基于密度的DBSCAN聚类算法的研究及应用

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (20): 216-221.

基于密度的DBSCAN聚类算法的研究及应用

冯少荣^1,2，肖文俊¹

1.华南理工大学计算机科学与工程学院，广州 510640
2.厦门大学信息科学与技术学院，福建厦门 361005

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-07-11 发布日期:2007-07-11
通讯作者: 冯少荣

Research and application of DBSCAN clustering algorithm based on density

FENG Shao-Rong^1,2，XIAO Wen-Jun¹

1．School of Computer Science and Engineering，South China University of Technology，Guangzhou 510641，China
2．College of Information Science and Technology，Xiamen University，Xiamen，Fujian 361005，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-07-11 Published:2007-07-11
Contact: FENG Shao-Rong

摘要/Abstract

摘要： 首先对DBSCAN（Density Based Spatial Clustering of Applications with Noise）聚类算法进行了深入研究，分析了它的特点、存在的问题及改进思想，提出了基于DBSCAN方法的交通事故多发点段的排查方法及其改进思路，并且给出了实例以说明处理过程及可行性。实验结果表明本文提出的方法可以大大提高交通事故黑点排查效率。

关键词: 聚类分析, DBSCAN, 交通事故多发点（段）, 数据挖掘

Abstract: This paper first researches DBSCAN clustering algorithm，and analyzes characteristics and existing problems of the DBSCAN algorithm and improved idea.Evaluation method of the traffic accident black spots and an improved thought based on DBSCAN are proposed.In order to illuminate course of processing and feasibility，an example is presented.The experimental result demonstrates that this paper method can greatly enhance the working efficiency of evaluation of the traffic accident black spots.

Key words: clustering analysis, Density Based Spatial Clustering of Applications with Noise（DBSCAN）, prone location of traffic, data mining

冯少荣^1,2，肖文俊¹. 基于密度的DBSCAN聚类算法的研究及应用[J]. 计算机工程与应用, 2007, 43(20): 216-221.

FENG Shao-Rong^1,2，XIAO Wen-Jun¹. Research and application of DBSCAN clustering algorithm based on density[J]. Computer Engineering and Applications, 2007, 43(20): 216-221.

[1]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[2]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[3]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[4]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[5]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[6]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[7]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[8]	安宁，江思源，唐晨，杨矫云. 融合单纯形映射与熵加权的聚类方法[J]. 计算机工程与应用, 2020, 56(9): 148-155.
[9]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[10]	朱迪，陈丹伟. 基于密度聚类和随机森林的移动应用识别技术[J]. 计算机工程与应用, 2020, 56(4): 63-68.
[11]	衣俊艳，杜小鹏. 具有中心移动特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(24): 50-58.
[12]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[13]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[14]	罗计根，杜建强，聂斌，李欢，聂建华，陈裕凤. 一种聚类欠采样策略的随机森林优化方法[J]. 计算机工程与应用, 2020, 56(22): 166-172.
[15]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.