针对我国数字电影流动放映轨迹点特征,本文提出一种基于DBSCAN(Density Based Spatial Clustering of Applications with Noise)的密度聚类算法和基于STING(Statistical Ingormation Crid)的网格聚类算法相结合的数字电影流动放映轨迹...针对我国数字电影流动放映轨迹点特征,本文提出一种基于DBSCAN(Density Based Spatial Clustering of Applications with Noise)的密度聚类算法和基于STING(Statistical Ingormation Crid)的网格聚类算法相结合的数字电影流动放映轨迹点分析模型。本文首先借鉴文献[1]中的改进DBSCAN算法对流动放映轨迹点进行一次微聚类,挖掘出放映密集区域。然后,利用STING算法对放映密度区域进行二次聚类,获得放映密集区域的代表中心点,使聚类结果更加细化。最后以某省份的回传GPS放映轨迹数据进行实际聚类分析。实验结果表明,该算法能够快速反映并确定放映轨迹的空间分布,挖掘出放映密集区域及其中心点,可以较为直观的为管理部门合理分配和调度放映员提供科学理论依据。展开更多
文摘针对我国数字电影流动放映轨迹点特征,本文提出一种基于DBSCAN(Density Based Spatial Clustering of Applications with Noise)的密度聚类算法和基于STING(Statistical Ingormation Crid)的网格聚类算法相结合的数字电影流动放映轨迹点分析模型。本文首先借鉴文献[1]中的改进DBSCAN算法对流动放映轨迹点进行一次微聚类,挖掘出放映密集区域。然后,利用STING算法对放映密度区域进行二次聚类,获得放映密集区域的代表中心点,使聚类结果更加细化。最后以某省份的回传GPS放映轨迹数据进行实际聚类分析。实验结果表明,该算法能够快速反映并确定放映轨迹的空间分布,挖掘出放映密集区域及其中心点,可以较为直观的为管理部门合理分配和调度放映员提供科学理论依据。