[发明专利]基于场景分类的路径规划方法及系统

说明书

技术领域

本申请涉及智能终端技术领域，尤其涉及一种基于场景分类的路径规划方法及系统。

背景技术

数据聚类分析属于数据挖掘技术领域，随着数据挖掘技术的不断深入，其实用性也不断拓展，包括推荐系统、通信、商务智能、搜索技术、生物学，社会安全、图像识别等领域，具体的有应用有电子商务数据挖掘、科学与生产工程数据挖掘、金融数据分析、市场经济预测、Web数据挖掘、电信与零售数据挖掘等场景。

而常用的数据聚类方法有随机选择的聚类方法、K-means聚类方法、层次聚类方法、自组织映射方法、基于密度的聚类方法。常用的聚类方法，往往对数据分类准确率不高，当数据集合中存在干扰的数据，错误或者缺失的数据时，存在数据聚类划分的簇不准确，导致包含更多更小的簇；或者出现集合数据聚类划分的更加稀疏从而失去样本数据的主要特征，由于这些缺陷的存在，现有技术中还很少有将数据聚类方法运用到地图导航技术领域，因为地图导航对数据的准确性要求更高，当前的数据聚类方法并不能满足地图导航系统的需要。

因此期望对现有的数据聚类算法进行改进，将其应用到地图导航之中，实现场景划分路径规划导航。

发明内容

(一)发明目的

本申请的目的是提供一种基于DBSCAN的(Density-Based Spatial Clustering of Applications withNoise)场景分类的路径规划优化的方法及系统，通过智能优化基于密度的聚类方法的聚类参数中的邻域参数ε及阀值参数MinPts的过程，从而准确的挖掘数据样本的主要特征，精确的分解数据样本的聚类簇，合理的规划不同场景之间的路径选取策略，到达不同场景之间路径可达推优的目的。

(二)技术方案

为解决上述问题，本发明的第一方面提供了一种基于场景分类的路径规划方法，包括：

一种基于场景分类的路径规划方法，其特征在于，包括：

获取样本数据集X；

从所述样本数据集X中选取核心样本数据集M；

对核心样本数据集M进行聚类簇划分，得到聚类簇划分集C；

将聚类簇划分集C输入相应的导航系统，进行路径规划；

输出路径规划结果；

其中，聚类簇划分集C中的每个聚类簇即对应划分为一个场景类别。

在一些实施例中，所述获取样本数据集X的方法包括：

每间隔预定时长，获取一次位置数据；其中，所述位置数据包含地点信息和时间点信息；

将每个位置数据作为一个样本数据，加入至样本数据集X；

其中，所述样本数据集X为：X＝(x₁,x₂,...,x_n)。

在一些实施例中，在从所述样本数据集X中选取核心样本数据集M的步骤之前，还包括：

数据初始化，包括:

初始化核心样本数据集M，令M＝φ；

初始化聚类簇划分序列号N，令N＝0；

初始化未访问的样本数据集合W，令W＝X；

初始化聚类簇划分集C，令C＝φ。

在一些实施例中，根据权利要求3所述的方法，其特征在于，在数据初始化的步骤之后，还包括：

计算邻域参数(ε，MinPts)；

在所述邻域参数(ε，MinPts)中，ε为样本数据的邻域距离阈值；MinPts为每个核心样本数据至少包含的样本的个数阈值；

其中，计算邻域参数(ε，MinPts)的步骤包括：

基于第一预定公式计算ε；所述第一预定公式为：

其中，σ为位置样本数据的方差，K(x)为核函数，f'(x)为概率密度分布函数，t和q为常量参数；

基于第二预定公式计算MinPts；所述第二预定公式为：

其中，对于核函数K(x)：i＝1,2,3,...,d；

在一些实施例中，所述从所述样本数据集X中选取核心样本数据集M的方法包括：

基于邻域距离阈值ε，求解样本数据集X中x_i与x_j的距离不大于ε的子样本集d_ε(x_j)，其中，对于x_j∈X，j∈[1,n]；d_ε(x_j)＝{x_i∈X|dis(x_i,x_j)≤ε}；