基于时空数据挖掘的案事件时空分析研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-19页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-16页 |
| 1.2.1 犯罪地理学 | 第9-10页 |
| 1.2.2 数据挖掘 | 第10-12页 |
| 1.2.3 空间数据挖掘 | 第12-14页 |
| 1.2.4 时空数据挖掘 | 第14-16页 |
| 1.3 研究思路与技术路线 | 第16-17页 |
| 1.3.1 基本思路 | 第16页 |
| 1.3.2 技术路线 | 第16-17页 |
| 1.4 研究内容与组织结构 | 第17-19页 |
| 1.4.1 研究内容 | 第17-18页 |
| 1.4.2 组织结构 | 第18-19页 |
| 第二章 相关理论研究基础 | 第19-35页 |
| 2.1 发现状态空间与地理时空观 | 第19-20页 |
| 2.2 时空数据模型 | 第20-23页 |
| 2.2.1 时空立方体模型 | 第21-22页 |
| 2.2.2 基于空间位置的时空数据模型 | 第22-23页 |
| 2.2.3 基于空间实体的时空数据模型 | 第23页 |
| 2.2.4 基于事件的时空数据模型 | 第23页 |
| 2.2.5 时空复合模型 | 第23页 |
| 2.3 时空相关性分析 | 第23-27页 |
| 2.3.1 时间自相关 | 第24页 |
| 2.3.2 空间自相关 | 第24-26页 |
| 2.3.3 时空自相关 | 第26-27页 |
| 2.4 时空聚类分析 | 第27-33页 |
| 2.4.1 空间聚类分析 | 第27-29页 |
| 2.4.2 时空聚类分析 | 第29-32页 |
| 2.4.3 高维聚类分析 | 第32-33页 |
| 2.5 时空预测分析 | 第33-35页 |
| 第三章 案事件时空聚类分析 | 第35-46页 |
| 3.1 数据准备及探索性分析 | 第35-38页 |
| 3.1.1 研究区概况与案事件时空数据 | 第35-37页 |
| 3.1.2 案事件数据探索性分析 | 第37-38页 |
| 3.2 基于多时间尺度等效时空邻近域密度聚类算法 | 第38-42页 |
| 3.2.1 时空邻近域构建 | 第38-40页 |
| 3.2.2 聚类方法与步骤 | 第40-42页 |
| 3.3 算法实验与结果分析 | 第42-46页 |
| 第四章 案事件时空预测分析 | 第46-66页 |
| 4.1 数据准备与序列快照模型 | 第46-49页 |
| 4.1.1 案事件时空面状数据准备 | 第46-49页 |
| 4.1.2 序列快照模型中的表达 | 第49页 |
| 4.2 基于STARMA模型的案事件时空预测 | 第49-54页 |
| 4.2.1 时空序列相关性及平稳性分析 | 第49-50页 |
| 4.2.2 空间权重矩阵与邻近层次划分 | 第50-51页 |
| 4.2.3 模型建立与模型识别 | 第51-52页 |
| 4.2.4 参数估计及模型检验 | 第52-53页 |
| 4.2.5 精度评价 | 第53-54页 |
| 4.3 实验结果和分析 | 第54-66页 |
| 4.3.1 建立STARMA模型 | 第54-62页 |
| 4.3.2 预测结果与精度评估 | 第62-66页 |
| 第五章 结论与展望 | 第66-68页 |
| 5.1 结论 | 第66页 |
| 5.2 特色与展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-75页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第75页 |
