【源码目录】

Spatio-temporal-Clustering-master

├── Adaptive_DBSCAN.py├── Indoor_STAGNES_DIS.py├── Indoor_STAGNES_NUM.py├── Indoor_STDBSCAN.py├── MYAP.py├── MYCFSFDP.py├── MYDBSCAN.py├── MYKMeans.py├── MYOPTICS.py├── README.md├── ST_AGNES_DIS.py├── ST_AGNES_NUM.py├── ST_CFSFDP.py├── ST_DBSCAN.py├── ST_OPTICS.py├── WKM.py└── data ├── cluster.csv ├── cluster_time.csv ├── cluster_unix_time.csv └── cluster_unix_time_indoor.csv1 directory, 20 files

def ST_DBSCAN(data,eps1,eps2,minPts): # 获得数据的行和列(一共有n条数据) n, m = data.shape # 计算时间距离矩阵 timeDisMat=compute_squared_EDM(data[:,0].reshape(n, 1)) # 获得空间距离矩阵 disMat = compute_squared_EDM(data[:,1:]) # 将矩阵的中小于minPts的数赋予1，大于minPts的数赋予零，然后1代表对每一行求和,然后求核心点坐标的索引 # 注意：np.where()的两种用法（搜索、替换功能） core_points_index = np.where(np.sum(np.where((disMat <= eps1) &(timeDisMat<=eps2), 1, 0), axis=1) >= minPts)[0] # 初始化类别，-1代表未分类。 labels = np.full((n,), -1) clusterId = 0 # 遍历所有的核心点 for pointId in core_points_index: # 如果核心点未被分类，将其作为的种子点，开始寻找相应簇集 if (labels[pointId] == -1): # 将点pointId标记为当前类别(即标识为已操作) labels[pointId] = clusterId # 寻找种子点的eps邻域且没有被分类的点，将其放入种子集合 neighbour=np.where((disMat[:, pointId] <= eps1) & (timeDisMat[:, pointId] <= eps2) & (labels==-1))[0] seeds = set(neighbour) # 通过种子点，开始生长，寻找密度可达的数据点，一直到种子集合为空，一个簇集寻找完毕 while len(seeds) > 0: # 弹出一个新种子点 newPoint = seeds.pop() # 将newPoint标记为当前类 labels[newPoint] = clusterId # 寻找newPoint种子点eps邻域（包含自己） queryResults = set(np.where((disMat[:,newPoint]<=eps1) & (timeDisMat[:, newPoint] <= eps2) )[0]) # 如果newPoint属于核心点，那么newPoint是可以扩展的，即密度是可以通过newPoint继续密度可达的 if len(queryResults) >= minPts: # 将邻域内且没有被分类的点压入种子集合 for resultPoint in queryResults: if labels[resultPoint] == -1: seeds.add(resultPoint) # 簇集生长完毕，寻找到一个类别 clusterId = clusterId 1 return labels