王鵬，溫暖，馬麗，習(xí)媛媛，蔡常雨

(1.長春理工大學(xué) 計算機(jī)科學(xué)技術(shù)學(xué)院，長春130022；2.長春理工大學(xué) 光電工程學(xué)院，長春130022)

隨著現(xiàn)代物流業(yè)的發(fā)展，物流中每個環(huán)節(jié)信息量也是非常的龐大，實際的業(yè)務(wù)難于對其進(jìn)行準(zhǔn)確、高效、及時的操作處理。數(shù)據(jù)挖掘技術(shù)能有效的提取與業(yè)務(wù)相關(guān)的有用信息，準(zhǔn)確的統(tǒng)計出業(yè)務(wù)經(jīng)營動態(tài)和發(fā)展方向，從而使得物流管理更加滿足客戶的要求[1]。

物流中的空間數(shù)據(jù)具有時空、多維結(jié)構(gòu)、多尺度、不確定和海量性等特征，這使得空間數(shù)據(jù)挖掘技術(shù)成為一種必要?？臻g數(shù)據(jù)挖掘就是從空間數(shù)據(jù)庫中提取隱含的、用戶感興趣的空間和非空間模式和普遍特征的過程，這種挖掘需要數(shù)據(jù)挖掘與空間數(shù)據(jù)庫技術(shù)的集成。它可用于理解空間數(shù)據(jù)，發(fā)現(xiàn)空間聯(lián)系和空間與非空間數(shù)據(jù)之間的聯(lián)系，構(gòu)造空間知識庫，重組空間數(shù)據(jù)庫和優(yōu)化空間查詢[2]。由于空間數(shù)據(jù)的大數(shù)據(jù)量和空間數(shù)據(jù)類型和空間訪問方法的復(fù)雜性，以及目前對空間數(shù)據(jù)挖掘的研究主要集中于挖掘技術(shù)、挖掘算法、挖掘語言等，而事實上空間數(shù)據(jù)挖掘?qū)λ幚淼目臻g數(shù)據(jù)有嚴(yán)格的質(zhì)量要求，因此在空間數(shù)據(jù)挖掘過程中數(shù)據(jù)預(yù)處理至關(guān)重要。

1 空間數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理

數(shù)據(jù)挖掘中的預(yù)處理主要是接受并理解用戶的發(fā)現(xiàn)要求，確定發(fā)現(xiàn)任務(wù)，抽取與發(fā)現(xiàn)任務(wù)相關(guān)的知識源，根據(jù)背景知識中的約束性規(guī)則對數(shù)據(jù)進(jìn)行合法性檢查，通過清理和歸約等操作，生成供挖掘核心使用的目標(biāo)數(shù)據(jù)，即知識基。知識基是原始數(shù)據(jù)庫經(jīng)數(shù)據(jù)匯集處理后得到的二位表，縱向為屬性(Atributes或 Fields)，橫向為元組(Tuples或 Records)，它匯集了原始數(shù)據(jù)庫中與發(fā)現(xiàn)任務(wù)相關(guān)的所有數(shù)據(jù)的總體特征，是知識發(fā)現(xiàn)狀態(tài)空間的基底，也可以認(rèn)為是最原始的知識模板[3，4]。

2 數(shù)據(jù)預(yù)處理工作流程

數(shù)據(jù)預(yù)處理主要包括數(shù)據(jù)清理、集成和歸約，數(shù)據(jù)清理是處理數(shù)據(jù)中的遺漏和清洗臟數(shù)據(jù)，數(shù)據(jù)集成是將很多數(shù)據(jù)源中的數(shù)據(jù)進(jìn)行合并處理，解決語義模糊性并整合成一致的數(shù)據(jù)存儲，數(shù)據(jù)歸約將辨別出需要挖掘的數(shù)據(jù)集合，縮小處理范圍[5]。數(shù)據(jù)預(yù)處理的工作流程框圖如圖1所示。

圖1 數(shù)據(jù)預(yù)處理工作流程框圖Fig.1 Data preprocessing work flow

3 數(shù)據(jù)預(yù)處理

3.1 數(shù)據(jù)的準(zhǔn)備

為了精簡挖掘所需要的目標(biāo)數(shù)據(jù)，需要對空間數(shù)據(jù)對象屬性進(jìn)行選擇，由于空間數(shù)據(jù)分布在不同的圖層，這就需要把數(shù)據(jù)集中不同的圖層數(shù)據(jù)關(guān)聯(lián)起來，進(jìn)行關(guān)聯(lián)查詢，提取挖掘任務(wù)相關(guān)的數(shù)據(jù)集。而提取挖掘任務(wù)相關(guān)的數(shù)據(jù)，只需要提取謂詞所需要處理的數(shù)據(jù)，一些不相關(guān)的屬性數(shù)據(jù)可以摒棄。通過對屬性數(shù)據(jù)的選擇以及相應(yīng)目標(biāo)數(shù)據(jù)的提取，可以約簡挖掘任務(wù)的相關(guān)數(shù)據(jù)，從而提高挖掘的效率，同時避免不相關(guān)數(shù)據(jù)的干擾，提高挖掘的精度[6]。

3.2數(shù)據(jù)的集成

數(shù)據(jù)的集成主要包括：1.針對上步所提取的目標(biāo)數(shù)據(jù)，消除其中不一致，不統(tǒng)一的部分，將其數(shù)據(jù)結(jié)構(gòu)統(tǒng)一化；2.將數(shù)據(jù)分成不同的類型，如：時間型數(shù)據(jù)、空間型數(shù)據(jù)以及時空型數(shù)據(jù)；3.將不同類型的數(shù)據(jù)導(dǎo)入數(shù)據(jù)庫，在數(shù)據(jù)庫中進(jìn)行處理。

3.3 數(shù)據(jù)的清理

數(shù)據(jù)清理即對目標(biāo)數(shù)據(jù)中重復(fù)的數(shù)據(jù)、丟失的數(shù)據(jù)、異常的數(shù)據(jù)等進(jìn)行相應(yīng)的處理，包括填充空缺值、識別孤立點、消除噪聲、糾正數(shù)據(jù)不一致等，進(jìn)而提高數(shù)據(jù)的質(zhì)量。處理重復(fù)數(shù)據(jù)，即對數(shù)據(jù)庫中同類型的數(shù)據(jù)對比分析，在允許誤差范圍內(nèi)研究兩個數(shù)據(jù)是否等值。處理缺失數(shù)據(jù)，即用不同的方法來填補(bǔ)，方法有很多，比如采用缺失數(shù)據(jù)所在行的上一行和下一行記錄中該屬性值的平均值來填補(bǔ)空缺；或者使用所有該屬性的平均值填補(bǔ)；或者利用回歸、判定樹歸納等方式確定最有可能的值來填補(bǔ)空缺。異常點檢測，異?？赡苁怯蓽y量誤差所導(dǎo)致，也可能是數(shù)據(jù)固有的可變性結(jié)果。對于不同類型的數(shù)據(jù)的檢測方法也不一樣，時間型數(shù)據(jù)多采用基于移動窗口和標(biāo)準(zhǔn)差的方法；空間型數(shù)據(jù)多采用基于移動曲線擬合法；多維數(shù)據(jù)多采用聚類分析法來實現(xiàn)檢測。實踐證明，當(dāng)檢測到的異常點是因測量誤差所致時，去除后能提高挖掘的效率和準(zhǔn)確度；當(dāng)檢測到的異常點是正常點時，重點分析該點能發(fā)現(xiàn)其中隱含著重要的信息[7]。數(shù)據(jù)清理過程的流程如圖2所示。

圖2 數(shù)據(jù)清理流程圖Fig.2 Data clearing flow chart

3.4 數(shù)據(jù)的變換

數(shù)據(jù)轉(zhuǎn)換階段的任務(wù)就是針對不同的數(shù)據(jù)類型進(jìn)行不同類型的數(shù)據(jù)轉(zhuǎn)換，這依賴于數(shù)據(jù)挖掘模型和輸入的數(shù)據(jù)集。

1.平滑：去掉數(shù)據(jù)中的噪聲。這種技術(shù)包括分箱、聚類和回歸。

2.聚集：對數(shù)據(jù)進(jìn)行匯總和聚集。例如，通過一天的發(fā)貨量統(tǒng)計月發(fā)貨量。

3.數(shù)據(jù)概化：使用概念分層，用高層次的概念替換低層次的“原始”數(shù)據(jù)。如分類屬性street可以概化為高層次的概念，city或者country等。

4.規(guī)范化：將屬性數(shù)據(jù)按照一定的比例進(jìn)行縮放，使這些數(shù)據(jù)落在一個較小的特定區(qū)間內(nèi)。方法有：

最小—最大規(guī)范化：對原始數(shù)據(jù)進(jìn)行線性變換。設(shè)定屬性A的最大最小值分別為將 A的值映射到區(qū)間new_min，new_max中的v'。

小數(shù)定標(biāo)規(guī)范化：通過一定屬性A的小數(shù)點位置規(guī)范化，公式為：。

5.屬性構(gòu)造：即用現(xiàn)有的屬性構(gòu)造新的屬性，并添加到屬性集中。例如通過屬性height和width構(gòu)造屬性area。通過新組的屬性，可以發(fā)現(xiàn)數(shù)據(jù)屬性之間的更多聯(lián)系，為知識發(fā)現(xiàn)所用[7]。

3.5 數(shù)據(jù)的規(guī)約

基于定義的謂詞，利用屬性歸納技術(shù)，設(shè)定謂詞的判定標(biāo)準(zhǔn)，編寫判定函數(shù)，進(jìn)行分析處理，這樣可以將連續(xù)性的數(shù)據(jù)進(jìn)行抽象歸納離散化，處理后的謂詞具有一定程度的抽象特征與層次概念，從而達(dá)到對數(shù)據(jù)的歸納與簡化，同時使得挖掘出的規(guī)則具有更高的支持度與可信度。歸納與概念泛化后的數(shù)據(jù)具備一定特征信息，但同時也存在多種數(shù)據(jù)格式與類型，為了需要，需要進(jìn)行編碼，并規(guī)范化。對每一個謂詞對應(yīng)的數(shù)據(jù)進(jìn)行抽象特征化，并進(jìn)行編碼，將每條記錄的謂詞判定結(jié)果全轉(zhuǎn)換成整型數(shù)據(jù)，如0表示否，1表示是等。這樣對挖掘謂詞的計算處理結(jié)果就全轉(zhuǎn)換成0或1，預(yù)處理后的數(shù)據(jù)集就比較簡單。采用這種編碼方式，可以快速的實現(xiàn)現(xiàn)實數(shù)據(jù)與算法實現(xiàn)之間的轉(zhuǎn)換。以一個城市為例，提取幾個特征因素，經(jīng)過數(shù)據(jù)預(yù)處理后的數(shù)據(jù)集如表1。

表1 預(yù)處理后的數(shù)據(jù)集Tab.1 Data set after preprocessing

同時對每個謂詞所在的記錄屬性列進(jìn)行編碼，給定唯一標(biāo)識，編碼后的每條記錄就對應(yīng)于一個一維數(shù)組，這樣編碼后的所有記錄集就可存放到一個整型的二維數(shù)組中，并使一維數(shù)組的下標(biāo)與判定謂詞的編號一一對應(yīng)。

實踐證明，通過對預(yù)處理后的數(shù)據(jù)進(jìn)行相應(yīng)的操作，在用關(guān)聯(lián)規(guī)則的 APriori等算法進(jìn)行掃描記錄集時，只需直接以謂詞的所對應(yīng)的Id索引為一維數(shù)組的下標(biāo)讀取數(shù)據(jù)，進(jìn)行分析判斷，而不需掃描整條記錄。并且針對物流信息中的海量數(shù)據(jù)而言，通過數(shù)據(jù)預(yù)處理，可以大大提高算法的效率[8]。

4 結(jié)束語

本文針對物流空間數(shù)據(jù)的海量性和復(fù)雜性，提出了空間數(shù)據(jù)預(yù)處理技術(shù)的工作流程，并重點分析了數(shù)據(jù)預(yù)處理的整個過程。實踐證明，物流數(shù)據(jù)通過預(yù)處理后，提高了數(shù)據(jù)的準(zhǔn)確度，為進(jìn)一步的數(shù)據(jù)挖掘算法提高了效率，有著一定的推廣價值。

[1]楊柳．基于數(shù)據(jù)倉庫技術(shù)的物資管理系統(tǒng)的研究與開發(fā)[J].電腦開發(fā)與應(yīng)用，2005，18(11)：15-19.

[2]崔陽，王華，喬淑娟．基于GIS的空間數(shù)據(jù)庫構(gòu)建與應(yīng)用研究[J].微計算機(jī)信息，2006，22(2-3)：199-201.

[3]王道平，潘靜，郝玫．基于數(shù)據(jù)挖掘的物流信息系統(tǒng)研究與設(shè)計[J].價值工程，2004，3：117-119.

[4]韓家煒，堪博．?dāng)?shù)據(jù)挖掘概念與技術(shù)[M].范明，孟小峰，譯.北京：機(jī)械工業(yè)出版社，2007：30-65.

[5]范坤，何智文．基于數(shù)據(jù)挖掘在物流管理決策中的應(yīng)用[J].湖北廣播電視大學(xué)學(xué)報，2008，28(10)：83-84.

[6]孟燕萍，王潔，黃有方，等．?dāng)?shù)據(jù)倉庫在口岸物流數(shù)據(jù)分析中的應(yīng)用[J].上海海事大學(xué)學(xué)報，2008，29(4)：65-69.

[7]閆永慧，胡伍生．空間數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理技術(shù)的研究[J].山西建筑，2009，35(14)：363-365.

[8]黃容偉，李文敬．基于粗糙集理論的數(shù)據(jù)預(yù)處理[J].廣西師范學(xué)院學(xué)報：自然科學(xué)版，2006，23(4)：87-92.