类似Uber，需要处理处不同时间段的不同地区的订单热点区域，帮助进行网约车的及时调度处理
每个成交单Order中，都会有订单上车位置的起始经纬度：open_lat , open_lng
那么在这个时间段内，哪些地区是高密集订单区域，好进行及时的调度，所以需要得到不同地区的热力图
初期想法是基于经纬度做聚类操作，典型的聚类算法是K- means，一种基于层次的聚类操作：
但是注意，kmeans是不适合做车辆聚类的，因为未来哪些地方会有订单其实是位置的，而kmeans要求必须制定K值，这就相当于，我最终要分成多少个聚类，显示不合适；
因此，想到了基于密度的聚类，而且不需要制定类别数，还可以自动识别噪点的DBScan算法
dbscan算法的思路：
输入：样本集D=(x1,x2,...,xm)，邻域参数(?,MinPts), 样本距离度量方式
输出： 簇划分C.
1）初始化核心对象集合Ω=∅, 初始化聚类簇数k=0，初始化未访问样本集合Γ = D, 簇划分C = ∅
2) 对于j=1,2,...m, 按下面的步骤找出所有的核心对象：
a) 通过距离度量方式，找到样本xj的?-邻域子样本集N?(xj)
b) 如果子样本集样本个数满足|N?(xj)|≥MinPts， 将样本xj加入核心对象样本集合：Ω=Ω∪{xj}
3）如果核心对象集合Ω=∅，则算法结束，否则转入步骤4.
4）在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ωcur={o}, 初始化类别序号k=k+1，初始化当前簇样本集合Ck={o}, 更新未访问样本集合Γ=Γ−{o}
5）如果当前簇核心对象队列Ωcur=∅，则当前聚类簇Ck生成完毕, 更新簇划分C={C1,C2,...,Ck}, 更新核心对象集合Ω=Ω−Ck， 转入步骤3。
6）在当前簇核心对象队列Ωcur中取出一个核心对象o′,通过邻域距离阈值?找出所有的?-邻域子样本集N?(o′)，令Δ=N?(o′)∩Γ, 更新当前簇样本集合Ck=Ck∪Δ, 更新未访问样本集合Γ=Γ−Δ, 更新Ωcur=Ωcur∪(Δ∩Ω)−o′，转入步骤5.
输出结果为： 簇划分C={C1,C2,...,Ck}
利用java代码实现dbscan：
package com.df.dbscan;
import java.util.ArrayList;
/**
* Created by angel
*/
public class DBScan {
private double radius;
private int minPts;
/**
* @param radius 单位米
* @param minPts 最小聚合数
* */
public DBScan(double radius,int minPts) {
this.radius = radius;
this.minPts = minPts;
}
public void process(ArrayList<Point> points) {
int size = points.size();
int idx = 0;
int cluster = 1;
while (idx<size) {
Point p = points.get(idx++);
//choose an unvisited point
if (!p.getVisit()) {
p.setVisit(true);//set visited
ArrayList<Point> adjacentPoints = getAdjacentPoints(p, points);
//set the point which adjacent points less than minPts noised
if (adjacentPoints != null && adjacentPoints.size() < minPts) {
p.setNoised(true);
} else {
p.setCluster(cluster);
for (int i = 0; i < adjacentPoints.size(); i++) {
Point adjacentPoint = adjacentPoints.get(i);
//only check unvisited point, cause only unvisited have the chance to add new adjacent points
if (!adjacentPoint.getVisit()) {
adjacentPoint.setVisit(true);
ArrayList<Point> adjacentAdjacentPoints = getAdjacentPoints(adjacentPoint, points);
//add point which adjacent points not less than minPts noised
if (adjacentAdjacentPoints != null && adjacentAdjacentPoints.size() >= minPts) {
//adjacentPoints.addAll(adjacentAdjacentPoints);
for (Point pp : adjacentAdjacentPoints){
if (!adjacentPoints.contains(pp)){
adjacentPoints.add(pp);
}
}
}
}
//add point which doest not belong to any cluster
if (adjacentPoint.getCluster() == 0) {
adjacentPoint.setCluster(cluster);
//set point which marked noised before non-noised
if (adjacentPoint.getNoised()) {
adjacentPoint.setNoised(false);
}
}
}
cluster++;
}
}
if (idx%1000==0) {
System.out.println(idx);
}
}
}
private ArrayList<Point> getAdjacentPoints(Point centerPoint,ArrayList<Point> points) {
ArrayList<Point> adjacentPoints = new ArrayList<Point>();
for (Point p:points) {
//include centerPoint itself
double distance = centerPoint.GetDistance(p);
if (distance<=radius) {
adjacentPoints.add(p);
}
}
return adjacentPoints;
}
}
我的处理方式：
所以，我只需要将数据从Hbase中查询出来，在封装好具体的需要数据，就可以推送到算法中，最后识别出结果
//查询Hbase操作
val result = Controll.rowEndFilter2(tableName, startDate, endDate)
//将查询出来的数据组装成算法需要的结构
import scala.collection.JavaConversions._
for (map <- result) {
val lon = map.get("open_lng")
val lat = map.get("open_lat")
val begin_address_code = map.get("begin_address_code")
points.add(new Point(lat.toDouble, lon.toDouble,begin_address_code))
}
//算法处理
val dbScan = new DBScan(radius, density)
dbScan.process(points)
//将java的list转成scala的list
val point_List: List[Point] = JavaConverters.asScalaIteratorConverter(points.iterator()).asScala.toList
//得到每一个族下的坐标系
val groupData: Map[Int, List[Point]] = point_List.groupBy(line => line.getCluster)
//在将结果进一步处理发送出去即可
原文地址：https://www.cnblogs.com/niutao/p/10780175.html
时间： 2024-08-10 21:29:04