基于聚類算法的新能源汽車用戶居住地預(yù)測＊

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]。用戶畫像屬于用戶信息標簽集合，在現(xiàn)實生活中真實存在，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。通過用戶訪談的形式收集用戶畫像會導(dǎo)致信息缺失以及統(tǒng)計不及時等不足。大數(shù)據(jù)時代，數(shù)據(jù)成倍地增加，通過對用戶大數(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，通過某型新能源汽車T-BOX實時采集的海量數(shù)據(jù)，應(yīng)用數(shù)據(jù)挖掘技術(shù)對數(shù)據(jù)進行預(yù)清洗、聚類分析、通過建立預(yù)測模型去預(yù)測用戶的居住地，從而豐富某型新能源汽車的用戶畫像。

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《電動汽車遠程服務(wù)與管理系統(tǒng)技術(shù)規(guī)范》，定時采集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。本次實驗所使用的是某整車企業(yè)100臺新能源汽車，最近3個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、啟動時間、行駛里程、充電時刻、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}中任意選取一個數(shù)據(jù)點出發(fā)，按照密度可達的條件往外擴張，最終得到一個最大化的區(qū)域。若初始點是核心點，則這個最大化的區(qū)域就是一個類或一簇；若初始點為邊界點，則會跳至下一個點；若初始點為噪聲點，則直接將該點標記為噪聲點。

在DBSCAN聚類算法中，主要涉及以下定義：

定義1 Eps鄰域。對于聚類樣本集合X中的任意一點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 核心對象。對于聚類樣本集合X中的任意一點p，統(tǒng)計該點Eps鄰域范圍內(nèi)的所有數(shù)據(jù)點個數(shù)v，則核心對象是指v不小于MinPts的數(shù)據(jù)點。

定義3 直接密度可達。如果q∈NEps（p），同時點p為核心對象，則認為對象q從p直接密度可達。

定義4 密度可達。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，則對象p從q密度可達。

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，主要將對象的空間距離按照相似性準則劃分到若干個子集中，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?？臻g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則，即任一空間對象與該對象所屬類的幾何中心之間的距離比該對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，詳細描述了K-means聚類算法的聚類設(shè)計過程。首先，由用戶確定所要聚類的準確數(shù)目k，并隨機選擇k個對象，代表一個類的均值或中心，對剩余的每個對象，根據(jù)其（各類中心的距離將它賦給最近的簇。然后重新計算每個簇內(nèi)對象的平均值形成新的聚類中心，這個過程重復(fù)進行，直到下列（2）式準則函數(shù)收斂為止。

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

2.3 DBSCAN聚類和K-means聚類混合算法

K-means聚類算法對異常點敏感，無法解決噪聲點的問題，若地理位置的分布過于分散，按照固定k值聚合，得到的中心點位置可能和實際相差甚遠，導(dǎo)致結(jié)果有差異。DBSCAN聚類算法是按照活動半徑的密度可達來聚合，其結(jié)果是將數(shù)據(jù)集合分類，并不求出中心點。

因此本文設(shè)計了一種基于DBSCAN聚類和K-means聚類的混合算法：利用 DBSCAN算法的密度可達特性將用戶的地理位置數(shù)據(jù)按活動半徑聚合成若干個簇，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的位置。

3 實驗結(jié)果及分析

基于DBSCAN聚類的實現(xiàn)過程，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p，若該點的條件符合核心對象的判定，那么從該點密度可達的所有數(shù)據(jù)點成為一個聚類，而不屬于任何簇的數(shù)據(jù)點則被標記為噪聲點。關(guān)鍵參數(shù)Eps和MinPts的選擇對聚類效果影響很大，表1中展示出不同Eps和MinPts組合時，算法模型的準確率，根據(jù)多次實驗，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，其聚合效果。通過對比，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，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)聚類對比圖

通過 K-means聚類算法可以得到用戶居住地的 GPS數(shù)據(jù)，再對數(shù)據(jù)糾偏，將聚類出來的GPS數(shù)值轉(zhuǎn)化為適配電子地圖的值。再通過電子地圖開放平臺中的逆地理編碼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，通過高德地圖開放平臺的數(shù)據(jù)接口，實現(xiàn)逆地理編碼，得到用戶的居住地。

表2是采集分預(yù)測結(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，可以精準算出用戶居住地。對于整個數(shù)據(jù)采集樣本，整體的準確度高達85%以上。

表2 用戶居住地預(yù)測結(jié)果

4 結(jié)論

本文基于DBSCAN聚類和K-means聚類混合算法設(shè)計了一種新能源汽車用戶居住地的預(yù)測模型，結(jié)合大數(shù)據(jù)能夠準確預(yù)測用戶居住地，有效地解決無法獲取新能源汽車用戶居住地的難題，豐富了用戶畫像的標簽種類，有助于營銷推廣活動制定。