一种基于局部分布的空间聚类算法

设计了一种度量邻近域内空间实体局部分布的新指标——中值角度,在此基础上,提出了一种基于空间实体局部分布的空间聚类算法。该方法递归搜索空间实体集中所有局部分布度量值相近且非离群的点,并将其聚为一类。通过模拟数据和实际数据进行实验发现,所提出的算法比DBSCAN算法的聚类结果更合理,具有很好的抗噪性,能发现任意形状的聚类。     

基于手机信令数据居民出行链提取算法

研究居民出行链不仅能够准确预测交通状况而且对城市规划有着重要的意义。经典DBSCAN算法以距离衡量不能完全聚类时空大数据,本文以北京市手机信令数据为基础在经典DBSCAN聚类算法的基础上扩展时间维度提取用户出行链,实验表明该算法能够解决相同地点不同时间停留点判读问题,通过与经典出行链提取算法对比表明该算法具有可行性,并且在职住停留点提取方面比较符合实际情况。     

面状居民地聚类方法的对比分析

探索建筑物的空间分布模式信息是建筑物地图综合过程中不可或缺的一部分,以建筑物距离为基础,结合建筑物的大小、形状、方向3种特征因子,将多个聚类算法应用于多边形建筑物的聚类分析,并通过不同的城市街区实地数据集对多个聚类算法进行比较分析。结果表明：k-means算法效率最高,但只能识别近似于球形的群组,对呈线性分布的建筑物模式识别效果较差;具有噪声的基于密度的空间聚类（density-basedspatialclusteringofapplicationswithnoise,DBSCAN）算法可以发现任意形状的集群,其对参数的选择过于敏感,难以从复杂的建筑物群中识别出连贯的群组;具有噪声的基于分层的密度聚类（hierarchical DBSCAN,HDBSCAN）算法可以发现任意形状和密度的群组,但对边界区域的建筑物群识别效果较差;最小生成树（minimum spanning tree,MST）算法能够识别出不同类型的建筑物群模式,但难以确定复杂建筑物群的合理划分阈值。     

DBSCAN与Kmeans相结合的手机大数据聚类方法研究

时空大数据是目前研究的热点。如何从海量手机信令数据中获取有价值的信息是研究手机信令数据的难点。本文在基于距离的点聚合方法的基础上,提出了将基于密度聚类算法DBSCAN与基于距离聚类算法kmeans相结合的点聚合算法。采用DBSCAN与kmeans相结合的点聚合算法实现手机信令数据的可视化,不仅能避免手机信令数据在可视化时点数据的堆叠和覆盖问题,而且使得其聚合后获取数据的空间分布结构更准确。     

出租车载客热点精细提取的改进DBSCAN算法

随着城市化水平的提高和居民公共交通出行的需求增长,要求有更精细化的聚类方法提取出租车载客的热点区域。针对基于密度聚类在出租车数据聚类中存在的问题,设计一种基于路网约束的改进DBSCAN算法。该算法通过将行程距离引入DBSCAN算法中,改进原有DBSCAN算法在出租车数据聚类中存在的精细尺度聚类参数选择和设置困难问题,弥补现有聚类算法在出租车载客热点区域提取方面的不足。利用武汉市出租车GPS轨迹数据进行的实验结果表明,在加入道路约束后,算法在出租车载客热点区域的精确提取方面具有较好的效果。     

室内位置轨迹的聚类与可视化

室内移动对象轨迹数据分析是商铺促销、室内空间规划、广告竞价等具有重要商业价值的应用基础,在公共安全、应急方案中也是必不可少的部分,近年来越来越受到研究者的重视。为了实现室内移动对象轨迹聚类分析,本文提出了一种将DBSCAN聚类算法与可视化相结合的综合分析方法。首先利用DBSCAN算法对某商场大厦内采集的基于手机Wi Fi信息的室内轨迹数据进行聚类处理;然后对得到的聚类成果和信息进行分析,为该商场的布局规划和店铺调整等提供一定的参考信息;最后,对该商场大厦的室内轨迹数据进行热度图可视化展示,并将展示效果与聚类结果进行对比,相互验证。     

面向多维时空位置数据的动态加权聚类模型

针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。     

基于共享单车时空大数据的细粒度聚类

针对传统上单独采用K-means或DBSCAN等方法对共享单车位置数据聚类时造成的聚类结果与真实的聚类结构不符的问题,本文提出了一种基于共享单车时空大数据的细粒度聚类方法(FGCM)。该方法通过DBSCAN进行初始聚类,并在此基础上采用GMM-EM算法进行细部聚类,以提取细粒度层级的热点区域。试验表明,该方法可根据密度阈值排除噪声和离群值,无需指定细部聚类簇数,簇的形状和大小比较灵活。在对共享单车大数据位置特征进行聚类时,与传统的单独采用K-means或DBSCAN的方法相比,FGCM具备更高的精细程度,能够充分展现共享单车的实际聚集特征,可用于规划共享单车电子围栏等设施,在不降低通勤效率的基础上规范共享单车的停放问题。     

出租车轨迹数据的南京人群出行模式挖掘

针对现有出租车轨迹数据挖掘中时间序列邻近度量方法存在的问题,提出一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,进而研究城市人群出行行为的时空差异。以南京市为例,结合电子地图对出行模式的空间分布特征进行分析,证明了本文所提出的方法的有效性。实验结果表明:在空间分布上,工作日出租车出行模式按照平均出行频次由高到低排序,从城市中心向四周扩散,呈中心环状分布,出行模式区域界限较为明显,同类出行模式分布区域对应相似的功能。提出了一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,有效地分析城市人群出行行为的时空差异。     

一种基于双重距离的空间聚类方法

传统聚类方法大都是基于空间位置或非空间属性的相似性来进行聚类,分裂了空间要素固有的二重特性,从而导致了许多实际应用中空间聚类结果难以同时满足空间位置毗邻和非空间属性相近。然而,兼顾两者特性的空间聚类方法又存在算法复杂、结果不确定以及不易扩展等问题。为此,本文通过引入直接可达和相连概念,提出了一种基于双重距离的空间聚类方法,并给出了基于双重距离空间聚类的算法,分析了算法的复杂度。通过实验进一步验证了基于双重距离空间聚类算法不仅能发现任意形状的类簇,而且具有很好的抗噪性。     

ADCN: An anisotropic density‐based clustering algorithm for discovering spatial point patterns with noise

Density‐based clustering algorithms such as DBSCAN have been widely used for spatial knowledge discovery as they offer several key advantages compared with other clustering algorithms. They can discover clusters with arbitrary shapes, are robust to noise, and do not require prior knowledge (or estimation) of the number of clusters. The idea of using a scan circle centered at each point with a search radius Eps to find at least MinPts points as a criterion for deriving local density is easily understandable and sufficient for exploring isotropic spatial point patterns. However, there are many cases that cannot be adequately captured this way, particularly if they involve linear features or shapes with a continuously changing density, such as a spiral. In such cases, DBSCAN tends to either create an increasing number of small clusters or add noise points into large clusters. Therefore, in this article, we propose a novel anisotropic density‐based clustering algorithm (ADCN). To motivate our work, we introduce synthetic and real‐world cases that cannot be handled sufficiently by DBSCAN (or OPTICS). We then present our clustering algorithm and test it with a wide range of cases. We demonstrate that our algorithm can perform equally as well as DBSCAN in cases that do not benefit explicitly from an anisotropic perspective, and that it outperforms DBSCAN in cases that do. Finally, we show that our approach has the same time complexity as DBSCAN and OPTICS, namely O(n log n) when using a spatial index and O(n²) otherwise. We provide an implementation and test the runtime over multiple cases.     

服务于规划编制的城乡规划空间数据建设探讨——以沈阳市规划设计研究院为例

从城乡规划空间数据目前存在的问题入手,着眼于未来规划业务对空间数据的需求,对城乡规划空间数据分类体系、数据建设标准和数据库建设的组织等进行了深入研究,试图建立一个标准统一、数据共享、技术含量高、服务于规划编制的城乡规划空间数据库,作为构建完善、优质、高效的数据管理模式与共享服务体系的基础性工作。     

基于ArcSDE的数字城市规划空间数据库设计与实现

在对数字城市规划空间数据库进行研究的基础上,利用空间数据引擎ArcSDE作为GIS应用服务器与数据库服务器之间的接口,以ArcSDE为核心实现数字城市规划空间信息的空间查询与空间分析,对数字城市规划的空间数据和属性数据进行统一管理,实现支持高效的、海量数据的提取。     

城市功能区划分空间聚类算法研究

随着经济的发展,城市化建设中的土地资源的粗放式利用对经济发展的制约日益明显,集约评价作为一种有效的管理手段越来越受到重视.城市土地集约评价中城市功能区划分是其研究基础.本文在城市地籍数据库的基础上,以城市宗地为基础研究单元,分析并确定国土资源部的《城市土地集约利用潜力评价规程(试行)》中对功能区划分的约束条件,研究城市...     

滚圆法用于空间点聚类的研究

空间点聚类依据空间点实体属性对其进行分类划分,挖掘对研究应用有价值的信息。目前,空间点聚类大多数方法能够发现多边形簇,但不能发现线状簇。针对空间点聚类现有方法在发现线状簇方面的不足,借鉴滚球法的思想,提出滚圆法用于空间点聚类的研究算法（spatial point clustering using the rolling circle,SPCURC）。针对研究区域的点实体,该算法用给定半径的圆从初始点开始按照原则进行滚动,直至满足条件为止;连接滚圆接触的点,从而形成多边形簇或者线状簇。通过模拟算例和实际算例验证了该算法的可行性。     

基于时间序列相似度的城市功能区识别研究

随着城市化的快速发展,城市空间结构愈发复杂,城市功能区的快速有效识别对资源的有效配置和城市规划具有重要意义.传统的功能区识别缺乏对居民这一城市空间活动主体的动态表征,而长时间序列的出租车数据能动态表征居民出行行为,进而反映城市空间结构.动态时间扭曲(DTW)距离比传统的欧氏距离更能有效挖掘高维数据,泛化后的LB_Keo...     

数据仓库及其在城市规划决策支持系统中的应用探讨

在分析传统决策支持系统在城市规划决策应用中存在的问题的基础上 ,初步提出一种基于数据仓库的城市规划决策支持系统的基本框架 ,探讨了该系统建立中数据仓库的数据组织、数据挖掘、知识发现方法等关键技术问题 ,并进一步阐述城市规划决策支持系统的建立方法 ,最后以荆州市环境规划为例 ,说明数据仓库在城市规划决策支持系统中的具体应用。     

基于场论的空间聚类算法

从空间数据场的角度出发,提出了一种适用于空间聚类的场——凝聚场,并给出了一种新的空间聚类度量指标(即凝聚力)。进而,提出了一种基于场论的空间聚类算法(简称FTSC算法)。该算法根据凝聚力的矢量计算获取每个实体的邻近实体,通过递归搜索的策略,生成一系列不同的空间簇。通过模拟实验验证、经典算法比较和实际应用分析,发现所提出的算法具有3个方面的优势:(1)不需要用户输入参数;(2)能够发现任意形状的空间簇;(3)能够很好适应空间数据分布不均匀的特性。