5.3. بنیاد آمار

آمار اسکن مکانی-زمانی [ 76 ، 152 ] برای شناسایی نقاط مهم آماری از مجموعه داده های مکانی-زمانی استفاده می شود. از یک استوانه برای اسکن فضا-زمان برای نقاط حساس و انجام آزمایش فرضیه استفاده می کند. فرضیه صفر بیان می کند که نقاط فعالیت به طور تصادفی بر اساس یک فرآیند پواسون همگن ( یعنی همان شدت) در فضای جغرافیایی توزیع می شوند. فرضیه جایگزین بیان می کند که داخل سیلندر شدت فعالیت بیشتری نسبت به خارج دارد. یک آمار آزمایشی به نام نسبت احتمال ورود به سیستم برای هر کانون (یا سیلندر) نامزد محاسبه می‌شود و نامزدی با بالاترین نسبت احتمال را می‌توان با استفاده از یک مقدار معنی‌دار ارزیابی کرد (به عنوان مثال ،p -value).

4.5.4. رویکردهای رایج

رویکردهای مبتنی بر خوشه‌بندی: روش‌های خوشه‌بندی را می‌توان برای شناسایی مناطق کاندید برای ارزیابی بیشتر نقاط حساس مکانی و زمانی استفاده کرد. این روش ها شامل تقسیم بندی سراسری، خوشه بندی مبتنی بر چگالی و خوشه بندی سلسله مراتبی است (به بخش 4.4 مراجعه کنید ). این روش ها می توانند به عنوان یک مرحله پیش پردازش برای ایجاد مناطق کانونی نامزد مورد استفاده قرار گیرند و ابزارهای آماری ممکن است برای آزمایش اهمیت آماری استفاده شوند. CrimeStat، یک بسته نرم‌افزاری برای تحلیل فضایی مکان‌های جرم، چندین روش خوشه‌بندی را برای تعیین کانون‌های جرم در یک منطقه مورد مطالعه ترکیب می‌کند. بسته CrimeStat دارای ابزار k-means، خوشه‌بندی سلسله مراتبی نزدیکترین همسایه (NNH) [ 153 ]، ابزار NNH تنظیم‌شده ریسک (RANNH)، ابزار منطقه داغ STAC [ 135] است.] و یک ابزار Local Indicator of Spatial Association (LISA) [ 72 ] که برای ارزیابی مناطق بالقوه کانون استفاده می شود. اگرچه بسیاری از روش‌های خوشه‌بندی که در بالا ذکر شد عموماً برای فضای اقلیدسی دو بعدی طراحی شده‌اند و بیشتر برای داده‌های فضایی خالص استفاده می‌شوند، اما می‌توان با در نظر گرفتن بخش زمانی داده‌ها به عنوان یک بعد سوم، از آن‌ها برای شناسایی کانون‌های نامزد مکانی-زمانی استفاده کرد. به عنوان مثال، DBSCAN داده های مکانی و مکانی-زمانی را با استفاده از چگالی داده ها به عنوان اندازه گیری خوشه بندی می کند.
روش‌های مبتنی بر آمار اسکن فضایی-زمانی: تشخیص نقطه‌ی کانونی فضایی-زمانی را می‌توان به عنوان یک مورد خاص از تشخیص نقطه‌ی کانونی فضایی خالص با افزودن زمان به عنوان بعد سوم مشاهده کرد. دو نوع کانون مکانی-زمانی که از اهمیت ویژه ای برخوردار هستند: هات اسپات مکانی-زمانی « پایدار » و کانون مکانی-زمانی « در حال ظهور » . نقطه کانونی فضایی و زمانی “مداوم” به عنوان منطقه ای تعریف می شود که در آن نرخ افزایش مشاهدات به طور مداوم در طول زمان بالا است. بنابراین، تشخیص هات اسپات دائمی فرض می کند که خطر یک هات اسپات ( به عنوان مثال, شیوع) در طول زمان ثابت است و با جمع کردن تعداد مشاهدات در هر بازه زمانی، در مکان و زمان یک نقطه داغ را جستجو می کند. یک ابزار مثال برای تشخیص نقاط کانونی دائمی، SaTScan است که از یک پنجره استوانه‌ای در سه بعدی (زمان بعد سوم است) به جای پنجره دایره‌ای در دو بعد [152 ] برای تشخیص نقاط کانونی مکانی استفاده می‌کند. یک کانون فضایی و زمانی “در حال ظهور” منطقه ای است که در آن نرخ مشاهدات به طور یکنواخت در طول زمان افزایش می یابد [ 154 ، 155]]. این نوع کانونی زمانی اتفاق می‌افتد که شیوعی پدید می‌آید که باعث افزایش ناگهانی تعداد مشاهدات می‌شود. چنین پدیده‌هایی را می‌توان در اپیدمیولوژی مشاهده کرد که در شروع شیوع، تعداد موارد بیماری به طور ناگهانی افزایش می‌یابد. ابزارهایی برای تشخیص نقاط داغ فضایی-زمانی در حال ظهور از آمار اسکن فضایی با تغییر در انتظارات در طول زمان استفاده می کنند [ 156 ].

4.6. تغییر فضایی و زمانی

4.6.1. تغییرات فضایی و زمانی و ردپای تغییر چیست؟

اگرچه از اصطلاح واحد “تغییر” برای نامگذاری الگوهای ردپای تغییر مکانی – زمانی در کاربردهای مختلف استفاده می شود، پدیده های اساسی ممکن است به طور قابل توجهی متفاوت باشند. این بخش به طور خلاصه روش های اصلی تعریف یک تغییر در داده های مکانی-زمانی [ 29 ] را خلاصه می کند:
تغییر در پارامتر آماری : در این حالت فرض می شود که داده ها از توزیع خاصی پیروی می کنند و تغییر به عنوان تغییر در این توزیع آماری تعریف می شود. به عنوان مثال، در کنترل کیفیت آماری، از تغییر در میانگین یا واریانس قرائت سنسور برای تشخیص عیب استفاده می شود.
تغییر در مقدار واقعی : در اینجا، تغییر به عنوان تفاوت بین یک مقدار داده و همسایگی مکانی یا زمانی آن مدل‌سازی می‌شود. به عنوان مثال، در یک تابع پیوسته یک بعدی، مقدار تغییر را می توان با تابع مشتق مشخص کرد، در حالی که در یک سطح دو بعدی، می توان آن را با قدر گرادیان مشخص کرد.
تغییر در مدل‌های برازش داده‌ها : این نوع تغییر زمانی مشخص می‌شود که تعدادی از مدل‌های تابع به داده‌ها برازش می‌شوند و یک یا چند مدل تغییری را نشان می‌دهند (به عنوان مثال، ناپیوستگی بین توابع خطی متوالی) [157 ] .

4.6.2. رویکردهای رایج

این بخش از طبقه بندی الگوهای ردپای تغییرات مکانی-زمانی که در [ 29 ] پیشنهاد شده است، پیروی می کند. در این طبقه‌بندی، ردپای تغییرات مکانی-زمانی در دو بعد زمانی و مکانی طبقه‌بندی می‌شوند. ردپاهای زمانی به چهار دسته تقسیم می شوند: تک عکس فوری، مجموعه عکس های فوری، نقطه در یک سری طولانی و فاصله زمانی در یک سری طولانی. تک عکس فوری به یک تغییر فضایی کاملاً اشاره دارد که زمینه زمانی ندارد. مجموعه ای از عکس های فوری نشان دهنده تغییر بین دو یا چند عکس فوری از یک میدان فضایی است، به عنوان مثال، تصاویر ماهواره ای از همان منطقه.
ردپای فضایی را می توان به عنوان ردپای شطرنجی یا ردپای برداری طبقه بندی کرد. ردپای های برداری بیشتر به چهار دسته تقسیم می شوند: نقطه(ها)، خط(ها)، چندضلعی(ها)، و الگوهای ردپای شبکه. ردپاهای شطرنجی بر اساس مقیاس الگو، یعنی الگوهای محلی، کانونی یا ناحیه ای طبقه بندی می شوند. این طبقه بندی مقیاس عملیات تغییر یک پدیده معین را در میدان شطرنجی فضایی [ 158 ] توصیف می کند. الگوهای محلی الگوهایی هستند که در آنها تغییر در یک مکان معین فقط به ویژگی های این مکان بستگی دارد. الگوهای کانونی الگوهایی هستند که در آنها تغییر در یک مکان به ویژگی‌های آن مکان و همسایگی مفروض آن بستگی دارد. الگوهای منطقه ای تغییر را با استفاده از تجمیع مقادیر مکان در یک منطقه تعریف می کنند.
الگوهای تغییر مکانی و زمانی با ردپای فضایی مبتنی بر شطرنجی: این شامل الگوهای تغییرات فضایی بین عکس‌های فوری است . در سنجش از دور، تشخیص تغییرات بین تصاویر ماهواره ای می تواند به شناسایی تغییرات پوشش زمین به دلیل فعالیت های انسانی، بلایای طبیعی یا تغییرات آب و هوایی کمک کند [ 159 ، 160 ، 161 ]. با توجه به دو تصویر شطرنجی تراز جغرافیایی، هدف این مشکل یافتن مجموعه‌ای از پیکسل‌هایی است که تغییرات قابل توجهی بین دو تصویر دارند [ 162]]. این الگو به عنوان یک تغییر محلی بین عکس‌های فوری طبقه‌بندی می‌شود، زیرا فرض می‌شود که تغییر در یک پیکسل معین مستقل از تغییرات سایر پیکسل‌ها است. تعاریف جایگزین فرض کرده اند که تغییر در یک پیکسل به همسایگی های آن نیز بستگی دارد [ 163 ]. برای مثال، مقادیر پیکسل در هر بلوک ممکن است از یک توزیع گاوسی پیروی کنند [ 164 ]. ما به این نوع الگوی ردپای تغییر به عنوان یک تغییر فضایی کانونی بین عکس‌های فوری اشاره می‌کنیم. محققان در سنجش از دور و پردازش تصویر نیز سعی کرده‌اند تشخیص تغییر تصویر را به جای پیکسل‌ها بر روی اجسام اعمال کنند [ 165 ، 166 ، 167 ] و الگوهای تغییر فضایی منطقه‌ای را بین عکس‌های فوری به دست آورند.
یک تکنیک شناخته شده برای تشخیص ردپای تغییر محلی، تفاوت ساده است. این تکنیک با محاسبه تفاوت بین شدت پیکسل های مربوطه در دو تصویر شروع می شود. اگر تفاوت در پیکسل از یک آستانه خاص بیشتر شود، تغییر در یک پیکسل علامت گذاری می شود. رویکردهای جایگزین نیز برای کشف ردپای تغییر کانونی بین تصاویر پیشنهاد شده است. به عنوان مثال، آزمون نسبت چگالی مبتنی بر بلوک، تغییر را بر اساس گروهی از پیکسل‌ها، که به عنوان بلوک شناخته می‌شوند، تشخیص می‌دهد [ 168 ، 169 ]. رویکردهای مبتنی بر شی در سنجش از دور [ 167 ، 170 ، 171 ] از تکنیک‌های تقسیم‌بندی تصویر برای تقسیم‌بندی عکس‌های فوری زمانی تصاویر به اشیاء همگن استفاده می‌کنند [ 172]] و سپس جفت‌های شی در دو عکس فوری زمانی تصاویر را در کلاس‌های بدون تغییر یا تغییر طبقه‌بندی کنید.
الگوهای تغییر مکانی-زمانی با ردپای فضایی مبتنی بر برداری: این شامل الگوی ردپای تغییر حجم مکانی-زمانی است . این الگو نشان دهنده یک فرآیند تغییر است که در یک منطقه فضایی (یک چند ضلعی) در یک بازه زمانی رخ می دهد. به عنوان مثال، یک رویداد شیوع یک بیماری را می توان به عنوان افزایش گزارش های بیماری در یک منطقه خاص در طول یک بازه زمانی خاص تا زمان فعلی تعریف کرد. الگوهای تغییر که دارای ردپای حجمی مکانی-زمانی هستند شامل آمار اسکن فضایی-زمانی [ 173 ، 174 ]، تعمیم آمار اسکن فضایی، و خوشه های فضایی-زمانی در حال ظهور تعریف شده توسط [ 156 ] است.

5. ابزارهای تحلیل مکانی و مکانی

این بخش ابزارهای تحلیل مکانی و مکانی-زمانی موجود در حال حاضر را فهرست می‌کند، از جمله نرم‌افزارهای سیستم اطلاعات جغرافیایی (GIS)، ابزارهای آماری مکانی و زمانی، سیستم‌های مدیریت پایگاه داده مکانی، و همچنین پلت‌فرم‌های داده‌های بزرگ مکانی.
نرم افزارهای GIS : ArcGIS [ 175 ] در حال حاضر پرکاربردترین نرم افزار تجاری GIS برای کار با نقشه ها و اطلاعات جغرافیایی است. دارای پسوندی به نام Tracking Analyst برای پشتیبانی از تجسم و تجزیه و تحلیل برای داده های مکانی-زمانی است. QGIS [ 176 ] (قبلاً Quantum GIS) یک نرم افزار متن باز GIS بسیار محبوب است.
ابزارهای آماری فضایی : R بسته های زیادی را برای تجزیه و تحلیل آماری مکانی و مکانی-زمانی [ 177 ] فراهم می کند، مانند spatstat برای تحلیل الگوی نقطه ای، gstat و geoR برای زمین آمار، spdep برای تجزیه و تحلیل داده های منطقه ای. Matlab همچنین جعبه ابزار نقشه برداری [ 178 ] و سایر جعبه ابزارهای آماری فضایی را فراهم می کند. SAS اخیراً از آمارهای فضایی [ 179 ] مانند رویه KRIGE2D برای کریجینگ، رویه SIM2D برای میدان تصادفی گاوسی، روش SPP برای الگوی نقطه‌ای فضایی، و رویه VARIOGRAM برای واریوگرام‌ها پشتیبانی می‌کند .
سیستم‌های مدیریت پایگاه داده فضایی : بسیاری از پایگاه‌های داده تجاری برنامه‌های افزودنی را برای پشتیبانی از داده‌های مکانی، مانند Oracle Spatial [ 180 ] و DB2 Spatial Extender [ 181 ] ارائه می‌کنند. PostGIS [ 182 ] یک سیستم مدیریت پایگاه داده فضایی منبع باز است که به طور گسترده استفاده می شود، که پسوندی برای Postgres، یک DBMS شی-رابطه ای است.
بستر داده‌های بزرگ فضایی : داده‌های بزرگ فضایی آینده از مسیرهای GPS خودرو، داده‌های مکان تلفن همراه، و همچنین تصاویر سنجش از راه دور از قابلیت‌های DBMS فضایی سنتی فراتر می‌رود و به پلت‌فرم‌های جدیدی برای پشتیبانی از تحلیل فضایی مقیاس‌پذیر نیاز دارد. پلتفرم‌های داده‌های بزرگ فضایی فعلی شامل ESRI GIS در Hadoop [ 183 ، 184 ]، Hadoop GIS [ 185 ] و Spatial Hadoop [ 186 ] است.

6. روند تحقیق و نیازهای تحقیقاتی آینده

بیشتر تحقیقات کنونی در داده کاوی فضایی-زمانی از فضای اقلیدسی استفاده می کنند که اغلب ویژگی همسانگرد و همسایگی های متقارن را فرض می کند. با این حال، در بسیاری از کاربردهای دنیای واقعی، فضای زیربنایی فضای شبکه است، مانند شبکه‌های رودخانه‌ای و شبکه‌های جاده‌ای [ 187 ، 188 ، 189 ]. یکی از چالش های اصلی در داده کاوی شبکه مکانی و مکانی، در نظر گرفتن ساختار شبکه در مجموعه داده است. به عنوان مثال، در تشخیص ناهنجاری، تکنیک‌های فضایی ساختار شبکه فضایی مجموعه داده را در نظر نمی‌گیرند، یعنی ممکن است نتوانند ویژگی‌های نمودار مانند یک طرفه، اتصال، گردش به چپ و غیره را مدل کنند .ساختار شبکه اغلب خاصیت همسانگرد و تقارن محله ها را نقض می کند، و در عوض، به همسایگی نامتقارن و جهت گیری رابطه همسایگی نیاز دارد (به عنوان مثال، جهت جریان شبکه).
اخیراً برخی تحقیقات پیشرفته در آمار شبکه های فضایی و داده کاوی انجام شده است [ 80 ]. به عنوان مثال، چندین روش آماری شبکه فضایی توسعه داده شده است، به عنوان مثال، تابع K شبکه و خود همبستگی فضایی شبکه. چندین روش تحلیل فضایی نیز به فضای شبکه تعمیم داده شده است، مانند تجزیه و تحلیل خوشه نقطه شبکه و روش کلمپینگ، تخمین تراکم نقطه شبکه، درون یابی فضایی شبکه (کریجینگ)، و همچنین مدل شبکه هاف. با توجه به ماهیت فضای شبکه فضایی متمایز از فضای اقلیدسی، این آمار و تجزیه و تحلیل اغلب بر تکنیک های محاسباتی شبکه فضایی پیشرفته تکیه می کنند [ 80 ].
ما معتقدیم که تحقیقات داده کاوی مکانی-زمانی بیشتری هنوز در فضای شبکه مورد نیاز است. اولا، اگرچه چندین تکنیک آماری مکانی و داده کاوی به فضای شبکه تعمیم داده شده است، آمار شبکه مکانی-زمانی و داده کاوی کمی توسعه یافته است، و اکثریت قریب به اتفاق تحقیقات هنوز در فضای اقلیدسی است. تحقیقات آینده برای توسعه آمار شبکه های فضایی بیشتر، مانند آمار اسکن شبکه فضایی، مدل میدان تصادفی شبکه فضایی، و همچنین مدل های خودرگرسیون مکانی-زمانی برای شبکه ها مورد نیاز است. علاوه بر این، پدیده های مشاهده شده در شبکه های مکانی-زمانی باید در چارچوب مرجع مناسب تفسیر شوند تا از عدم تطابق بین ماهیت پدیده های مشاهده شده و الگوریتم استخراج جلوگیری شود. برای مثال،به عنوان مثال ، چارچوب مرجع لاگرانژی [ 190 ، 191 ، 192 ] به جای نمای فوری. این به این دلیل است که مسافری که در امتداد یک مسیر انتخاب شده در یک شبکه مکانی-زمانی حرکت می کند، یک قطعه جاده (و ویژگی های آن مانند بهره وری سوخت، زمان سفر و غیره ) را برای زمانی که به آن بخش می رسد، تجربه می کند، که ممکن است در شروع سفر از زمان حرکت اصلی متمایز باشد. این الزامات منحصر به فرد (غیر همسانگردی و چارچوب مرجع لاگرانژی) به مبانی آماری جدید مکانی-زمانی [ 187 ] و همچنین رویکردهای محاسباتی جدید برای داده کاوی شبکه مکانی-زمانی نیاز دارد.
یکی دیگر از نیازهای تحقیقاتی آینده، توسعه پلتفرم‌های داده‌های بزرگ نمودار فضایی-زمانی است که با انگیزه داده‌های شبکه مکانی-زمانی غنی جمع‌آوری‌شده از وسایل نقلیه آتی پیش رو است. وسایل نقلیه مدرن دارای ابزار دقیق غنی برای اندازه گیری صدها ویژگی در فرکانس بالا هستند و داده های بزرگ تولید می کنند (Exabyte [ 193 ]). این داده های بزرگ اندازه گیری وسیله نقلیه (VMBD) شامل مجموعه ای از سفرها بر روی نمودار حمل و نقل مانند نقشه راه است که با چندین اندازه گیری از زیرسیستم های موتور مشروح شده است. جمع آوری و تجزیه و تحلیل VMBD در شرایط رانندگی در دنیای واقعی می تواند به درک عوامل اساسی که بر ناکارآمدی سوخت در دنیای واقعی یا انتشار گازهای گلخانه ای بالا (GHG) حاکم است کمک کند [194 ]]. پلتفرم‌های کلان داده فعلی مرتبط برای داده‌کاوی مکانی و مکانی، شامل ابزارهای ESRI GIS برای Hadoop [ 183 , 184 ]، Hadoop GIS [ 185 ] و غیره است. اینها سیستم‌های توزیع‌شده برای داده‌های هندسی (به عنوان مثال، خطوط، نقاط و چندضلعی‌ها) از جمله هندسی را ارائه می‌کنند. روش های نمایه سازی و پارتیشن بندی مانند R-tree، R+-tree یا Quad tree. اخیراً SpatialHadoop توسعه یافته است [ 186]. SpatialHadoop مفاهیم هندسی را در لایه های زبان، تجسم، ذخیره سازی، MapReduce و عملیات تعبیه می کند. با این حال، نمودارهای مکانی-زمانی (STGs) مفروضات اصلی پلتفرم‌های داده‌های بزرگ فضایی فعلی را نقض می‌کنند که مفاهیم هندسی برای نمایش راحت عملیات تحلیل STG و برای داده‌های پارتیشن برای متعادل‌سازی بار کافی هستند. STGها همچنین مفروضات اصلی نرم افزار تجزیه و تحلیل گراف را نقض می کنند (به عنوان مثال، Giraph [ 195 ]، GraphLab [ 196 ] و Pregel [ 197 ]]) که نمودارهای سنتی ناآگاه از موقعیت مکانی برای نمایش راحت عملیات تجزیه و تحلیل STG و برای داده های پارتیشن برای متعادل کردن بار کافی هستند. بنابراین، پلتفرم‌های داده‌های بزرگ نمودار فضایی-زمانی جدید مورد نیاز است. چندین چالش باید مورد توجه قرار گیرد، به عنوان مثال، داده های بزرگ نمودار فضایی-زمانی به سیستم های فایل توزیع شده جدید (DFS) برای پارتیشن بندی گراف نیاز دارد، و هنوز یک مدل برنامه نویسی جدید برای پشتیبانی از انواع داده های انتزاعی و عملیات اساسی STG و غیره مورد نیاز است .

7. خلاصه

این مقاله یک نمای کلی از تحقیقات فعلی در زمینه داده کاوی مکانی-زمانی از دیدگاه محاسباتی ارائه می دهد. داده کاوی فضایی و زمانی دارای حوزه های کاربردی گسترده ای از جمله مدیریت زیست محیطی و محیط زیست، ایمنی عمومی، حمل و نقل، علوم زمین، اپیدمیولوژی و اقلیم شناسی است. با این حال، پیچیدگی داده‌های مکانی و زمانی و روابط درونی، سودمندی تکنیک‌های مرسوم علم داده را برای استخراج الگوهای مکانی-زمانی محدود می‌کند. ما یک طبقه بندی از انواع داده های مکانی-زمانی مختلف و آمار مکانی-زمانی زیربنایی ارائه می دهیم. ما همچنین تکنیک‌های رایج داده‌کاوی مکانی-زمانی سازمان‌دهی‌شده توسط خانواده‌های الگوی خروجی اصلی را بررسی می‌کنیم: پرت مکانی-زمانی، جفت و جفت از راه دور مکانی-زمانی، پیش‌بینی مکانی-زمانی، تقسیم‌بندی مکانی-زمانی و خلاصه‌سازی، نقاط حساس فضایی و زمانی و تشخیص تغییر. ابزارهای نرم افزاری محبوب برای تجزیه و تحلیل داده های مکانی و مکانی-زمانی نیز فهرست شده اند. در نهایت، ما در مورد زمینه های تحقیقاتی پیشرفته و نیازهای تحقیقاتی آینده بحث می کنیم.

منابع

  1. استولرز، پ. ناکامورا، اچ. مسروبیان، ای. مونتز، آر. شک، ای. سانتوس، جی. یی، جی. نگ، ک. چین، اس. مچوسو، آر. و همکاران داده کاوی سریع مکانی-زمانی مجموعه داده های ژئوفیزیکی بزرگ ؛ AAAI Press: Palo Alto، CA، USA، 1995. [ Google Scholar ]
  2. Guting, R. مقدمه ای بر سیستم های پایگاه داده فضایی. VLDB J. 1994 ، 3 ، 357-399. [ Google Scholar ] [ CrossRef ]
  3. شکر، س. Chawla, S. Spatial Databases: A Tour ; Prentice Hall: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 2003. [ Google Scholar ]
  4. شکر، س. چاولا، س. راوادا، اس. فترر، آ. لیو، ایکس. پایگاه‌های اطلاعاتی فضایی لو، CT – دستاوردها و نیازهای پژوهشی. ترانس. بدانید. مهندسی داده 1999 ، 11 ، 45-55. [ Google Scholar ] [ CrossRef ]
  5. Worboys, M. GIS: A Computing Perspective ; تیلور و فرانسیس: لندن، بریتانیا، 1995. [ Google Scholar ]
  6. کروگمن، پی. توسعه، جغرافیا و نظریه اقتصادی . انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 1995. [ Google Scholar ]
  7. آلبرت، پی. مک شین، ال. یک رویکرد معادلات برآورد تعمیم یافته برای داده های باینری همبسته فضایی: کاربردها برای تجزیه و تحلیل داده های تصویربرداری عصبی. بیومتریک 1995 ، 51 ، 627-638. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. شکر، س. یانگ، تی. Hancock, P. یک سیستم مدیریت اطلاعات بزرگراه خودرو هوشمند. محاسبات – زیرساخت های عمرانی کمک شده. مهندس 1993 ، 8 ، 175-198. [ Google Scholar ] [ CrossRef ]
  9. اک، ج. چینی، اس. کامرون، جی جی. لایتنر، ام. ویلسون، RE Mapping Crime: Understanding Hot Spots. در دسترس آنلاین: http://www.ncjrs.gov/pdffiles1/nij/209393.pdf (در 10 مه 2015 قابل دسترسی است).
  10. Issaks, EH; Svivastava، RM. زمین آمار کاربردی ; انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 1989. [ Google Scholar ]
  11. Haining، RJ تجزیه و تحلیل داده های فضایی در علوم اجتماعی و محیطی . انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 1989. [ Google Scholar ]
  12. رادیک، جی اف. Spiliopoulou، M. کتابشناسی از تحقیقات داده کاوی زمانی، مکانی و مکانی-زمانی. SIGKDD کاوش. 1999 ، 1 ، 34-38. [ Google Scholar ] [ CrossRef ]
  13. Scally, R. GIS for Environmental Management ; ESRI Press: Redlands، CA، USA، 2006. [ Google Scholar ]
  14. لایپنیک، ام آر. آلبرت، DP GIS در اجرای قانون: مسائل اجرایی و مطالعات موردی . مطبوعات CRC: ساکرامنتو، کالیفرنیا، ایالات متحده آمریکا، 2002. [ Google Scholar ]
  15. Lang, L. حمل و نقل GIS ; ESRI Press: Redlands، CA، USA، 1999. [ Google Scholar ]
  16. الیوت، پی. ویکفیلد، جی. بهترین، ن. بریگز، دی. اپیدمیولوژی فضایی: روش ها و کاربردها . انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2000. [ Google Scholar ]
  17. هان، م. AE Liebhold، LG یک مدل زمین آماری برای پیش‌بینی دینامیک فضایی برگ‌زدایی ناشی از شب پره کولی، Lymantria dispar (Lepidoptera:Lymantriidae). محیط زیست انتومول. 1993 ، 22 ، 1066-1075. [ Google Scholar ] [ CrossRef ]
  18. یاسویی، ی. Lele، S. یک روش رگرسیون برای نرخ بیماری فضایی: یک رویکرد تخمین عملکرد. مربا. آمار دانشیار 1997 ، 94 ، 21-32. [ Google Scholar ] [ CrossRef ]
  19. راس، جی. برنینگ، الف. داده کاوی در کشاورزی دقیق: مدیریت اطلاعات مکانی. در هوش محاسباتی برای طراحی سیستم های مبتنی بر دانش ؛ Springer: برلین، آلمان، 2010; صص 350-359. [ Google Scholar ]
  20. گوبی، جی. بویا، ر. ماروسیک، اس. Palaniswami، M. اینترنت اشیا (IoT): چشم انداز، عناصر معماری و جهت گیری های آینده. ژنرال آینده. محاسبه کنید. سیستم 2013 ، 29 ، 1645-1660. [ Google Scholar ] [ CrossRef ]
  21. مارکوس، جی. دیویس، ای. هشت (نه، نه!) مشکل با داده های بزرگ. نیویورک تایمز 2014 ، 6 ، 2014. [ Google Scholar ]
  22. کالدول، PM; برترتون، CS; زلینکا، MD; کلاین، SA; Santer، BD; ساندرسون، BM اهمیت آماری پیش‌بینی‌کننده‌های حساسیت اقلیمی به‌دست‌آمده از داده‌کاوی. ژئوفیز. Res. Lett. 2014 ، 41 ، 1803-1808. [ Google Scholar ] [ CrossRef ]
  23. شکر، س. ژانگ، پی. هوانگ، ی. Vatsavai, RR روند در داده کاوی فضایی. در داده کاوی: چالش های نسل بعدی و جهت گیری های آینده . AAAI Press: Palo Alto، CA، USA، 2003; صص 357-380. [ Google Scholar ]
  24. کوپرسکی، ک. آدیکاری، ج. هان، جی. داده کاوی فضایی: مقاله بررسی پیشرفت و چالش ها. در مجموعه مقالات کارگاه ACM SIGMOD در مورد مسائل تحقیقاتی در مورد داده کاوی و کشف دانش، مونترال، QC، کانادا، 4-6 ژوئن 1996.
  25. استر، ام. کریگل، اچ پی؛ ساندر، جی. داده کاوی فضایی: رویکرد پایگاه داده. در پیشرفت‌ها در پایگاه‌های داده فضایی ، مجموعه مقالات پنجمین سمپوزیوم بین‌المللی (SSD ’97)، برلین، آلمان، 15–18 ژوئیه 1997. Springer: برلین، آلمان، 1997; صص 47-66. [ Google Scholar ]
  26. میلر، اچ جی; هان، جی. داده کاوی جغرافیایی و کشف دانش . مطبوعات CRC: ساکرامنتو، کالیفرنیا، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  27. کیسیلویچ، اس. منزمن، اف. نانی، م. Rinzivillo، S. خوشه بندی فضایی-زمانی ; Springer: برلین، آلمان، 2010. [ Google Scholar ]
  28. Aggarwal، CC تجزیه و تحلیل Outlier ; Springer: برلین، آلمان، 2013. [ Google Scholar ]
  29. ژو، ایکس. شکر، س. علی، RY کشف الگوی ردپای تغییر فضایی – زمانی: یک بررسی بین رشته‌ای. وایلی اینتردیسیپ. Rev. Data Min. بدانید. کشف کنید. 2014 ، 4 ، 1-23. [ Google Scholar ] [ CrossRef ]
  30. چنگ، تی. هاورث، جی. انبار اوغلو، بی. تاناکسارانوند، گ. وانگ، جی. داده کاوی فضایی و زمانی. در کتابچه راهنمای علوم منطقه ای ; Springer: هایدلبرگ، آلمان، 2014; صص 1173–1193. [ Google Scholar ]
  31. شکر، س. ایوانز، ام آر. کانگ، جی.ام. Mohan, P. شناسایی الگوها در اطلاعات مکانی: بررسی روشها. وایلی اینتردیسیپ. Rev.: Data Min. بدانید. کشف کنید. 2011 ، 1 ، 193-214. [ Google Scholar ] [ CrossRef ]
  32. وربویز، م. Duckham, M. GIS: A Computing Perspective , 2nd ed.; مطبوعات CRC: ساکرامنتو، کالیفرنیا، ایالات متحده آمریکا، 2004. [ Google Scholar ]
  33. لی، ز. چن، جی. Baltsavias, E. Advances in Photogrammetry, Remote Sensing and Spatial Information Sciences: 2008 ISPRS Congress Book ; مطبوعات CRC: ساکرامنتو، کالیفرنیا، ایالات متحده آمریکا، 2008. [ Google Scholar ]
  34. یوان، M. GIS زمانی و مدل‌سازی مکانی-زمانی. در مجموعه مقالات سومین کنفرانس بین المللی کارگاه آموزشی ادغام GIS و مدلسازی محیط، سانتافه، NM، ایالات متحده، 21-26 ژانویه 1996.
  35. آلن، جی اف به سوی یک نظریه کلی کنش و زمان. آرتیف. هوشمند 1984 ، 23 ، 123-154. [ Google Scholar ] [ CrossRef ]
  36. جورج، بی. کیم، اس. Shekhar, S. پایگاه های داده شبکه مکانی-زمانی و الگوریتم های مسیریابی: خلاصه ای از نتایج. در مجموعه مقالات دهمین سمپوزیوم بین المللی پایگاه های داده مکانی و زمانی (SSTD’07)، بوستون، MA، ایالات متحده آمریکا، 16-18 ژوئیه 2007.
  37. جورج، بی. Shekhar, S. Time Aggregated Graphs: مدلی برای شبکه مکانی – زمانی. در مجموعه مقالات کارگاه ها (CoMoGIS) در بیست و پنجمین کنفرانس بین المللی مدل سازی مفهومی (ER2006)، توسان، AZ، ​​ایالات متحده آمریکا، 6-9 نوامبر 2006.
  38. گلفاند، AE; دیگل، پی. گوتورپ، پی. Fuentes, M. Handbook of Spatial Statistics ; مطبوعات CRC: ساکرامنتو، کالیفرنیا، ایالات متحده آمریکا، 2010. [ Google Scholar ]
  39. کامپلو، م. بنت، ب. بازنمایی و استدلال در مورد تغییر گسترش فضایی ویژگی‌های جغرافیایی . Springer: برلین، آلمان، 2013. [ Google Scholar ]
  40. قهوهای مایل به زرد، PN; اشتاین باخ، ام. کومار، وی. مقدمه ای بر داده کاوی . پیرسون ادیسون وسلی: بوستون، MA، ایالات متحده آمریکا، 2006. [ Google Scholar ]
  41. Bolstad, P. GIS Fundamentals: A First Text on GIS ; Eider Press: Saint Paul, MN, USA, 2002. [ Google Scholar ]
  42. Ganguly، AR; Steinhaeuser، K. داده کاوی برای تغییرات آب و هوا و اثرات. در مجموعه مقالات کنفرانس بین المللی IEEE 2008 در کارگاه های داده کاوی (ICDMW ’08)، پیزا، ایتالیا، 15-19 دسامبر 2008. صص 385-394.
  43. ارویگ، م. اشنایدر، ام. هاگن، F. محمولات مکانی-زمانی. IEEE Trans. بدانید. مهندسی داده 2002 ، 14 ، 881-901. [ Google Scholar ] [ CrossRef ]
  44. چن، جی. وانگ، آر. لیو، ال. Song, J. خوشه بندی مسیرها بر اساس فاصله Hausdorff. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2011 در زمینه الکترونیک، ارتباطات و کنترل (ICECC)، نینگبو، چین، 9 تا 11 سپتامبر 2011. صفحات 1940-1944.
  45. ژانگ، ز. هوانگ، ک. Tan, T. مقایسه اقدامات مشابه برای خوشه بندی مسیر در صحنه های نظارت در فضای باز. در مجموعه مقالات هجدهمین کنفرانس بین المللی IEEE در مورد شناسایی الگو (ICPR 2006)، هنگ کنگ، چین، 20-24 اوت 2006. جلد 3، ص 1135–1138.
  46. ژانگ، پی. هوانگ، ی. شکر، س. کومار، وی. تحلیل همبستگی مجموعه داده‌های سری زمانی مکانی: رویکرد فیلتر و پالایش. در پیشرفت در کشف دانش و داده کاوی ؛ Springer: برلین، آلمان، 2003; صص 532-544. [ Google Scholar ]
  47. کاواله، ج. چاترجی، اس. اورمزبی، دی. اشتاینهایزر، ک. دروغ، اس. کومار، وی. آزمایش اهمیت الگوهای اتصال از راه دور مکانی-زمانی. در مجموعه مقالات هجدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، پکن، چین، 12 تا 16 اوت 2012. صص 642-650.
  48. چلیک، م. شکر، س. راجرز، جی پی؛ درخشش، JA; یو، JS الگوی کاوی همزمان فضایی-زمانی ترکیبی: خلاصه ای از نتایج. در مجموعه مقالات ششمین کنفرانس بین المللی داده کاوی، واشنگتن دی سی، ایالات متحده آمریکا، 18 تا 22 دسامبر 2006.
  49. پیلای، KG; Angryk، RA; آیدین، ب. رویکرد فیلتر و پالایش به رخدادهای همزمان فضایی و زمانی معدن . SIGSPATIAL/GIS: اورلاندو، ایالات متحده آمریکا، 2013; صص 104-113. [ Google Scholar ]
  50. موهان، پ. شکر، س. درخشش، JA; راجرز، JP کشف الگوی مکانی-زمانی آبشاری. IEEE Trans. بدانید. مهندسی داده 2012 ، 24 ، 1977-1992. [ Google Scholar ] [ CrossRef ]
  51. موهان، پ. شکر، س. درخشش، JA; Rogers, JP Cascading Spatio-Temporal Pattern Discovery: A Summary of Results ; SDM: کلمبوس، ایالات متحده آمریکا، 2010. [ Google Scholar ]
  52. هوانگ، ی. ژانگ، ال. ژانگ، پی. چارچوبی برای استخراج الگوهای متوالی از مجموعه داده‌های رویداد مکانی-زمانی. IEEE Trans. بدانید. مهندسی داده 2008 ، 20 ، 433-448. [ Google Scholar ] [ CrossRef ]
  53. هوانگ، ی. ژانگ، ال. Zhang, P. یافتن الگوهای متوالی از تعداد زیادی از رویدادهای مکانی-زمانی . SDM: Bethesda، ایالات متحده، 2006. [ Google Scholar ]
  54. منیس، جی. ویگر، آر. Tomlin، CD توابع جبر نقشه مکعبی برای تجزیه و تحلیل مکانی-زمانی. کارتوگر. Geogr. Inf. علمی 2005 ، 32 ، 17-32. [ Google Scholar ] [ CrossRef ]
  55. براون، DG; ریلو، آر. رابینسون، دی.تی. شمال، م. رند، دبلیو. مدل‌های فرآیند و داده فضایی: به سوی ادغام مدل‌های مبتنی بر عامل و GIS. جی. جئوگر. سیستم 2005 ، 7 ، 25-47. [ Google Scholar ] [ CrossRef ]
  56. حبیبه، ح. تانتی پاتاناننده، سی. Berger-Wolf، T. اندازه گیری مرکزیت بین در شبکه های پویا . گروه علوم کامپیوتر، دانشگاه ایلینوی در شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 2007. [ Google Scholar ]
  57. کانگ، جی.ام. شکر، س. ونن، سی. نواک، پی. کشف ناهنجاری های جریان: یک رویکرد شیرین. در مجموعه مقالات هشتمین کنفرانس بین المللی IEEE در مورد داده کاوی (ICDM ’08)، پیزا، ایتالیا، 15-19 دسامبر 2008.
  58. کانگ، جی.ام. شکر، س. هنجوم، م. نواک، پ. آرنولد، دبلیو. کشف ناهنجاری‌های جریان متصل از راه دور: تحلیل رابطه محله‌های دینامیکی مکانی-زمانی (RAD). در مجموعه مقالات یازدهمین سمپوزیوم بین المللی (SSTD 2009)، آلبورگ، دانمارک، 8 تا 10 ژوئیه 2009.
  59. آهوجا، RK; Magnanti، TL; اورلین، JB جریان های شبکه: نظریه، الگوریتم ها و کاربردها . Prentice Hall: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 1988. [ Google Scholar ]
  60. Quinlan, J. C4.5: Programs for Machine Learning ; Morgan Kaufmann ناشران: برلینگتون، MA، ایالات متحده آمریکا، 1993. [ Google Scholar ]
  61. وارنت، وی. Lewis, T. Outliers in Statistical Data ; جان وایلی: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 1994. [ Google Scholar ]
  62. آگاروال، آر. ایمیلینسکی، تی. Swami، A. قوانین ارتباط معدن بین مجموعه ای از آیتم ها در پایگاه های داده بزرگ. در مجموعه مقالات کنفرانس ACM SIGMOD در مدیریت داده ها، واشنگتن، دی سی، ایالات متحده آمریکا، 26-28 مه 1993.
  63. آگراوال، آر. Srikant، R. الگوریتم های سریع برای قوانین انجمن معدن. در مجموعه مقالات بیستمین کنفرانس بین المللی پایگاه های داده بسیار بزرگ، سانتیاگو دی شیلی، شیلی، 12 تا 15 سپتامبر 1994.
  64. جین، ا. Dubes, R. الگوریتم های خوشه بندی داده ها ; Prentice Hall: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 1988. [ Google Scholar ]
  65. Tobler, W. Cellular Geography, Philosophy in Geography ; Reidel: Dordrecht، هلند، 1979. [ Google Scholar ]
  66. بانرجی، اس. کارلین، بی. گلفاند، الف. مدلسازی و تحلیل سلسله مراتبی برای داده های فضایی . چپمن و هال: لندن، انگلستان، 2004. [ Google Scholar ]
  67. شابنبرگر، او. Gotway, C. روش های آماری برای تجزیه و تحلیل داده های مکانی ; چپمن و هال: لندن، انگلستان، 2005. [ Google Scholar ]
  68. Cressie، NAC Statistics for Spatial Data ; Wiley: نیویورک، نیویورک، ایالات متحده آمریکا، 1993. [ Google Scholar ]
  69. Cressie, N. Statistics for Spatial Data (نسخه تجدید نظر شده) ; Wiley: نیویورک، نیویورک، ایالات متحده آمریکا، 1993. [ Google Scholar ]
  70. Gething، PW; اتکینسون، PM؛ نور، ع. گیکندی، پ. هی، SI; نیکسون، ام اس یک رویکرد کریجینگ مکان-زمان محلی که برای مجموعه داده‌های سرپایی ملی مالاریا اعمال می‌شود. محاسبه کنید. Geosci. 2007 ، 33 ، 1337-1350. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  71. Warrender، CE; Augusteijn, MF تلفیقی از طبقه بندی تصاویر با استفاده از تکنیک های بیزی با میدان های مارکوف راند. بین المللی J. Remote Sens. 1999 ، 20 ، 1987-2002. [ Google Scholar ] [ CrossRef ]
  72. Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-155. [ Google Scholar ] [ CrossRef ]
  73. Openshaw, S. مسئله واحد مساحتی قابل تغییر . OCLC: Dublin, OH, USA, 1983. [ Google Scholar ]
  74. ریپلی، بی دی مدل سازی الگوهای فضایی. JR Stat. Soc. سر. B (Methodol.) 1977 ، 39 ، 172-212. [ Google Scholar ]
  75. مارکون، ای. Puech, F. تعمیم تابع K ریپلی به جمعیت های ناهمگن . Mimeo: نیویورک، نیویورک، ایالات متحده آمریکا، 2003. [ Google Scholar ]
  76. Kulldorff، M. آمار اسکن فضایی. اشتراک. Stat.-Theory Methods 1997 ، 26 ، 1481-1496. [ Google Scholar ] [ CrossRef ]
  77. Chiu، SN; استویان، دی. کندال، WS; Mecke, J. هندسه تصادفی و کاربردهای آن . جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  78. Guyon، X. فیلدهای تصادفی در یک شبکه: مدل‌سازی، آمار و کاربردها . Springer: برلین، آلمان، 1995. [ Google Scholar ]
  79. اوکابه، ا. یومونو، اچ. Kitamura, M. تجزیه و تحلیل آماری توزیع نقاط در یک شبکه. Geogr. مقعدی 1995 ، 27 ، 152-175. [ Google Scholar ] [ CrossRef ]
  80. اوکابه، ا. Sugihara, K. تجزیه و تحلیل فضایی در طول شبکه ها: روش های آماری و محاسباتی . جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  81. اوکابه، ا. اوکونوکی، ک. Shiode, S. جعبه ابزار SANET: روش های جدید برای تجزیه و تحلیل فضایی شبکه. ترانس. GIS 2006 ، 10 ، 535-550. [ Google Scholar ] [ CrossRef ]
  82. کرسی، ن. Wikle، آمار CK برای داده های مکانی-زمانی ; جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  83. Shumway، RH; Stoffer، تجزیه و تحلیل سری های زمانی DS و کاربردهای آن: با مثال های R. Springer: برلین، آلمان، 2010. [ Google Scholar ]
  84. کیریاکیدیس، PC; مجله، مدل‌های فضا-زمان زمین‌آماری AG: مروری. ریاضی. جئول 1999 ، 31 ، 651-684. [ Google Scholar ] [ CrossRef ]
  85. Cressie، ACN Statistics for Spatial Data ; Wiley-Interscience: Hoboken، NJ، USA، 1993. [ Google Scholar ]
  86. بارنت، وی. Lewis, T. Outliers in Statistical Data , 3rd ed.; جان وایلی: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 1994. [ Google Scholar ]
  87. هاوکینز، دی. شناسایی نقاط پرت . چپمن و هال: لندن، بریتانیا، 1980. [ Google Scholar ]
  88. چاندولا، وی. بانرجی، ا. کومار، وی. تشخیص ناهنجاری: یک بررسی. کامپیوتر ACM. Surv. 2009 ، 41 ، 1-58. [ Google Scholar ] [ CrossRef ]
  89. شکر، س. لو، سی. Zhang، P. تشخیص نقاط پرت مبتنی بر نمودار: الگوریتم‌ها و کاربردها (خلاصه‌ای از نتایج). در مجموعه مقالات هفتمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 26-29 اوت 2001.
  90. وو، دبلیو. چنگ، ایکس. دینگ، ام. زینگ، ک. لیو، اف. دنگ، پی. تشخیص داده های دور و مرز در شبکه های حسگر محلی. IEEE Trans. بدانید. مهندسی داده 2007 ، 19 ، 1145-1157. [ Google Scholar ] [ CrossRef ]
  91. سان، پ. Chawla، S. در مورد نقاط پرت فضایی محلی. در مجموعه مقالات چهارمین کنفرانس بین المللی IEEE در مورد داده کاوی (ICDM ’04)، برایتون، انگلستان، 1-4 نوامبر 2004. ص 209-216.
  92. پی، ی. Zaıane، OR; Gao, Y. یک رویکرد مبتنی بر مرجع کارآمد برای تشخیص پرت در مجموعه داده های بزرگ. در مجموعه مقالات ششمین کنفرانس بین المللی داده کاوی (ICDM ’06)، هنگ کنگ، چین، 18-22 دسامبر 2006. ص 478-487.
  93. شکر، س. لو، سی. Zhang، P. یک رویکرد یکپارچه برای تشخیص نقاط پرت فضایی. GeoInformatica 2003 ، 7 ، 139-166. [ Google Scholar ] [ CrossRef ]
  94. شکر، س. لو، سی. Zhang، P. تشخیص نقاط پرت فضایی مبتنی بر نمودار: الگوریتم‌ها و کاربردها. در مجموعه مقالات هفتمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 26-29 اوت 2001.
  95. هاسلت، جی. بردلی، آر. کریگ، پی. آنوین، ا. ویلز، جی. گرافیک پویا برای کاوش داده های مکانی با کاربرد برای مکان یابی ناهنجاری های جهانی و محلی. صبح. آمار 1991 ، 45 ، 234-242. [ Google Scholar ]
  96. لوک، A. شاخص های محلی ارتباط فضایی: LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ]
  97. Luc, A. تجزیه و تحلیل داده های مکانی اکتشافی و سیستم های اطلاعات جغرافیایی. در ابزارهای جدید برای تحلیل فضایی ; وایلی: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 1994; صص 45-54. [ Google Scholar ]
  98. چن، اف. لو، CT; Boedihardjo، AP GLS-SOD: یک رویکرد آماری محلی تعمیم یافته برای تشخیص نقاط پرت فضایی . KDD: واشنگتن، دی سی، ایالات متحده آمریکا، 2010. [ Google Scholar ]
  99. لو، CT; چن، دی. Kou, Y. الگوریتم‌هایی برای تشخیص نقاط پرت فضایی. در مجموعه مقالات سومین کنفرانس بین المللی داده کاوی (ICDM ’03)، ملبورن، FL، ایالات متحده آمریکا، 19-22 نوامبر 2003. صص 597-600.
  100. چن، دی. لو، CT; کو، ی. Chen, F. در تشخیص نقاط پرت فضایی. GeoInformatica 2008 ، 12 ، 455-475. [ Google Scholar ] [ CrossRef ]
  101. مک گوایر، نماینده مجلس؛ جانجا، معاون; Gangopadhyay، A. مسیرهای معدنی متحرک مناطق مکانی-زمانی پویا در مجموعه داده های حسگر. حداقل داده بدانید. کشف کنید. 2014 ، 28 ، 961-1003. [ Google Scholar ] [ CrossRef ]
  102. لو، CT; چن، دی. Kou, Y. تشخیص نقاط پرت فضایی با ویژگی های متعدد. در مجموعه مقالات پانزدهمین کنفرانس بین المللی IEEE در مورد ابزارهای با هوش مصنوعی، واشنگتن، دی سی، ایالات متحده آمریکا، 3 تا 5 نوامبر 2003.
  103. کو، ی. لو، CT; چن، دی. تشخیص پرت وزنی فضایی ; SDM: Bethesda، ایالات متحده، 2006. [ Google Scholar ]
  104. لیو، ایکس. چن، اف. Lu، CT در تشخیص نقاط پرت طبقه بندی فضایی. GeoInformatica 2014 ، 18 ، 501-536. [ Google Scholar ] [ CrossRef ]
  105. شوبرت، ای. زیمک، ا. بررسی مجدد کریگل، تشخیص نقاط پرت محلی HP: یک نمای کلی در مورد محل با کاربردهایی برای تشخیص نقاط پرت فضایی، ویدیویی و شبکه. حداقل داده بدانید. کشف کنید. 2014 ، 28 ، 190-237. [ Google Scholar ] [ CrossRef ]
  106. وو، ام. آهنگ، X. جرمین، سی. رانکا، س. Gums, J. A Framework LRT for Fast Spatial Anomaly Detection ; KDD: پاریس، فرانسه، 2009. [ Google Scholar ]
  107. وو، ام. جرمین، سی. رانکا، س. آهنگ، X. Gums, J. یک چارچوب مدل-آگنوستیک برای تشخیص سریع ناهنجاری فضایی. TKDD 2010 ، 4 . [ Google Scholar ] [ CrossRef ]
  108. فرانکه، سی. گرتز، ام. تشخیص و اکتشاف مناطق پرت در جریان داده های حسگر. در مجموعه مقالات کنفرانس بین المللی IEEE در کارگاه های داده کاوی (ICDMW ’08)، پیزا، ایتالیا، 15-19 دسامبر 2008. صص 375-384.
  109. Elfeky، MG; عارف، WG; Elmagarmid، AK STAGGER: کاوی دوره‌ای جریان‌های داده با استفاده از پنجره‌های کشویی در حال گسترش. در مجموعه مقالات ششمین کنفرانس بین المللی داده کاوی (ICDM ’06)، هنگ کنگ، چین، 18-22 دسامبر 2006. ص 188-199.
  110. لیو، سی. شیونگ، اچ. Ge، Y. گنگ، دبلیو. پرکینز، ام. یک مدل تصادفی برای تشخیص ناهنجاری آگاه از زمینه در ردیابی مکان داخلی. در مجموعه مقالات دوازدهمین کنفرانس بین المللی داده کاوی (ICDM ’12)، بروکسل، بلژیک، 10-13 دسامبر 2012; ص 449-458.
  111. بو، ی. چن، ال. فو، AWC؛ لیو، دی. نظارت بر ناهنجاری کارآمد بر جریان‌های مسیر حرکت جسم. در مجموعه مقالات پانزدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، پاریس، فرانسه، 28 ژوئن تا 1 ژوئیه 2009. صص 159-168.
  112. لی، ایکس. هان، جی. Kim, S. Motion-Alert: تشخیص خودکار ناهنجاری در اجسام متحرک عظیم. در انفورماتیک اطلاعات و امنیت ; Springer: برلین، آلمان، 2006; صص 166-177. [ Google Scholar ]
  113. Ge، Y. شیونگ، اچ. لیو، سی. Zhou، ZH سیستم تشخیص تقلب در رانندگی تاکسی. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2011 در مورد داده کاوی (ICDM)، ونکوور، BC، کانادا، 11-14 دسامبر 2011. ص 181-190.
  114. ژانگ، دی. لی، ن. ژو، ژ. چن، سی. سان، ال. Li, S. iBAT: تشخیص مسیرهای غیرعادی تاکسی از روی ردیابی GPS. در مجموعه مقالات سیزدهمین کنفرانس بین المللی محاسبات همه جا حاضر، پکن، چین، 17-21 سپتامبر 2011. صص 99-108.
  115. چن، سی. ژانگ، دی. کاسترو، PS; لی، ن. سان، ال. Li, S. تشخیص بیدرنگ مسیرهای تاکسی غیرعادی از ردیابی GPS. در سیستم های موبایل و همه جا حاضر: محاسبات، شبکه و خدمات ؛ Springer: برلین، آلمان، 2012; صص 63-74. [ Google Scholar ]
  116. اسکات، ام اس؛ Dedel, K. Assaults in and Around Bars , 2nd ed.; دفتر خدمات پلیس جامعه گرا: واشنگتن، دی سی، ایالات متحده آمریکا، 2006. [ Google Scholar ]
  117. لینچ، اچ جی; Moorcroft، PR یک تابع K ریپلی فضایی-زمانی برای تجزیه و تحلیل تعاملات بین کرم جوانه صنوبر و آتش در بریتیش کلمبیا، کانادا. می توان. جی. برای. Res. 2008 ، 38 ، 3112-3119. [ Google Scholar ] [ CrossRef ]
  118. گوتینگ، آر. Schneider, M. پایگاه داده های شی متحرک ; مورگان کافمن: برلینگتون، MA، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  119. کوباراکیس، م. سلیس، تی. فرانک، ا. گرومباخ، اس. گوتینگ، آر. جنسن، سی. لورنتزوس، ن. Schek، HJ; Scholl, M. Spatio-Temporal Databases: The Chorochronos Approach, LNCS 2520 ; Springer: برلین، آلمان، 2003; جلد 9. [ Google Scholar ]
  120. چلیک، م. شکر، س. راجرز، جی پی؛ درخشش، JA کاوی الگوی هم‌وقوع فضایی-زمانی ترکیبی. IEEE Trans. بدانید. مهندسی داده 2008 ، 20 ، 1322-1335. [ Google Scholar ] [ CrossRef ]
  121. کائو، اچ. مامولیس، ن. Cheung، DW ماینینگ الگوهای متوالی مکانی-زمانی مکرر. در مجموعه مقالات پنجمین کنفرانس بین المللی داده کاوی (ICDM ’05)، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 26-30 نوامبر 2005. صص 82-89.
  122. Verhein، F. الگوهای توالی مکانی-زمانی مجتمع معدنی ; SDM: Sparks، ایالات متحده، 2009. [ Google Scholar ]
  123. لی، ی. بیلی، جی. کولیک، ال. پی، جی. الگوهای متوالی احتمالی مکرر مکانی-زمانی با محدودیت‌های شکاف از پایگاه‌های داده نامشخص. در مجموعه مقالات سیزدهمین کنفرانس بین المللی داده کاوی (ICDM ’13)، دالاس، تگزاس، ایالات متحده آمریکا، 7 تا 10 دسامبر 2013. صص 448-457.
  124. برنامه استراتژیک برای برنامه علمی تغییر اقلیم. 2003. در دسترس آنلاین: http://www.climatescience.gov/Library/stratplan2003/final/ccspstratplan2003-chap9.htm (دسترسی در 15 مه 2015).
  125. Frelich، LE; رایش، PB آیا تغییرات محیطی تأثیر گرمایش جهانی بر مرز دشت-جنگل آمریکای شمالی مرکزی را تقویت خواهد کرد؟ جلو. Ecol. محیط زیست 2009 ، 8 ، 371-378. [ Google Scholar ] [ CrossRef ]
  126. مورنس، دی.م. Folkers، GK; Fauci، AS چالش بیماری های عفونی در حال ظهور و ظهور مجدد. طبیعت 2004 ، 430 ، 242-249. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  127. ژانگ، پی. هوانگ، ی. شکر، س. کومار، وی. بهره‌برداری از خودهمبستگی فضایی برای پردازش مؤثر پرسش‌های شباهت مبتنی بر همبستگی. در مجموعه مقالات هشتمین سمپوزیوم بین المللی پیشرفت در پایگاه های داده مکانی و زمانی (SSTD 2003)، جزیره سانتورینی، یونان، 24-27 ژوئیه 2003. صص 449-468.
  128. د آلمیدا، سی ام. سوزا، IM; آلوس، سی دی; پینیو، CMD؛ پریرا، MN; Feitosa، RQ طبقه‌بندی شی گرا چندسطحی تصاویر پرنده سریع برای برآورد جمعیت شهری. در مجموعه مقالات پانزدهمین سمپوزیوم بین المللی ACM در سیستم های اطلاعات جغرافیایی، سیاتل، ایالات متحده آمریکا، 2007; پ. 12.
  129. لیتل، بی. شوکینگ، ام. گارترل، بی. چن، بی. راس، ک. مک‌کلیپ، آر. سنجش از دور دانه‌بندی بالا و تولید محصول در مکان و زمان: NDVI در طول فصل رشد و پیش‌بینی بازده پنبه در سطح مزرعه در تگزاس. در مجموعه مقالات کنفرانس بین المللی IEEE در کارگاه های داده کاوی (ICDMW ’08)، پیزا، ایتالیا، 15-19 دسامبر 2008. صص 426-435.
  130. فریدل، MA; برادلی، طبقه بندی درخت تصمیم CE پوشش زمین از داده های سنجش از دور. سنسور از راه دور محیط. 1997 ، 61 ، 399-409. [ Google Scholar ] [ CrossRef ]
  131. سابیان، ک. Banerjee, A. رگرسیون چند مدل آب و هوا با استفاده از هموارسازی فضایی . SDM: آستین، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  132. سرعت، RK; بری، آر. Clapp، JM; Rodriquez, M. مدل‌های خودرگرسیون فضایی-زمانی اثرات همسایگی. جی. امور مالی املاک و مستغلات. اقتصاد 1998 ، 17 ، 15-33. [ Google Scholar ] [ CrossRef ]
  133. Elhorst، JP مشخصات و تخمین مدل های داده پانل فضایی. بین المللی Reg. علمی Rev. 2003 , 26 , 244-268. [ Google Scholar ] [ CrossRef ]
  134. Anselin, L. اقتصاد سنجی فضایی: روش ها و مدل ها . Kluwer: Dordrecht، هلند، 1988. [ Google Scholar ]
  135. لوین، N. CrimeStat 3.0: یک برنامه آماری فضایی برای تجزیه و تحلیل مکان های وقوع جرم ؛ Ned Levine & Associatiates: Houston, TX, USA, 2004. [ Google Scholar ]
  136. هان، جی. کمبر، م. Tung، AKH روشهای خوشه بندی فضایی در داده کاوی: پیمایش . تیلور و فرانسیس: لندن، بریتانیا، 2001. [ Google Scholar ]
  137. آگراوال، آر. گرکه، ج. گونوپولوس، دی. رغوان، ص. خوشه‌بندی خودکار داده‌های با ابعاد بالا برای کاربردهای داده کاوی ; ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 1998. [ Google Scholar ]
  138. نگ، RT؛ Han, J. CLARANS: روشی برای خوشه بندی اشیاء برای داده کاوی مکانی. IEEE Trans. بدانید. مهندسی داده 2002 ، 14 ، 1003-1016. [ Google Scholar ] [ CrossRef ]
  139. بیرانت، دی. Kut, A. ST-DBSCAN: الگوریتمی برای خوشه بندی داده های مکانی-زمانی. دانستن داده ها مهندس 2007 ، 60 ، 208-221. [ Google Scholar ] [ CrossRef ]
  140. استر، ام. کریگل، اچ پی؛ ساندر، جی. Xu, X. یک الگوریتم مبتنی بر چگالی برای کشف خوشه ها در پایگاه داده های فضایی بزرگ با نویز. Kdd 1996 ، 96 ، 226-231. [ Google Scholar ]
  141. آنکرست، م. برونیگ، MM; کریگل، اچ پی؛ Sander, J. OPTICS: نقاط ترتیب برای شناسایی ساختار خوشه بندی. در ACM Sigmod Record ; ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 1999; جلد 28، ص 49–60. [ Google Scholar ]
  142. وانگ، ام. وانگ، آ. Li، A. استخراج خوشه‌های مکانی-زمانی از پایگاه‌های داده‌های جغرافیایی. در داده کاوی و برنامه های کاربردی پیشرفته ؛ Springer: برلین، آلمان، 2006; ص 263-270. [ Google Scholar ]
  143. ژانگ، تی. راماکریشنان، ر. لیونی، ام. برچ: یک روش خوشه‌بندی داده کارآمد برای پایگاه‌های داده بسیار بزرگ. در ACM SIGMOD Record ، مجموعه مقالات کنفرانس بین المللی ACM SIGMOD 1996 در مدیریت داده ها، مونترال، QC، کانادا، 4-6 ژوئن 1996. Jagadish، HV، Mumick، IS، Eds. ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 1996; صص 103-114. [ Google Scholar ]
  144. کاریپیس، جی. هان، ای اچ. Kumar, V. Chameleon: خوشه بندی سلسله مراتبی با استفاده از مدل سازی پویا. محاسبات IEEE. 1999 ، 32 ، 68-75. [ Google Scholar ] [ CrossRef ]
  145. لی، جی جی; هان، جی. Whang، KY خوشه‌بندی مسیر: یک چارچوب پارتیشن و گروهی. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD در سال 2007 در مورد مدیریت داده ها. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2007; صص 593-604. [ Google Scholar ]
  146. ساندر، جی. استر، ام. کریگل، اچ پی؛ Xu, X. خوشه‌بندی مبتنی بر چگالی در پایگاه‌های داده فضایی: الگوریتم gdbscan و کاربردهای آن. حداقل داده بدانید. کشف کنید. 1998 ، 2 ، 169-194. [ Google Scholar ] [ CrossRef ]
  147. لی، ای جی؛ چن، YA; الگوهای مسیر مکرر استخراج IP، WC در پایگاه‌های داده مکانی-زمانی. Inf. علمی 2009 ، 179 ، 2218-2231. [ Google Scholar ] [ CrossRef ]
  148. چاندولا، وی. کومار، V. خلاصه سازی – فشرده سازی داده ها به یک نمایش آموزنده. بدانید. Inf. سیستم 2007 ، 12 ، 355-378. [ Google Scholar ] [ CrossRef ]
  149. پان، بی. Demiryurek، U. بنایی کاشانی، ف. شهابی، ج. خلاصه فضای زمانی جریان داده های ترافیکی. در مجموعه مقالات کارگاه بین المللی ACM SIGSPATIAL در زمینه ژئواستریمینگ، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 3 تا 5 نوامبر 2010. صص 4-10.
  150. ایوانز، ام آر. الیور، دی. شکر، س. هاروی، اف. خلاصه کردن مسیرها در راهروهای اولیه k: خلاصه ای از نتایج. در مجموعه مقالات بیستمین کنفرانس بین المللی پیشرفت در سیستم های اطلاعات جغرافیایی، ردوندو بیچ، کالیفرنیا، ایالات متحده آمریکا، 6-9 نوامبر 2012. صص 454-457.
  151. ایوانز، ام آر. الیور، دی. شکر، س. هاروی، اف. محاسبات شباهت مسیر سریع و دقیق شبکه: مطالعه موردی در مورد برنامه ریزی راهرو دوچرخه. در مجموعه مقالات دومین کارگاه بین المللی ACM SIGKDD در محاسبات شهری. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2013; ص 9:1-9:8. [ Google Scholar ]
  152. راهنمای کاربر Kulldorff, M. SaTScan برای نسخه 9.0. در دسترس آنلاین: www.satscan.org (دسترسی در 15 مه 2015).
  153. جین، ا. مورتی، م. Flynn, P. خوشه بندی داده ها: یک بررسی. کامپیوتر ACM. Surv. (CSUR) 1999 ، 31 ، 264-323. [ Google Scholar ] [ CrossRef ]
  154. چانگ، دبلیو. زنگ، دی. چن، اچ. تجزیه و تحلیل داده های مکانی-زمانی آینده نگر برای انفورماتیک امنیتی. در مجموعه مقالات سیستم های حمل و نقل هوشمند IEEE 2005، وین، اتریش، 13 تا 15 سپتامبر 2005. صص 1120–1124.
  155. تانگو، تی. تاکاهاشی، ک. Kohriyama، K. یک آمار اسکن فضا-زمان برای تشخیص شیوع های در حال ظهور. بیومتریک 2011 ، 67 ، 106-115. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  156. نیل، دی. مور، ا. سبحنانی، م. دانیل، ک. تشخیص خوشه های فضا-زمان در حال ظهور. در مجموعه مقالات یازدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش در داده کاوی، شیکاگو، IL، ایالات متحده، 21-24 اوت 2005. ص 218-227.
  157. چاندولا، وی. هوی، دی. گو، ال. بهادری، بی. استفاده از تقسیم بندی سری های زمانی برای استخراج شاخص های فنولوژی نفی از داده های MODIS NDVI. در مجموعه مقالات کنفرانس بین المللی IEEE 2010 در کارگاه های داده کاوی (ICDMW)، سیدنی، NSW، استرالیا، 13 دسامبر 2010.
  158. وربویز، م. Duckham, M. GIS: A Computing Perspective ; مطبوعات CRC: ساکرامنتو، کالیفرنیا، ایالات متحده آمریکا، 2004. [ Google Scholar ]
  159. بوجور، اف. Trouvé، E. والت، ال. نیکلاس، جی.ام. Rudant، JP کاربرد log-cumulants برای تشخیص ناپیوستگی های مکانی-زمانی در تصاویر SAR چند زمانی. IEEE Trans. Geosci. Remote Sens. 2004 ، 42 ، 2073-2084. [ Google Scholar ] [ CrossRef ]
  160. کوسوگی، ی. ساکاموتو، م. فوکونیشی، م. لو، دبلیو. دویهارا، ت. Kakumoto، S. تشخیص تغییر شهری مربوط به زلزله با استفاده از یک نقشه غیرخطی تطبیقی ​​از تصاویر با وضوح بالا. IEEE Geosci. سنسور از راه دور Lett. 2004 ، 1 ، 152-156. [ Google Scholar ] [ CrossRef ]
  161. دی مارتینو، جی. یدیس، ا. ریچیو، دی. روئلو، جی. رویکردی جدید برای پایش بلایا: مدل‌ها و ابزارهای فراکتال. IEEE Trans. Geosci. Remote Sens. 2007 ، 45 ، 1559-1570. [ Google Scholar ] [ CrossRef ]
  162. رادکه، آر. آندرا، اس. الکوفهی، ع. رویسام، بی. الگوریتم‌های تشخیص تغییر تصویر: یک بررسی سیستماتیک. IEEE Trans. فرآیند تصویر 2005 ، 14 ، 294-307. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  163. توما، ر. Bierling، M. حرکت جبران کننده درون یابی با در نظر گرفتن پس زمینه پوشیده و بدون پوشش. فرآیند سیگنال.: Image Commun. 1989 ، 1 ، 191-212. [ Google Scholar ] [ CrossRef ]
  164. آخ، تی. الگوریتم‌های Kaup، A. Bayesian برای تشخیص تغییرات تطبیقی ​​در توالی‌های تصویر با استفاده از فیلدهای تصادفی مارکوف. فرآیند سیگنال.: Image Commun. 1995 ، 7 ، 147-160. [ Google Scholar ] [ CrossRef ]
  165. چن، جی. هی، GJ; کاروالیو، ال.ام. Wulder، MA تشخیص تغییر مبتنی بر شی. بین المللی J. Remote Sens. 2012 ، 33 ، 4434-4457. [ Google Scholar ] [ CrossRef ]
  166. دسکل، بی. بوگارت، پ. Defourny، P. تشخیص تغییر جنگل با روش آماری مبتنی بر شی. سنسور از راه دور محیط. 2006 ، 102 ، 1-11. [ Google Scholar ] [ CrossRef ]
  167. من، جی. جنسن، جی. Tullis, J. تشخیص تغییر مبتنی بر شی با استفاده از تجزیه و تحلیل تصویر همبستگی و تقسیم‌بندی تصویر. بین المللی J. Remote Sens. 2008 ، 29 ، 399-423. [ Google Scholar ] [ CrossRef ]
  168. آخ، تی. کاوپ، ا. Mester، R. تشخیص تغییر مبتنی بر مدل آماری در فیلم متحرک. فرآیند سیگنال 1993 ، 31 ، 165-180. [ Google Scholar ] [ CrossRef ]
  169. ریگنوت، ای جی. van Zyl، JJ تکنیک‌های تشخیص تغییر برای داده‌های ERS-1 SAR. IEEE Trans. Geosci. Remote Sens. 1993 , 31 , 896-906. [ Google Scholar ] [ CrossRef ]
  170. من، جی. Jensen, J. یک مدل تشخیص تغییر بر اساس تجزیه و تحلیل تصویر همبستگی محله و طبقه بندی درخت تصمیم. سنسور از راه دور محیط. 2005 ، 99 ، 326-340. [ Google Scholar ] [ CrossRef ]
  171. یاکیموفسکی، ی. تشخیص مرز و شی در تصاویر دنیای واقعی. J. ACM (JACM) 1976 ، 23 ، 599-618. [ Google Scholar ] [ CrossRef ]
  172. داگلاس، دی اچ. الگوریتم های Peucker، TK برای کاهش تعداد نقاط مورد نیاز برای نمایش یک خط دیجیتالی یا کاریکاتور آن. کارتوگر. بین المللی جی. جئوگر. Inf. Geovisualization 1973 ، 10 ، 112-122. [ Google Scholar ] [ CrossRef ]
  173. کولدورف، ام. آتاس، دبلیو. فیورر، ای. میلر، بی. کلید، C. ارزیابی هشدارهای خوشه ای: آمار اسکن فضا-زمان و سرطان مغز در لوس آلاموس، نیومکزیکو. صبح. J. Public Health 1998 , 88 , 1377-1380. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  174. Kulldorff، M. زمان آینده نگر بیماری دوره ای جغرافیایی با استفاده از یک آمار اسکن. JR Stat. Soc. سر. A (Stat. Soc.) 2001 ، 164 ، 61-72. [ Google Scholar ] [ CrossRef ]
  175. وب سایت، A. ArcGIS. در دسترس آنلاین: http://www.arcgis.com/ (دسترسی در 15 مه 2015).
  176. وب سایت، Q. QGIS: یک سیستم اطلاعات جغرافیایی رایگان و منبع باز. در دسترس آنلاین: http://www.qgis.org/ (دسترسی در 15 مه 2015).
  177. بیوند، R. CRAN نمای وظیفه: تجزیه و تحلیل داده های مکانی. در دسترس آنلاین: https://cran.r-project.org/web/views/Spatial.html (دسترسی در 15 مه 2015).
  178. MathWorks. جعبه ابزار نقشه برداری در متلب. در دسترس آنلاین: http://www.mathworks.com/products/mapping/ (در 15 مه 2015 قابل دسترسی است).
  179. SAS. تجزیه و تحلیل فضایی در SAS. در دسترس آنلاین: http://support.sas.com/rnd/app/stat/procedures/SpatialAnalysis.html (در 15 مه 2015 قابل دسترسی است).
  180. بینات، ای. گادفریند، ا. Kothuri، RV Pro Oracle Spatial ; Apress: نیویورک، نیویورک، ایالات متحده آمریکا، 2004. [ Google Scholar ]
  181. چمبرلین، دی. استفاده از DB2 جدید: سیستم ارتباطی شی IBM . Ap Professional: Waltham، USA، 1997. [ Google Scholar ]
  182. PostGIS. در دسترس آنلاین: http://postgis.refractions.net/ (دسترسی در 15 مه 2015).
  183. ESRI. زندگی را در داده های بزرگ تنفس کنید: ابزارهای ArcGIS و Hadoop ذخیره های بزرگ داده را تجزیه و تحلیل می کنند. در دسترس آنلاین: http://www.esri.com/esriOnews/arcnews/summer13articles/breatheOlifeOintoObigOdata! (دسترسی در 15 مه 2015).
  184. ESRI. ESRI: نرم افزار GIS و نقشه برداری. در دسترس آنلاین: http://www.esri.com (دسترسی در 15 مه 2015).
  185. آجی، ع. وانگ، اف. وو، اچ. لی، آر. لیو، کیو. ژانگ، ایکس. Saltz, J. Hadoop GIS: یک سیستم ذخیره‌سازی داده‌های مکانی با کارایی بالا بیش از کاهش نقشه. Proc. VLDB Enddow. 2013 ، 6 ، 1009-1020. [ Google Scholar ] [ CrossRef ]
  186. الدوی، ا. Mokbel، MF SpatialHadoop: یک چارچوب MapReduce برای داده های مکانی. در مجموعه مقالات کنفرانس بین المللی IEEE در مهندسی داده (ICDE’15)، سئول، کره، 13-17 آوریل 2015.
  187. اسحاق، دی جی; پترسون، EE; Ver Hoef، JM; ونگر، اس جی. فالک، ج.ا. تورگرسن، CE; ساودر، سی. فولاد، EA; فورتین، ام جی. اردن، م. و همکاران کاربرد مدل های شبکه آماری فضایی برای جریان داده ها وایلی اینتردیسیپ. Rev.: Water 2014 ، 1 ، 277-294. [ Google Scholar ] [ CrossRef ]
  188. الیور، دی. بنور، ا. کانگ، جی.ام. شکر، س. Bousselaire, R. رویکرد K-Main routes برای خلاصه‌سازی فعالیت شبکه فضایی: خلاصه‌ای از نتایج. در مجموعه مقالات کنفرانس بین المللی IEEE 2010 در کارگاه های داده کاوی (ICDMW)، سیدنی، NSW، استرالیا، 13 دسامبر 2010. صص 265-272.
  189. الیور، دی. شکر، س. کانگ، جی.ام. لابشر، آر. کارلان، وی. Bannur، A. رویکرد مسیرهای اصلی k برای خلاصه‌سازی فعالیت شبکه فضایی. IEEE Trans. بدانید. مهندسی داده 2014 ، 26 ، 1464-1478. [ Google Scholar ] [ CrossRef ]
  190. گونتوری، VMV؛ Shekhar, S. Lagrangian xgraphs: یک مدل داده منطقی برای داده های شبکه مکانی-زمانی: خلاصه. در مجموعه مقالات پیشرفت‌ها در مدل‌سازی مفهومی – کارگاه‌های آموزشی ER 2014، ENMO، MoBiD، MReBA، QMMQ، SeCoGIS، WISM، و دموهای ER، آتلانتا، GA، ایالات متحده آمریکا، 27-29 اکتبر 2014. ص 201-211.
  191. گونتوری، VM; نونس، ای. یانگ، ک. شخار، اس. رویکرد نقطه زمانی بحرانی برای کوتاهترین مسیرهای لاگرانژی تمام زمان شروع: خلاصه ای از نتایج. در پیشرفت در پایگاه داده های مکانی و زمانی ; Pfoser, D., Tao, Y., Mouratidis, K., Nascimento, M., Mokbel, M., Shekhar, S., Huang, Y., Eds. Springer: برلین/هایدلبرگ، آلمان، 2011; جلد 6849، صص 74–91. [ Google Scholar ]
  192. گونتوری، وی. شکر، س. یانگ، ک. رویکرد نقطه‌ای بحرانی به کوتاه‌ترین مسیرهای لاگرانژی همه‌وقت. IEEE Trans. بدانید. مهندسی داده 2015 ، 27 ، 2591-2603. [ Google Scholar ] [ CrossRef ]
  193. سرعت، J. IoT برای V2V و ماشین متصل. در دسترس آنلاین: http://www.slideshare.net/JoeSpeed/aw-megatrends-2014-joe-speed (در 15 می 2015 قابل دسترسی است).
  194. علی، RY; گونتوری، VM; کوتز، ا. شکر، س. نورتروپ، دبلیو. کشف الگوهای هم‌وقوع پنجره ناسازگار: خلاصه‌ای از نتایج. در مجموعه مقالات چهاردهمین سمپوزیوم بین المللی پایگاه های داده مکانی و زمانی، سئول، کره جنوبی، 26 تا 28 اوت 2015.
  195. Avery, C. Giraph: زیرساخت پردازش گراف در مقیاس بزرگ در هادوپ. در مجموعه مقالات اجلاس هادوپ، سانتا کلارا، کالیفرنیا، ایالات متحده آمریکا، 29 ژوئن 2011.
  196. کم، Y. گونزالس، جی. کیرولا، ا. بیکسون، دی. Guestrin، CE; Hellerstein, J. Graphlab: چارچوبی جدید برای یادگیری ماشینی موازی. در دسترس آنلاین: http://arxiv.org/pdf/1408.2041 (دسترسی در 15 مه 2015).
  197. مالویچ، جی. آسترن، MH; بیک، ای جی؛ دهنرت، جی سی. هورن، آی. لیزر، ن. Czajkowski، G. Pregel: سیستمی برای پردازش گراف در مقیاس بزرگ. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD 2010 در مدیریت داده ها، ایندیاناپولیس، IN، ایالات متحده، 6 تا 11 ژوئن 2010. صص 135-146.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370