基于夜间灯光数据和多地理因子数据的人口空间化方法——以辽宁省为例

人口空间分布数据是开展灾害风险管理的基础数据,而科学、准确的人口空间化方法是实现人口空间分配的重要途径.鉴于城镇与乡村居住地在灯光数据和自然条件影响程度上的差异,本文提出一种综合利用夜间灯光数据和多地理因子数据的人口空间化方法,并以辽宁省2010年人口数据空间化为例进行方法验证.研究表明:1)夜间灯光数据在灯光值较高的城镇地区与人口密度关系显著,而地理因子加权的方法则更适用于受自然条件约束多的乡村区域;2)辽宁省人口密度在0~65 572人·km~(-2)之间,在空间上,中部平原地区人口密度较高,而两侧山地地区人口密度相对较低,与实际情况相符;3)辽宁省抽样乡镇人口平均误差为15.3%,精度验证结果表明,本文提出的人口空间化方法能够在乡镇尺度上具有较高的精度.     

基于决策树归纳的聚类方法与实现

采用一种改进后的决策树归纳聚类算法和交互式CLTree(Clustering based on decision Trees)剪枝，对商业数据的某些问题实现了聚类挖掘。对交易数据的实际酸类分新表明，该方法不仅可以处理数值型属性，还可以处理枚举型属性。实验结果表明，该方法在处理很合类型数据时具有良好的挖掘效果。对商业数据聚类分新，可以得到合理的市场分段，预测顾客的购买行为。     

基于FP-tree频集模式的FP-Growth算法对关联规则挖掘的影响

通过对两个有代表性的算法Apriori和FP-Growth的剖析, 说明频集模式挖掘的过程 , 比较有候选项集产生和无候选项集产生算法的特点, 并给出FP-tree结构的构造方法以 及对挖掘关联规则的影响, 提出了对算法的改进方法.     

一种关联规则挖掘的裁剪及优化方法

采用χ²相关性检验和有趣度量定义了两种可能的“unexpected”规则, 对关联规则挖掘的裁剪与优化问题给出一个比较全面和系统的解决方法, 并结合规则裁剪提出了完整的算法思想, 通过对实验数据的关联挖掘, 挖掘出有效、 新奇和意想不到的规则. 实验结果表明, 该优化方法具有良好的有效性和伸缩性.     

数值约束条件下的模糊关联规则挖掘方法

利用模糊集理论, 结合数据库模糊查询、 规则模板及语言量词等概念和方法, 通过数值信息对规则做进一步约束, 解决了关联规则挖掘中未考虑与项目相关数值信息的缺陷, 提出了基于模糊数值约束的关联规则挖掘, 实验结果表明, 所提出的挖掘方法具有良好的伸缩性, 挖掘效果更具有针对性.