داده کاوی فضایی و زمانی
رشد عمده ی جمع آوری داده های فضایی و زمانی (SST) و همچنین پیدایش تکنولوژی های جدید، نیاز برای کشف خودکار دانش فضایی و زمانی را برجسته ساخته است. تکنیک های داده کاوی SST از اهمیت زیادی برای سازمان هایی که برمبنای مجموعه داده های SST بزرگ تصمیم می گیرند، برخوردار هستند. ماهیت بین رشته ای داده کاوی SST و پیچیدگی داده ها و روابط SST منجر به چالش های آماری و محاسباتی می شوند. این مقاله مروری بر پیشرفت های اخیر در داده کاوی SST ارائه می کند و به بررسی تکنیک های رایج داده کاوی SST با طبقه بندی الگوهای مهم مبتنی بر معرفی نوع های داده ای و روابط SST و پیشینه آماری می پردازد. روندهای جدید و نیازهای پژوهشی مانند داده کاوی SST در فضای شبکه و توسعه پلتفرم داده های کلان SST نیز مورد بحث و بررسی قرار می گیرند.
کلمات کلیدی: خلاف قاعده، رابطه، اثر تغییر، محاسبات، داده کاوی، نقاط حساس، پارتیشن، مدل پیش بینی، فضایی، فضایی زمانی، آمار، خلاصه سازی
Spatial and Spatiotemporal Data Mining
2017
Abstract
The significant growth of spatial and spatiotemporal (SST) data collection as well as the emergence of new technologies has heightened the need for automated discovery of spatiotemporal knowledge. SST data mining techniques are crucial to organizations which make decisions based on large SST datasets. The interdisciplinary nature of SST data mining and the complexity of SST data and relationships pose statistical and computational challenges. This article provides an overview of recent advances in SST data mining and reviews common SST data mining techniques organized by major pattern families, based on an introduction to SST data types and relationships as well as the statistical background. New trends and research needs are also summarized, including SST data mining in network space and SST big data platform development.
Keywords: Anomaly; Association; Change footprint; Computing; Data mining; Hotspots; Partition; Prediction model; Spatial; Spatiotemporal; Statistics; Summarization