Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
An Ontology-Based Approach for Automatic Cloud Service Monitoring and Management Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Design and Development of Hybridized DBSCAN-NN Approach for Location Prediction to Place Water Treatment Plant

verfasst von : Mousi Perumal, Bhuvaneswari Velumani

Erschienen in: Advances in Big Data and Cloud Computing

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Water plays an important part in all living organisms on earth by balancing the entire ecosystem; the natural resource is being exploited and contaminated due to technological growth, urbanization, and human activities. The natural resource has now changed into a precious commodity, with which many businesses flourish. The objective of the work is to identify locations to set water purification plant near water bodies such as river, pond, and lake to reuse the contaminated water for agriculture and for other basic need using Spatial Data Mining (SDM). SDM operates on location-specific analysis stored in geo-databases which are a collection of spatial and non-spatial data. The spatial and non-spatial data for Coimbatore region is collected, and the location prediction for setting water treatment plant is done through DBSCAN-NN algorithm using SDM tools.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Cohesive Sub-network Mining in Protein Interaction Networks Using Score-Based Co-clustering with MapReduce Model (MR-CoC)
Nächstes Kapitel Coupling on Method Call Metric—A Cognitive Approach
Literatur
1.
Du, Y., Liang, F., Sun, Y.: Integrating spatial relations into case-based reasoning to solve geographic problems. Known.-Based Syst. (2012)
2.
Lee, A.J.T., Hong, R.W., Ko, W.M., Tsao, W.K., Lin, H.H.: Mining frequent trajectory patterns in spatial–temporal databases. J. Inf. Sci. 179, 2218–2231 (2009)CrossRef
3.
Wang, S., Ding, G., Zhong, M.: Big Spatial Data Mining, pp. 13–21. IEEE (2013)
4.
Bai, H., Ge, Y., Wang, J., Li, D., Liao, Y., Zheng, X.: A method for extracting rules from spatial data based on rough fuzzy Sets. J. Knowl. Based Syst. 57, 28–40 (2014)CrossRef
5.
Bi, S., et al.: Spatial Data Mining in Settlement Archaeological Databases Based on Vector Features, pp. 277–281. IEEE (2008)
6.
De Moraes, A.F., Bastos, L.C.: Pattern Recognition with Spatial Data Mining in Web: An Infrastructure to Engineering of the Urban Cadaster, pp. 1331–1335. IEEE (2011)
7.
Brimicombe, A.J.: A dual approach to cluster discovery in point event data sets. Comput. Environ. Urban Syst. 31(1), 4–18 (2007)
8.
Spielman, S.E., Thill, J.C.: Social area analysis, data mining and GIS. Comput. Environ. Urban Syst. 32(2), 110–122 (2008)
9.
He, B., Fang, T., Guo, D.: Uncertainty in Spatial Data Mining, pp. 1152–1156. IEEE (2004)
10.
Shekhar, S., Zhang, P., Huang, Y., Vatsavai, R.R.: Trends in spatial data mining. In: Kargupta, H., Joshi, A. (eds.) Data Mining: Next Generation Challenges and Future Directions. AAAI/MIT (2003)
11.
12.
Yasmin, M.: Dynamic Referencing Rules Creation Using Intelligent Agent in Geo Spatial Data Mining. IEEE (2012)
13.
Shengwu, H.: Method Development about Spatial Data Mining and Its Problem Analysis, vol. 2, pp. 144–147. IEEE (2011)
14.
Shekhar, S., Lu, C.T., Zhang, P.: A unified approach to detection spatial outliers. GeoInformatica 7, 139–166 (2003)CrossRef
15.
Peng, S., Fang, J., Han, C., Cheng, Z.: VegaMinerPOI: A Spatial Data Mining System for POI Datasets, pp. 1–4
16.
Lee, A.J.T., Hong, R.W., Ko, W.M., Tsao, W.K., Lin, H.H.: Mining spatial association rules in image databases. Inf. Sci. 177, 1593–1608 (2007)
17.
Xiao ping, L., Zheng yuan, M., Jian hua, L.: A spatial clustering method by means of field model to organize data. In: Second WRI Global Congress on Intelligent Systems (GCIS), pp. 129–131 (2010)
18.
Wang, Z., et al.: Cluster Analysis Based on Spatial Feature Selecting in Spatial Data Mining, pp. 386–389. IEEE (2008)
19.
Anselin, L., Schockaert, S., Smart, P.D., Twaroch, F.A.: Generating approximate region boundaries from heterogeneous spatial information: an evolutionary approach. J. Inf. Sci. 181(2),  257–283 (2011)
20.
Shi, W.Z., Tong, X.H., Liu, D.J.: A least squares based method for adjusting the boundaries for area objects. Photogramm. Eng. Remote Sens. 71(2), 189–195 (2005)CrossRef
21.
Wang, S, Yuan, H.: Spatial Data Mining in the Context of Big Data, pp. 486–492. IEEE (2013)
22.
Zaiane, O.R., Lee, C.-H.: Clustering spatial data in the presence of obstacles: a density-based approach. In: Proceedings. International Database Engineering and Applications Symposium, pp. 214–223 (2002)
23.
Perumal, M., Velumani, B.: Framework to find optimal cluster to place water purification plant using spatial clustering-DBSCAN. In: Materials Today Proceedings, vol. 25 (2016)
Metadaten
Titel
Design and Development of Hybridized DBSCAN-NN Approach for Location Prediction to Place Water Treatment Plant
verfasst von
Mousi Perumal
Bhuvaneswari Velumani
Copyright-Jahr
2018
Verlag
Springer Singapore
Buch
Advances in Big Data and Cloud Computing

Print ISBN: 978-981-10-7199-7

Electronic ISBN: 978-981-10-7200-0

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-981-10-7200-0_21

Premium Partner

    Bildnachweise