基于场所物理位置密度聚类划分区域的方法技术

本发明专利技术提供一种基于场所物理位置密度聚类划分区域的方法，包括步骤：S1：收集一目标区域的多个目标场所的位置信息；S2：设定所述目标区域的一最小场所数的数值为k；S3：根据所述最小场所数和所述位置信息绘制获得所述目标场所的距离图，并确定一区域最小半径；S4：根据所述区域最小半径和所述最小场所数对所述位置信息进行聚类，获得聚类结果。本发明专利技术的一种基于场所物理位置密度聚类划分区域的方法，将多个距离紧密的单场所聚集在一起成为一个大的区域，方便后续分析；通过聚集单场所，扩大了聚集场所范围，对分析某些特殊活动提供了更大的搜索范围。

【技术实现步骤摘要】
基于场所物理位置密度聚类划分区域的方法
本专利技术涉及船舶领域，尤其涉及一种基于场所物理位置密度聚类划分区域的方法。
技术介绍
场所包括娱乐，餐饮，住宿等公共场所以及其他私人场所，有人剧集的地方就是一个场所。单个场所中人与人之间的活动多种多样，人们活动的场所空间不单一不确定，这样对于分析单个场所单个活动聚集人数变得更加繁重重复，更甚者对于某些特殊活动在单个场所的聚集人员极少，这对于后续分析工作有很大影响。所以为了更方便简洁地对某些特殊活动聚集人数进行分析，需要一种基于场所物理位置密度聚类划分区域的方法。
技术实现思路
针对上述现有技术中的不足，本专利技术提供一种基于场所物理位置密度聚类划分区域的方法，将多个距离紧密的单场所聚集在一起成为一个大的区域，方便后续分析；通过聚集单场所，扩大了聚集场所范围，对分析某些特殊活动提供了更大的搜索范围。为了实现上述目的，本专利技术提供一种基于场所物理位置密度聚类划分区域的方法，包括步骤：S1：收集一目标区域的多个目标场所的位置信息；S2：设定所述目标区域的一最小场所数的数值为k；S3：根据所述最小场所数和所述位置信息绘制获得所述目标场所的距离图，并确定一区域最小半径；S4：根据所述区域最小半径和所述最小场所数对所述位置信息进行聚类，获得聚类结果。优选地，所述S4步骤后还包括步骤：S5：分析所述聚类结果，当分析结果不满足一预设要求时，返回步骤S2。优选地，所述S1步骤后和所述S2步骤前还包括步骤：根据所述位置信息绘制获得各所述目标场所的一散点分布图。优选地，所述S3步骤进一步包括步骤：S31：计算每一所述目标场所与各其他所述目标场所之间的欧式距离，获得与所述目标场所一一对应的多个欧式距离集；S32：对每一所述欧式距离集内的元素由小到大进行排序，并取出排序后每一所述欧式距离集的第k个所述元素作为各所述目标场所的k距离；S33：将各所述k距离进行倒序排序，并绘制各所述目标场所的k距离图；S34：将所述k距离图中各点连线的拐点处的距离作为所述区域最小半径。优选地，所述S4步骤中，利用DBSCAN算法对所述位置信息进行聚类。优选地，所述S4步骤进一步包括步骤：S41：根据所述区域最小半径和所述最小场所数设置所述DBSCAN算法的参数；S42：对所述位置信息进行聚类；S43：获得多个位置信息簇，每一所述位置信息簇包括至少一所述位置信息，所述聚类结果包括所述位置信息簇。优选地，所述S5步骤进一步包括步骤：S51：根据所述聚类结果绘制一聚类结果图；S52：根据所述聚类结果图分析评价当前聚类效果，获得所述分析结果；S53：当所述分析结果不满足所述预设要求时，返回步骤S2；当所述分析结果满足所述预设要求时，输出所述聚类结果。本专利技术由于采用了以上技术方案，使其具有以下有益效果：1、基于目标场所物理位置密度划分区域，可以将多个距离紧密的单目标场所聚集在一起成为一个大的区域，方便后续分析；2、通过聚集单目标场所，扩大了聚集场所范围，对分析某些特殊活动提供了更大的搜索范围。.附图说明图1为本专利技术实施例的基于场所物理位置密度聚类划分区域的方法的流程图；图2为本专利技术实施例的各目标场所的散点分布图；图3为本专利技术实施例的k距离图；图4为本专利技术实施例的聚类结果图。具体实施方式下面根据附图1～图4，给出本专利技术的较佳实施例，并予以详细描述，使能更好地理解本专利技术的功能、特点。请参阅图1～图4，本专利技术实施例的一种基于场所物理位置密度聚类划分区域的方法，包括步骤：S1：收集一目标区域的多个目标场所的位置信息；根据位置信息绘制获得各目标场所的一散点分布图；S2：设定目标区域的一最小场所数的数值为k；S3：根据最小场所数和位置信息绘制获得目标场所的距离图，并确定一区域最小半径；其中，S3步骤进一步包括步骤：S31：计算每一目标场所与各其他目标场所之间的欧式距离，获得与目标场所一一对应的多个欧式距离集；S32：对每一欧式距离集内的元素由小到大进行排序，并取出排序后每一欧式距离集的第k个元素作为各目标场所的k距离；S33：将各k距离进行倒序排序，并绘制各目标场所的k距离图；S34：将k距离图中各点连线的拐点处的距离作为区域最小半径。S4：利用DBSCAN算法根据区域最小半径和最小场所数对位置信息进行聚类，获得聚类结果。其中，S4步骤进一步包括步骤：S41：根据区域最小半径和最小场所数设置DBSCAN算法的参数；S42：对位置信息进行聚类；S43：获得多个位置信息簇，每一位置信息簇包括至少一位置信息，聚类结果包括位置信息簇。S5：分析聚类结果，当分析结果不满足一预设要求时，返回步骤S2。其中，S5步骤进一步包括步骤：S51：根据聚类结果绘制一聚类结果图；S52：根据聚类结果图分析评价当前聚类效果，获得分析结果；S53：当分析结果不满足预设要求时，返回步骤S2；当分析结果满足预设要求时，输出聚类结果。例如，可在python3环境下完成，需要数据分析包pandas机器学习包scikit-learn，本例数据源包括酒店和网吧的经纬度信息，主要目标是将单个邻近的酒店和网吧聚集成大的场所区域，具体操作如下：1、导入数据源包，并读取数据；2、数据描述性分析，分析网吧和酒店分布情况；％matplotlibinlineplt.figure(figsize＝(5,6))category_cnt['csid'].plot('bar')plt.show()3、根据位置信息画出各目标场所的一散点分布图，可参见图2；％matplotlibinlineplt.figure(figsize＝(15,6))plt.scatter(location_data.zbx,location_data.zby,marker＝'*')plt.xlabel('ZBx')plt.ylabel('ZBy')plt.title('placedistribution')plt.show()观察散点分布图，很多邻近的目标场所都聚在一起，所以基于密度划分这些区域对于这些数据非常适合。4、确定k＝4并计算各个目标场所间的k距离并画出k距离图，k距离图可参阅图3，确定区域最小半径：图3中，绝大部分的场所k距离都集中在0～0.1之间，根据DBSCAN算法原理，选择k距离图的拐点0.03作为最小半径。5、设置k＝5，eps＝0.03，运行DBSCAN算法，对场所数据进行聚类，并画出聚类结果图，请参阅图4。eps＝0.03minsa＝4...

【技术保护点】
1.一种基于场所物理位置密度聚类划分区域的方法，包括步骤：/nS1：收集一目标区域的多个目标场所的位置信息；/nS2：设定所述目标区域的一最小场所数的数值为k；/nS3：根据所述最小场所数和所述位置信息绘制获得所述目标场所的距离图，并确定一区域最小半径；/nS4：根据所述区域最小半径和所述最小场所数对所述位置信息进行聚类，获得聚类结果。/n

【技术特征摘要】
1.一种基于场所物理位置密度聚类划分区域的方法，包括步骤：
S1：收集一目标区域的多个目标场所的位置信息；
S2：设定所述目标区域的一最小场所数的数值为k；
S3：根据所述最小场所数和所述位置信息绘制获得所述目标场所的距离图，并确定一区域最小半径；
S4：根据所述区域最小半径和所述最小场所数对所述位置信息进行聚类，获得聚类结果。


2.根据权利要求1所述的基于场所物理位置密度聚类划分区域的方法，其特征在于，所述S4步骤后还包括步骤：
S5：分析所述聚类结果，当分析结果不满足一预设要求时，返回步骤S2。


3.根据权利要求2所述的基于场所物理位置密度聚类划分区域的方法，其特征在于，所述S1步骤后和所述S2步骤前还包括步骤：根据所述位置信息绘制获得各所述目标场所的一散点分布图。


4.根据权利要求2所述的基于场所物理位置密度聚类划分区域的方法，其特征在于，所述S3步骤进一步包括步骤：
S31：计算每一所述目标场所与各其他所述目标场所之间的欧式距离，获得与所述目标场所一一对应的多个欧式距离集；
S32：对每一所述欧式距离集内的元素由小到大进行排序，并取出排序后每一所述欧式距离集...

【专利技术属性】
技术研发人员：闵圣捷，饶定远，方波，李小龙，谢涛，李琛鸽，翁威，李诗，魏卓，尹强，
申请(专利权)人：中电科华云信息技术有限公司，
类型：发明
国别省市：上海;31