随着近些年来各类数据的急剧增加,从海量数据中进行知识发掘已经成为各行各业中最迫切的需求。在可获取的数据中有高于80%的数据都与地理信息相关,时空大数据挖掘应运而生。时空异常数据探测作为时空大数据挖掘中的新兴领域,以其能快速准确发现时空事件的异常特性得到了快速发展。通过揭露时空数据异常背后所蕴含的未知信息,可以对尚未发生的某些事态变化发出预警,对于早期公共事件决策和部署有着重大意义。目前扫描统计方法对于时空数据的探测已经由单一的时间和空间维度上的探测,发展到了时、空维度的立体探测。但作为时空异常数据挖掘主要方法的时空重排扫描方法,却一直受到传统最大扫描半径确定方法以及复杂环境中观测点间距离测量方法对模型扫描精度和时效性的限制。很少在公共卫生以外的其他领域得到应用。虽然近些年许多国内外学者对该方法所受限制进行了相关研究。并在此基础上取得了一些成果,但还存在着以下问题:第一,采用传统的最大扫描半径选取方法,过大的扫描半径会造成极大的资源浪费的同时也降低了模型预警的时效性,如何合理的选取最大扫描半径是需要深入研究的一个问题;第二,在传统公共卫生领域的时空重排扫描方法使用中,研究人员通过空间直线距离来测量两观测点间距,忽略了两点间障碍物等因素对真实距离测量带来的误差,在障碍物较多的应用场景中造成扫描结果精度下降。针对以上两个问题本文进行了如下研究:(1)针对在其他领域应用中如何合理的选取最大扫描半径的问题,本文提出了一种基于历史命中率的时空重排扫描最大搜索半径的选取方法。通过迭代不同最大搜索半径对历史性时空数据集进行时空重排扫描统计,根据不同最大搜索半径所得扫描结果计算预警命中率,选取命中率最高的最大搜索半径作为前瞻性扫描的最大搜索半径。避免了因最大搜索半径设定不合理导致的资源浪费和时效性降低的问题,提升了模型的效能。(2)针对空间直线距离来测量两观测点间距,忽略了两点间障碍物等因素造成的路径增长所带来的真实距离测量误差的问题,本文提出了一种基于时间距离的时空重排扫描优化方法。该方法使用交通时间对观测点间距离进行测量,将城市中障碍物对两点间实际距离造成的影响加入到距离测量中,以交通时间来代替表示两点间真实距离,提升了在障碍物较多的应用场景中扫描结果精度下降的问题。(3)本研究通过获取美国旧金山地区的火灾及盗窃事件数据构建实验样本数据库,利用Python语言完成模型搭建与算法实现。根据实验结果表明,基于历史命中率的时空重排扫描最大搜索半径的选取方法选取得最大扫描半径,使得扫描耗时有了显著减少。基于交通时间的时空重排扫描优化方法使得扫描结果在精度上有了2%～5%的提升。两种方法对于时空重排扫描方法的提升起到了良好的效果,改良后的时空重排扫描方法对时空异常的探测更快、更精确,其对该方法在其他相关领域的实际应用具有指导意义。