CN105206057A - 基于浮动车居民出行热点区域的检测方法及系统 - Google Patents

Abstract

本发明提供了一种基于浮动车居民出行热点区域的检测方法及系统，在检测方法中，服务器执行如下步骤：转换步骤，将经纬度换算为平面距离，然后执行分析步骤；分析步骤，对经纬度数据汇总，进行空间聚类分析，从而得出居民出行的热点区域。本发明的有益效果是：本发明能够提高居民出行热点区域的准确性，提高判别效率，为居民出行的选择提供便利。

Description

基于浮动车居民出行热点区域的检测方法及系统

技术领域

本发明涉及检测分析技术领域，尤其涉及基于浮动车居民出行热点区域的检测方法及系统。

背景技术

通过查阅国内外研究现状，发现智能的城市交通系统主要是以居民出行行为作为其研究的着眼点，因为城市交通量的主要来源是居民出行。通过对居民出行的研究，可以从根本上防止和减轻交通拥挤，指导建设配套的公共交通基础设施以及合理规划城市交通功能分布。先进的城市交通系统是以实时采集动态交通状态信息为基础的。常用交通信息采集方式包括:线圈检测器、超声波检测器、红外检测器、视频检测器等。这些均为固定式检测器,存在安装和维护成本高、覆盖范围小、仅能检测固定位置的数据等不足。受人力、资金等因素的制约,我国各城市的交通管理部门仅在关键路段和主要交叉口安装了固定检测器,安装检测器的数量还不到所需的,导致城市道路网上存在大量的信息“真空”地带,使得交通管理者无法准确高效地进行交通诱导和控制。随着GPS、GIS和无线通信技术的发展以及移动设备的普及，利用安装了地图APP等应用软件的移动设备采集交通信息正逐渐受到重视。

在近些年来，利用地图APP等应用软件生成智能热力图的技术逐步成为研究该领域问题的趋势，而基于该技术的居民出行热点区域监测模型实现如下：

1.利用具有GPS定位功能并且安装百度地图APP的移动设备(当用户打开该APP并允许该应用读取用户信息)采集位置和时间信息；

2.对采集的源数据进行预处理，由于GPS终端被建筑物遮挡等原因，GPS数据往往会产生严重的静态漂移现象，因此需要过滤这些数据，以求真实反映居民出行热点区域；

3.采取以空间换时间的方法，将数字地图网格化，建立网格与对应道路ID索引，从而满足大规模数据地图匹配定位的实时性要求；

4.每个用户的移动设备的定位、速度等数据都上传到中心服务器端，由服务器端汇总后进行分析判断。首先将同一时间上传的经纬度数据汇集到一起，然后对经纬度数据赋予提前设置好的权重，并将经纬度数据和其对应的权重储存在一个数据集内，最后将数据集存入数据库，由地图APP应用中的发布系统对居民出行热点区域进行可视化呈现。

上述热点区域监测模型存在的缺点：1)由于在研究居民出行热点区域的过程中，我们只对居民在道路上的位置信息感兴趣，但在上述方法中用户在使用地图APP应用时就上传数据，从而产生了许多噪音数据，不能准群的反映居民出行热点区域；2)由于在判断居民出行热点区域的过程中，对于经纬度坐标相同或相近的数据点，主要依靠人为的设置权重，从而判断居民出行热点区域，而人为的设置权重也容易造成分析得到的结果不准确。

发明内容

为了解决现有技术中的问题，本发明提供了一种基于浮动车居民出行热点区域的检测方法。

本发明提供了一种基于浮动车居民出行热点区域的检测方法，服务器执行如下步骤：

接收步骤，接收多个车载终端发送的浮动车的实时经纬度位置，然后执行转换步骤；

转换步骤，将经纬度换算为平面距离，然后执行分析步骤；

分析步骤，对经纬度数据汇总，进行空间聚类分析，从而得出居民出行的热点区域。

作为本发明的进一步改进，在所述分析步骤中，包括多尺度聚类分析步骤，在所述多尺度聚类分析步骤中，首先在宏观维度采取空间聚类算法得到一个范围广的热点区域，之后在中间维度的热点区域中，再次进行空间聚类分析，得到距离这个区域内各个经纬度点距离总和最小的设定数量个子热点区域，最后在微观维度进行聚类分析，得到该设定数量个子热点区域整体的中心点，那么这个点就是热点区域中心。

作为本发明的进一步改进，在所述宏观维度进行空间聚类分析时，根据聚类原则，使两类点的类内距离相对小，即同类点分布比较集中，体现着同类样本点的相似性，为此将该算法转化为求解下列优化问题：

$min\mathrm{\&Phi;}\left(x\right)=\frac{1}{2}\left|\right|w|{|}^2+d\underset{i=1}{\overset{n}{\&Sigma;}}{{\mathrm{\&eta;}}_i}^{2}s.t.{(<\mathrm{\&omega;}\&CenterDot;x_i>+b+{\mathrm{\&eta;}}_i)}^2=1,i=1,2,...n$

其中，||w||²表示使两类点间的不同类间距离最大，η_i表示各点到其距离它最近的分类超平面的距离，而表示使同类点间的间距最小；

在所述中间维度进行空间聚类分析中，以宏观维度聚类分析得到的热点区域为分析基础，计算该热点区域中每个点距离该区域内其他各个经纬度点的距离总和，之后按照距离从小到大进行排列，选择距离总和最小的前设定数量个点作为子热点区域中心；

在所述微观维度聚类分析中，根据中间维度聚类分析得到的设定数量个子热点区域的中心，计算距离该设定数量个中心距离总和最短的点，也是该热点区域中最核心的位置。

作为本发明的进一步改进，在所述分析步骤中，包括基于网格的空间聚类步骤，在所述基于网格的空间聚类步骤中，将城市以一定的间隔划分为网格结构，之后将浮动车上传的数据根据其所在的不同网格，以网格为基础进行汇总，之后以每个网格为单位进行空间聚类分析，服务器能够对不同的网格同时进行聚类分析。

作为本发明的进一步改进，服务器还包括返回步骤，在所述返回步骤中，服务器将热点区域的经纬度范围返回给车载终端；

车载终端包括执行如下步骤：

获取发送步骤，获取浮动车的实时经纬度位置并发送给服务器；

显示步骤，接收服务器返回的热点区域的经纬度范围，并将热点区域经纬度范围匹配到带有路名以及编号的电子地图上进行可视化显示。

本发明还公开了一种基于浮动车居民出行热点区域的检测系统，服务器包括：

接收模块，用于接收多个车载终端发送的浮动车的实时经纬度位置，然后执行转换模块；

转换模块，用于将经纬度换算为平面距离，然后执行分析模块；

分析模块，用于对经纬度数据汇总，进行空间聚类分析，从而得出居民出行的热点区域。

作为本发明的进一步改进，在所述分析模块中，包括多尺度聚类分析模块，在所述多尺度聚类分析模块中，首先在宏观维度采取空间聚类算法得到一个范围广的热点区域，之后在中间维度的热点区域中，再次进行空间聚类分析，得到距离这个区域内各个经纬度点距离总和最小的设定数量个子热点区域，最后在微观维度进行聚类分析，得到该设定数量个子热点区域整体的中心点，那么这个点就是热点区域中心。

作为本发明的进一步改进，在所述宏观维度进行空间聚类分析时，根据聚类原则，使两类点的类内距离相对小，即同类点分布比较集中，体现着同类样本点的相似性，为此将该算法转化为求解下列优化问题：

$min\mathrm{\&Phi;}\left(x\right)=\frac{1}{2}\left|\right|w|{|}^2+d\underset{i=1}{\overset{n}{\&Sigma;}}{{\mathrm{\&eta;}}_i}^{2}s.t.{(<\mathrm{\&omega;}\&CenterDot;x_i>+b+{\mathrm{\&eta;}}_i)}^2=1,i=1,2,...n$

其中，||w||²表示使两类点间的不同类间距离最大，η_i表示各点到其距离它最近的分类超平面的距离，而表示使同类点间的间距最小；

在所述中间维度进行空间聚类分析中，以宏观维度聚类分析得到的热点区域为分析基础，计算该热点区域中每个点距离该区域内其他各个经纬度点的距离总和，之后按照距离从小到大进行排列，选择距离总和最小的前设定数量个点作为子热点区域中心；

在所述微观维度聚类分析中，根据中间维度聚类分析得到的设定数量个子热点区域的中心，计算距离该设定数量个中心距离总和最短的点，也是该热点区域中最核心的位置。

作为本发明的进一步改进，在所述分析模块中，包括基于网格的空间聚类模块，在所述基于网格的空间聚类模块中，将城市以一定的间隔划分为网格结构，之后将浮动车上传的数据根据其所在的不同网格，以网格为基础进行汇总，之后以每个网格为单位进行空间聚类分析，服务器能够对不同的网格同时进行聚类分析。

作为本发明的进一步改进，服务器还包括返回模块，在所述返回模块中，服务器将热点区域的经纬度范围返回给车载终端；

车载终端包括：

获取发送模块，用于获取浮动车的实时经纬度位置并发送给服务器；

显示模块，用于接收服务器返回的热点区域的经纬度范围，并将热点区域经纬度范围匹配到带有路名以及编号的电子地图上进行可视化显示。

本发明的有益效果是：本发明能够提高居民出行热点区域的准确性，提高判别效率，为居民出行的选择提供便利。

附图说明

图1是本发明的方法流程图。

图2是本发明的可视化流程图。

图3是本发明的系统原理图。

具体实施方式

本发明公开了一种基于浮动车居民出行热点区域的检测方法，该检测方法包括车载终端，车载终端安装在浮动车上，浮动车可以是出租车、公交车、以及私家车等机动车。

车载终端包括执行如下步骤：

获取发送步骤，获取浮动车的实时经纬度位置并发送给服务器；

数据预处理步骤，其中需要剔除的数据包括超出所研究城市的经纬度范围；出租车显示为空载等噪音数据；

选择在车载终端处理浮动车数据，不仅可以提高预测的精度，还可以提高处理数据的效率，避免了将数据传输到服务器进行处理而造成的数据堆积。

单独设立该车载终端可以将每辆车的数据进行预处理后再返回给终端处理中心(服务器)，这样就避免了终端处理中心进行数据处理，可以明显提高运算效率，避免了终端处理中心因处理大量数据而瘫痪。

本发明的服务器采取并行的聚类分析算法，根据精确度以及运行效率的不同，采取两种不同的聚类方法，将在路上行驶的车辆的经纬度进行汇总，利用这些经纬度数据进行空间聚类分析，如图1所示，具体为该服务器包括如下步骤：

在步骤S1中，接收多个车载终端发送的浮动车的实时经纬度位置；

在步骤S2中，将经纬度换算为平面距离；

在步骤S3中，对经纬度数据汇总，进行空间聚类分析，从而得出居民出行的热点区域。

其中，在步骤S2中，以任意两点i和j之间的距离d(i,j)为例。在matlab软件中，dist(x₁,y₁,x₂,y₂)函数可以将任意两点的经纬度坐标转换为这两点与地心连线所夹的夹角，之后再把该结果转换成弧度，再乘以地球半径竟可以得到任意两点的距离公式其中R≈6370856m，i₁代表i的经度，i₂代表i的纬度，j₁代表j的经度，j₂代表j的纬度。

在步骤S3中，根据步骤S2中得到的任意两个经纬度点之间的距离公式，对汇总的经纬度数据进行并行的空间聚类分析：

a.为提高热点区域的精确度，采取多尺度聚类分析步骤

所谓多尺度聚类分析步骤，首先在宏观维度采取空间聚类算法得到一个范围较广的热点区域，之后在这个中间维度的热点区域中，再次进行空间聚类分析，得到距离这个区域内各个经纬度点距离总和最小的设定数量(该设定数量为10个)子热点区域，最后在微观维度进行聚类分析，得到该10个子热点区域整体的中心点，那么这个点就是这个热点区域的中心点，即热点区域中心。

首先，在宏观维度进行聚类分析时，根据聚类原则，使两类点的类内距离相对小(选取100米为阈值)，即同类点分布比较集中，体现着同类样本点的相似性，为此可以将该算法转化为求解下列优化问题：

$min\mathrm{\&Phi;}\left(x\right)=\frac{1}{2}\left|\right|w|{|}^2+d\underset{i=1}{\overset{n}{\&Sigma;}}{{\mathrm{\&eta;}}_i}^{2}s.t.{(<\mathrm{\&omega;}\&CenterDot;x_i>+b+{\mathrm{\&eta;}}_i)}^2=1,i=1,2,...n$

其中，||w||²表示使两类点间的不同类间距离最大，η_i表示各点到其距离它最近的分类超平面的距离，而表示使同类点间的间距最小；

在宏观维度聚类分析中，我们得到了一个范围相对较大的热点区域，该区域中还包含了许多子热点区域，并且这些子热点区域并不相连，这就需要我们进行中间维度的聚类。在中间维度聚类分析中，我们需要以宏观维度聚类分析得到的热点区域为分析基础，为了找到各个子热点区域中心，我们需要计算该热点区域中每个点距离该区域内其他各个经纬度点的距离总和，之后按照距离从小到大进行排列，选择距离总和最小的前设定数量(设定数量为十个)点作为子热点区域中心。于是，中间维度聚类就转换成了推倒以下模型：

MinD＝[(X₁-X)²+(Y₁-Y)²]+……+[(X_n-X)²+(Y_n-Y)²]

其中，假设宏观维度聚类分析得到的热点区域内的经纬点坐标分别为(X₁,Y₁)、(X₂,Y₂)…(X_n,Y_n)，其中子热点区域的中心点坐标为(X,Y)，按照距离总和选取使得上式D最小的前(设定数量为十个)点作为子热点区域的中心点。

在微观维度聚类分析中，我们根据中间维度聚类分析算法得到的设定数量(设定数量为10个)子热点区域的中心，计算距离该设定数量(设定数量为10个)中心距离总和最短的点，而该点就是这个大的热点区域的中心点，也是该热点区域中最核心的位置，因为该点距离每个子热点区域的距离最短。

b.为提高运行效率，采取改进的聚类分析算法

为了提高空间层次聚类分析算法的运行效率，我们提出了基于网格的空间聚类步骤(基于网格的空间聚类算法)。

对于原有的空间聚类算法，就是将待研究城市的全部浮动车数据进行汇总，进行聚类分析，在数据量非常大的时候，需要服务器花费很长的时间进行分析，从而不一定能保证实时更新。而所谓基于网格的空间聚类算法，就是事先将待研究城市以一定的间隔划分为网格结构，之后将浮动车上传的数据根据其所在的不同网格，以网格为基础进行汇总，之后以每个网格为单位进行空间聚类分析，于是服务器可以对不同的网格同时进行聚类分析，这样就可以极大地提高聚类分析算法的运行效率。

基于网格的空间聚类算法，需要给出一个明确的网格划分标准。可以选择的方法是以行政区域划分；以历史数据为基础人为地划分网格等等。

服务器还包括返回步骤，在所述返回步骤中，服务器将热点区域的经纬度范围返回给车载终端；

在本发明中，提出了并行的聚类算法的技术路线，用户可以根据自己不同的需求选择不同的聚类算法。为了提高热点区域的精度，我们采用多尺度聚类的分析方法，可以将热点区域精确到某个点上；为了提高运行效率，我们采用了基于网格的空间聚类算法，可以极大地提高运行效率，缩短计算时间。

车载终端还包括显示步骤，接收服务器返回的热点区域的经纬度范围，并将热点区域经纬度范围匹配到带有路名以及编号的电子地图上进行可视化显示。

图2是地图可视化的流程。

在本发明中，车载终端将居民出行热点区域可视化，可以实时的监测居民出行热点区域的变化趋势，为居民出行的选择提供便利。

本发明还公开了一种基于浮动车居民出行热点区域的检测系统，服务器包括：

接收模块，用于接收多个车载终端发送的浮动车的实时经纬度位置，然后执行转换模块；

转换模块，用于将经纬度换算为平面距离，然后执行分析模块；

分析模块，用于对经纬度数据汇总，进行空间聚类分析，从而得出居民出行的热点区域。

所述分析模块中，包括多尺度聚类分析模块，在所述多尺度聚类分析模块中，首先在宏观维度采取空间聚类算法得到一个范围广的热点区域，之后在中间维度的热点区域中，再次进行空间聚类分析，得到距离这个区域内各个经纬度点距离总和最小的设定数量个子热点区域，最后在微观维度进行聚类分析，得到该设定数量个子热点区域整体的中心点，那么这个点就是热点区域中心。

在所述宏观维度进行空间聚类分析时，根据聚类原则，使两类点的类内距离相对小，即同类点分布比较集中，体现着同类样本点的相似性，为此将该算法转化为求解下列优化问题：

$min\mathrm{\&Phi;}\left(x\right)=\frac{1}{2}\left|\right|w|{|}^2+d\underset{i=1}{\overset{n}{\&Sigma;}}{{\mathrm{\&eta;}}_i}^{2}s.t.{(<\mathrm{\&omega;}\&CenterDot;x_i>+b+{\mathrm{\&eta;}}_i)}^2=1,i=1,2,...n$

其中，||w||²表示使两类点间的不同类间距离最大，η_i表示各点到其距离它最近的分类超平面的距离，而表示使同类点间的间距最小；

在所述中间维度进行空间聚类分析中，以宏观维度聚类分析得到的热点区域为分析基础，计算该热点区域中每个点距离该区域内其他各个经纬度点的距离总和，之后按照距离从小到大进行排列，选择距离总和最小的前设定数量个点作为子热点区域中心；

在所述微观维度聚类分析中，根据中间维度聚类分析得到的设定数量个子热点区域的中心，计算距离该设定数量个中心距离总和最短的点，也是该热点区域中最核心的位置。

在所述分析模块中，包括基于网格的空间聚类模块，在所述基于网格的空间聚类模块中，将城市以一定的间隔划分为网格结构，之后将浮动车上传的数据根据其所在的不同网格，以网格为基础进行汇总，之后以每个网格为单位进行空间聚类分析，服务器能够对不同的网格同时进行聚类分析。

服务器还包括返回模块，在所述返回模块中，服务器将热点区域的经纬度范围返回给车载终端；

车载终端包括：

获取发送模块，用于获取浮动车的实时经纬度位置并发送给服务器；

显示模块，用于接收服务器返回的热点区域的经纬度范围，并将热点区域经纬度范围匹配到带有路名以及编号的电子地图上进行可视化显示。

本发明的车载终端包括获取发送模块和显示模块，显示模块能够进行地图可视化显示，通过对GPS记录来的车辆实时数据，结合服务器内的分析模块(提供了两种并行的聚类分析方法)，能较准确实时地呈现居民出行热点区域的变化趋势。

作为本发明的一个实施例，获取发送模块包括获取模块和数据预处理模块。

获取模块用于获取浮动车的实时经纬度位置

数据预处理模块用于剔除的数据包括超出所研究城市的经纬度范围，出租车显示为空载等噪音数据。

本发明采用浮动车信息采集技术(FloatingCarData)，其具有全天候、实时性强、检测成本小、数据精度高、采集范围广等诸多优点。此外，本发明在研究居民出行热点区域时，采取并行的技术路线，根据用户的不同需要可以选择不同的技术路线：当用户选择较为精确、细致的热点区域时，我们提供多尺度聚类的方法来满足用户要求；当用户选择较为粗略的热点区域，但是要求更快的计算速度时，我们提供改进的聚类方法。

依靠浮动车信息采集技术，我们首先对采集的数据进行预处理。本发明采取并行的技术路线，为提高热点区域经度，主要采用多尺度空间聚类算法；为提高运行效率，主要采用改进的聚类算法。用户可以根据自身的需求选择不同的聚类方式，从而对采集的经纬度数据进行聚类分析，判断热点区域。此外，本发明还结合在车载终端上传的单车浮动点数据实现对居民出行热点区域的实时监测。本发明能够消除基于地图APP应用技术判别模型在数据上的干扰，并提高热点区域判断的准确性。此外，车载终端通过将居民出行热点区域可视化，可以实时的监测居民出行热点区域的变化趋势，为居民出行的选择提供便利。

综上，本发明提高居民出行热点区域的准确性，提高判别效率，在本发明中，将利用浮动车数据代替用户打开APP时上传的数据作为判别居民出行热点区域的入手点。在本发明中，首先通过车载终端测得车辆的经纬度位置，之后通过无线通信技术将经纬度位置上传到服务器，服务器通过汇总此时在路面上车辆的经纬度信息，结合并行的空间聚类分析算法，判别出居民出行热点区域，从而减小了因数据问题和判别方法所引起的区域误差，最后服务器将热点区域的经纬度范围传回车载终端，在车载终端上完成地图可视化。为了保证服务器的计算速度，车载终端每五分钟上传一次数据，从而在车载终端上可以呈现居民出行热点区域的实时变化趋势，为居民出行的选择提供便利。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于浮动车居民出行热点区域的检测方法，其特征在于，服务器执行如下步骤：

接收步骤，接收多个车载终端发送的浮动车的实时经纬度位置，然后执行转换步骤；

转换步骤，将经纬度换算为平面距离，然后执行分析步骤；

分析步骤，对经纬度数据汇总，进行空间聚类分析，从而得出居民出行的热点区域。

2.根据权利要求1所述的检测方法，其特征在于，在所述分析步骤中，包括多尺度聚类分析步骤，在所述多尺度聚类分析步骤中，首先在宏观维度采取空间聚类算法得到一个范围广的热点区域，之后在中间维度的热点区域中，再次进行空间聚类分析，得到距离这个区域内各个经纬度点距离总和最小的设定数量个子热点区域，最后在微观维度进行聚类分析，得到该设定数量个子热点区域整体的中心点，那么这个点就是热点区域中心。

3.根据权利要求2所述的检测方法，其特征在于，在所述宏观维度进行空间聚类分析时，根据聚类原则，使两类点的类内距离相对小，即同类点分布比较集中，体现着同类样本点的相似性，为此将该算法转化为求解下列优化问题：

$\begin{array}{cccc}\min & \mathrm{\&Phi;}\left(x\right)=\frac{1}{2}\left|\right|w|{|}^2+d\underset{i=1}{\overset{n}{\&Sigma;}}{{\mathrm{\&eta;}}_i}^2& s.t.& {(<\mathrm{\&omega;}\&CenterDot;x_i>+b+{\mathrm{\&eta;}}_i)}^2=1,i=1,2,...n\end{array}$

其中，||w||²表示使两类点间的不同类间距离最大，η_i表示各点到其距离它最近的分类超平面的距离，而表示使同类点间的间距最小；

在所述中间维度进行空间聚类分析中，以宏观维度聚类分析得到的热点区域为分析基础，计算该热点区域中每个点距离该区域内其他各个经纬度点的距离总和，之后按照距离从小到大进行排列，选择距离总和最小的前设定数量个点作为子热点区域中心；

在所述微观维度聚类分析中，根据中间维度聚类分析得到的设定数量各自热点区域的中心，计算距离该设定数量个中心距离总和最短的点，也是该热点区域中最核心的位置。

4.根据权利要求2所述的检测方法，其特征在于，在所述分析步骤中，包括基于网格的空间聚类步骤，在所述基于网格的空间聚类步骤中，将城市以一定的间隔划分为网格结构，之后将浮动车上传的数据根据其所在的不同网格，以网格为基础进行汇总，之后以每个网格为单位进行空间聚类分析，服务器能够对不同的网格同时进行聚类分析。

5.根据权利要求1至4任一项所述的检测方法，其特征在于，服务器还包括返回步骤，在所述返回步骤中，服务器将热点区域的经纬度范围返回给车载终端；

车载终端包括执行如下步骤：

获取发送步骤，获取浮动车的实时经纬度位置并发送给服务器；

显示步骤，接收服务器返回的热点区域的经纬度范围，并将热点区域经纬度范围匹配到带有路名以及编号的电子地图上进行可视化显示。

6.一种基于浮动车居民出行热点区域的检测系统，其特征在于，服务器包括：

接收模块，用于接收多个车载终端发送的浮动车的实时经纬度位置，然后执行转换模块；

转换模块，用于将经纬度换算为平面距离，然后执行分析模块；

分析模块，用于对经纬度数据汇总，进行空间聚类分析，从而得出居民出行的热点区域。

7.根据权利要求6所述的检测系统，其特征在于，在所述分析模块中，包括多尺度聚类分析模块，在所述多尺度聚类分析模块中，首先在宏观维度采取空间聚类算法得到一个范围广的热点区域，之后在中间维度的热点区域中，再次进行空间聚类分析，得到距离这个区域内各个经纬度点距离总和最小的设定数量个子热点区域，最后在微观维度进行聚类分析，得到该设定数量个子热点区域整体的中心点，那么这个点就是热点区域中心。

8.根据权利要求7所述的检测系统，其特征在于，在所述宏观维度进行空间聚类分析时，根据聚类原则，使两类点的类内距离相对小，即同类点分布比较集中，体现着同类样本点的相似性，为此将该算法转化为求解下列优化问题：

$\begin{array}{cccc}\min & \mathrm{\&Phi;}\left(x\right)=\frac{1}{2}\left|\right|w|{|}^2+d\underset{i=1}{\overset{n}{\&Sigma;}}{{\mathrm{\&eta;}}_i}^2& s.t.& {(<\mathrm{\&omega;}\&CenterDot;x_i>+b+{\mathrm{\&eta;}}_i)}^2=1,i=1,2,...n\end{array}$

其中，||w||²表示使两类点间的不同类间距离最大，η_i表示各点到其距离它最近的分类超平面的距离，而表示使同类点间的间距最小；

在所述中间维度进行空间聚类分析中，以宏观维度聚类分析得到的热点区域为分析基础，计算该热点区域中每个点距离该区域内其他各个经纬度点的距离总和，之后按照距离从小到大进行排列，选择距离总和最小的前设定数量个点作为子热点区域中心；

在所述微观维度聚类分析中，根据中间维度聚类分析得到的设定数量个子热点区域的中心，计算距离该设定数量个中心距离总和最短的点，也是该热点区域中最核心的位置。

9.根据权利要求7所述的检测系统，其特征在于，在所述分析模块中，包括基于网格的空间聚类模块，在所述基于网格的空间聚类模块中，将城市以一定的间隔划分为网格结构，之后将浮动车上传的数据根据其所在的不同网格，以网格为基础进行汇总，之后以每个网格为单位进行空间聚类分析，服务器能够对不同的网格同时进行聚类分析。

10.根据权利要求6至9任一项所述的检测系统，其特征在于，服务器还包括返回模块，在所述返回模块中，服务器将热点区域的经纬度范围返回给车载终端；

车载终端包括：

获取发送模块，用于获取浮动车的实时经纬度位置并发送给服务器；

显示模块，用于接收服务器返回的热点区域的经纬度范围，并将热点区域经纬度范围匹配到带有路名以及编号的电子地图上进行可视化显示。