공간데이터마이닝 (Spatial Data Mining)
쉽게 풀면
많은 위치정보 속에서 사람이 쉽게 알아채기 힘든 규칙이나 패턴을 컴퓨터로 찾아내는 방법이다. 예를 들어 범죄 발생 위치 자료를 분석해 특정 시간대와 장소에서 반복되는 패턴을 찾아내는 것이 공간데이터마이닝의 예다. 예를 들어 신용카드 결제 위치 자료에서 사람이 미처 몰랐던 소비 패턴의 지역적 군집을 자동으로 찾아내는 것이 공간데이터마이닝의 예이다. 일반 데이터마이닝이 숫자와 범주만 본다면, 공간데이터마이닝은 여기에 '어디서 일어났는가'라는 위치 정보까지 함께 분석한다는 차이가 있다.
왜 중요한가
대규모 위치기반 데이터에서 사람이 직접 찾기 어려운 패턴을 자동으로 발견하는 데 활용되며, 범죄 핫스팟 탐지, 질병 확산 예측, 소비패턴의 공간적 이상치 탐지 등 응용범위가 넓습니다. 감염병 확산 경로 추적이나 이동통신 빅데이터 기반 유동인구 패턴 탐색처럼 공간빅데이터 시대에 활용 범위가 계속 넓어지고 있다.
논문에서는 이렇게 쓰입니다
공간데이터마이닝은 통계적 군집분석과 기계학습 기법을 공간데이터에 접목하여 숨겨진 공간패턴을 탐색한다.
공간데이터마이닝은 군집분석, 연관규칙 등 다양한 기법을 활용해 단순 통계로는 드러나지 않는 공간적 규칙성을 찾아낸다.
조금 더 깊게 보면
공간데이터마이닝은 일반 데이터마이닝과 달리 공간적 자기상관(인접한 것끼리 유사한 경향)을 반드시 고려해야 하는데, 이를 무시하고 일반 통계기법을 그대로 적용하면 잘못된 패턴을 유의미한 것으로 오판할 위험이 있습니다. 대표 기법으로는 공간군집분석(스캔통계량, DBSCAN 등), 공간연관규칙 탐사, 공간이상치 탐지, 시공간 패턴마이닝이 있으며, 일반 데이터마이닝 알고리즘을 그대로 쓰면 공간적 자기상관을 놓치므로 공간 가중치를 반영한 변형 알고리즘이 쓰인다.
주의할 점
공간데이터마이닝 결과의 통계적 유의성은 반드시 별도의 검정을 거쳐 우연적 패턴과 구분해야 한다. 발견된 패턴이 우연에 의한 것인지 실제 의미 있는 규칙인지 구분하려면 반드시 별도의 통계적 검정을 거쳐야 한다. 동일한 이상치라도 자료 입력 오류인지 실제로 드문 현상인지 구분하는 절차 없이 그대로 패턴으로 해석하면 잘못된 결론에 이를 수 있다.