十，文獻研讀

十，文獻研讀（後續完善編輯）

• 論文名稱：時空數據挖掘研究進展，劉大友 陳慧玲 齊紅 楊博.
• 研究對象
  對時空數據挖掘研究現狀進行介紹。
• 研究動機
  尋找有效時空數據挖掘方法。
• 文獻綜述
  根據挖掘任務進行分類：時空模式發現，時空聚類，時空異常檢測，時空預測和分類，時空推理與結合。圍繞這些方面闡述時空數據挖掘領域最新進展。
  • 時空模式發現
    1，時空頻繁模式：從時空序列（軌跡數據）發現頻繁重複的路徑，完成移動對象分析及預測。
    除軌跡數據以外還能將時空事件數據集（不一樣類型事件序列）做爲挖掘對象，
    2，時空共現模式：空間共現模式是研究的熱點（時空共現模式發現研究還很少，相關算法大都在空間共現模式基礎上對時間擴展實現，對有效表達時空數據不肯定性及噪聲的共現模式挖掘算法有待研究）
    3，時空關聯模式：主要研究空間對象隨時間發生變化的規律（發現時空數據處於必定時間間隔和空間位置的關聯規則），多數時空關聯模式挖掘方法都是傳統關聯規則的發展，對高效的時空關聯規則算法有待研究。
  • 時空聚類
    
    時空聚類可用於天氣預測，交通擁擠預測，動物遷移分析，移動計算，異常點分析。（時空聚類研究成果比較多。從此的研究切入點：對採用何種聚類表達軌跡數據；增長時間和空間約束；類似度函數的選取及對象距離點定義）
  • 時空異常檢測
    （基於距離的時空異常檢測方法，基於密度和聚類的時空異常檢測方法，基於規則和模式，等）時空數據異常檢測需進一步考慮空間實體間存在的度量關係與非度量關係等因素。
  • 時空預測和分類
    面向時空數據的位置和軌跡預測，密度和事件預測，結合空間的時間序列預測，結合時空信息的分類具備重要應用前景。
    1，位置和軌跡預測
    
    2，密度事件和結合空間的時間序列預測
    應用：交通領域中識別交通中的密集區域，定義密度轉換模型，根據歷史數據結合密度估計來預測給定時間和空間的機率密度。
    結合空間的時間序列預測是從時間的角度來考慮時空數據，與空間有關的時空序列彼此不是獨立的而是空間相關的。
    3，結合時空信息分類
    針對移動對象軌跡數據的分類研究比較少
  • 時空推理和數據挖掘的結合
    研究較少

• 研究方案設計
  

• 使用數據集
  
• 研究結論
  

• 學習心得
  經過閱讀這篇文獻，時空數據挖掘是一個新興的研究領域，經過對挖掘任務的分類及研究現狀應用前景深刻了解，對時空異常檢測，時空預測和分類的研究方法應用前景領域有必定興趣和認識。除此要進一步瞭解在該領域的研究進展及前人的研究成果，在此基礎上造成本身的研究創新方案。