随着大数据时代的到来和5G技术的推进,产生了大量的时空数据。挖掘时空数据获取有价值的信息势在必行,其中在时空异常数据挖掘领域,能对事件产生异常行为前进行预警预测,拟在提前对可能发生重大危害和损失的事件作出预警及相关的应对措施。因此,时空异常数据挖掘有着重要的研究价值。基于时空扫描统计量的聚类分析是时空异常数据挖掘的主要方法之一,诸多学者在该研究领域已取得一些成果,但仍存在以下缺陷:第一,时空扫描模型中,会产生大量有重复性的集群,这将会混淆风险区域的判断,如何合理的处理此类集群,对于选择风险区域来说仍具有挑战性;第二,现有基于多项数据的扫描模型中,未考虑多项数据集的特点,未纳入所包含各类型事件的自异性,导致出现较多假异常点,故本文针对这两个问题做了以下的研究:(1)对于大量重复的集群,传统时空扫描以及现有改进模型均按Sa TScan层次结构将其直接删除,只报告不相交不重复的集群,但明显该方法会损失很多对信息量更有贡献的集群。基于此问题本文提出一种基于信息量的时空深度扫描模型(IN-scan model),用于对上述重复集群进行处理,方法中引入了信息量作为扫描统计量,从信息量的角度出发量化每一个扫描集群,并使用显著统计量和基尼系数来求取信息量进行扫描风险区域分析。文中使用所提方法与Sa TScan最新方法(LR-scan model)预警结果进行对比,所提方法性能评估值提升10%以上,实验证明该方法较现时空扫描模型有一定优势。(2)在现有关于多项数据扫描模型的讨论中,多元扫描统计方法(Multiva-riate scan statistic MSS),基于最大扫描统计量报道模型(Maximum norm MAX),以及多标准分析模型MCA(Multi-criteria analysis),均没有结合多项数据内部结构特征进行扫描预警,导致出现较多假异常点。故本论文提出一种新的基于多项数据的扫描预警模型(Multinomial-data scan statistic MDSS),模型同时考虑了每个类型事件的数据结构,与对应类型事件自异性的Possion模型,充分利用多项数据内部特征,进行了整体的扫描预警分析。实验中MDSS模型扫描结果性能均高于其他模型,且检测出其他模型都未检测到的异常点,较灵敏。实验证明该方法较现多项数据扫描模型有一定优势。文中涉及模型均用Python语言进行实现。