一种基于HDBSCAN算法的旅游流网络构建与交互计算方法

摘要: 本发明属于旅游流网络构建,具体涉及一种基于hdbscan算法的旅游流网络构建与交互计算方法。背景技术:1、科学地定义网络的节点(nodes)是构建旅游流网络的基...
一种基于HDBSCAN算法的旅游流网络构建与交互计算方法

本发明属于旅游流网络构建,具体涉及一种基于hdbscan算法的旅游流网络构建与交互计算方法。

背景技术:

1、科学地定义网络的节点(nodes)是构建旅游流网络的基础。在传统范式中,节点往往被预设为特定的行政区域、城市或风景名胜区,然而,这种静态、主观的划分无法反映游客的真实活动范围。大数据时代的到来促使旅游节点定义从行政区划转向了算法识别的旅游兴趣面(aoi)或兴趣点(poi),在这一过程中,聚类算法经历了从质心聚类到密度聚类,再到复杂层级约束聚类的逐步演变。

2、早期的空间分析广泛采用以k-means为代表的经典机器学习质心聚类方法。k-means算法旨在将数据点划分为预设的k个簇,通过最小化簇内方差来实现聚类,其优势在于计算效率极高、解释性强,适合用于处理单一维度上的二元分类。然而,当k-means被应用于城市二维或三维物理空间中的节点聚类时,其拓扑假设便具有局限性:k-means本质上假设所有聚类簇都是凸向的、呈现近似球形且方差相近的,但真实的城市旅游空间中,旅游兴趣点可能呈现沿河流分布的线性簇,也可能呈现高度密集于某一街区的多边形簇。此外,k-means缺乏处理空间噪声的能力,它会强制将地图上的所有游离坐标(如gps漂移点或游客在非景点区域的随机漫步)归入某一个簇中,导致提取出的旅游节点严重偏移、变形或失真。

3、为了克服质心聚类在处理任意形状和噪声识别上的缺陷,基于密度的带噪声空间聚类应用算法(dbscan)被广泛引入旅游大数据分析中。dbscan通过定义两个全局超参数:邻域半径(ε)和最小包含点数(minpts),以发现被低密度区域分隔的高密度区域。其核心优势在于能够完全不依赖预设簇数地提取出任意几何形状的旅游兴趣区,并自动将达不到密度阈值的数据点标记为噪声,从而精确剥离无效的游客随机移动轨迹。例如,现有技术的两阶段启发式方法,将自适应dbscan空间聚类与频繁模式挖掘相结合,旨在解决传统聚类在多粒度空间尺度下难以利用语义信息的问题。然而,dbscan在面对城市内部高度异质性的空间分布时具有局限性:dbscan假设整个数据集存在一个统一的密度阈值,故无法识别密度差异较大的不同簇群。例如,市中心的商业步行街数据点密度极高,而郊区的自然风景区数据点相对稀疏,如果设置较小的ε,郊区景点会被误判为噪声;如果设置较大的ε,市中心的多个独立景点则会被错误地融合为一个巨大的单一簇,从而难以在真实城市空间中准确识别旅游节点。

技术实现思路

1、本发明旨在解决上述技术问题,提供了一种基于hdbscan算法的旅游流网络构建与交互计算方法。

2、一种基于hdbscan算法的旅游流网络构建与交互计算方法,包括以下步骤:

3、(1)gps轨迹数据提取:

4、提取研究区游客的gps轨迹数据,获取游客轨迹和轨迹点,基于获取的gps轨迹数据,将gps轨迹数据处理为按用户分类的轨迹详细信息数据集和栅格化轨迹数据集;

5、(2)轨迹读取与网格聚合:

6、读取以游客id标识的原始轨迹数据,将轨迹点映射到10m分辨率的网格中心,以网格内的轨迹点数量作为网格中心权重;

7、(3)hdbscan聚类与节点归并:

8、采用hdbscan算法,基于研究区特征设置阈值,将聚合后的带权重网格中心划分为k个聚类簇,以任意高密度中心为原点设定簇中心,并划定10km的互斥半径,确保10km范围内不允许出现第二个簇中心;

9、采用贪婪算法进行簇中心合并,选取点数最多的簇a作为主中心,搜索簇a周围10km内的所有其他簇并归并到簇a,并将被合并的簇从列表中移除;选取剩余的点数最多的簇b,重复上述合并过程,直到最终留下满足互斥条件、局部密度最高的簇,簇内部所有轨迹点的几何中心为轨迹网络节点;

10、(4)节点内部交互强度与节点间交互强度计算:

11、以游客id作为轨迹的唯一标识,在n条游客轨迹中,每个游客

i对应唯一的轨迹点点集

ni={

ni1,

ni2, ...,

nik}(

i=1,2,…,n),定义每条轨迹的流量

ti=1,对于

j个轨迹网络节点

ngp、

ngq(

p,

q=

1,

2, ...,

j,

p≠

q),

stp,q为

ngp、

ngq两个节点间的交互强度;定义

itp为

ngp节点的内部交互强度,然后基于构建的旅游流网络计算网络同配性;

12、将节点内部交互强度作为网络自环权重,采用louvian算法识别旅游流网络中的社区,louvain算法的优化目标为最大化网络模块度;

13、迭代运行算法多次,提取模块度最高的一次划分结果作为最终的网络社区结构,并记录对应的最优随机种子。

14、进一步地,步骤(1)中,按用户分类的轨迹详细信息数据集包括用以区别轨迹的游客id、轨迹点经纬度、所属轨迹类型、轨迹出发时间。

15、进一步地,步骤(4)中,

stp,q通过以下公式计算:

16、

17、其中,对于游客

i对应的轨迹点点集

ni

,任意两轨迹点

nia、

nib(

a,

b=

1,

2, ...,

k,

a≠

b)满足,即对于任意游客轨迹,若有两个不同轨迹点分别属于节点

ngp、

ngq,则视为节点

ngp、

ngq之间的1次交互,每个游客id仅计算一次。

18、进一步地,步骤(4)中,

itp通过以下公式计算:

19、

20、其中,对于游客

i对应的轨迹点点集

ni,其轨迹起点

nio与终点

nid满足,即对于任意游客轨迹,若其起点与终点均位于简化后的节点内部,则视为节点

ngp内部的1次交互,每个游客id仅计算一次。

21、进一步地,步骤(4)中,同配性

r通过如下公式计算:

22、

23、其中,

ki、

kj分别表示边

eij的两个节点

i、

j的度;

m表示网络的总边数;若

r为正值,表明具有相同或相似度的节点倾向于相互连接;若

r为负值,则表明具有不同度的节点倾向于相互连接,r的取值范围为[-1,+1],其中+1表示网络具有强的同配模式,0表示网络非同配模式,-1表示网络具有负相关的连接模式。

24、进一步地,步骤(4)中,模块度计算公式如下:

25、

26、其中,

q为模块度,

m为图中边的总数量,

ki表示所有指向节点

i的连边权重之和,

kj表示所有指向节点

j的连边权重之和;

aij表示节点

i,

j之间的连边权重。

27、综上所述,由于采用了上述技术方案,本发明的有益效果是:

28、1、本发明使用开源gps大数据,将各轨迹分解为连续的轨迹点,并对轨迹点进行聚类以识别客观的空间旅游节点,利用原轨迹数据以计算节点间边的流量,不仅填充了过往研究中gps数据旅游网络提取的空白,还能够适用于从景区、城市到省份、国家等多种尺度。

29、2、本发明采用hdbscan方法处理千万级的gps轨迹点,并提出了针对gps轨迹提取旅游网络的方法,包括网格聚合、簇中心点计算、监督下的节点归并,同时考虑到聚类后的节点内部流量,提出了计算节点内部交互强度与节点间交互强度的完整方法。识别出的旅游节点具有空间意义,并非传统旅游流网络中的抽象节点,识别的旅游流网络能够适用于多种网络分析方法。