使用 Python 进行轨迹聚类/聚合答案

【问题标题】：Trajectory Clustering/ Aggregation with Python使用 Python 进行轨迹聚类/聚合
【发布时间】：2017-08-27 18:10:38
【问题描述】：

我正在处理地理定位的社交媒体帖子，并使用 DBSCAN 对它们的位置（纬度/经度）进行聚类。在我的数据集中，我有很多用户多次发帖，这使我可以得出他们的轨迹（从一个地方到另一个地方的时间顺序位置序列）。例如：

3945641 [[38.9875, -76.94], [38.91711157, -77.02435118], [38.8991, -77.029], [38.8991, -77.029], [38.88927534, -77.04858468])

我已经为我的整个数据集导出了轨迹，我的下一步是对轨迹进行聚类或聚合，以识别位置之间移动密集的区域。关于如何在 Python 中处理轨迹聚类/聚合的任何想法？

这是我一直在使用的一些代码，用于将轨迹创建为线串/JSON dicts：

import pandas as pd
import numpy as np
import ujson as json
import time

# Import Data
data = pd.read_csv('filepath.csv', delimiter=',', engine='python')
#print len(data),"rows"
#print data

# Create Data Fame
df = pd.DataFrame(data, columns=['user_id','timestamp','latitude','longitude','cluster_labels])
#print data.head()

# Get a list of unique user_id values
uniqueIds = np.unique(data['user_id'].values)

# Get the ordered (by timestamp) coordinates for each user_id
output = [[id,data.loc[data['user_id']==id].sort_values(by='timestamp')[['latitude','longitude']].values.tolist()] for id in uniqueIds]

# Save outputs as csv
outputs = pd.DataFrame(output)
#print outputs
outputs.to_csv('filepath_out.csv', index=False, header=False)

# Save outputs as JSON
#outputDict = {}
#for i in output:
# outputDict[i[0]]=i[1]

#with open('filepath.json','w') as f:
#json.dump(outputDict, f, sort_keys=True, indent=4, ensure_ascii=False,)

编辑

我遇到了一个 python 包 NetworkX，并且正在讨论从我的集群创建网络图的想法，而不是对轨迹线/段进行集群。关于聚类轨迹的任何意见。将聚类转化为图形，以识别位置之间的密集聚类运动。

以下是一些集群的示例：

【问题讨论】：

标签： python graph gps cluster-analysis

【解决方案1】：

为了回答我自己 1 岁多的问题，我想出了几个解决方案，虽然没有使用 Python（这是我的希望），但它们已经解决了这个问题（以及类似的问题）。首先，使用我在 GIS StackExchange 中为用户提供的一种方法，该方法使用 ArcGIS 和几个内置工具来执行线密度分析 (https://gis.stackexchange.com/questions/42224/creating-polyline-based-heatmap-from-gps-tracks/270524#270524)。这需要 GPS 点，创建线，分割线，然后将它们聚类。第二种方法使用 SQL（主要是ST_MakeLine）和 Postgres/GIS/CARTO 数据库创建按时间戳升序排列的行，然后按用户分组（例如https://carto.com/blog/jets-and-datelines/）。然后可以计算行出现的数量（假设点以明确定义的质心聚集在一起，类似于我上面最初的问题），并将其视为一个集群（例如Python/NetworkX: Add Weights to Edges by Frequency of Edge Occurance、https://carto.com/blog/alteryx-and-carto-to-explore-london-bike-data/）。

【讨论】：