引言      随着互联网、物联网和云计算的高速发展数据分析 数据挖掘 数据建模获取手段向多元化方向发展，数据分析 数据挖掘 数据建模种类不断多样化促使时空相关的数據分析 数据挖掘 数据建模呈现出“爆炸式”增长的趋势，时空信息与大数据分析 数据挖掘 数据建模的融合标志着正式进入时空大数据分析 數据挖掘 数据建模时代时空大数据分析 数据挖掘 数据建模除具备大数据分析 数据挖掘 数据建模典型的“4V”特性外，还具备对象/事件丰富嘚语义特征和时空维度动态关联特性对时空大数据分析 数据挖掘 数据建模进行处理、分析和挖掘得到蕴含的复杂特征是其核心价值所在(李德仁，马军等2015)。      在时空大数据分析 数据挖掘 数据建模时代中机遇与挑战并存一方面是时空数据分析 数据挖掘 数据建模量和类型的丰富，弥补了数据分析 数据挖掘 数据建模缺乏的不足能够在最大程度上满足各类研究的需求，进一步推动交叉研究的不断深入；另一方面昰面对时空大数据分析 数据挖掘 数据建模时空特征的特殊性时空对象、事件等要素的动态演化以及相互间的动态关联关系对数据分析 数據挖掘 数据建模管理和分析带来了极大的挑战。在存储管理方面以往集中式存储严重依赖单机性能，极大限制了存储能力的可扩展性無法支撑海量非结构化数据分析 数据挖掘 数据建模低延迟存取高并发访问。在处理分析方面以往串行分析算法已无法满足海量时空数据汾析 数据挖掘 数据建模的实时处理需求，不能充分发挥当前新型硬件构架和并行模型/框架的优势在数据分析 数据挖掘 数据建模挖掘方面，传统的数据分析 数据挖掘 数据建模挖掘算法大多是基于常规数据分析 数据挖掘 数据建模集实现推广到TB级别甚至是PB级别数据分析 数据挖掘 数据建模时，其计算效率低、扩展性能差的不足就会显现因此时空大数据分析 数据挖掘 数据建模与高性能计算/云计算融合是必然的发展趋势，通过两者融合从而进一步提升时空大数据分析 数据挖掘 数据建模的利用效率能更好地为研究应用服务。      针对上述问题本文基於时空大数据分析 数据挖掘 数据建模背景，对现有时空大数据分析 数据挖掘 数据建模存储管理、时空分析和领域挖掘进行了全面的总结和闡述首先，从时空大数据分析 数据挖掘 数据建模的概念和起源出发介绍了大数据分析 数据挖掘 数据建模的分类和特点，分析了时空大數据分析 数据挖掘 数据建模的固有特征在此基础上总结了现有的高性能计算平台软硬件的发展现状，包括硬件架构、并行计算模型/框架鉯及各自优势对比然后，全面总结了现阶段时空大数据分析 数据挖掘 数据建模的存储管理模式、并行分析策略和数据分析 数据挖掘 数据建模挖掘算法的并行化实现并认为并行化是支撑时空大数据分析 数据挖掘 数据建模进行高效分析处理的重要手段。最后探讨了时空大數据分析 数据挖掘 数据建模时代下分布式存储管理与并行处理分析当前发展趋势。      本文所介绍的时空大数据分析 数据挖掘 数据建模并行处悝分析的软硬件环境及研究应用现状见图1      

如有侵权请联系本人或者道客巴巴客服删除!无意冒犯。资料仅供参考

某超市研究销售纪录数据分析 数據挖掘 数据建模后发现买啤酒的人很大概率也会购买尿布，这种属于数据分析 数据挖掘 数据建模挖

以下两种描述分别对应哪两种对分类算法的评价标准

警察抓小偷，描述警察抓的人中有多少个是小偷的标准

描述有多少比例的小偷给警察抓了的标准。

将原始数据分析 数據挖掘 数据建模进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务

当不知道数据分析 数据挖掘 数据建模所带标签时，可以使用哪种技术促使带同类标签的数据分析 数据挖掘 数据建模与带其他标签的数

使用交互式的和可视化的技术对数据分析 数据挖掘 数据建模进行探索属于数据分析 数据挖掘 数据建模挖掘的哪一类任务？（

为数据分析 数据挖掘 数据建模的总体分布建模；把多维空间划分成组等問题属于数据分析 数据挖掘 数据建模挖掘的哪一类任务

建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据汾析 数据挖掘 数据建模挖掘的

用户有一种感兴趣的模式并且希望在数据分析 数据挖掘 数据建模集中找到相似的模式属于数据分析 数据挖掘 数据建模挖掘哪一类任

下面哪种不属于数据分析 数据挖掘 数据建模预处理的方法？

个销售价格记录组已经排序如下：

使用如下每种方法將它们划分成四个箱等频（等深）划分时，

上题中等宽划分时（宽度为

下面哪个不属于数据分析 数据挖掘 数据建模的属性类型：

在上題中，属于定量的属性类型是：

只有非零值才重要的二元属性被称作：

以下哪种方法不属于特征选择的标准方法：

下面不属于创建新属性嘚相关方法的是：