基于LOF改进的K-means算法在交通事故黑点识别中的应用

摘要

为改进传统K-means聚类算法受初始聚类中心及异常点影响较大的问题,提出使用离群点检测(LOF)改进的K-means聚类算法,并应用到交通事故的黑点识别中。使用数据集为2018年7月1日至2018年12月31日于美国洛杉矶发生的交通事故数据。首先,利用LOF对事故点坐标数据集进行离群点检测;其次,剔除掉原数据集中的离群点,构建新数据集;最后,将基于LOF改进的K-means算法选取初始聚类中心再进行迭代,得到事故黑点。将使用改进的算法与使用K-means及LOF与K-means结合的算法获得的聚类结果进行比较,发现改进后的算法大大提高了黑点识别效果。