CN107291918A

CN107291918A - 一种兴趣点poi同位模式的可视化挖掘方法

Info

Publication number: CN107291918A
Application number: CN201710507962.XA
Authority: CN
Inventors: 艾廷华; 周梦杰; 邵世维; 张翔; 杨敏
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2017-06-28
Filing date: 2017-06-28
Publication date: 2017-10-24

Abstract

本发明公开了一种兴趣点POI同位模式的可视化挖掘方法，包括以下步骤：S1、对城市中的各个类别的兴趣点，采用核密度估计方法计算各个单类兴趣点的核密度；进而选择任意两种类别的兴趣点，根据核密度的数值大小采用分级设色的方法对兴趣点的空间分布情况进行色彩渲染，两类兴趣点分别采用红色和绿色色级，实现这两类兴趣点空间分布情况的可视化；S2、基于色光加色混合原理对选取择的两种类别兴趣点的可视化结果进行色彩混合，得到同位规则图谱，同位规则图谱中的混合后的黄色所占比例越高，表示两种类别的兴趣点之间的同位模式越强。本发明可顾及空间异质性，探索局部同位模式，属于形象思维范畴，具有直观、形象和易感受等特点。

Description

一种兴趣点POI同位模式的可视化挖掘方法

技术领域

本发明涉及空间数据挖掘领域，尤其涉及一种兴趣点POI同位模式的可视化挖掘方法。

背景技术

城市中的兴趣点POI涵盖了城市中的各类工程型与社会性服务设施，蕴含了丰富的人文经济及自然信息。这些设施之间可能存在一定的关联。挖掘设施之间的空间关联规则可为商业选址、基础设置布局、城市发展规划等提供决策支持(Rui et al.2016)。其中，空间同位模式的挖掘是空间关联规则挖掘的主要内容，空间同位模式是指一组不同类型的地理实体频繁地分布在各自的邻域范围内。

空间同位模式的挖掘主要采用两类方法(Huang et al.,2004)：空间统计方法和数据挖掘方法。空间统计方法使用空间相关性指标描述不同类型空间要素的关系，包括交叉k函数(Cressie,2015)，平均最近邻距离，空间回归模型(Chou,2007)，同位系数(Leslieand Kronenfeld,2011)以及改进的地理加权同位系数(Cromley and Hanink,2014)。数据挖掘方法可分为基于聚类的叠置方法(Estivill-Castro and Lee,2001)以及基于关联规则的方法(边馥苓与万幼,2009)。基于关联规则的方法主要通过将事务的概念泛化，选择同位模型定义事务，然后设计类似的Apriori算法以挖掘同位模式。由于空间异质性的存在，同一空间不同区域内可能存在特殊的局部同位模式，有少量文献对区域同位模式进行了探索，将空间同位模式挖掘方法应用于用户事先指定的空间区域集(Celik et al.,2007)，或使用k-mediods算法划分聚类的方式搜索区域同位模式(Eick et al.,2008)，或基于k最近邻图挖掘区域同位模式(Qian et al.,2014)。

以上同位模式挖掘方法均是采用统计或是数据挖掘的方式，属于抽象思维的范畴，要求对复杂的数学公式、算法和相关参数等有深刻的理解。

发明内容

本发明要解决的技术问题在于针对现有技术中的同位模式挖掘方法要求对复杂的数学公式、算法和相关参数等有深刻的理解的缺陷，提供一种兴趣点POI同位模式的可视化挖掘方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种兴趣点POI同位模式的可视化挖掘方法，包括以下步骤：

S1、对城市中的各个类别的兴趣点，采用核密度估计方法计算各个单类兴趣点的核密度，通过核密度表征单类兴趣点的空间分布情况；进而选择任意两种类别的兴趣点，根据核密度的数值大小采用分级设色的方法对兴趣点的空间分布情况进行色彩渲染，两类兴趣点分别采用红色和绿色色级，实现兴趣点空间分布情况的可视化；

S2、基于色光加色混合原理对两类兴趣点空间分布情况可视化结果进行色彩混合，得到同位规则图谱，同位规则图谱中的混合后的黄色所占比例越高，表示两种类别的兴趣点之间的同位模式越强。

进一步地，本发明的步骤S1的具体方法为：

S11、将兴趣点所在的欧式空间划分为均匀网格，建立栅格空间，计算单类兴趣点对应的各个栅格空间的核密度；

S12、选择任意两种类别的兴趣点，根据核密度的数值大小采用分级设色的方法对兴趣点对应的栅格空间进行色彩渲染，两类兴趣点分别采用红色和绿色色级，实现兴趣点的空间分布情况的可视化。

进一步地，本发明的步骤S11的具体方法为：

S111、将兴趣点所在的欧式空间划分为均匀网格，建立栅格空间，得到栅格单元集，设栅格单元为L_i，其中i＝1,2,…n,n为空间所包含的栅格单元个数；

S112、计算每个栅格单元的核密度，核密度的计算公式为：

其中，k函数表示权重函数，k函数如下：

f(s)是栅格单元位置s处的核密度计算函数，h为距离衰减阈值，n为与位置s的距离小于或等于h的要素点数。

进一步地，本发明的步骤S12的具体方法为：

S121、选择任意两种类别的兴趣点，采用自然间断点分级法对每类兴趣点所对应栅格单元的不为0的核密度值进行分级，级别越高，核密度值越大；

S122、用色级对每类兴趣点所对应的栅格单元进行可视化，采用RGB颜色空间表示颜色，第一类兴趣点采用红色色级表示，其RGB颜色空间中R值不为0，G值和B值为0；第二类类兴趣点采用绿色色级表示，其RGB颜色空间中G值不为0，R值和B值为0，栅格单元的核密度值级别越高，其颜色能量越大、越明亮。

进一步地，本发明的步骤S2中进行色彩混合的具体方法为：

设第一类兴趣点的栅格单元颜色值为C_A_i，其RGB颜色空间中R值不为0，G值和B值为0，第二类兴趣点的栅格单元颜色值为C_B_i，其RGB颜色空间中G值不为0，R值和B值为0，基于色光加色混合原理，进行栅格单元的颜色混合，栅格单元颜色混合公式为：

f(A，B)＝C_A_i(R，0，0)+C_B_i(0，G，0)＝C_A&B_i(R，G，0)

完成颜色混合后获得同位规则图谱，同位规则“图谱”中黄光所占比例越大表明同位模式越强。

本发明产生的有益效果是：本发明的兴趣点POI同位模式的可视化挖掘方法，可顾及空间异质性，探索局部同位模式，属于形象思维范畴，具有直观、形象和易感受等特点；通过本发明的方法进行同位模型数据挖掘时，不要求使用者对复杂的数学公式、算法和相关参数等有深刻的理解，可以直观的通过颜色变化得到同位模式数据挖掘的结果。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的POI同位模式可视化挖掘方法流程图；

图2是本发明实施例的两类POI示意图；

图3是本发明实施例的A类POI分布情况可视化；

图4是本发明实施例的B类POI分布情况可视化；

图5是本发明实施例的两类POI同位规则“图谱”。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例的兴趣点POI同位模式的可视化挖掘方法，包括以下步骤：

S1、对城市中的各个类别的兴趣点，采用核密度估计方法计算各个单类兴趣点的核密度，通过核密度表征单类兴趣点的空间分布情况；进而根据核密度的数值大小采用分级设色的方法对兴趣点的空间分布情况进行色彩渲染，实现空间分布情况的可视化；

S112、计算每个栅格单元的核密度，核密度的计算公式为：

其中，k函数表示权重函数，k函数如下：

S12、选择任意两种类别的兴趣点，根据核密度的数值大小采用分级设色的方法对兴趣点对应的栅格空间进行色彩渲染，实现各个类别的兴趣点的空间分布情况的可视化。

S121、选择任意两种类别的兴趣点，采用自然间断点分级法将每类兴趣点所对应栅格单元的不为0的核密度值分为5级，级别越高，核密度值越大；

S122、用色级对每类兴趣点所对应的栅格单元进行可视化，采用RGB颜色空间表示颜色，其中第一类兴趣点采用红色色级表示(RGB颜色空间中R值不为0，G值和B值为0)，第二类兴趣点采用绿色色级表示(RGB颜色空间中G值不为0，R值和B值为0)，栅格单元的核密度值级别越高，其颜色能量越大、越明亮。

在本发明的另一个具体实施例中：

本发明的方法是通过以下步骤实现的：

1、采用核密度估计方法表示单类POI的分布情况。

(1)核密度估计

核密度估计方法基于地理学第一定律，即地理事物或属性都是相互联系的，离得越近的事物彼此之间的联系就越强。核密度属性值随中心辐射距离的增大逐渐减小。核密度的公式定义为：

其中，f(s)是位置s处的核密度计算函数，h为距离衰减阈值，n为与位置s的距离小于或等于h的要素点数，k函数表示权重函数，定义如下：

将POI所在空间划分为均匀网格，建立栅格空间，得到栅格单元集，设栅格单元为L_i，其中i＝1,2,…n,n为欧氏空间所包含的栅格单元个数。计算单类POI的分布密度，每个栅格单元都获得一个核密度值K_i。对于A和B两类POI(如附图2所示)，设A类POI对应的栅格单元核密度值为K_A_i，B类POI对应的栅格单元核密度值为K_B_i。

(2)POI分布情况可视化

使用RGB颜色空间表示颜色。颜色空间由颜色的三个参数组成的颜色三维空间，三个参数在对应的三维空间用色量的均匀变化相交织起来，构成一个理想的颜色空间。颜色空间中的任何一点都代表某一特定颜色。由RGB三个参数(R,G,B)描述颜色，每个参数的取值范围为0～255，数值越大，颜色能量越大、越明亮。

采用自然间断点分级法将计算得到的不为0核密度值进分为5级，采用色级的方式为栅格单元进行普染。设A类POI栅格单元颜色值为C_A_i，A类POI栅格单元颜色值为C_B_i。当K_A_i＝0时，C_A_i为(0,0,0)，当K_B_i＝0时，C_B_i为(0,0,0)。当K_A_i≠0时候，C_A_i采用5级颜色(51,0,0)，(102,0,0)，(153,0,0)，(204,0,0)，(255,0,0)渲染，如附图3所示；当K_B_i≠0时候，C_B_i采用5级颜色(0,51,0)，(0,102,0)，(0,153,0)，(0,204,0)，(0,255,0)渲染，如附图4所示。

2、基于色光加色混合原理，对两类POI的可视化结果进行色彩混合，获得同位规则“图谱”；

基于色光加色混合原理，进行栅格单元的颜色混合，栅格单元颜色混合公式如下：

f(A，B)＝C_A_i(R，0，0)+C_B_i(0，G，0)＝C_A&B_i(R，G，0) (三)

完成颜色混合后获得同位规则图谱，如附图5所示，对于颜色混合后的栅格单元L_i，当R＝G，即两原色光等量混合时，得到黄色(Y)；当R≠G，即两原色光非等量混合时，颜色偏向比例大的一方。总的来说，同位规则图谱中的混合后的黄色所占比例越高，表示两种类别的兴趣点之间的同位模式越强。已有同位模式的数据挖掘方法中，同位规则定义为：CS表示支持度，CC％表示置信度。本文可视化方法所得结果与目前已有的数据挖掘方法所计算所得结果间有一定的联系。设进行色彩混色前，要素类A对应的栅格单元颜色为红色(R参数不为0，G参数和B参数为0)，要素类B对应的栅格单元颜色为绿色(G参数不为0，R参数和B参数为0)，完成色彩混合得到同位规则“图谱”。观察同位规则“图谱”，粗略来看，同位规则的支持度与黄光栅格占总栅格的百分比相关，且百分比越高、色光能量越高，支持度越高，同位规则和同位规则的支持度相等。同位规则的置信度与黄色栅格单元色光能量占颜色R值不为0的栅格单元色光能量的百分比相关。同位规则和同位规则的置信度不相等。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims

1.一种兴趣点POI同位模式的可视化挖掘方法，其特征在于，包括以下步骤：

S2、基于色光加色混合原理对两类兴趣点空间分布情况的可视化结果进行色彩混合，得到同位规则图谱，同位规则图谱中的混合后的黄色所占比例越高，表示两种类别的兴趣点之间的同位模式越强。

2.根据权利要求1所述的兴趣点POI同位模式的可视化挖掘方法，其特征在于，步骤S1的具体方法为：

3.根据权利要求2所述的兴趣点POI同位模式的可视化挖掘方法，其特征在于，步骤S11的具体方法为：

S112、计算每个栅格单元的核密度，核密度的计算公式为：

<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <mfrac> <mn>1</mn> <msup> <mi>h</mi> <mn>2</mn> </msup> </mfrac> <mi>k</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>s</mi> <mo>-</mo> <msub> <mi>c</mi> <mi>i</mi> </msub> </mrow> <mi>h</mi> </mfrac> <mo>)</mo> </mrow> </mrow>

其中，k函数表示权重函数，k函数如下：

4.根据权利要求3所述的兴趣点POI同位模式的可视化挖掘方法，其特征在于，步骤S12的具体方法为：

5.根据权利要求1所述的兴趣点POI同位模式的可视化挖掘方法，其特征在于，步骤S2中进行色彩混合的具体方法为：

f(A，B)＝C_A_i(R，0，0)+C_B_i(0，G，0)＝C_A&B_i(R，G，0)