空间交互与流分析
基于复杂网络计算、优化计算和各种流模型，探索空间交互数据的流动层次结构和多维流模式；应用于大数据量车流数据分析、公众出行分析、手机数据分析、资金流分析、微博社交网络数据分析等。支持多种流模型（如Modulairty, Edge Ratio, Net Flow, etc.），支持设定限制条件，如每个分区的最小空间单元，最少人口等。
应用场景:
- 出行特征分析
- 城市活力区识别
- 区域联系强度分析
- 选址与广告投放
- 交通流向规律探索
- 区域贸易流向分析
- 毒品走私流向分析
- 其它…
基于复杂网络计算、优化计算和各种流模型，探索空间交互数据的流动层次结构和多维流模式；应用于大数据量车流数据分析、公众出行分析、手机数据分析、资金流分析、微博社交网络数据分析等。支持多种流模型（如Modulairty, Edge Ratio, Net Flow, etc.），支持设定限制条件，如每个分区的最小空间单元，最少人口等。
应用场景:
实现基于神经网络计算的多变量分类、多元数据关联分析、数据降维、多元色彩模式辅助认知、最优线性排序、地图矩阵、时空矩阵、多视角协调互动等；动态集成空间数据和多维／高维属性数据进行深度的交互联动分析，探索和发现时空高维数据中隐藏的分布模式、变化趋势和多因子关联关系。广泛应用于不同领域的多因子评估与画像、异常发现、指标筛选和理解、模型调整等。
集成机器智能和用户的专业知识，实现非监督分类交互可视化、重分类和打标签的功能。
应用场景:
通过灵活智能的数据聚合方法，将大片区域自动划分成若干个空间连续同质或异质的小区域，形成不同尺度的层级嵌套特征分区。这个过程可以理解为对数据的多维／高维属性在空间上的归纳，很难依靠人力来完成，是空间数据挖掘重要的环节，应用非常广泛。支持设定约束条件，如每个分区最少空间单元，最少人口等。计算结果既保留有原始数据的模式和关系，又降低了不必要的细节干扰和随机影响。计算高效快捷，时间复杂度仅为 O(n*2lgn)。
应用场景:
