斗破苍穹395集,斗破苍穹93集最火的一集

　　一、聚类分析算法介绍

　　1、聚类分析

　　聚类分析是一类将数据所研究对象进行分类的统计方法。这一类方法的共同特点是斗破苍穹93集最火的一集：事先不知道类别的个数与结构；据以进行分析的数据是对象之间的相似性或相异性的数据。将这些相似（相异）性数据看成是对象之间的“距离”远近的一种度量斗破苍穹93集最火的一集，将距离近的对象归入一类斗破苍穹93集最火的一集，不同类之间的对象距离较远。这就是聚类分析方法的共同思路。

　　聚类分析根据分类对象不同分为Q型聚类分析和R型聚类分析。Q型聚类分析是指对样本进行聚类斗破苍穹93集最火的一集，R型聚类分析是指对变量进行聚类。本文只考虑使用Q型聚类分析，即对样本进行聚类。

　　2、选择使用K-means算法

　　K-means算法是动态聚类算法中的一种，该算法效率较高，而且不容易受初始值选择的影响。用来分析定位弱覆盖区域，由于经纬度分布面较广，需要对初始质点的数量选择进行慎重选择，后续考虑通过计算对比优化。

　　K-means算法斗破苍穹93集最火的一集：

　　a选择K个点作为初始质点；

　　b将每个点指派到最近的质点，形成K个簇（聚类）；

　　c重新计算每个簇的质点；

　　d重复2-3直至质点不发生变化。

　　二、弱覆盖区域样本数据分析筛选

　　在Http://42.99.18.29:9703/4D32B0CF493B74B0/提取5月1日至15日业务感知数据，整理汇总并按集团要求剔除无效数据。

　　三、针对不同数量的质点对样本数据进行聚类分析

　　分析包头数据，筛选出LTE网络业务感知采样点中的RSRP低于-105dBm，并且SINR值低于-3dB的样本点，总计筛选出97个样本。

　　由于初始质点数量的确认目前没有明确有效的算法，所以尝试选择不同质点对比，确定一个质点数量的选择方案。

　　1、筛选97个样本点地图分布对比

　　使用包头5月1日至15日业务感知数据分析可能存在弱覆盖的样本点分布情况。

主城区及土右旗分布

白云、达茂和固阳分布

　　2、初始质点选择30个

　　初始30个质点做聚类分析，选取其中大于5个样本点的6个聚类。

对比样本点与聚类点位置基本满足弱覆盖区域

　　30个聚类的罗列，其中第三列表示该项聚类中样本个数，第四、五列分别为聚类中心点的经纬度。选取聚类3、7、15、19、20、23样本个数大于5个的聚类。

　　97个样本在各自聚类中到中心的距离罗列。

各叢集組員

各叢集組員

　　個案編號

叢集

距離

　　個案編號

叢集

距離

　　1

1

0.000

　　41

18

.004

　　88

2

.011

　　40

18

.009

　　72

2

.011

　　69

19

.009

　　45

2

.021

　　68

19

.007

　　44

2

.011

　　66

19

.011

　　83

3

.015

　　64

19

.013

　　80

3

.012

　　63

19

.017

　　76

3

.011

　　62

19

.016

　　75

3

.008

　　31

19

.009

　　73

3

.023

　　30

19

.024

　　47

3

.010

　　14

19

.007

　　39

3

.017

　　67

20

.031

　　3

3

.007

　　65

20

.003

　　4

4

0.000

　　57

20

.006

　　5

5

0.000

　　56

20

.002

　　6

6

0.000

　　55

20

.003

　　93

7

.013

　　54

20

.003

　　92

7

.013

　　38

20

.003

　　91

7

.005

　　37

20

.008

　　90

7

.006

　　36

20

.003

　　8

7

.009

　　35

20

.003

　　77

7

.018

　　32

21

.006

　　7

7

.008

　　27

21

.006

　　51

7

.016

　　43

22

.014

　　46

8

0.000

　　33

22

.014

　　9

9

0.000

　　96

23

.009

　　61

10

.009

　　95

23

.013

　　20

10

.009

　　94

23

.018

　　12

10

.022

　　85

23

.013

　　10

10

.004

　　84

23

.008

　　53

11

.008

　　82

23

.013

　　52

11

.008

　　81

23

.010

　　48

12

0.000

　　79

23

.006

　　13

13

0.000

　　34

23

.010

　　59

14

0.000

　　22

23

.004

　　97

15

.018

　　21

23

.005

　　87

15

.019

　　24

24

.002

　　86

15

.020

　　23

24

.002

　　71

15

.013

　　25

25

.014

　　50

15

.011

　　11

25

.014

　　15

15

.020

　　60

26

.013

　　2

16

.008

　　26

26

.013

　　16

16

.008

　　42

27

0.000

　　19

17

.003

　　74

28

.003

　　18

17

.003

　　28

28

.003

　　17

17

.005

　　29

29

0.000

　　89

18

.010

　　70

30

.018

　　78

18

.016

　　49

30

.018

　　58

18

.010

　　3、初始质点选择50个

　　初始50个质点做聚类分析，选取其中大于等于5个样本点的3个聚类（下图中深红色五角星点）。对比选取50个质点和选取30个质点的典型聚类，注意到50个质点的聚类更接近于合理的聚类中心。

对比样本点与聚类点位置基本满足弱覆盖区域

　　50个聚类的罗列，其中第三列表示该项聚类中样本个数，第四、五列分别为聚类中心点的经纬度。选取聚类14、36、37样本个数大于等于5个的聚类。

　　97个样本在各自聚类中到中心的距离罗列。

各叢集組員

各叢集組員

　　個案編號

叢集

距離

　　個案編號

叢集

距離

　　1

1

0.000

　　28

28

.003

　　7

2

.008

　　74

28

.003

　　8

2

1.346E-05

　　29

29

0.000

　　92

2

.003

　　30

30

0.000

　　93

2

.007

　　94

31

.003

　　3

3

.003

　　95

31

.003

　　76

3

.003

　　27

32

.006

　　4

4

0.000

　　32

32

.006

　　5

5

0.000

　　33

33

0.000

　　6

6

0.000

　　78

34

0.000

　　51

7

.007

　　58

35

.003

　　90

7

.005

　　89

35

.003

　　91

7

.004

　　35

36

.001

　　64

8

.007

　　36

36

.001

　　66

8

.006

　　37

36

.005

　　68

8

.002

　　38

36

.001

　　9

9

0.000

　　54

36

.001

　　10

10

.004

　　55

36

.001

　　20

10

.002

　　56

36

.001

　　61

10

.002

　　57

36

.005

　　11

11

0.000

　　65

36

.001

　　12

12

0.000

　　14

37

.006

　　13

13

0.000

　　31

37

.007

　　21

14

.003

　　62

37

.015

　　22

14

.004

　　63

37

.010

　　79

14

.002

　　69

37

.008

　　81

14

.004

　　52

38

.008

　　82

14

.006

　　53

38

.008

　　84

14

.000

　　39

39

.006

　　15

15

8.322E-05

　　80

39

.006

　　86

15

8.322E-05

　　40

40

.002

　　2

16

.008

　　41

40

.002

　　16

16

.008

　　60

41

0.000

　　17

17

.005

　　42

42

0.000

　　18

17

.003

　　43

43

0.000

　　19

17

.003

　　44

44

0.000

　　67

18

0.000

　　34

45

.005

　　72

19

.003

　　45

45

.011

　　88

19

.003

　　85

45

.005

　　70

20

0.000

　　96

45

.005

　　77

21

0.000

　　46

46

0.000

　　73

22

0.000

　　47

47

.005

　　59

23

0.000

　　75

47

.005

　　23

24

.002

　　83

47

.010

　　24

24

.002

　　48

48

0.000

　　25

25

0.000

　　49

49

0.000

　　26

26

0.000

　　50

50

.003

　　87

27

.007

　　71

50

.003

　　97

27

.007

　　97个样本在各自聚类中到中心的距离罗列。

　　4、初始质点个数的算法确定

　　由于弱覆盖地理面积过大，较远的样本点分配到一个聚类中无意义，所以选取初始质点个数直接影响到其它样本点是否会做为异常点参与计算。目前采用以下公式计算初始质点：

　　（roundup(样本点个数/20)）*10

　　其中，roundup为向上取整。以本例是97个样本点为例计算，97除以20为4.85，向上取整为5，乘以10为50，所以初始质点个数选取50个。

　　四、总结对比

　　1、对比初始质点为30和50的聚类中心位置差距

　　下图中深红色点为初始质点为50个的典型聚类，红色为初始质点为30个的典型聚类，对比可看出初始质点为50个的典型聚类更接近样本点聚集区域。

　　2、与包头分公司沟通确认附近覆盖情况

　　上图中编号为14的聚类与分公司沟通确认所在位置办公楼较多，室内用户较多，深度覆盖严重不足；编号为36的聚类所在位置离最近基站1.5KM，周围区域存在弱覆盖；编号为37的聚类所在位置写字楼，超市较多，室内用户较多，深度覆盖严重不足。

　　对比后再与盟市沟通，该方案可以远程定位弱覆盖和深度覆盖区域，但算法精度需要进一步优调整。计划后续优化分析过程中利用参数检验等手段进一步优化该方法。