基于聚類算法的新能源汽車用戶居住地預(yù)測(cè)＊

程登，張亮，趙小羽，黎飛，王興月，黃祖朋

（上汽通用五菱汽車股份有限公司技術(shù)中心，廣西 柳州 545007）

引言

用戶畫(huà)像也叫用戶角色，是用戶大數(shù)據(jù)分析的主要內(nèi)容[1]。用戶畫(huà)像屬于用戶信息標(biāo)簽集合，在現(xiàn)實(shí)生活中真實(shí)存在，除了用戶姓名、年齡等靜態(tài)信息外，還包括用戶的使用特性等。通過(guò)用戶訪談的形式收集用戶畫(huà)像會(huì)導(dǎo)致信息缺失以及統(tǒng)計(jì)不及時(shí)等不足。大數(shù)據(jù)時(shí)代，數(shù)據(jù)成倍地增加，通過(guò)對(duì)用戶大數(shù)據(jù)的挖掘，獲取用戶駕駛行為的數(shù)據(jù)，可以幫助整車企業(yè)深入分析用戶畫(huà)像，為用戶提供更好的服務(wù)用戶。

本文基于DBSCAN聚類[2]和K-means聚類[3]算法，通過(guò)某型新能源汽車T-BOX實(shí)時(shí)采集的海量數(shù)據(jù)，應(yīng)用數(shù)據(jù)挖掘技術(shù)對(duì)數(shù)據(jù)進(jìn)行預(yù)清洗、聚類分析、通過(guò)建立預(yù)測(cè)模型去預(yù)測(cè)用戶的居住地，從而豐富某型新能源汽車的用戶畫(huà)像。

1 數(shù)據(jù)預(yù)處理

1.1 數(shù)據(jù)樣本

新能源汽車終端基于 GB/T 32960-2016《電動(dòng)汽車遠(yuǎn)程服務(wù)與管理系統(tǒng)技術(shù)規(guī)范》，定時(shí)采集CAN網(wǎng)絡(luò)上的數(shù)據(jù)，并上傳到企業(yè)的新能源大數(shù)據(jù)平臺(tái)。本次實(shí)驗(yàn)所使用的是某整車企業(yè)100臺(tái)新能源汽車，最近3個(gè)月的用戶車輛行駛數(shù)據(jù)，主要包含有：車輛停車經(jīng)緯度、啟動(dòng)時(shí)間、行駛里程、充電時(shí)刻、充電經(jīng)緯度等數(shù)據(jù)。

1.2 數(shù)據(jù)清洗

海量的原始數(shù)據(jù)中存在著大量不完整的數(shù)據(jù)，這將影響數(shù)學(xué)建模的效率，導(dǎo)致挖掘結(jié)果存在偏差，因此數(shù)據(jù)清洗尤為重要。數(shù)據(jù)清洗主要是刪除原始數(shù)據(jù)中的無(wú)關(guān)數(shù)據(jù)、重復(fù)數(shù)據(jù)、噪聲數(shù)據(jù)等。本次數(shù)據(jù)清洗主要是將經(jīng)緯度越界數(shù)據(jù)、異常數(shù)據(jù)和軌跡漂移點(diǎn)等剔除。

2 聚類算法

2.1 DBSCAN聚類算法

DBSCAN算法是一類基于密度的聚類算法。其主要思想為：在樣本集合X={x1，x2，x3，…，xN}中任意選取一個(gè)數(shù)據(jù)點(diǎn)出發(fā)，按照密度可達(dá)的條件往外擴(kuò)張，最終得到一個(gè)最大化的區(qū)域。若初始點(diǎn)是核心點(diǎn)，則這個(gè)最大化的區(qū)域就是一個(gè)類或一簇；若初始點(diǎn)為邊界點(diǎn)，則會(huì)跳至下一個(gè)點(diǎn)；若初始點(diǎn)為噪聲點(diǎn)，則直接將該點(diǎn)標(biāo)記為噪聲點(diǎn)。

在DBSCAN聚類算法中，主要涉及以下定義：

定義1 Eps鄰域。對(duì)于聚類樣本集合X中的任意一點(diǎn)p，以p為圓心，Eps為半徑，所包含的區(qū)域就是p的Eps鄰域，記為 NEps（p）。

定義2 核心對(duì)象。對(duì)于聚類樣本集合X中的任意一點(diǎn)p，統(tǒng)計(jì)該點(diǎn)Eps鄰域范圍內(nèi)的所有數(shù)據(jù)點(diǎn)個(gè)數(shù)v，則核心對(duì)象是指v不小于MinPts的數(shù)據(jù)點(diǎn)。

定義3 直接密度可達(dá)。如果q∈NEps（p），同時(shí)點(diǎn)p為核心對(duì)象，則認(rèn)為對(duì)象q從p直接密度可達(dá)。

定義4 密度可達(dá)。在聚類樣本集合X中，如果存在序列p1，p2，…pn，且滿足p1=q，pn=p。若是pi+1從pi直接密度可達(dá)，則對(duì)象p從q密度可達(dá)。

圖1 DBSCAN聚類算法解析圖

2.2 K-means聚類算法

空間聚類算法作為一種空間數(shù)據(jù)劃分的重要方法，主要將對(duì)象的空間距離按照相似性準(zhǔn)則劃分到若干個(gè)子集中，使得相同子集中各元素間差別最小，不同子集中各元素間差別最大。空間聚類算法是建立在各種樣本的空間距離基礎(chǔ)上，最常用的是歐幾里得距離：

式中，i=（xi1，xi2，…，xim）和j=（yj1，yj2，…，yjm）是兩個(gè)m維的數(shù)據(jù)樣本。

根據(jù)空間聚類算法的類別劃分是使得同一類的內(nèi)部相似度最大、差異度最小，而不同類別的相似度最小、差異度最大。公式（1）的歐幾里得距離作為劃分準(zhǔn)則，即任一空間對(duì)象與該對(duì)象所屬類的幾何中心之間的距離比該對(duì)象到任何其他類的幾何中心距離都小。

圖2 K-means聚類算法解析圖

如圖2所示，詳細(xì)描述了K-means聚類算法的聚類設(shè)計(jì)過(guò)程。首先，由用戶確定所要聚類的準(zhǔn)確數(shù)目k，并隨機(jī)選擇k個(gè)對(duì)象，代表一個(gè)類的均值或中心，對(duì)剩余的每個(gè)對(duì)象，根據(jù)其（各類中心的距離將它賦給最近的簇。然后重新計(jì)算每個(gè)簇內(nèi)對(duì)象的平均值形成新的聚類中心，這個(gè)過(guò)程重復(fù)進(jìn)行，直到下列（2）式準(zhǔn)則函數(shù)收斂為止。

這里，E是所有研究對(duì)象的平方誤差總和，p為空間的點(diǎn)，即數(shù)據(jù)對(duì)象。ai是簇Ai的平均值，按照這個(gè)準(zhǔn)則生成的結(jié)果簇趨向于獨(dú)立和緊湊。

2.3 DBSCAN聚類和K-means聚類混合算法

K-means聚類算法對(duì)異常點(diǎn)敏感，無(wú)法解決噪聲點(diǎn)的問(wèn)題，若地理位置的分布過(guò)于分散，按照固定k值聚合，得到的中心點(diǎn)位置可能和實(shí)際相差甚遠(yuǎn)，導(dǎo)致結(jié)果有差異。DBSCAN聚類算法是按照活動(dòng)半徑的密度可達(dá)來(lái)聚合，其結(jié)果是將數(shù)據(jù)集合分類，并不求出中心點(diǎn)。

因此本文設(shè)計(jì)了一種基于DBSCAN聚類和K-means聚類的混合算法：利用 DBSCAN算法的密度可達(dá)特性將用戶的地理位置數(shù)據(jù)按活動(dòng)半徑聚合成若干個(gè)簇，并且將每一簇的數(shù)據(jù)集作為新的輸入，再利用K-means算法的迭代聚合求出中心點(diǎn)的位置。

3 實(shí)驗(yàn)結(jié)果及分析

基于DBSCAN聚類的實(shí)現(xiàn)過(guò)程，設(shè)定關(guān)鍵參數(shù)Eps和MinPts。從聚類數(shù)據(jù)樣本集X中任意選取一點(diǎn)p，若該點(diǎn)的條件符合核心對(duì)象的判定，那么從該點(diǎn)密度可達(dá)的所有數(shù)據(jù)點(diǎn)成為一個(gè)聚類，而不屬于任何簇的數(shù)據(jù)點(diǎn)則被標(biāo)記為噪聲點(diǎn)。關(guān)鍵參數(shù)Eps和MinPts的選擇對(duì)聚類效果影響很大，表1中展示出不同Eps和MinPts組合時(shí)，算法模型的準(zhǔn)確率，根據(jù)多次實(shí)驗(yàn)，最終確定最優(yōu)解。

表1 DBSCAN算法參數(shù)選擇

圖3分別給出了不同Eps和MinPts組合時(shí)，其聚合效果。通過(guò)對(duì)比，可以看到Eps=1000米淺黃色的類聚的精度較差，Eps=500米聚類未完全剔除噪聲點(diǎn)，Eps=200米聚類結(jié)果精度較高。因此，本文在DBSCAN算法中選取的關(guān)鍵參數(shù)為：Eps=200米，MinPts=5。

圖3 不同參數(shù)聚類對(duì)比圖

通過(guò) K-means聚類算法可以得到用戶居住地的 GPS數(shù)據(jù)，再對(duì)數(shù)據(jù)糾偏，將聚類出來(lái)的GPS數(shù)值轉(zhuǎn)化為適配電子地圖的值。再通過(guò)電子地圖開(kāi)放平臺(tái)中的逆地理編碼API服務(wù)地址得到精確的地址，最后得出該地址周邊的居住小區(qū)。以高德地圖為例，將聚類后的GPS數(shù)據(jù)糾偏后，通過(guò)高德地圖開(kāi)放平臺(tái)的數(shù)據(jù)接口，實(shí)現(xiàn)逆地理編碼，得到用戶的居住地。

表2是采集分預(yù)測(cè)結(jié)果，可以看出，基于DBSCAN聚類和K-means聚類混合算法的用戶居住地預(yù)測(cè)，可以精準(zhǔn)算出用戶居住地。對(duì)于整個(gè)數(shù)據(jù)采集樣本，整體的準(zhǔn)確度高達(dá)85%以上。

表2 用戶居住地預(yù)測(cè)結(jié)果

4 結(jié)論

本文基于DBSCAN聚類和K-means聚類混合算法設(shè)計(jì)了一種新能源汽車用戶居住地的預(yù)測(cè)模型，結(jié)合大數(shù)據(jù)能夠準(zhǔn)確預(yù)測(cè)用戶居住地，有效地解決無(wú)法獲取新能源汽車用戶居住地的難題，豐富了用戶畫(huà)像的標(biāo)簽種類，有助于營(yíng)銷推廣活動(dòng)制定。