基于改进谱聚类的城市热点区域挖掘

随着信息技术的快速发展，能够获取人们大量的轨迹数据。通过轨迹数据挖掘出城市热点区域，对城市规划、交通管理和一些基于位置的服务都具有重要意义。针对已有的数据挖掘方法，如k均值聚类算法、基于密度的聚类（Density Based Spatia Clustering of Applications with Noise,DBSCAN）算法、谱聚类（Spectral Clustering,SC）算法、密度峰值聚类（Density Peak Clustering,DPC）算法等，存在非凸数据集上聚类效果较差，对初始中心敏感，参数选择困难，时间复杂度较高等问题，提出基于网格划分和DPC改进谱聚类算法用于城市热点区域分析。在合成数据集上的实验结果表明，其聚类精度和时间与经典聚类算法相比具有一定的提升。在西安市出租车数据集上的实验结果表明，提出的算法能有效挖掘出城市热点区域。