針對傳統(tǒng)的K-means算法無法預(yù)先明確聚類數(shù)目，對初始聚類中心選取敏感且易受離群孤點(diǎn)影響導(dǎo)致聚類結(jié)果穩(wěn)定性和準(zhǔn)確性欠佳的問題，提出一種改進(jìn)的基于密度的K-means算法。該算法首先基于軌跡數(shù)據(jù)分布密度和增加軌跡數(shù)據(jù)關(guān)鍵點(diǎn)密度權(quán)值的方式選取高密度的軌跡數(shù)據(jù)點(diǎn)作為初始聚類中心進(jìn)行K-means聚類，然后結(jié)合聚類有效函數(shù)類內(nèi)類外劃分指標(biāo)對聚類結(jié)果進(jìn)行評價(jià)，最后根據(jù)評價(jià)確定最佳聚類數(shù)目和最優(yōu)聚類劃分。理論研究與實(shí)驗(yàn)結(jié)果表明，該算法能夠更好地提取軌跡關(guān)鍵點(diǎn)，保留關(guān)鍵路徑信息，且與傳統(tǒng)的K-means算法相比，聚類準(zhǔn)確性提高了28個(gè)百分點(diǎn)，與具有噪聲的基于密度的聚類算法相比，聚類準(zhǔn)確性提高了17個(gè)百分點(diǎn)。所提算法在軌跡數(shù)據(jù)聚類中具有更好的穩(wěn)定性和準(zhǔn)確性。
?