空间数据挖掘论文

摘要：研究探讨了基于支持向量机的空间数据挖掘工作流程与工作框架，以及基于分类或回归功能的空间数据挖掘实现方法和基于核函数工具实现空间数据结构拓扑关系挖掘的方法。阐述了挖掘工作的重点和关键步骤。今天小编给大家找来了《空间数据挖掘论文(精选3篇)》，希望对大家有所帮助。

空间数据挖掘论文 篇1：

大数据下的空间数据挖掘思考

摘 要：本文从大数据时代下的空间数据挖掘定义及常用手段归纳入手，分析空间数据挖掘的现状及特点，提炼其思想核心内容。以大量文献资料的凝练理论为依托，探讨空间数据挖掘的研究体系及今后的发展趋势。

关键词：大数据时代；空间数据挖掘；发展趋势

随空间信息的概念进入公众视野、成为研究人员的探讨议题后，部分专家便预测了空间数据挖掘的必然出现，由于大数据时代对于数据的特殊要求及属性定位，势必会带动一股对于数据整合手段的讨论热潮，而空间数据挖掘技术随之应运而生。从简单的同类事件各类型数据的对比提炼，到各类型事件多样化数据的收集、整合，空间数据挖掘技术较数据挖掘技术的提升空间巨大。

1 论文议题概念与意义

随各类型资料、信息的聚集量逐渐扩大，信息整合技术手段层出不穷，可以说，我们当下生活的环境已进入大数据时代。各类型事件、各类型组织、各类型研究议题均无法脱离大数据时代的长远影响。大数据时代已经开启便注定其今后的主导地位。而空间数据挖掘则是大数据时代的主要代表思想，从其概念看，空间数据挖掘指的是将存在于空间领域、表面看毫无规律、内在联系不明显的隐含数据信息运用相关特征及模型建立手段进行提炼的过程。其操作过程包含数据的准备过程、选择过程、预处理过程、缩减过程、变换过程、配套研发过程等多个环节，每一环节都紧密相扣。就已有空间数据挖掘研究现状看，较成熟的空间数据挖掘手段包括概率论、空间分析、统计分析、归纳学习、空间关联、聚类分析、神经网络、决策树、粗集、趋势探测、云理论、遗传算法、可视化处理等等类型。大数据时代的空间数据挖掘技术研究所经历的发展历程呈现初步提升、类型多元化变换的良性趋势。

对于空间数据挖掘技术，人们由最初的简单数据提取逐步演化为如今对技术手段的不断优化，可以说，大数据时代的社会轮廓愈发清晰明朗。大数据时代的空间挖掘技术也逐渐从专业领域研究人员所用手段逐步变为日常生活中经常出现的行为模式。从政府执政参考、学校教学手段提升、专业领域研究、到社会现象规律探究，各行各业随处可见大数据空间数据挖掘思想的影子。或许人们在操作过程中并不确定其手段的数据挖掘属性，然而大数据时代的空间数据挖掘思想就这样的逐步渗透到我们的生活中。

本文议题设定原则在于协助人们明确自身所处社会时代的大数据特性，以前人思想分析为基础，明晰空间数据挖掘思想对人们日常生活的重大影响及其优势。

2 空间数据挖掘的特点及应用范围

信息时代必然的结果是巨大数量级的各样信息的逐渐积累，无章可循的大量信息无法给人提供有效信息及功能，那么我们可以称之为垃圾信息。倘若没有空间数据挖掘作用，那么我们周围的所有信息将以杂乱无章的混乱形式充填，加之空间信息的增长速度极快，根据领域个性化要求进行的空间数据挖掘技术的出现十分必要。

2.1 空间数据挖掘的特点归纳。空间数据由于其区别于普通数据的多样性及复杂性，注定了空间数据挖掘手段具备一定特殊属性。在查阅相关资料后笔者发现空间数据挖掘的特点可以从其本身特性及应用特性两方面予以概括。

（1）数据来源多样且丰富、数据数量级庞大、数据类型众多、数据呈现形式表面看非常复杂；（2）所依托手段水平较高，常常借助空间搜索引擎使用机制对復杂空间数据予以组织。由于空间数据挖掘技术的定位较此前大数据环境下的简单数据整合、聚类而言有很大提升，所涉及的相关技术手段的水平自然而然随之提升；（3）空间数据挖掘手段类别多样，对于不同领域要求有不同属性表现。由于应用范围多样且复杂，空间数据挖掘手段的类型也随之发生不同变化，每一类空间数据挖掘技术都依据所负责的领域研究内容而在侧重点上有所不同；（4）空间数据挖掘原则为多尺度、多维度并行分析。面对现代社会日趋多元化、复杂化、空间化的数据信息整合需求，空间数据挖掘手段虽然各自存在不同，但其发展趋势方向为多领域并行分析。原因在于各类型领域的共同性注定了今后信息整合的归一性。

2.2 空间数据挖掘的技术支撑。目前国际上公认的具有代表性的空间数据挖掘技术支持系统包括Descartes、GeoMiner、ArcViewGIS的S_plus接口数据库系统。这三种SDM系统在不断的实践应用过程中均表现出令人满意的可视化地图与DM之间的结合能力。可以提供根据用户数据需求的多样聚类、数据信息分类等挖掘形式。Descartes作为专门的空间数据可视化技术，其工作原则为与DM工具Kepler两者联合在一起。而GeoMiner系统相对庞大，在实际运用过程中会对空间数据信息平台的资源配置要求过高，也可能会造成一定程度的资源浪费。而较为常用的GIS系统在应用过程中同样存在一定缺陷，虽然其技术本质为解释性语言的一种，但其功能性上较C语言而言较慢，也就是说，GIS系统较难实现对相对量多的数据库的挖掘。

以GIS中数据挖掘的过程，帮助理解空间数据挖掘的技术方案。首先，根据一定的主题要求及背景知识，从现有的空间数据中提取数据进行分析、处理。其次，选择合适的算法，确定参数。得出挖掘数据后对其进行评价，再以用户能够全面理解的方式呈现给用户。

2.3 空间数据挖掘的应用领域。正如前文所说，空间数据挖掘的涉及领域范围极广，对人们工作、生活、学者研究乃至国家政策都有潜移默化的影响，其优势已被国际认可。就目前空间数据挖掘的发展现状看，其应用领域包括国家国防建设及安全筹划、人们日常生活及身体健康、气候变化及天气预测、地质勘探及环境调研、地震预防及突发性事件应对规律等。近几年来被热议的智慧城市、智慧地球等新兴理念也同样受到空间数据挖掘的影响。

天文学、地质学、灾害学等领域需要依托以往经验、规律进行有效预测、算法设置、要点归纳，而大数据时代下的空间数据挖掘思想恰恰迎合了这种需求，值得注意的是，空间数据挖掘技术在危机管理及危机预警行业的应用频繁、效用显著。由此可以推测，今后空间数据挖掘技术在经验探究、规律总结类研究领域的应用比重将会更大。

3 空间数据挖掘的应用趋势及发展预测

分析大数据下的空间数据挖掘现状笔者发现，就目前社会市场环境下的应用需要，空间数据的所有特征并未被人们完整地注意到，某些待开发领域特征的存在注定了空间数据挖掘技术的深入研发远景。比如，对于多来源的空间数据的预处理技术水平尚不能完全满足各行业、各类型组织的应用需求，对于空间数据的种类划分及对应技术方法的研讨仍在进行。

而今互联网的迅猛发展也为空间数据挖掘技术的前行助力，空间上必然存在的信息属性不确定性逼迫着空间数据挖掘者们持续进步。在分析空间数据挖掘思想的特征、目标、现状的基础上，笔者认为，空间数据挖掘今后的发展方向必然是各类型、领域、行业的专业化空间数据整合技术的研发，其目标在于协助人类更直观、多角度、完整地认知世界、环境及社会，帮助人们提升自身面对知识的有效提取能力。可以说，大数据时代下的空间数据挖掘技术的核心发展目标在于更好的服务于人类社会的发展。

4 结束语

虽然已有空间数据挖掘技术水平基本满足现有信息结构化处理需求，但随各领域研发进度的深入、多样化，已有的空间数据挖掘技术的不断强化、提升成为大数据时代下的空间数据挖掘技术的必然发展趋势。从技术及理论方法两方面，完成实践与理论的双向完善，成为各领域专家、研究人员今后的工作重点。

参考文献：

[1]蒋良孝.空间数据挖掘的回顾与展望[J].计算机工程与应用，2003（06）.

[2]李德仁.论空间数据挖掘和知识发现[J].武汉大学学报，2011（06）.

[3]段晓君.可视化数据挖掘技术及其应用[J].计算机应用，2000（01）.

作者单位：贵阳职业技术学院，贵阳 550081

作者：谢红

空间数据挖掘论文 篇2：

基于支持向量机的空间数据挖掘流程与实现方法

摘要：研究探讨了基于支持向量机的空间数据挖掘工作流程与工作框架，以及基于分类或回归功能的空间数据挖掘实现方法和基于核函数工具实现空间数据结构拓扑关系挖掘的方法。阐述了挖掘工作的重点和关键步骤。

关键词：支持向量机SVM 空间数据挖掘 挖掘流程 工作框架 实现方法

SVM（Support Vector Machine）是数据挖掘中的一项新技术。SVM采用了结构风险最小化原则来代替了经验风险最小化，能较好地解决小样本学习的问题；还采用核函数思想，把非线性空间的问题转换到线性空间，降低了算法的复杂度。因为SVM有较完备的理论基础和较好的学习性能，在解决有限样本、非线性及高维模式识别问题中表现出许多特有的优势，成为当前机器学习领域的研究热点问题之一[1]。目前在空间数据挖掘、空间信息处理领域也得到了成功的应用[2-5]。

基于支持向量机的空间数据挖掘理论框架可大致分为以下七层：（1）概念层；（2）数据库技术层；（3）挖掘规则与挖掘方法层；（4）挖掘工具技术层；（5）挖掘过程实现层；（6）挖掘过程控制及可视化表达层；（7）挖掘结果分析及应用层。

下面主要探讨基于支持向量机的空间数据挖掘工作流程与工作框架以及实现方法。

1 挖掘工作流程

挖掘工作的重点和关键步骤是：空间数据准备与特征提取，并以此构建空间数据库；建立或筛选用于分类或回归的数学模型；数学模型的编码实现；实证分析。应用支持向量机进行空间数据挖掘工作流程，如图1所示。

其中，空间数据准备与特征提取是非常重要关键的工作内容之一，目的是为后续工作奠定好基础。在空间数据准备即预处理阶段，根据研究课题目标需要和空间数据具有的特征属性，要从宏观层面、中观层面、微观层面把握研究对象的空间数据，要进行空间数据搜集整理、筛选、去噪、清洗，以及数据特征分析选择、数据模式构造、数据特征关联分析等工作；当空间数据特征属性比较多且比较复杂，人工进行特征选择与提取不方便时，还可以利用支持向量机在特征选择方面具有自动选择的功能，进行特征选择与提取，甚至有时还利用核函数的方法帮助选择提取[1,6-8]，这就是空间数据挖掘数据准备与数据预处理阶段有大量基础性工作的原因。

2 挖掘工作框架

应用支持向量机理论与方法，进行空间数据挖掘，需要确定空间数据源，提取空间数据特征，以此构建空间数据库；需要从挖掘方法的技术层面深入分析探讨技术工具，需要依据挖掘规则建立相应的数学模型，根据模型编码实现算法，挖掘工作整体框架如图2所示。

其中，空间数据挖掘分析部分是一个动态过程，应用建立的数据挖掘规则与算法，从空间数据库中提取特征数据并进行挖掘分析，再将挖掘分析的结果存入空间数据库，以供用户分析使用。

在图2中，对于特定问题对应的具体支持向量机SVM或回归机SVR挖掘算法，进行特定空间数据挖掘分析的实现过程如图3所示。其中X1，X2，……，Xl-1，Xl 表示有l个挖掘数据样本点，经数据特征分析提取，每个样本点有n个特征数据（经特征选择后，剩余的特征向量的分量），即：xij（i=1,2,...,l , j=1,2,...,n）。对挖掘的结果就具体的研究领域特性进行实证分析，发现其中的知识与规律。

3 实现方法

基于支持向量机实现空间数据挖掘的方法，主要表现为：基于分类或回归功能的实现方法和基于核函数工具实现空间数据结构拓扑关系挖掘的方法。

（1）基于分类或回归功能的实现方法

应用支持向量机的分类算法，对空间数据进行分类分析；应用支持向量机的回归算法，构建空间数据回归模型。空间数据分类分析或回归预测的实现方法如下：

第一，分析空间数据，探讨空间数据的有关特性，构建空间特征数据库，为支持向量机的输入特征选择奠定基础。

第二，针对具体的特征数量、特征名称以及数据结构，具体化分类算法或回归算法。

第三，将具体化的分类算法或回归算法，进行算法编码实现。

第四，运行算法编码程序，提取空间数据，进行挖掘分析。

第五，得出挖掘结论。

（2）基于核函数工具的实现方法

在支持向量机理论中，核函数反映了数据空间的映射关系，它能够将低维空间线性不可分的问题，映射到高维空间实现线性可分。由于空间数据挖掘中，有些数据特征属性反映的是研究对象的空间结构关系，可以将该空间结构关系特征属性抽象为空间结构的拓扑关系，并利用核函数特殊映射关系的特点，将得到的拓扑关系建立联系，从中发现空间数据表达的有用的信息与知识，以此实现空间数据的空间结构属性的挖掘与知识发现。基于核函数挖掘空间数据结构拓扑关系的实现方法如下：

第一，分析空间数据结构属性特征，抽象其拓扑关系，建立基于空间数据结构拓扑关系的训练样本集。

第二，构建能够与训练样本集的拓扑关系建立联系的核函数。

第三，筛选合适的支持向量分类或回归算法，并将算法编码实现。

第四，运行算法编码程序，提取空间数据结构拓扑关系，进行挖掘分析。

第五，得出挖掘结论。

基于核函数挖掘空间数据结构拓扑关系的理论与应用研究文献报道还比较少，基于核函数的空间数据挖掘实现方法还需要深入系统研究。

4 结论

研究探讨了基于支持向量机的空间数据挖掘工作流程与工作框架，以及基于分类或回归功能的空间数据挖掘实现方法和基于核函数工具实现空间数据结构拓扑关系挖掘的方法。阐述了挖掘工作的重点和关键步骤。

参考文献

[1] 邓乃扬,田英杰. 数据挖掘中的新方法——支持向量机[M].北京:科学出版社,2004.

[2] 李德仁,王树良,李德毅. 空间数据挖掘理论与应用[M].北京:科学出版社,2006.

[3] 杨敏,汪云甲.面向数据挖掘的矿山数据仓库技术研究[A].周光召.全面建设小康社会:中国科技工作者的历史责任——中国科协2003年学术年会论文集(上)[C].中国辽宁沈阳:中国科学技术出版社,2003.

[4] 闫志刚. SVM及其在矿井突水信息处理中的应用研究[J]. 岩石力学与工程学报,2008,(1).

[5] 谭琨,杜培军,郑辉.支持向量机在空间信息处理领域的应用研究[J].测绘科学,2007,(02).

[6] Yves Grandvalet, Stephane Canu. Adaptive Scaling for Feature Selection in SVMs[J]. In: Advances in Neural Information Proceedings Systems 15, MIT Press, 2003.

[7] Weston J,Mukherjee S,Chapelle O,et al. Feature selection for SVMs .Advances in Neural Information Processing system13. MIT Press, 2000.

[8] Chapelle O,Vapnik V,Bousquet O,et al. Choosing multiple para-meters for support vector machines .Machine Learning, 2002,461, 46(1): 131-159.

基金项目：山东省泰安科技计划项目（20082025），山东科技大学科研项目(qx102146, qx101009),“521”创新工程项目（CXJ1124）。

作者简介：刘太安（1963-），男，山东科技大学信息工程系副教授，硕导，中国计算机学会高级会员，主要从事：数据挖掘、软件工程、计算机技术的教学和研究工作。

作者：刘太安 汪云甲 房玉峰

空间数据挖掘论文 篇3：

可视化交互空间数据挖掘技术的探讨

摘 要：文章主要围绕可视化交互空间数据挖掘技术，阐述了可视化与空间数据挖掘之间的关系、交互可视化的关键方式。进而对数据挖掘中的两种常用技术做出了进一步探究，以供相关人员参考。

关键词：可视化；交互；空间数据挖掘

目前，在地理信息获取技术的快速发展中，存储在空间数据库中空间数据的深度与广度也获得了进一步发展，传统的空间统计与分析方式已很难对此进行快速且有效的处理与分析。因此，为了让这些数据能够得到更为有效的处理与分析，空间数据挖掘技术便随之产生。

1 可视化与空间数据挖掘之间的关系

空间数据挖掘的知识发现，主要是针对有一定可视化需求的地理空间数据，对于广大用户来讲，地理可视化可以为其提供符合空间目标心理认知过程的相关信息呈现与实际分析环境，因此可考虑把空间数据挖掘过程放置在地理可视化的环境下实行。针对知识发现与构造而言，可视化具有以下比较突出的两点优势：（1）提供较强的交互功能，使用户可以将自身的能动性自由发挥出来，并对数据挖掘过程进行较好的控制。（2）提供较为丰富的可视化表现能力，根据空间数据的各个维度与角度一起进行分析，这对于用户进一步理解问题与选择更加适宜的数据挖掘模型算法非常有利。根据空间数据知识发现的整个过程来讲，差不多所有过程均能与可视化相结合，其中包含数据选择过程与数据预处理阶段等，可视化方式对知识的整合、提取与传输具有非常重要的作用[1]。总而言之，针对空间知识发现来讲，其必须经历一个循环过程，即数据挖掘算法运用、结果检测与可视化、将挖掘方式加以改善。在此整个过程当中，针对有关用户将自身视觉观察能力与专家知识的合理融入，可视化环境对此具有重大意义。

2 交互可视化的关键方式

经常使用的可视化技术主要有以下几个方面。

2.1 基本查询观察技术

包含地图平移、放缩、视点选取与其他不同图形，比如，空间查询与选取技术等。

2.2 色彩的运用

人们对于色彩非常敏感，因而在可视化中，色彩有着很关键的地位，通常情况下，可利用色彩将数据的实际变化趋势、部分分布规律等方面清楚表示出来。在交互可视化中，应当让用户自由对不同色彩形式的数据描述进行选择，色相、亮度与饱和度等，用户可任意将此加以调整，同时系统环境也应当为其提供部分较为有效的色彩形式，从而让用户有更多选择。

2.3 自动专题制图技术

在时空数据分析与数据挖掘过程中，会有很多不同的专题地图。不过，怎样才能将一些专题信息更好地体现出来，也变成了用户对数据进行深入分析的一种负担。而自动专题制图技术，则能够利用系统内置的地圖制图知识，将数据信息在地图上自动体现出来。这种方式不仅能够使用户对于这一方面的负担得到有效降低，并且还能较好地防止因为没有足够的地图知识而致使不适宜的表示，从而让用户可以投入更多精力对数据做出进一步分析。

2.4 不确定数据与缺失数据可视化

在空间数据库当中，数据的不确定与缺失现象普遍存在，怎样利用可视化方式让用户真正意识到数据的质量问题，同时在之后的数据分析中采用与之对应的方法进行有效处理，这也变成需要进行深入探究的关键问题。针对数据的不确定性，在一般情况下，都会通过色彩尤其是饱和度与色调之间的调配，同时与其他数据视图并列或是叠置进行表达，也可利用符号的模糊化将此类信息呈现出来。而针对数据的缺失现象，通常可使用固定值代替同时在图形中体现出来，这种方式能够较好地发现缺失数据的实际分布情况[2]。

3 数据挖掘中的两种常用技术

3.1 贝叶斯网络和决策树

贝叶斯网络主要是对一组数据变量之间概率的有关关系进行表示的图形模型，如图1所示是一个典型的贝叶斯网络结构，主要体现了4个变量之间的相互关系。其来源于人工智能领域，最初是在专家系统当中加以应用，关键是对不确定信息进行有效处理。其呈现出的形式属于一个网状模型，而在这之中的概率模型则是根据贝叶斯理论而获得。贝叶斯网络在可视化空间数据挖掘中的应用，主要可以从用户界面交互、地理信息学当中的空间决策支持与环境制图方面体现出来[3]。

决策树主要是一种树状结构，通常是对一组数据训练以后所获得的结果，依照某一属性将数据集合进行的实际测试便是其内结点，进而根据各个数据记录，将此不一样的属性值分成较多分支，而针对最后的叶结点而言，则是将最终类型或类型的分布体现出来。决策树图形很容易可视化，并且对于其原理与实际形式的理解也并不是非常困难，因此在空间数据挖掘中经过把决策树可视化，同时和地图进行动态连接，便能够将空间数据结构更好地体现出来。这对于用户进一步分析空间数据有很大帮助，并且还能够使人们的分析决策能力得到一定提升。

3.2 在数据挖掘应用中，决策树与贝叶斯网络的有机结合

针对两者的有机结合，根据紧密程度可将此分为以下几个层次

3.2.1 结果校验比较

其主要是指针对某项实际任务（通常为监督分类），可各自经过决策树方式与贝叶斯网络分析数据，进而比较两者所获得的最终结果，以此使结果校验的根本目的得以实现，并且还能够让某种模型对于目前也许会出现问题的情况得到避免。

3.2.2 线性结合

主要是指先利用某种方式的预处理，之后再把中间结果导入另外一种方式，从而获得最终结果。因为决策树计算相对较为简单，已有的决策树算法通常具备了对数据“噪声”或者缺失数据进行有效处理的能力。而贝叶斯网络则相反，其学习非常繁杂，特别是在数据量比较大等有关状态下更加显著。因此，可先采用决策树方式将一些数据加以处理，之后再对运用贝叶斯网络开展进一步数据挖掘工作进行考虑。此外，因为决策树方式能够获得相应规则，所以此类规则便可当作用户的先验知识，进而将其引进贝叶斯网络的学习当中。反之，贝叶斯网络因为自身能够较好地考虑到先验知识的优势，所以可先将其当作一种知识表达的图形模型，以此在一定程度上制约决策树方式的假设空间，让计算量得到大幅降低。此外，贝叶斯网络还能够将多源数据融入统一的模型当中，从而在统一的图形模型中，更好地采用其他数据挖掘方式，将多源数据的可靠性问题加以处理[4]。

3.2.3 完全结合

两者的完全结合必须具有高度交互可视化的界面，用户可在任意时间对知识发现的整个过程进行干预或监控，可在任意时间通过某种方式分析与处理中间结果，同时也可将目前的分析进程中止，实行回溯分析。此种方式是最为理想且很难实现的知识发现形式，用户在处理有关问题时，可根据多个模型与不同角度做出深入分析，进而使结果更加可靠，并让用户参与度得到进一步提升。用户的先验知识不单只是在数据挖掘的初期才会将其作用发挥出来，同时还能在后期帮助用户将处理进程进行有效调整，并及时发现也许会产生的错误。这样不但能够获得新知识，而且又能将此当作新的先验知识而融入以后的知识发现当中。实际上就是把整个数据挖掘过程转换成一个循环交替、逐渐上升的过程，进而使其可靠性与透明度得到一定提升[5]。

具体而言，先经过决策树方式对数据进行预处理，使某種数据减量目的得以实现，其次则可利用贝叶斯网路分析变量之间的关系，把有关变量经过决策树算法获得多个决策树模型，因为贝叶斯网络与贝叶斯统计方式能够较好地防止数据过配，而针对此类多个决策树模型，则需要重新经过贝叶斯网络验证，此外还可利用不一样的决策树剪裁算法进行比较，这样不但在选择决策树模型时更加方便，并且也能够将不同剪裁方式的性能做出进一步分析与比较。反之，决策树模型同样也可对贝叶斯网络中学习获得的因果关系与局部概率的具体分布进行验证。整个过程不管是贝叶斯网络，或者决策树，均是以可视化方式来表现出来，不同视图之间可进行连接，这样在做比较与分析时则会更加容易。

4 结语

在空间数据探究分析过程中，把可视化技术与空间数据挖掘这两种方式进行有机结合，使其成为一种可视化交互空间数据挖掘技术，这对于大量空间分析与空间决策具有很大帮助。针对可视化交互空间数据挖掘技术而言，应当将地图的优势充分发挥出来，尤其是动态交互地图，其对空间信息传输与引导用户思维具有重大意义。

[参考文献]

[1]王玲.基于GIS空间数据挖掘技术的应用研究[J].测绘与空间地理信息，2013（6）：121-123.

[2]南丽丽.基于云模型的数据挖掘技术研究[J].数字技术与应用，2013（7）：65.

[3]朱亚琼.可视化驱动的交互式数据挖掘方法研究[J].电脑知识与技术，2016（36）：4-5.

[4]贾泽露，张彤.基于GIS与SDM技术的可视化空间数据分类研究[J].测绘科学，2012（1）：115-118，165.

[5]刘耀林，张彤.可视化交互空间数据挖掘原型系统设计与实现[J].武汉大学学报（信息科学版），2016（10）：916-919.

作者：赵文博 王曙燕