我正在尝试分析英国自行车事故的数据，以找出统计上的黑点。这里是来自另一个网站的数据示例。http://www.cycleinjury.co.uk/map

我目前使用SQLite存储大约10万个纬度/经度位置。我希望将附近的位置分组在一起。这项任务被称为聚类分析。

我希望通过忽略孤立的事件来简化数据集，只显示在小区域内发生过多次事故的聚类起点。

我需要克服三个问题。

1. 性能 – 如何确保快速找到附近的点。例如，我是否应该使用SQLite的R-Tree实现？

2. 链条 – 如何避免选择附近点的链条？

3. 密度 – 如何考虑自行车人口密度？伦敦的自行车人口密度远高于布里斯托尔，因此伦敦似乎有更多的黑点。

我希望避免像这样的“链条”场景：

相反，我希望找到聚类：

伦敦截图（我手绘了一些聚类）…

布里斯托尔截图 – 密度低得多 – 如果不考虑相对密度，运行在该区域的同一程序可能找不到任何黑点。

任何建议都将非常有帮助！

回答：

嗯，你的问题描述听起来完全像是DBSCAN聚类算法（维基百科）。它避免了链条效应，因为它要求至少有minPts个对象。

至于跨区域的密度差异，OPTICS（维基百科）应该可以解决这个问题。不过，你可能需要使用不同的方式来提取聚类。

嗯，可能不是100% – 你可能希望有单一的热点，而不是“密度连接”的区域。当考虑OPTICS图时，我认为你只对小而深的谷感兴趣，而不是大的谷。你可以使用OPTICS图并扫描“至少10起事故”的局部最小值。

更新：感谢你提供数据集的指引。这真的很有趣。所以我没有将数据过滤到仅限自行车手，而是目前使用所有120万条带坐标的记录。我将它们输入到ELKI进行分析，因为它速度非常快，而且它实际上可以使用地理距离（即基于纬度和经度）而不是欧几里得距离，以避免偏差。我启用了R*-树索引和STR批量加载，因为这应该能大大降低运行时间。我使用OPTICS运行，设置Xi=.1，epsilon=1（公里）和minPts=100（仅寻找大型聚类）。运行时间大约为11分钟，还不错。当然，OPTICS图将有120万像素宽，因此不再适合完整可视化。考虑到巨大的阈值，它识别了18个聚类，每个聚类有100-200个实例。我将尝试下一步可视化这些聚类。但在你的实验中，尝试使用较低的minPts值。

所以这里是找到的主要聚类：

• 51.690713 -0.045545 伦敦北部A10上的一个十字路口，刚过M25
• 51.477804 -0.404462 “Waggoners Roundabout”
• 51.690713 -0.045545 “Halton Cross Roundabout”或其南侧的十字路口
• 51.436707 -0.499702 A30和A308 Staines By-Pass的分叉
• 53.556186 -2.489059 M61出口到A58，曼彻斯特西北部
• 55.170139 -1.532917 A189，North Seaton Roundabout
• 55.067229 -1.577334 A189和A19，就在这以南，一个四车道的环岛
• 51.570594 -0.096159 Manour House，Piccadilly线
• 53.477601 -1.152863 M18和A1(M)
• 53.091369 -0.789684 A1，A17和A46，一个复杂的结构，A1两侧都有环岛
• 52.949281 -0.97896 A52和A46
• 50.659544 -1.15251 怀特岛，桑当
• …

请注意，这些只是从聚类中随机选取的点。计算例如聚类中心和半径可能更合理，但我没有这样做。我只是想一窥这个数据集，它看起来很有趣。

这里是一些截图，minPts=50，epsilon=0.1，xi=0.02：

请注意，使用OPTICS，聚类可以是层次结构的。这里是一个细节：