An Efficient Method for Mining Spatial Co-location Patterns under Size Constraints

doi:10.1109/tkde.2026.3730036

An Efficient Method for Mining Spatial Co-location Patterns under Size Constraints

2026-09-02

0

PRE

AI

DOI：10.1109/tkde.2026.3730036

原文链接

原文求助

摘要

En 中文

空间共位模式挖掘旨在发现频繁出现在近距离地理范围内的空间特征子集。然而，传统方法通常发现所有大小的模式，导致其在挖掘用户指定特定大小的模式时效率低下。为解决此问题，我们定义了一个称为k-大小空间共位模式（k-SCP）挖掘的问题，专注于发现用户指定大小k的共位模式。与通用大小范围的SCP挖掘方法不同，k-SCP挖掘方法直接针对特定大小的模式，因此无法利用向下闭包性质进行候选剪枝。为此，我们提出了一种基于IC+(k-1)deg表示模型的k-SCP挖掘框架，称为k-pattern-Miner。IC+(k-1)deg整合了实例着色与(k-1)度约束机制，能够迭代消除与k-SCP无关的实例和特征，显著降低后续挖掘步骤的验证成本。在真实数据和合成数据集上的广泛实验验证了k-pattern-Miner的效率。我们选取了若干最先进的SCP挖掘方法作为对比，实验结果表明，k-pattern-Miner相比现有方法将运行时间提高了数个数量级。

Keyword:

Spatial data mining

co-location pattern

instance coloring

An Efficient Method for Mining Spatial Co-location Patterns under Size Constraints

摘要

期刊

机构

引用论文