从POI点找到边界

工作中有这样的一个需求，通过历史订单的经纬度点，进行一个聚类，聚之后我们需要找到它的边界点存储。

聚类的操作有基于Kmeans的和DBSCAN的密度聚类，只是这里需要注意，经纬度点的聚类需要用到距离的计算，不能简单的作为欧式距离或者曼哈顿距离。因为地球是一个球面，在根据经纬度点计算距离的时候，需要先把点投放到平面上，才能保证计算的距离是有意义的，因此，需要根据两个经纬度点计算距离的时候，如下的计算是没问题的，这是用C++实现DBSCAN过程中的一步：(得到的距离是按米来计算的）

//计算角半径
double rad(double d)
{
    return d * M_PI / 180.0;
}

double cal_dist(double lng1, double lat1, double lng2, double lat2) {
   
    float ra = 6378.140;
    float rb = 6356.755;
    float flatten = (ra - rb) / ra;
    double lng1_rad = angle_to_radian(lng1);
    double lat1_rad = angle_to_radian(lat1);
    double lng2_rad = angle_to_radian(lng2);
    double lat2_rad = angle_to_radian(lat2);
    double pA = atan(rb / ra * tan(lat1_rad));
    double pB = atan(rb / ra * tan(lat2_rad));
    
    double xx = acos(sin(pA) * sin(pB) + cos(pA) * cos(pB) * cos(lng1_rad - lng2_rad));
    double c1 = (sin(xx) - xx) * pow((sin(pA) + sin(pB)), 2) / pow(cos(xx / 2),
                                                                   2);
    double c2 = (sin(xx) + xx) * pow((sin(pA) - sin(pB)), 2) / pow(sin(xx / 2),
                                                                   2);
    double dr = flatten / 8 * (c1 - c2);
    double distance = ra * (xx + dr) * 1000;
//    cout<<distance<<endl;
    return distance;
}

以上是一个小插曲，那么如何通过聚类之后的点，找到一个聚类的边界点？

譬如已经得到了一堆点，效果如下图所示：

那么通过找到边界之后的点，效果是这样：

由于项目仓促，我就直接用Python来完成的：

from scipy.spatial import ConvexHull
cv = ConvexHull(cluster1) #cluster1 是只有两列的lng,lat，经度纬度值
hull_points = cv.vertices

edge_point = cluster1.values[hull_points,0:2]
plt.scatter(edge_point[:,0],edge_point[:,1])

以上就是解决问题的过程。有更好的方法，可以留言告诉我，其中这还是很值得学习的，如何通过一堆点找到准确的边界？大概了解了一下，里面用到一些几何学理论，凸包理论，所以聚集出来的点总是凸的形状。如果想要把效果做的更好，还要对噪音点进行删除操作，接着再进行找边界，当然完成这一步在数据量比较大的时候，复杂度还是比较高的。相当于每个聚类之后的一堆点执行N方的操作。

如果有做相关工作的同学，可以留言啊。一起搞定它！