作為大數(shù)據(jù)分析應(yīng)用層數(shù)據(jù)挖掘平臺(tái)，受到業(yè)界的廣泛好評(píng)與喜愛(ài)，這也依賴于產(chǎn)品本身技術(shù)的不斷的發(fā)展與完善，IBM SPSS的研發(fā)團(tuán)隊(duì)在中國(guó)歷史文化名城—西安，擁有超過(guò)300多名技術(shù)研發(fā)人員，致立于產(chǎn)品新技術(shù)的引入與研發(fā)，為產(chǎn)品本身提供源源不斷發(fā)展動(dòng)力，更好地為我們的客戶服務(wù)。在我們優(yōu)秀團(tuán)隊(duì)的帶領(lǐng)下，我們的產(chǎn)品每年都有新的版本、新的技術(shù)發(fā)布，那么接下來(lái)，我給大家介紹下，SPSS Modeler最新版本 17.0新增空間數(shù)據(jù)分析的相關(guān)功能及Demo演示。

SPSS Modeler空間數(shù)據(jù)分析功能介紹

I.引入地圖文件及地圖可視化展現(xiàn)

在平臺(tái)上，我們新增了讀取地理位置信息的源節(jié)點(diǎn)，以及地圖展現(xiàn)的輸出節(jié)點(diǎn);

連接方式：我們有兩種方式可以連接地圖文件，分別是

1、通過(guò)形狀文件 (.shp) 進(jìn)行導(dǎo)入；

2、通過(guò)連接到包含地圖文件的分層文件系統(tǒng)所在的 ESRI 服務(wù)器進(jìn)行導(dǎo)入。

功能：讀取地圖文件,與其它數(shù)據(jù)信息融合在一起，以直觀的地圖的方式展現(xiàn)最終的分析結(jié)果;

應(yīng)用場(chǎng)景：需要將分析結(jié)果與地圖結(jié)合起來(lái)的場(chǎng)景，比如購(gòu)物中心的客流分布、交通狀態(tài)、運(yùn)輸物流等。

II.新增算法：空間-時(shí)間預(yù)測(cè)(Spatio-temporal prediction）

功能：將地理位置信息和時(shí)間都作為分析場(chǎng)景的輸入影響因素，預(yù)測(cè)未來(lái)具體時(shí)間點(diǎn)以及具體位置發(fā)生某類(lèi)事件的可能性。

計(jì)算邏輯：在回歸的基礎(chǔ)，添加了空間協(xié)方差矩陣和時(shí)間序列來(lái)處理時(shí)間和空間信息；

應(yīng)用場(chǎng)景：可用于預(yù)測(cè)未來(lái)某一時(shí)間某些地點(diǎn)可能發(fā)生的事件，比如疾病多發(fā)區(qū)、犯罪多發(fā)地的預(yù)測(cè)；

大數(shù)據(jù)支持：可以通過(guò)Analytic Server進(jìn)行Map-Reduce計(jì)算，提升計(jì)算效率。

III.新增算法：關(guān)聯(lián)規(guī)則

功能：可將空間地理信息作為分析因素，分析出事件發(fā)生的模式或規(guī)則;

應(yīng)用場(chǎng)景：犯罪模式分析、流行病/傳染病監(jiān)控等；

大數(shù)據(jù)支持：可以通過(guò)Analytic Server進(jìn)行Map-Reduce計(jì)算，提升計(jì)算效率。

SPSS Modeler空間數(shù)據(jù)分析Demo演示

介紹了以上功能后，我們通過(guò)Demo來(lái)了解如何應(yīng)用空間數(shù)據(jù)，實(shí)現(xiàn)對(duì)犯罪事件發(fā)生類(lèi)型的預(yù)測(cè)。

I.分析場(chǎng)景：

我們有美國(guó)芝加哥州包括的10個(gè)鄉(xiāng)鎮(zhèn)以往發(fā)生犯罪事件的記錄，我們要分析的目標(biāo)就是根據(jù)以往的犯罪事件發(fā)生的情況，研究在哪些區(qū)域可能是犯罪事件高發(fā)區(qū)域，并通過(guò)地圖的方式展現(xiàn)分析結(jié)果。

II.分析思路：

結(jié)合犯罪事件發(fā)生的地理位置，通過(guò)關(guān)聯(lián)規(guī)則分析各類(lèi)犯罪事件發(fā)生的規(guī)則。

III.分析步驟：

整個(gè)分析數(shù)據(jù)流如下圖，分為3個(gè)步驟，分別是數(shù)據(jù)整理、建模和地圖展現(xiàn)。

接下來(lái)按流程圖中的具體編號(hào)具體介紹實(shí)現(xiàn)過(guò)程。

1.連接犯罪事件數(shù)據(jù)源文件InsuranceData.sav

文件記錄了歷史發(fā)生犯罪事件的地理位置（經(jīng)、緯度）以及發(fā)生的犯罪事件類(lèi)型,包括以下內(nèi)容：

• 鄉(xiāng)鎮(zhèn)名稱(chēng)(Country)
• 緯度(Latitude)
• 經(jīng)度(Longitude)
• 犯罪事件類(lèi)型(Type)，包括Collision、Theft、Vandalism、Uninsured。

2.連接各個(gè)country(鄉(xiāng)鎮(zhèn))的屬性信息文件CountyData.sav

文件收集了各個(gè)鄉(xiāng)鎮(zhèn)人口、收入等相關(guān)信息，包括以下內(nèi)容:

• 鄉(xiāng)鎮(zhèn)名稱(chēng)(Country)
• 2013年人口數(shù)量(Population2013)
• 2010年人口數(shù)量(Population2010)
• 人口增長(zhǎng)率(Poppercentchange)
• 小于5歲的人口占比(Popunder5yrs)
• 小于18歲的人口占比(Popunder18yrs)
• 大于65歲的人口占比(PopOver65yrs)
• 擁有房產(chǎn)人員占比(HomeOwership)
• 人均收入(IncomePerCapita)
• 收入中位數(shù)(IncomeMedian)
• 貧困率(PovertyPercent)

3.連接芝加哥地圖文件ChicagoAreaCounties.shp

文件包括各個(gè)鄉(xiāng)鎮(zhèn)(Country)的地理位置信息，包括以下內(nèi)容：

1、鄉(xiāng)鎮(zhèn)ID號(hào)(ObjectieID)

2、鄉(xiāng)鎮(zhèn)名稱(chēng)(Name)

3、圖層信息(MultiPolygon)

可以用的地圖展現(xiàn)如下：

4.生成新的地理空間字段POINT

對(duì)記錄犯罪事件發(fā)生的InsuranceData.sav文件中的經(jīng)度和緯度兩列數(shù)據(jù)(Latitude、Longitude)合并到地理空間上,字段類(lèi)型為地理空間,節(jié)點(diǎn)命名為POINT，為下面與地圖數(shù)據(jù)的合并做準(zhǔn)備。

5.將犯罪事件記錄數(shù)據(jù)與各鄉(xiāng)鎮(zhèn)屬性信息合并

即對(duì)CountyData.sav和InsuranceData.sav兩份數(shù)據(jù)按關(guān)鍵字Country合并。

6.將上面整理好的數(shù)據(jù)與芝加哥地圖文件再做合并

至此，我們將數(shù)據(jù)整理完成，合并后的數(shù)據(jù)內(nèi)容包括：

其中以DS2開(kāi)頭的三列數(shù)據(jù)，表示事件發(fā)生的位置對(duì)應(yīng)地圖上的對(duì)象、區(qū)域和名稱(chēng)。

7.選擇關(guān)聯(lián)規(guī)則算法建模

我們使用關(guān)聯(lián)規(guī)則算法，生成犯罪事件發(fā)生的規(guī)則模型，只需要將犯罪類(lèi)型(Type)設(shè)置為預(yù)測(cè)，并選擇影響因素作為條件，然后點(diǎn)擊運(yùn)行則會(huì)自動(dòng)生成業(yè)務(wù)規(guī)則模型。

8.生成模型，得到規(guī)則

以下可以看到規(guī)則結(jié)果(列出部分規(guī)則)。

比如可以看到第三條規(guī)則（Rule ID=3)

條件(Condition)

PopUnder5yrs ≥ 6.600

PopOver65yrs ≤ 11.600

預(yù)測(cè)結(jié)果(Prediction)

Type = Collision

結(jié)果解讀

如果5歲以下人口占比大于等于6.6%，65歲以上人口占比小于等于11.6%，則可能發(fā)生的犯罪類(lèi)型為Collision(沖突).該規(guī)則的支持度為9.51% (即有9.51%條記錄符合該規(guī)則) ,置信度為63.18%（即符合條件"PopUnder5yrs ≥ 6.600 and PopOver65yrs ≤ 11.600"的這些區(qū)域里面，有63.18%的區(qū)域發(fā)生了Collision事件)，因此在做接下來(lái)的預(yù)測(cè)時(shí)，如果有區(qū)域符合以上規(guī)則(Ruld ID=3)，那么我們判斷該區(qū)域發(fā)生Collision事件的概率為63.18%。

9.連接原來(lái)的芝加哥地圖文件，讓預(yù)測(cè)結(jié)果展現(xiàn)在地圖層之上

10.地圖展現(xiàn)預(yù)測(cè)結(jié)果

接下來(lái)我們把預(yù)測(cè)結(jié)果與地圖展現(xiàn)結(jié)合在一起，如下圖所示。

從這地圖我們可以很清晰看到，我們對(duì)各類(lèi)犯罪事件發(fā)生預(yù)測(cè)結(jié)果的分布情況，根據(jù)該預(yù)測(cè)結(jié)果，我們可以有在針對(duì)性地部署相關(guān)的警力，預(yù)防犯罪事件的發(fā)生。

SPSS Modeler空間數(shù)據(jù)分析擴(kuò)展

以上我們通過(guò)關(guān)聯(lián)規(guī)則對(duì)犯罪事件的發(fā)生進(jìn)行了預(yù)測(cè)，如果使用空間-時(shí)間預(yù)測(cè)也可以實(shí)現(xiàn)類(lèi)似的應(yīng)用場(chǎng)景，只是分析的計(jì)算邏輯不一樣。

SPSS Modeler對(duì)空間數(shù)據(jù)分析除了將其作為影響因素加入到分析過(guò)程之外，還可以通過(guò)運(yùn)動(dòng)軌跡（包括時(shí)間和地點(diǎn)）來(lái)判斷人物事件的特征，我們稱(chēng)之為空間-時(shí)間框（STB）,比如我們通過(guò)的士的運(yùn)動(dòng)軌跡及乘客的運(yùn)動(dòng)軌跡，來(lái)精準(zhǔn)地告訴的士司機(jī)，哪些時(shí)間點(diǎn)，在哪些區(qū)域，有更大的乘車(chē)需求；也可以通過(guò)人員的運(yùn)動(dòng)軌跡對(duì)群體做細(xì)分，通過(guò)設(shè)定活動(dòng)范圍，找出哪些人員是家庭主婦、哪些是商務(wù)人士、哪些是白領(lǐng)等等，這可以更好地完善我們的客戶畫(huà)像。這些分析都挺有意思的，我們可以下次再做具體介紹，敬請(qǐng)期待吧.....

via：華南IBM大數(shù)據(jù)支持團(tuán)隊(duì)

詳情請(qǐng)咨詢“”！

客服熱線：023-66090381