Wat is ruimtelijke datamining?
Ruimtelijke datamining is het proces van proberen patronen te vinden in geografische gegevens. Het meest gebruikt in de detailhandel, is het uitgegroeid tot het gebied van datamining, die aanvankelijk gericht was op het vinden van patronen in tekstuele en numerieke elektronische informatie. Ruimtelijke datamining wordt beschouwd als een meer gecompliceerde uitdaging dan traditionele mijnbouw vanwege de moeilijkheden die verband houden met het analyseren van objecten met concrete bestaan in ruimte en tijd.
Zoals bij standaard datamining, wordt ruimtelijke datamining voornamelijk gebruikt in de wereld van marketing en retail. Het is een techniek om beslissingen te nemen over waar te openen wat voor soort winkel. Het kan helpen deze beslissingen te informeren door reeds bestaande gegevens te verwerken over welke factoren consumenten motiveren om naar de ene plaats te gaan en niet de andere.
Zeg dat Ashley een nachtclub op een bepaald stadsblok wil openen. Als ze toegang had tot de juiste gegevens, zou ze ruimtelijke datamining kunnen gebruiken om erachter te komen welke ruimtelijke factoren nachtclubs succesvol maken. Ze zou kunnenStel vragen als: zullen meer mensen naar de club komen als het openbaar vervoer in de buurt is? Welke afstand van andere locaties in het nachtleven maximaliseert de patronage? Is de nabijheid van benzinestations een plus of een min?
Ashley wil er misschien ook voor zorgen dat de mensen die naar haar nachtclub komen in een gelijkmatige verdeling aankomen in de loop van een individuele avond. Ze zou ook ruimtelijke datamining kunnen gebruiken - misschien meer nauwkeuriger, ruimtelijke datamining - om erachter te komen hoe mensen op bepaalde momenten door de stad gaan. Hetzelfde proces kan worden toegepast op patronage op verschillende nachten van de week.
De moeilijkheden van ruimtelijke datamining zijn het gevolg van de complexiteit van de wereld buiten internet. Terwijl de inspanningen uit het verleden bij data -mining meestal databases rijp hadden voor analyse, zijn de invoer die beschikbaar zijn voor ruimtelijke datamining geen informatie met informatie maar kaarten. Deze kaarten hebben verschillende soorten objecten lIke wegen, populaties, bedrijven, enzovoort.
Bepalen of iets "dicht bij" is, gaat iets anders van een discreet naar een continue variabele. Dit verhoogt massaal de complexiteit die nodig is voor analyse. Ongelofelijk, dit is een van de meer eenvoudige soorten relaties die beschikbaar zijn voor iemand die ruimtelijke datamining probeert.
Ruimtelijke datamining wordt ook geconfronteerd met het probleem van valse positieven. Tijdens het zoeken naar gegevens op zoek naar relaties, zullen veel schijnbare trends ontstaan als een gevolg van statistische valse positieven. Dit probleem bestaat ook voor de taak om een eenvoudigere database te minen, maar het wordt versterkt door de grootte van gegevens die beschikbaar zijn voor de ruimtelijke dataminer. Uiteindelijk moet een trend geïdentificeerd door ruimtelijke datamining worden bevestigd door het proces van uitleg en aanvullend onderzoek.