基于地理位置标记的空间聚类分析(python-DBSCAN)

数据来源：通过www.flickr.com/services/api接口抓取带地理标记的flickr图片及属性数据，筛选年份，经过数据清洗，得到样本数据。

使用软件：python 3

需求：得到热点区域AOI

参考文献：

1.《基于地理标记照片的北京市入境旅游流空间特征》

2. https://www.cnblogs.com/pinard/p/6208966.html

具体思路：

首先将数据进行整理、清洗；然后使用Python scikit-learn中的DBSCAN聚类方法，选择合适的搜索半径，以及个数点，得到聚类结果；求出没个聚类点的中心位置，就可得到热点区域AOI。

聚类DBSCAN算法：

DBSCAN是基于一组邻域来描述样本集的紧密程度的，参数(ϵϵ, MinPts)用来描述邻域的样本分布紧密程度。其中，ϵϵ描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为ϵϵ的邻域中样本个数的阈值。

　　　　假设我的样本集是D=(x1,x2,...,xm)(x1,x2,...,xm),则DBSCAN具体的密度描述定义如下：

　　　　1） ϵϵ-邻域：对于xj∈Dxj∈D，其ϵϵ-邻域包含样本集D中与xjxj的距离不大于ϵϵ的子样本集，即Nϵ(xj)={xi∈D|distance(xi,xj)≤ϵ}Nϵ(xj)={xi∈D|distance(xi,xj)≤ϵ}, 这个子样本集的个数记为|Nϵ(xj)||Nϵ(xj)|　

　　　　2) 核心对象：对于任一样本xj∈Dxj∈D，如果其ϵϵ-邻域对应的Nϵ(xj)Nϵ(xj)至少包含MinPts个样本，即如果|Nϵ(xj)|≥MinPts|Nϵ(xj)|≥MinPts，则xjxj是核心对象。　

　　　　3）密度直达：如果xixi位于xjxj的ϵϵ-邻域中，且xjxj是核心对象，则称xixi由xjxj密度直达。注意反之不一定成立，即此时不能说xjxj由xixi密度直达, 除非且xixi也是核心对象。

　　　　4）密度可达：对于xixi和xjxj,如果存在样本样本序列p1,p2,...,pTp1,p2,...,pT,满足p1=xi,pT=xjp1=xi,pT=xj, 且pt+1pt+1由ptpt密度直达，则称xjxj由xixi密度可达。也就是说，密度可达满足传递性。此时序列中的传递样本p1,p2,...,pT−1p1,p2,...,pT−1均为核心对象，因为只有核心对象才能使其他样本密度直达。注意密度可达也不满足对称性，这个可以由密度直达的不对称性得出。

　　　　5）密度相连：对于xixi和xjxj,如果存在核心对象样本xkxk，使xixi和xjxj均由xkxk密度可达，则称xixi和xjxj密度相连。注意密度相连关系是满足对称性的。

效果图：

Python代码：


import numpy as np,pandas as pd
from sklearn.cluster import DBSCAN
from shapely.geometry  import MultiPoint
import geopandas
import shapefilefrom matplotlib import pyplot as plt
plt.title("北京市游客地理标记城区空间聚类结果")
plt.scatter(latlngs[:,0],latlngs[:,1], s=1, c="black", marker='.')
border_shape=shapefile.Reader(shape_path)
border_shape_2=shapefile.Reader(shape_path_2huan)
border_shape_5=shapefile.Reader(shape_path_5huan)
border=border_shape.shapes()
border_2=border_shape_2.shapes()
border_5=border_shape_5.shapes()
#聚类中心区域
def get_centermost_point(cluster):centroid = (MultiPoint(cluster).centroid.x, MultiPoint(cluster).centroid.y)print(centroid)return tuple(centroid)
# #渲染聚类结果
for border_detail in clusters:x ,y= [],[]for cell in border_detail:x.append(cell[0])y.append(cell[1])plt.scatter(x, y,marker='o')
plt.show()

基于地理位置标记的空间聚类分析(python-DBSCAN)相关推荐

基于JTS实现对空间绘图的WTK语言标记
在项目中用到在地图上绘图进行区域标记,为了便于存储这些区域的绘图信息,以及方便其他GIS工具识别,于是采用WTK标记语言作为空间图形存储,可以方便地将点.圆.多边形的经纬度转成可识别的字符串存储到数据 ...
（LBS）基于地理位置的社交应用大战
社交是人们生活的一部分,当工作越来越忙碌的都市人的社交遭遇时间与空间的障碍的时候,解决这些问题的方法随之涌现. 最开始是单纯的社交网站,注册,填写信息,交友,主要在于用户主动的寻找.圈子形式,社区形式 ...
deap软件结果分析_绿港科技之窗：基于InDel标记的黄瓜种质资源遗传多样性分析...
基于InDel标记的黄瓜种质资源遗传多样性分析 | 摘要 | 为明确黄瓜自交系间的亲缘关系,筛选适宜作杂交亲本的种质资源,利用InDel标记对48份黄瓜自交系进行遗传多样性分析. 结果表明,68对In ...
基于地理位置服务（LBS）技术平台
以互联网为代表的新媒体诞生以来,技术平台的更新便令人目不暇接,从最初以Blog Bus.新浪为代表的博客,发展到以人人网.开心网为代表的SNS,以及以新浪微博为代表的Twitter,各种平台的不断涌现 ...
基于模糊等价关系的模糊聚类分析
基于模糊等价关系的模糊聚类分析 http://blog.csdn.net/laviewpbt/article/details/1361460 假设R是X上的模糊等价关系,则对任意的a,R的a-截集是X ...
各个省肺炎感染类型及人数可视化R语言基于地理位置进行分面
(各个省肺炎感染类型及人数可视化)R语言基于地理位置进行分面不知道大家有没有看过这样的图:乍一看还以为是元素周期表(哈哈哈,化学都还给老师了).实际上他这个是根据美国各个州的地理位置进行分面(在R语 ...
基于强化学习的坦克大战python语言实现
这个项目是基于一个人工智能算法(基于全连接线性BP网络的增强学习模型)代理玩经典游戏坦克大战. 在个游戏中,机器控制的坦克主要目标是射击敌方坦克并保卫自家的根据地. 游戏中坦克的动作空 ...
基于树莓派的追光系统（python）
目录前言一.材料二.硬件--控制逻辑 1.主设备的准备 1.启用树莓派的i2c设备 2.安装python-smbus 2.从设备的准备 1.BH1750 2.L298N驱动芯片 3.云台的准备 ...
使用AR.js打造WebAR入门课程（三）——基于地理位置的示例
前面的两篇文章都是写的关于基于图像的示例,这一篇文章来写一下基于地理位置的示例. 基于地理位置也很好理解,就是通过经纬度来确定目标点,然后在目标点显示你想要的的东西. 首先还是直接放一下官方的示例代码 ...
基于TF-IDF编码进行文本聚类分析：文档成对相似性计算、层次聚类（链接矩阵、树形图dendrogram绘制、聚类标签）
基于TF-IDF编码进行文本聚类分析:文档成对相似性计算.层次聚类(链接矩阵.树形图dendrogram绘制.聚类标签) 目录

基于地理位置标记的空间聚类分析(python-DBSCAN)

基于地理位置标记的空间聚类分析(python-DBSCAN)相关推荐

最新文章

热门文章