Географические информационные системы

из "Анализ финансовых данных "

Единственные данные, необходимые для ГИС, — данные о местоположении и цене сделок. Все остальные компоненты могут быть неопределенными. Константы масштабирования задаются для каждого параметра объекта собственности. Сходство между объектами измеряется евклидовым расстоянием между векторами входных данных, описывающими объекты недвижимости, поэтому выбор масштабированных значений компонент должен быть максимально разумным. [c.172]
Алгоритм СОК упорядочивает данные о свойствах объектов недвижимости, после чего соответствующие этим объектам нейроны (т.е. данные об их расположении на СОК) включаются в наборы данных ГИС. Каждый объект связывается с тем нейроном, который в наибольшей степени ему соответствует, в результате чего может быть получен список объектов, соответствующих данному нейрону. [c.172]
В целях оптимизации управления данными используются различные варианты масштабирования, позволяющие выделять те или иные переменные. Например, одна из карт сформирована таким образом, что доминирующими в ней являются данные о географическом расположении. В этом случае СОК разбивает географическое пространство на многоугольники, в которых группируются сходные по признакам объекты. Топология карты упорядочивается согласно доминирующим компонентам, остальные же компоненты усредняются. [c.172]
Наиболее важным аспектом обработки данных является то, что СОК сохраняет распределение исходных данных. Нейроны используются как соответствующие исходным данным клавиши или кнопки приборной панели, при нажатии на которые появляется соответствующая им информация, причем все клавиши обычно соответствуют равному числу наблюдений. Видимые на карте пробелы соответствуют нейронам, с которыми не соотносится ни один пример, т.е. при нажатии на кнопку никакой информации не извлекается. Подобным образом полностью совпадающие объекты всегда связываются с одним и тем же нейроном, что применительно к реальным данным встречается достаточно редко. [c.173]
СОК сохраняет топологию входных данных если в соответствующем данному объекту нейроне нет других аналогов, то более или менее сравнимые объекты могут быть найдены в соседних нейронах. Это дает также возможность вычислить расстояние до прототипа или ошибку квантования, а также установить степень расхождения. [c.173]
Для обработки очень больших наборов данных предлагается иерархическое решение. Например, в случае с Финляндией вся территория, на которой находится более миллиона различных объектов недвижимости, сначала была представлена 100 нейронами, каждый из которых содержал около 10 000 объектов. В свою очередь, на втором этапе эта группа схожих объектов была представлена 400 нейронами, каждый из которых содержал в среднем 25 сходных объектов (рис. 8.1). [c.173]

Вернуться к основной статье