基于GPS軌跡的農(nóng)機(jī)作業(yè)熱點(diǎn)聚類分析.pdf

1、隨著農(nóng)機(jī)信息化的迅速發(fā)展與農(nóng)機(jī)監(jiān)測(cè)設(shè)備的廣泛應(yīng)用，通過(guò)智能車載終端，能夠獲取其作業(yè)軌跡數(shù)據(jù)。然而隨著日積月累，農(nóng)機(jī)作業(yè)軌跡數(shù)據(jù)將呈現(xiàn)出海量性的特點(diǎn)，當(dāng)其積累到一定程度時(shí)，必然會(huì)反映出某些規(guī)律。然而，目前的數(shù)據(jù)庫(kù)雖然能夠?qū)r(nóng)機(jī)作業(yè)軌跡數(shù)據(jù)進(jìn)行錄入、查詢與統(tǒng)計(jì)等基本操作，但是卻無(wú)法挖掘隱藏在這些農(nóng)機(jī)作業(yè)軌跡數(shù)據(jù)背后的關(guān)系與規(guī)律等知識(shí)，從而導(dǎo)致了“空間數(shù)據(jù)豐富，但空間知識(shí)貧乏”。因此，從海量的農(nóng)機(jī)作業(yè)軌跡數(shù)據(jù)中挖掘知識(shí)，就顯得越來(lái)越重要。

2、r>　　 本文首先對(duì)數(shù)據(jù)挖掘領(lǐng)域中現(xiàn)有的五類聚類方法進(jìn)行系統(tǒng)的描述，并對(duì)這些方法中的經(jīng)典算法及其改進(jìn)算法進(jìn)行詳細(xì)介紹，進(jìn)而分析比較這五類聚類方法的優(yōu)缺點(diǎn)，并在此基礎(chǔ)上，針對(duì)農(nóng)機(jī)作業(yè)軌跡的不確定性、不規(guī)律性與數(shù)據(jù)量大等特點(diǎn)，提出了基于密度分割聚類算法，該算法是基于密度與基于網(wǎng)格相結(jié)合的聚類方法，因此具有基于密度聚類方法的優(yōu)點(diǎn):如該算法能夠識(shí)別任意形狀的簇、對(duì)輸入數(shù)據(jù)的順序不敏感、能獲得較好的聚類結(jié)果，而且在進(jìn)行密度分割時(shí)，結(jié)合基于網(wǎng)格的

3、聚類方法解決了基于密度聚類方法在面對(duì)大型數(shù)據(jù)集時(shí)算法效率差的問(wèn)題。其次，為了進(jìn)一步提高本文聚類算法的效率，通過(guò)對(duì)目前較流行的空間索引結(jié)構(gòu)進(jìn)行分門(mén)別類的介紹，分析它們的優(yōu)缺點(diǎn)，進(jìn)而選取本文采用的空間索引結(jié)構(gòu)——空間劃分樹(shù)，并對(duì)其進(jìn)行系統(tǒng)而全面的闡述。然后，通過(guò)對(duì)本文采用的基于密度分割聚類算法進(jìn)行研究，實(shí)現(xiàn)了農(nóng)機(jī)作業(yè)熱點(diǎn)即高密度區(qū)域的識(shí)別與提取。而在選取聚類參數(shù)（網(wǎng)格大小與密度閾值）時(shí)，根據(jù)尺度效應(yīng)，人為的改變網(wǎng)格大小，并對(duì)多個(gè)農(nóng)機(jī)作業(yè)軌跡