李 智,魏东岚
(辽宁师范大学 地理科学学院,辽宁 大连 116029)
传统的地理聚类算法[1,2],例如K-means,DBSCAN等,依据餐饮样本点自身的位置属性很好的分析了样本点空间分布特征[3,5],但是忽略了样本点非地理特征的表达。陈传康[6,8]等对餐饮地理空间分异性进行了研究。分类归纳餐饮店空间聚集的影响因素。餐饮样本点与其他类别的POI存在的显著不同就是其价位属性,因其存在较多重复数据,本文利用附带地理加权的K-modes聚类算法,首先对餐饮人均价格数据进行第一次聚类,分析出价格集中的众数区间。再根据餐饮点的经纬度属性,按照一定的过滤算法,进行第二次聚类,两次聚类能够精确的分析出消费水平在空间分布上的差异性。
根据人均消费数据中存在价位等同的餐饮商家的特点,在将数据进行清洗和基础分析以后,通过算法找出干区间段内若干众数为聚类中心,再根据剩余数据到这些聚心的距离进行划分,形成若干类别。具体步骤如下。
(1)对于样本数据进行描述统计分析,确定人均消费数据频率分布直方图,如图1所示。

图1 人均消费频率分布直方图和区域人均消费水平
(2)确定样本数据及其属性域矩阵R(Xi,A),根据样本内Xi频率分布直方图得出固定区间内的众数M(M1,M2,M3……)。将M确定为该区间的聚类中心。对样本数据X(i)逐次进行划分聚类,X(i)到聚心M的距离d的公式为:
d=Min|X(i)-X(n)|
(1)
X(n)∈|X(n),d|
(2)
(3)通过排序算法选取最小距离d,确定当前聚心X(n)。将当前数据X(i)划分进入关于X(i)的矩阵中,最终的样本可以用矩阵X来表示: