基于密度的时空聚类算法在大规模城市异常事件关联分析中的应用

来源：计算机应用与软件杂志2025年第11期北京时间：

作者：曲波

摘要：城市多异常事件的关联分析对提升城市管理效率和水平，构建智慧城市具有重要意义。针对异常事件多维度特征的异构性与关联复杂性，研究提出一种融合聚类与因果推理的分析框架：一方面使用基于密度的时空聚类算法实现事件的显性时空关联，另一方面借助大语言模型进行事件间的隐式关联推理。针对大规模城市异常事件的时空聚类需求，在DBSCAN和ST_DBSCAN算法基础上提出一种改进版的时空聚类算法，该算法采用BallTree索引结构，并通过时空邻域密度分析显著提升时空聚类效率，能够有效支撑百万级以上异常事件的快速处理。同时，提出了时空聚类核心参数---空间半径阈值与时间半径阈值的优化方法。实验结果表明，改进后的算法在处理海量城市异常事件时表现出优异的聚类性能。

关键词：城市多异常事件关联, 基于密度的时空聚类, 大语言模型, DBSCAN, ST_DBSCAN, BallTree, 聚类参数优化