GIS分析之采用最近邻法进行空间聚类

最近从事一个空间分析项目，我需要一种将一系列点分配给集群的方法，其中集群中的所有点都必须在合理的步行距离内。为了使这一点更加具体，我将使用一个假设的场景。 Alexa 是一位富有进取心的企业家，他预测随着气候变化的日益临近，冰淇淋的需求将会增加。她计划在一个地区设立多辆冰淇淋车，但担心有些面包车可能会用完冰淇淋，因此她需要服务员足够快地在面包车之间转移冰淇淋，以免冰淇淋融化。

如果 Alexa 有聚类经验，她可能会立即想到的一种方法是基于密度的聚类或 DBSCAN，因为使用 DBSCAN，𝜺 参数控制新点与聚类之间允许的最大距离，以便将该点添加到聚类中。簇。然而，对于非常宽的集群，集群两端的两个点将距离太远，服务员将无法在他们的货车之间转移冰淇淋。因此，分层方法可能更合适。但是，由于层次聚类还依赖于第一次迭代后点和簇之间的距离，根据所选择的树切割，它要么产生太多的小簇，要么将许多货车聚集在一起，这些距离可能太远，并且无法提供中间立场冰淇淋业务所需的解决方案。

Alexa的业务需求，是让每辆货车属于多个集群；换句话说，这是一个连接所有距离足够近以运送冰淇淋的货车的关系结构。为了形成这种结构，应形成一个方阵 D，用于保存所有部署的货车对之间的距离，其中条目 D(i,j) 表示货车 i 和货车 j 之间的距离。矩阵 D，也称为距离（成本）矩阵，应根据空间的拓扑结构形成，可以是城市道路网络上的步行距离、测地线或简单的欧几里得距离。然后通过用零替换所有不可接受的距离来修改矩阵，也就