數據來源：通過www.flickr.com/services/api接口抓取帶地理標記的flickr圖片及屬性數據，篩選年份，經過數據清洗，得到樣本數據。
使用軟件：python 3
需求：得到熱點區域AOI
參考文獻：
1.《基於地理標記照片的北京市入境旅遊流空間特徵》
2. https://www.cnblogs.com/pinard/p/6208966.html
具體思路：
首先將數據進行整理、清洗；然後使用Python scikit-learn中的DBSCAN聚類方法，選擇合適的搜索半徑，以及個數點，得到聚類結果；求出沒個聚類點的中心位置，就可得到熱點區域AOI。
聚類DBSCAN算法：
DBSCAN是基於一組鄰域來描述樣本集的緊密程度的，參數(ϵϵ, MinPts)用來描述鄰域的樣本分佈緊密程度。其中，ϵϵ描述了某一樣本的鄰域距離閾值，MinPts描述了某一樣本的距離爲ϵϵ的鄰域中樣本個數的閾值。
假設我的樣本集是D=(x1,x2,...,xm)(x1,x2,...,xm),則DBSCAN具體的密度描述定義如下：
1） ϵϵ-鄰域：對於xj∈Dxj∈D，其ϵϵ-鄰域包含樣本集D中與xjxj的距離不大於ϵϵ的子樣本集，即Nϵ(xj)={xi∈D|distance(xi,xj)≤ϵ}Nϵ(xj)={xi∈D|distance(xi,xj)≤ϵ}, 這個子樣本集的個數記爲|Nϵ(xj)||Nϵ(xj)|
2) 核心對象：對於任一樣本xj∈Dxj∈D，如果其ϵϵ-鄰域對應的Nϵ(xj)Nϵ(xj)至少包含MinPts個樣本，即如果|Nϵ(xj)|≥MinPts|Nϵ(xj)|≥MinPts，則xjxj是核心對象。
3）密度直達：如果xixi位於xjxj的ϵϵ-鄰域中，且xjxj是核心對象，則稱xixi由xjxj密度直達。注意反之不一定成立，即此時不能說xjxj由xixi密度直達, 除非且xixi也是核心對象。
4）密度可達：對於xixi和xjxj,如果存在樣本樣本序列p1,p2,...,pTp1,p2,...,pT,滿足p1=xi,pT=xjp1=xi,pT=xj, 且pt+1pt+1由ptpt密度直達，則稱xjxj由xixi密度可達。也就是說，密度可達滿足傳遞性。此時序列中的傳遞樣本p1,p2,...,pT−1p1,p2,...,pT−1均爲核心對象，因爲只有核心對象才能使其他樣本密度直達。注意密度可達也不滿足對稱性，這個可以由密度直達的不對稱性得出。
5）密度相連：對於xixi和xjxj,如果存在覈心對象樣本xkxk，使xixi和xjxj均由xkxk密度可達，則稱xixi和xjxj密度相連。注意密度相連關係是滿足對稱性的。
效果圖：
Python代碼：
import numpy as np,pandas as pd
from sklearn.cluster import DBSCAN
from shapely.geometry import MultiPoint
import geopandas
import shapefile
from matplotlib import pyplot as plt
plt.title("北京市遊客地理標記城區空間聚類結果")
plt.scatter(latlngs[:,0],latlngs[:,1], s=1, c="black", marker='.')
border_shape=shapefile.Reader(shape_path)
border_shape_2=shapefile.Reader(shape_path_2huan)
border_shape_5=shapefile.Reader(shape_path_5huan)
border=border_shape.shapes()
border_2=border_shape_2.shapes()
border_5=border_shape_5.shapes()
#聚類中心區域
def get_centermost_point(cluster):
centroid = (MultiPoint(cluster).centroid.x, MultiPoint(cluster).centroid.y)
print(centroid)
return tuple(centroid)
# #渲染聚類結果
for border_detail in clusters:
x ,y= [],[]
for cell in border_detail:
x.append(cell[0])
y.append(cell[1])
plt.scatter(x, y,marker='o')
plt.show()