[论文解读] Clustering with Obstacles in Spatial Databases

Mohamed A. El-Zawawy, Mohamed E. El-Sharkawi|ArXiv.org|Sep 24, 2009

Data Management and Algorithms参考文献 14被引用 4

一句话总结

本文提出CPO算法，一种用于空间数据库的聚类算法，可考虑河流、高速公路等物理障碍物的影响。通过将空间划分为单元格，将单元格标记为受阻或非受阻，并在非受阻区域使用广度优先搜索（BFS），CPO能够识别出以中心为标志的密集聚类，从而在存在障碍物导致传统聚类结果失真的现实空间数据挖掘场景中提升准确性。

ABSTRACT

Clustering large spatial databases is an important problem, which tries to find the densely populated regions in a spatial area to be used in data mining, knowledge discovery, or efficient information retrieval. However most algorithms have ignored the fact that physical obstacles such as rivers, lakes, and highways exist in the real world and could thus affect the result of the clustering. In this paper, we propose CPO, an efficient clustering technique to solve the problem of clustering in the presence of obstacles. The proposed algorithm divides the spatial area into rectangular cells. Each cell is associated with statistical information used to label the cell as dense or non-dense. It also labels each cell as obstructed (i.e. intersects any obstacle) or nonobstructed. For each obstructed cell, the algorithm finds a number of non-obstructed sub-cells. Then it finds the dense regions of non-obstructed cells or sub-cells by a breadthfirst search as the required clusters with a center to each region.

研究动机与目标

• 解决传统聚类算法在空间数据库中忽略物理障碍物的局限性。
• 通过整合河流、湖泊和高速公路等障碍物，提升现实空间数据中聚类的准确性。
• 开发一种高效方法，以检测未被障碍物阻隔的密集区域，确保聚类结果的现实合理性。
• 在空间约束影响数据分布的空间数据库中，实现有效的数据挖掘与知识发现。

提出的方法

• 将空间数据库区域划分为矩形单元格，实现空间分区。
• 根据统计信息将每个单元格标记为密集或非密集，并在与任何物理障碍物相交时标记为受阻或非受阻。
• 对于受阻单元格，识别其中的非受阻子单元格，以保留潜在的聚类区域。
• 对非受阻单元格或子单元格应用广度优先搜索（BFS），以探索并分组为连通的密集区域。
• 为每个识别出的密集区域分配一个中心，作为聚类的代表。
• 利用每个单元格的统计数据指导密度判断，避免不必要的计算。

实验结果

研究问题

• RQ1 当存在河流、高速公路等物理障碍物时，如何改进空间数据库中的聚类方法？
• RQ2 如何高效检测未被障碍物阻塞的密集空间区域？
• RQ3 如何在不增加计算开销的前提下，将障碍物的空间结构整合到聚类过程中？
• RQ4 基于单元格的方法结合BFS能否有效识别受障碍物影响的空间数据中的有意义聚类？

主要发现

• CPO算法在尊重物理障碍物的前提下，成功识别出空间数据库中的密集聚类，从而形成更具现实意义的聚类结构。
• 通过将单元格标记为受阻或非受阻，并分析受阻区域内的子单元格，CPO有效保持了聚类检测中的空间完整性。
• 广度优先搜索的使用实现了对非受阻区域的高效探索，确保了在大规模空间数据集上的可扩展性。
• 利用统计信息对单元格进行密集或非密集的标记，减少了不必要的处理，提升了聚类性能。
• 该算法在障碍物显著影响空间数据分布的真实场景中，实现了准确的聚类结果。
• 该方法在IEEE ISSPIT 2001会议的案例研究中得到验证，证明了其在空间数据挖掘中的实际适用性。