[发明专利]热点区域聚类方法、装置及电子设备

说明书

本发明提供了一种热点区域聚类方法、装置及电子设备，涉及数据挖掘技术领域，该方法包括：获取发生在地图视界内的事件数据和地图视界的视界最大距离；采用基于距离的热度衰减原理，根据事件数据和视界最大距离计算得到每个事件的热度综合值；根据各事件的热度综合值从多个事件中筛选出热点事件；基于热点事件在目标地图中的位置，确定热点区域。本发明提供的热点区域聚类方法、装置及电子设备，引入了自适应的视界最大距离，与现有技术相比，不需要设置超级参数，因此提高了热点区域聚类的自适应性；另外，在筛选热点事件时考虑了所有事件的整体分布，与现有技术相比，不依赖局部的通联和密度，因此提高了热点区域聚类的呈现效果。

技术领域

本发明涉及数据挖掘技术领域，尤其是涉及一种热点区域聚类方法、装置及电子设备。

背景技术

随着技术的发展，对事件(例如，失火事件、抢劫事件等)的描述包括更多属性信息，比如事件发生的时间、地点(例如，经纬度)等。隐藏在这些数据下的更多有用信息被不断挖掘，基于地理空间的事件发生的热点区域，往往隐藏着更多的问题诱发因素，提取和直观展示这些区域可为问题的剖析和解决提供有效的帮助。

在现有技术中，可以基于事件的相关属性信息，通过聚类算法找到事件的高发区域，也即得到热点区域。虽然现有的聚类算法很多，但部分算法仅在某些特定问题上表现良好，不适用于地理空间的热点区域的聚类问题，而另一部分算法的自适应性差。例如K-Means算法(K均值聚类算法)能很好地做聚类划分，但它完成的是把事件划分为确定的几个类，需要明确知道聚类的类别数，且某一事件一定归属于其中的某个类，因此K-Means算法对于地理空间的热点区域的聚类不适用。又如，DBSCAN(Density-Based SpatialClustering of Applications with Noise)算法是基于密度的聚类算法，能较好地聚类类似地理空间的热点区域，然而DBSCAN算法需要设置超级参数：扫描半径和类别中心的事件数(最小包含点数MinPts)，这在一定程度上限制了算法的自适应性。另外，现有的聚类算法过多依赖于局部的通联和密度，而忽略了全局数据的整体分布导致聚类得到的热点区域在地图上的呈现效果较差。

因此，针对地理空间的热点区域的聚类问题，现有的聚类算法具有自适应性差、聚类的呈现效果差的问题。

发明内容

本发明的目的在于提供一种热点区域聚类方法、装置及电子设备，以提高热点区域聚类的自适应性和呈现效果。

本发明提供的一种热点区域聚类方法，包括：

获取发生在地图视界内的事件数据和所述地图视界的视界最大距离；其中，所述地图视界为目标地图的视野边界，所述事件数据包括多个事件以及每个所述事件对应的热度值和位置，所述视界最大距离为所述目标地图的实际最大直线距离；

采用基于距离的热度衰减原理，根据所述事件数据和所述视界最大距离计算得到每个所述事件的热度综合值；

根据各所述事件的热度综合值从多个所述事件中筛选出热点事件；

基于所述热点事件在所述目标地图中的位置，确定热点区域。

进一步地，获取所述地图视界的视界最大距离，包括：

如果所述地图视界为矩形，获取所述地图视界的实际对角线长度；

将所述实际对角线长度确定为所述地图视界的视界最大距离。

进一步地，采用基于距离的热度衰减原理，根据所述事件数据和所述视界最大距离计算得到每个所述事件的热度综合值，包括：

根据每个所述事件对应的位置，计算得到各所述事件两两之间的距离；

采用基于距离的热度衰减原理，根据各所述事件两两之间的距离、每个所述事件对应的热度值和所述视界最大距离，计算得到各所述事件两两之间的热度影响值；