python地理位置聚类_基于地理位置标记的空间聚类分析(python-DBSCAN)

数据来源：通过www.flickr.com/services/api接口抓取带地理标记的flickr图片及属性数据，筛选年份，经过数据清洗，得到样本数据。

使用软件：python 3

需求：得到热点区域AOI

参考文献：

1.《基于地理标记照片的北京市入境旅游流空间特征》

2.https://www.cnblogs.com/pinard/p/6208966.html

具体思路：

首先将数据进行整理、清洗；然后使用Python scikit-learn中的DBSCAN聚类方法，选择合适的搜索半径，以及个数点，得到聚类结果；求出没个聚类点的中心位置，就可得到热点区域AOI。

聚类DBSCAN算法：

DBSCAN是基于一组邻域来描述样本集的紧密程度的，参数(ϵϵ, MinPts)用来描述邻域的样本分布紧密程度。其中，ϵϵ描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为ϵϵ的邻域中样本个数的阈值。

假设我的样本集是D=(x1,x2,...,xm)(x1,x2,...,xm),则DBSCAN具体的密度描述定义如下：

1) ϵϵ-邻域：对于xj∈Dxj∈D，其ϵϵ-邻域包含样本集D中与xjxj的距离不大于ϵϵ的子样本集，即Nϵ(xj)={xi∈D|distance(xi,xj)≤ϵ}Nϵ(xj)={xi∈D|distance(xi,xj)≤ϵ}, 这个子样本集的个数记为|Nϵ(xj)||Nϵ(xj)|

2) 核心对象：对于任一样本xj∈Dxj∈D，如果其ϵϵ-邻域对应的Nϵ(xj)Nϵ(xj)至少包含MinPts个样本ÿ