La minería de datos y la simulación del Internet de las cosas (IOT) se han aplicado cada vez más ampliamente en la disciplina de investigación urbana en rápido desarrollo. La estructura espacial urbana es un campo importante que necesita ser explorado en el desarrollo urbano sostenible, mientras que la minería de datos es relativamente rara en la investigación de la estructura espacial urbana. En este estudio, se utilizaron 705.747 PDI (puntos de interés) para realizar un análisis de simulación de las ciudades occidentales de China mediante la minería de datos de mapas en línea. Mediante el análisis de densidad de núcleo y el índice de correlación espacial, se analizaron las características de distribución y agregación de distintos tipos de datos de PDI en el espacio urbano y se obtuvieron las características de análisis espacial y correlación entre distintos centros funcionales de la ciudad. La estructura espacial de la ciudad se caracteriza por "multicentros y multigrupos", y también se muestra la distribución de multicentros en ciudades con diferentes tipos funcionales. El grado de desarrollo de los distintos centros urbanos varía significativamente, pero la mayoría de ellos se encuentran aún en sus inicios. La minería de datos del Internet de las cosas (IoT) tiene una buena adaptabilidad en la simulación de ciudades y desempeñará un papel importante en la investigación urbana en el futuro.

El reparto equitativo de clusters multiusuario es un problema clásico en la construcción de clusters. Sin embargo, el sistema de computación de clusters para aplicaciones híbridas de big data tiene características de requisitos heterogéneos, lo que hace que cada vez más gestores de recursos de clusters admitan un manejo de recursos de aprendizaje multidimensional detallado. En este contexto, se orienta a multiusuarios de recursos de aprendizaje multidimensional. Los clusters compartidos se han convertido en un nuevo tema. Una única consideración de un cluster compartido de manera equitativa resultará en un gran desperdicio de recursos en el contexto de asignación de recursos discreta y dinámica. La equidad y eficiencia del reparto de recursos de cluster para recursos de aprendizaje multidimensional son igualmente importantes. Este artículo estudia la tecnología de procesamiento de big data y sistemas representativos y analiza la tecnología de análisis multidimensional y optimización del rendimiento. Este artículo discute la importancia de la optimización de la asignación de recursos de aprendizaje multidimensional discreto en escenarios dinámicos. Al mismo tiempo, ante el hecho