Detecting Clusters in Spatially Repetitive Point Event Data Sets

The analysis of point event patterns has a long tradition. Of particular interest are patterns of clustering or ‘hot spots’ and such cluster detection lies at the heart of spatial data mining. Certain classes of point event patterns have a significant proportion of the data having a tendency towards exact spatial repetitiveness. Examples are crime and traffic accidents. Spatial superimposition of point events challenges many existing approaches to cluster detection. In this paper a variable resolution approach, Geo-ProZones, is applied to residential burglary data exhibiting a high level of repeat victimisation. This is coupled with robust normalisation as a means of consistently defining and visualising the ‘hot spots’. Key-words : spatial clustering, point event data, spatial repetition, Geo-ProZone analysis, robust normalisation Résumé : L’analyse des événements ponctuels a une longue tradition. La recherche de concentrations dans les semis d'évènements ponctuels ont un intérêt particulier, et la détection de ces concentrations est au cœur du data mining spatial. Certains modèles d'événements ponctuels ont une proportion significative des données ayant une tendance vers la répétition spatiale exacte. Comme exemples on peu citer des crimes et des accidents de trafic. La superposition spatiale des événements ponctuels rend problématique beaucoup d'approches existantes pour détecter ces concentrations. Dans cet article une approche de résolution variable, des Geo-ProZones, est appliquée aux données de Cybergeo : Revue européenne de géographie, N° 387, 11 juillet 2007 2 cambriolage de residences montrant un niveau élevé de répétition spatiale. Ceci est couplé avec la normalisation robuste comme moyen de définir et de visualiser uniformément les concentrations. Mots clés : analyse spatiale de proximité, événement ponctuel, répétition spatiale, analyses Geo-ProZone, normalisation robuste