[发明专利]一种基于时空影响距离的K-means站点区域划分方法

权利要求书

1.一种基于时空影响距离的K-means站点区域划分方法，其特征在于，包括如下步骤：

S100：获取某一城市轨道交通出行数据，并对数据进行预处理；

所述S100中并对数据进行预处理：

通过清洗获取的某一城市轨道交通出行数据，求得以下各原始值：

其中，T_a为平均相邻站点之间的旅程时间，T_b为平均每条线路的全程旅程时间，n为相邻站点对数，m为线路总数，t_i为每个相邻站点之间的平均旅程时间，t_x为每条线路的全程平均旅程时间；

S200：将所有站点x_i作为聚类数据集Ω，从聚类数据集Ω中随机选取一个站点作为初始聚类中心C₁，然后依次选出K个聚类中心作为聚类中心点集Θ，Θ＝{c₁，c₂，c₃…c_t…c_k}；

所述S200中构建聚类中心点集Θ的过程如下：

设Ω＝{x₁，x₂，x₃……}；

设站点x_i与初始聚类中心点C₁的欧式距离，用D(x)表示；然后再计算站点x_i被选为下一个聚类中心点的概率

其中，k是坐标参数维度，x_ik和c_jk分别表示站点x_i与聚类中心点C_j的第k维数据；

按照每一个站点x_i的的大小确定每一个站点的轮盘面积，再使用轮盘法选取一个聚类中心点；

S300：针对聚类数据集Ω中的每个站点，计算每个站点到各个聚类中心点的时空影响距离d，确定站点x_i到哪个聚类中心点的时空影响距离最小，就将站点x_i划分到该聚类中心的类中；

所述S300中计算每个站点到各个聚类中心点的时空影响距离具体方法为：

两站点之间的时空影响距离由站点之间的平均旅程时间和站点之间的欧氏距离的归一化结果表示：

D_b＝max{D_1，2，D_1，3，D_1，4……}

D_a＝min{D_1，2，D_1，3，D_1，4……}

其中，T_i，j和D_i，j分别代表两个站点间的旅程时间和欧氏距离，D_b和D_a分别是所有站点间的最小欧式距离和最大欧氏距离，T_b和T_a分别是所有站点间的平均最小旅程时间和平均线路最大旅程时间，站点x_i到哪个聚类中心点的时空影响距离最小，就将站点x_i划分到对应聚类中心的类中；

S400：针对S300重新划分后的每个类别i，新计算该类别的聚类中心C_i；

S500：重复S300和S400，直到每个类别的聚类中心的位置不再发生变化，区域站点划分完成，输出聚类中心和各个类中的所有站点。

2.如权利要求1所述的基于时空影响距离的K-means站点区域划分方法，其特征在于，所述S400中对S300重新划分后的每个类别i，新计算该类别的聚类中心C_i的方法如下：

其中，|m|表示的是该聚类中心点的站点总个数，x是C_m中的站点。