地理信息|空间频繁模式与关联规则发掘
同样的，先从数据挖掘开始，然后结合地理上升到空间层面。
频繁模式：频繁出现在数据集中的模式（等于没说），如项集、子序列、子结构，对应频繁**，如频繁项集。
关联规则挖掘：发现大量数据中项集之间有趣的关联。
应用主要有购物篮分析、交叉销售、贩卖分析和分类设计。
简单来说就是通过数据观察两个类别的关系，如果关系大，就将这两件物品捆绑起来，最常见的就是商场的商品布局。最为经典的就是沃尔玛的啤酒与纸尿布故事了。美国新津妈妈在家照顾婴儿，爸爸下班顺便买纸尿布，商家在纸尿布旁放啤酒瓜子花生米，爸爸一看，甚得我心，顺手一捎，就是销量，沃尔玛大赚。
这个应用里最为重要的因素有两个：支持度和置信度。
支持度衡量规则的有用性，指用户同时买A和B的比例。
置信度衡量规则的确定性，指用户在买了A的基础上又买了B的比例（没错就是条件概率）。
接下来是关联规则的具体术语（科学家保持高冷的假把戏，看不看无所谓，狗头）
关联规则挖掘的步骤
-
找出所有频繁项集。
-
由频繁项集产生强关联规则。（支持度和置信度都达到阈值）
这里常用的一个算法是Apriori算法，算法思想：频繁项集的子集也一定频繁，最大的频繁项集不可能比频繁的1项项集更频繁。所以，先确定最小的支持度和置信度，先找到满足要求的1项集，然后互相取并，先取出存在的2项集，在选出满足支持度和置信度的2项集，往后同理，知道选出满足要求的最大频繁项集。
除了强关联规则，还有其他模式，适合不同情况。
空间关联规则
基本术语：
挖掘方法包括为基于事物的空间关联规则挖掘（按空间实体之间同时出现的空间信息创建事物）、基于聚类的空间关联规则挖掘、邻域窗口处理和空间同类挖掘。
基于事物的空间关联规则挖掘采用RFCM模型：
-
计算各个目标空间对象与相关空间对象的空间谓词。
-
将同一个目标对象的所有谓词构成一个事务。
-
将所有空间谓词组织为一个事务数据库。
-
在谓词事务数据库中进行单层布尔型关联规则挖掘。
RFCM思想：空间谓词组织成一个粒度由粗到细的层次结构。先计算粗粒度的空间谓词，发现较高概念层次的模式与关联规则。然后自顶向下细化空间谓词，逐步发现较低概念层次的关联规则。
基于聚类的空间关联规则挖掘将每个空间属性作为一个点图层，对每个图层上的数据点进行聚类，针对聚类产生的空间簇（或区域）进行关联规则挖掘。有垂直视角方法和水平视角方法。
空间同位规则（空间并置规则）：地理空间中存在频繁的且紧密相邻出现的空间特征，如高速公路与辅路。