一种针对出租车轨迹数据的K‑means初始聚类中心的选择方法技术

本发明专利技术涉及一种针对出租车轨迹数据的K‑means初始聚类中心选择方法，包括步骤：从电子地图中提取出城市交通的路网；对收集的出租车轨迹数据进行预处理，筛选出适合分析的样本数据；将出租车轨迹数据与路网进行匹配，得到出租车数据点在预设分析范围的分布图；利用图像识别技术中的斑点检测方法识别出出租车轨迹数据点的主要密集区域以作为K‑means的初始聚类中心；输出K‑means的初始聚类中心。本发明专利技术所提出的方法通过利用斑点检测方法确定K‑means的初始聚类中心的位置及个数，克服了传统K‑means方法选取K值的模糊性、主观性和初始中心随机选取的缺陷，针对海量车联网数据，加快了K‑means方法的聚类速度，很好地实现了出租车轨迹数据的聚类，具有一定的参考价值和实际经济效益。

【技术实现步骤摘要】

本专利技术涉及机器学习和图像识别领域，特别是一种针对出租车轨迹数据的K-means初始聚类中心选择方法。
技术介绍
随着互联网的高速发展，数据已经渗透到各行各业中，每天所产生的海量数据逐渐成为社会经济中占据主导的生产因素。浮动车轨迹数据是大数据在城市车联网和智能交通领域的主要形式，对其处理和分析将为市民日常出行、城市规划和解决交通拥堵瓶颈等产生不可估量的价值。聚类分析是机器学习和数据挖掘领域研究的一个重要方法，由于聚类方法不对数据作任何统计假设，因此被称为一种无监督的学习。聚类分析是指将数据对象分组成多个类或多个簇，在同一个簇中的对象具有较高的相似度，而不同簇中的对象差别较大。目前发展起来的聚类方法有很多种，大抵可以分为层次聚类和划分聚类两种。其K-means是划分聚类中最典型的方法，它具有方法简单高效、复杂度低、伸缩性强、容易处理大规模数据等诸多优点。特别是随着大数据时代的来临，K-means更加引人关注。但由于K-means方法随机选择初始聚类中心，并不能保证得到一个唯一的聚类结果,最终的聚类结果直接依赖于初始聚类中心的选择。针对出租车GPS轨迹数据的聚类分析希望得到精确的聚类结果，以便更好地分析所隐藏的交通模式和规律，发挥其最大的价值。
技术实现思路
本专利技术的目的在于提供一种针对出租车轨迹数据的K-means初始聚类中心选择方法，以克服现有技术中存在的缺陷。为实现上述目的，本专利技术的技术方案是：一种针对出租车轨迹数据的K-means初始聚类中心的选择方法，包括如下步骤：步骤S1：从一电子地图中提取城市交通的道路信息，构成路网；步骤S2：获取出租车轨迹数据，并对所获取的出租车轨迹数据进行预处理，筛选出分析样本数据；步骤S3：将所述出租车轨迹数据与所述路网进行匹配，得到出租车轨迹数据中的数据点在预设分析范围的分布图；步骤S4：利用图像识别技术中的斑点检测方法识别出出租车轨迹数据的数据点的主要密集 区域，以作为K-means的初始聚类中心；步骤S5：输出K-means的初始聚类中心。在本专利技术一实施例中，在所述步骤S1中，所述电子地图包括城市快速路、国道、省道、县道以及乡镇村道的道路图层，且所述电子地图为矢量格式，通过利用MapInfo软件对上述道路的道路图层进行提取，构成所述路网。在本专利技术一实施例中，在所述步骤S2中，所述出租车轨迹数据为出租车GPS轨迹数据，通过预处理，筛选出预设时间段内预设分析范围的出租车轨迹数据。在本专利技术一实施例中，所述步骤S3中，根据经预处理后的出租车轨迹数据的经纬度信息，将经其对应映射到所述路网上，以反映预设时间段内出租车在预设分析范围的分布情况。在本专利技术一实施例中，在所述步骤S4中，采用基于求导的微分方法，即高斯拉普通拉斯算子来检测所述出租车轨迹数据分布图的斑点，并限制斑点的大小，以得到所述出租车轨迹数据点的主要密集区域。在本专利技术一实施例中，所述高斯拉普通拉斯算子通过如下方式获取：步骤S41：对于二维高斯函数: G ( x , y ) = 1 2 πσ 2 exp ( - x 2 + y 2 2 σ 2 ) ]]>用G(x,y)与原始图像f(x,y)进行卷积，得到平滑图像I(x,y)I(x,y)＝G(x,y)*f(x,y)其中*是卷积运算符；步骤S42：用拉普拉斯算子▽2来获取所述平滑图像I(x,y)的二阶方向导数图像M(x,y)，由线性系统中卷积和微分的可交换性得： M ( x , y ) = ▿ 2 { I ( x , y )本文档来自技高网...

【技术保护点】
一种针对出租车轨迹数据的K‑means初始聚类中心的选择方法，其特征在于，包括如下步骤：步骤S1：从一电子地图中提取城市交通的道路信息，构成路网；步骤S2：获取出租车轨迹数据，并对所获取的出租车轨迹数据进行预处理，筛选出分析样本数据；步骤S3：将所述出租车轨迹数据与所述路网进行匹配，得到出租车轨迹数据中的数据点在预设分析范围的分布图；步骤S4：利用图像识别技术中的斑点检测方法识别出出租车轨迹数据的数据点的主要密集区域，以作为K‑means的初始聚类中心；步骤S5：输出K‑means的初始聚类中心。

【技术特征摘要】
1.一种针对出租车轨迹数据的K-means初始聚类中心的选择方法，其特征在于，包括如下步骤：步骤S1：从一电子地图中提取城市交通的道路信息，构成路网；步骤S2：获取出租车轨迹数据，并对所获取的出租车轨迹数据进行预处理，筛选出分析样本数据；步骤S3：将所述出租车轨迹数据与所述路网进行匹配，得到出租车轨迹数据中的数据点在预设分析范围的分布图；步骤S4：利用图像识别技术中的斑点检测方法识别出出租车轨迹数据的数据点的主要密集区域，以作为K-means的初始聚类中心；步骤S5：输出K-means的初始聚类中心。2.根据权利要求1所述的一种针对出租车轨迹数据的K-means初始聚类中心的选择方法，其特征在于，在所述步骤S1中，所述电子地图包括城市快速路、国道、省道、县道以及乡镇村道的道路图层，且所述电子地图为矢量格式，通过利用MapInfo软件对上述道路的道路图层进行提取，构成所述路网。3.根据权利要求1所述的一种针对出租车轨迹数据的K-means初始聚类中心的选择方法，其特征在于，在所述步骤S2中，所述出租车轨迹数据为出租车GPS轨迹数据，通过预处理，筛选出预设时间段内预设分析范围的出租车轨迹数据。4.根据权利要求1所述的一种针对出租车轨迹数据的K-means初始聚类中心的选择方法，其特征在于，所述步骤S3中，根据经预处理后的出租车轨迹数据的经纬度信息，将经其对应映射到所述路网上，以反映预设时间段内出租车在预设分析范围的分布情况。5.根据权利要求1所述的一种针对出租车轨迹数据的K-means初始聚类中心的选择方法，其特征在于，在所述步骤S4中，采用基于求导的微分方法，即高斯拉普通拉斯算子来检测所述出租车轨迹数据分布图的斑点，并限制斑点的大小，以得到所述出租车轨迹...

【专利技术属性】
技术研发人员：冯心欣，谢志鹏，凌献尧，徐艺文，郑海峰，陈忠辉，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35