行車熱點中無監(jiān)督聚類算法的研究與應用.pdf

1、聚類是數(shù)據(jù)挖掘領域中重要的技術之一，用于發(fā)現(xiàn)數(shù)據(jù)對象中未知的分類。聚類算法不僅可以作為發(fā)現(xiàn)數(shù)據(jù)庫中數(shù)據(jù)分布的深層次信息的工具，還可以將其作為數(shù)據(jù)挖掘中的一個預處理步驟。聚類分析是要達到這樣一種目的，將數(shù)據(jù)對象劃分成不同的簇，使得同一個簇中的數(shù)據(jù)對象具有較高的相似度，不同簇中的數(shù)據(jù)對象的相似度較低。行車熱點是車輛行駛頻繁的地帶，它可以反映出用戶的行車規(guī)律，本文主要利用了聚類分析技術來解決行車熱點問題。
　　本文首先對基于劃分的K-M

2、eans聚類算法進行了分析研究，K-Means算法的優(yōu)點是簡單易行，時間復雜度為O(n)，并且適用于處理大規(guī)模數(shù)據(jù)集。其次就是本文的重點工作，針對K-Means聚類算法的聚類個數(shù)k值的確定、初始聚類中心的選取及對孤立點敏感這三方面缺點進行了改進，提出了改進的算法KMSDR。算法的目標是在確保發(fā)現(xiàn)聚類中心的同時使同一類內(nèi)的相似度大而不同類內(nèi)的相似度小。算法采用改進的最大最小距離法選取新的聚類中心，并且根據(jù)距離閾值判斷所選中心是否孤立;其次

3、給出Dis(S，k)距離函數(shù)，并應用此聚類函數(shù)確定最佳聚類個數(shù);用類中數(shù)據(jù)對象代替均值中心的方法降低孤立點對類中心點的影響。并且通過三組數(shù)據(jù)來對改進的算法進行仿真實驗，證明KMSDR算法在聚類質(zhì)量及時間效率方面得到了改進。最后將改進的KMSDR算法運用到行車數(shù)據(jù)分析系統(tǒng)的行車熱點問題中，并針對得到的行車熱點完成頁面的展示，而且在行車熱點基礎上實現(xiàn)了周邊檢索及測距的功能。
　　經(jīng)過實驗驗證，改進算法能夠較準確的找到行車熱點，并且在時