地理环境多因子作用下的点集异常丛聚模式挖掘

空间异常丛聚是在空间上表现出与全局或区域分布存在显著差异的一块(或几块)聚集区域。对这些区域位置和形状的准确识别，可以为决策者提供隐含在数据中的异常信息。已有的异常丛聚模式挖掘方法通常只考虑点集数据本身在空间分布上的显著差异性，其丛聚结果不可避免的受到相关背景数据(如地理环境因子)的影响，从而削弱了异常模式的效果。本项目拟研究建立统一的数学模型，将点集数据异常丛聚模式的挖掘与地理环境因子对案例点分布的影响有机的结合起来；并设计能自动识别丛聚区域大小的自适应挖掘策略，从而有效发现地理环境多因子作用下的点集异常丛聚模式。最后，以全国分县的食道癌死亡案例数据为例进行模型的实验验证，提取去除掉相关环境因子影响的食道癌死亡异常区域。

空间异常丛聚是所给定的空间统计量在空间分布上表现出与全局或区域分布存在显著差异的一块(或几块)聚集区域。面向点集数据的空间异常丛聚模式挖掘方法是空间点模式分析的一种。它既考察空间数据聚集的趋势效果，又量化聚类的空间位置和大小；对聚类的显著性检验既可直接针对案例点集进行，又可结合背景参考数据进行，因此是一种非常重要的空间分析手段。对空间异常丛聚区域位置和形状的准确识别，可以为决策者提供隐含在数据中的异常信息。空间异常丛聚模式挖掘可用于识别流行病的空间分布规律、发现导致环境恶化的未知污染源、进行犯罪热点区域分析等诸多方面，具有很高的研究价值。.本项目在地理环境多因子作用下的点集异常丛聚模式挖掘方法方面，经过三年的研究，主要完成了七项工作，发表由本项目基金资助的论文3篇，其中SCI检索2篇，EI检索1篇，基本达到了项目预期的研究目标。完成工作包括：（1）将食管癌发病死亡数据进行空间化处理和图属对应，完成了shapefile格式的全国70年代分县的食管癌发病死亡空间数据集的创建。（2）提出了基于蚁群最优化的空间扫描统计算法(AntScan)，可有效识别出异常丛聚中存在局部弱连通节点的情形，从而解决异常丛聚模式挖掘中的局部弱连通节点问题。（3）提出基于蚁群最优化的多区域空间异常丛聚模式挖掘算法ACOMCD，可以很好的处理多丛聚区域的识别任务，并且解决了异常丛聚模式挖掘中丛聚形状的树形结构问题。（4）以1979～1985年全国第二次土壤普查数据为基础，完成了shapefile格式的全国土种志空间数据集整理。（5）设计开发了AntScan软件工具箱，并在网络上共享。（6）对90年代第三次全国癌症死因调查的数据进行了整理，获得了回顾调查数据。（7）对上世纪70年代死亡回顾调查发现的食管癌高发区的相关研究进行了与地理危险因素相关的文献检索和综述。