[发明专利]海量位置点聚合的方法、装置、设备及存储介质

说明书

本发明公开了一种海量位置点聚合的方法，包括：获取第一样本集合；将第一样本集合输入至预先修改的DBSCAN模型进行分类，生成分类后的第二样本集合，其中，预先修改的DBSCAN模型中的密度参数为预设上限值，将第二样本集合输入至预先修改的DBSCAN模型进行分类，生成分类后的第三样本集合，记录第三样本集合中的类别个数，其中，预先修改的DBSCAN模型中的密度参数为预设下限值，将第三样本集合输入至预先修改的K‑means模型进行聚类运算，进行K‑means聚类运算的次数为类别个数，得到聚类结果，将聚类结果输入至预先修改的轮廓系数模型，获取聚合点。通过上述方法，可以从海量的位置点中快速找到最优的聚合结果。本发明还公开了一种海量位置点聚合的装置、设备及存储介质。

技术领域

本发明涉及地理信息处理技术领域，特别涉及一种海量位置点聚合的方法、装置、设备及存储介质。

背景技术

随着计算机技术的飞速发展，对海量位置点进行监控和管理已经成为公共交通、智能地图等领域的核心应用，如何高效地从海量位置点中找到POI(兴趣点，Point ofInterest)是本领域技术人员一直努力解决的技术问题。

目前，常见的对位置点进行聚合的方法，主要包括利用K-means、DBSCAN等经典的机器学习聚类方法，但是经典的机器学习聚类方法，在数据点的数量很庞大的时候，性能下降非常严重，耗费的时间长，甚至不能在需求许可的时间内完成，而且不同的参数会产生不同的聚合结果。因此，急需一种可以从海量位置点中高效快速的找到最优聚合结果的方法。

发明内容

本公开实施例提供了一种海量位置点聚合的方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

在一些实施例中，一种海量位置点聚合的方法，包括：

获取第一样本集合；

将第一样本集合输入至预先修改的DBSCAN模型进行分类，生成分类后的第二样本集合，其中，预先修改的DBSCAN模型中的密度参数为预设上限值；

将第二样本集合输入至预先修改的DBSCAN模型进行分类，生成分类后的第三样本集合，记录第三样本集合中的类别个数，其中，预先修改的DBSCAN模型中的密度参数为预设下限值；

将第三样本集合输入至预先修改的K-means模型进行聚类运算，进行K-means聚类运算的次数为类别个数，得到聚类结果；

将聚类结果输入至预先修改的轮廓系数模型，获取聚合点。

可选地，将聚类结果输入至预先修改的轮廓系数模型，获取聚合点，包括：

根据预先修改的轮廓系数模型对聚类结果分别计算轮廓系数，将轮廓系数值最大的聚类结果所对应的位置点作为聚合点。

可选地，获取第一样本集合包括：

根据经纬度划分不同的网格，将位置点根据经纬度划分到不同的网格中；

将网格中距离小于预设值的位置点合成一个点，作为合成位置点，将距离小于预设值的位置点的个数作为合成位置点的重复数，以合成位置点的经度、纬度、重复数生成第一样本集合。

可选地，预先修改的DBSCAN模型包括：

在DBSCAN模型中增加一个数量参数，数量参数为合成位置点的重复数，将DBSCAN模型中在距离条件内累加样本数量的操作，由每次加1改为每次加上重复数。

可选地，预先修改的K-means模型包括：