38、基于障碍物和促进因素的密度空间聚类方法

基于障碍物和促进因素的密度空间聚类方法

在空间数据聚类中，处理障碍物和促进因素带来的约束是一个重要的研究方向。障碍物会阻碍数据对象之间的可达性，而促进因素则能连接远距离的数据对象或跨越障碍物连接数据对象。下面将详细介绍一种新的空间聚类方法——DBRS+，以及相关的背景知识和实验结果。

1. 背景与问题提出

在实际应用中，如房地产公司规划商场位置时，障碍物（如河流）和促进因素（如高速公路）会对数据对象之间的距离和可达性产生影响。简单的欧几里得距离在这种情况下并不适用，忽略这些因素可能导致聚类结果失真或无用。

2. 相关工作

• COD_CLARANS ：这是第一个处理障碍物约束的分区聚类方法。它将两点间的欧几里得距离函数替换为无障碍距离，计算该距离需要进行包括构建可见性图、微聚类和实现空间连接索引等预处理步骤。但该算法不考虑促进因素，也无法处理相交的障碍物，对于密度变化的数据集，其微聚类方法可能不适用于稀疏集群。
• AUTOCLUST+ ：是AUTOCLUST的增强版本，可处理障碍物。该算法的优点是用户无需提供参数值，通过构建Delaunay图、计算全局变化指标、删除与障碍物相交的边，最后应用AUTOCLUST进行聚类。然而，它不考虑促进因素，且当两点间没有绕行路径时，距离无法定义。
• DBCLuC ：基于DBSCAN，是已知的唯一能同时处理障碍物和促进因素的方法。它通过构建障碍物线来确定可见性，识别入口点和入口边以处理促进因素。但对于凹多边形，构建障碍物线的成本较高，且在某些情况下算法可能无