Mengelompokkan koordinat lokasi geografis (lat, pasangan panjang)


51

Apa pendekatan yang tepat dan algoritma pengelompokan untuk pengelompokan geolokasi?

Saya menggunakan kode berikut untuk mengelompokkan koordinat geolokasi:

import numpy as np
import matplotlib.pyplot as plt
from scipy.cluster.vq import kmeans2, whiten

coordinates= np.array([
           [lat, long],
           [lat, long],
            ...
           [lat, long]
           ])
x, y = kmeans2(whiten(coordinates), 3, iter = 20)  
plt.scatter(coordinates[:,0], coordinates[:,1], c=y);
plt.show()

Apakah benar menggunakan K-means untuk pengelompokan geolokasi, karena menggunakan jarak Euclidean, dan bukan rumus Haversine sebagai fungsi jarak?


Anda juga dapat melihat pertanyaan serupa ini: datasetcience.stackexchange.com/questions/10063/…
VividD

Saya pikir kelayakan k-means akan tergantung di mana data Anda. Jika data Anda tersebar di seluruh dunia, itu tidak akan berfungsi, karena jaraknya tidak euclidean, seperti yang sudah dikatakan pengguna lain. Tetapi jika data Anda lebih lokal, k-means akan cukup baik, karena geometri adalah euclidean lokal.
Juan Ignacio Gil

Jawaban:


7

K-means harus benar dalam kasus ini. Karena k-means mencoba mengelompokkan hanya berdasarkan jarak euclidean antara objek, Anda akan mendapatkan kembali kelompok lokasi yang dekat satu sama lain.

Untuk menemukan jumlah cluster yang optimal, Anda dapat mencoba membuat plot 'siku' dari jumlah grup dalam jarak kuadrat. Ini mungkin membantu ( http://nbviewer.ipython.org/github/nborwankar/LearnDataScience/blob/master/notebooks/D3.%20K-Means%20Clustering%20Analysis.ipynb )


3
Bagaimana poin dekat satu sama lain pada poin wrap-around ditangani?
casperOne

1
Anda perlu menemukan algoritma yang mengambil matriks jarak pra-komputasi atau memungkinkan Anda untuk memasok fungsi jarak yang dapat dipanggil saat diperlukan untuk menghitung jarak. Kalau tidak, itu tidak akan berhasil.
Spacedman

Plot siku mungkin tidak membantu Anda sama sekali karena mungkin tidak ada siku. Pastikan juga untuk mencoba beberapa kali k-means dengan nomor cluster yang sama karena Anda mungkin mendapatkan hasil yang berbeda.
Belalang

Ini adalah ide yang buruk karena semua poin akan dikelompokkan, yang jarang merupakan ide yang baik dalam pemetaan.
Richard

52

K-means bukan algoritma yang paling tepat di sini.

Alasannya adalah k-means dirancang untuk meminimalkan varians . Ini tentu saja muncul dari sudut pandang statistik dan sinyal, tetapi data Anda tidak "linier".

Karena data Anda berada dalam format lintang, bujur, Anda harus menggunakan algoritma yang dapat menangani fungsi jarak arbitrer , khususnya fungsi jarak geodetik. Hierarchical clustering, PAM, CLARA, dan DBSCAN adalah contoh populer dari ini.

https://www.youtube.com/watch?v=QsGOoWdqaT8 merekomendasikan pengelompokan OPTICS.

Masalah k-means mudah dilihat ketika Anda mempertimbangkan poin dekat dengan + -180 derajat. Bahkan jika Anda meretas k-means untuk menggunakan jarak Haversine, pada langkah pembaruan ketika menghitung ulang berarti hasilnya akan kacau. Kasus terburuknya adalah, k-means tidak akan pernah bertemu!


Dapatkah Anda menyarankan metode pengelompokan yang lebih tepat untuk data lokasi geografis?
Alex Spurling

Apakah Anda memperhatikan paragraf ketiga?
Anony-Mousse

7

Koordinat GPS dapat langsung dikonversi ke geohash . Geohash membagi Bumi menjadi "ember" dengan ukuran berbeda berdasarkan jumlah digit (kode Geohash pendek membuat area besar dan kode lebih panjang untuk area lebih kecil). Geohash adalah metode pengelompokan presisi yang dapat disesuaikan.


Hal ini tampaknya menderita masalah pembungkusan 180 derajat yang sama dengan yang dilakukan K-Means per artikel Wikipedia yang tertaut dalam jawabannya.
Norman H

Ya! Kode plus adalah kode plus.codes
Brian Spiering

Satu manfaat dari solusi ini adalah selama Anda menghitung geohash satu kali , operasi perbandingan berulang akan jauh lebih cepat.
Norman H

Geohash akan memiliki masalah dengan kasing sisi - dua titik yang sangat dekat akan dimasukkan ke dalam ember berbeda berdasarkan tepi yang sewenang-wenang dari setiap ember.
Dan G

5

Saya mungkin sangat terlambat dengan jawaban saya, tetapi jika Anda masih berurusan dengan geo clustering, Anda mungkin menemukan studi ini menarik. Ini berkaitan dengan perbandingan dua pendekatan yang cukup berbeda untuk mengklasifikasikan data geografis: K-means clustering dan pemodelan pertumbuhan kelas laten.

Salah satu gambar dari penelitian:

masukkan deskripsi gambar di sini

Para penulis menyimpulkan bahwa hasil akhirnya secara keseluruhan serupa, dan bahwa ada beberapa aspek di mana LCGM overperfpormed K-means.


5

Anda dapat menggunakan HDBSCAN untuk ini. Paket python memiliki dukungan untuk jarak haversine yang akan menghitung jarak antara titik lat / lon dengan benar.

Seperti yang disebutkan oleh dokumen , Anda harus mengubah poin Anda menjadi radian terlebih dahulu agar ini berfungsi. Psuedocode berikut harus melakukan trik:

points = np.array([[lat1, lon1], [lat2, lon2], ...])
rads = np.radians(points)
clusterer = hdbscan.HDBSCAN(min_cluster_size=N, metric='haversine')
cluster_labels = clusterer.fit_predict(points)

0

Algoritma k-means untuk mengelompokkan lokasi adalah ide yang buruk. Lokasi Anda dapat tersebar di seluruh dunia dan jumlah cluster tidak dapat diprediksi oleh Anda, tidak hanya itu jika Anda menempatkan cluster sebagai 1 maka lokasi akan dikelompokkan ke 1 cluster tunggal. Saya menggunakan pengelompokan hierarki untuk hal yang sama.



-1

Pergilah dengan Kmeans clustering karena HBScan akan berlangsung selamanya. Saya mencobanya untuk salah satu proyek dan berakhir tetapi menggunakan Kmeans dengan hasil yang diinginkan.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.