(MATLAB代码) 船舶轨迹聚类：K-means 算法(260912)

1. 算法识别

这段 MATLAB 代码使用的是 K-means 聚类算法 。代码中通过 kmeans(coords, numClusters) 函数对船舶 AIS 轨迹的经纬度坐标进行聚类，将轨迹点划分为 200 个簇。

2. 核心代码解析

以下是代码中与 K-means 聚类相关的关键部分：

matlab 复制代码

% 使用K-means进行聚类
numClusters = 200;  % 设定聚类的簇数，需要根据数据情况调整
% 提取经纬度点
coords = [CF.Lon, CF.Lat];
% 使用K-means算法进行聚类
[idx, C] = kmeans(coords, numClusters);

其中：

numClusters = 200：指定聚类簇数为 200。
coords = [CF.Lon, CF.Lat]：提取所有轨迹点的经纬度作为聚类输入特征。
[idx, C] = kmeans(coords, numClusters)：执行 K-means 聚类，返回每个点的簇标签 idx 和簇中心坐标 C。

3. K-means 算法原理

K-means 是一种基于划分的经典无监督聚类算法，其核心思想是将 n 个样本划分为 k 个簇，使得簇内样本之间的相似度最高、簇间相似度最低。算法步骤如下：

初始化：随机选择 k 个样本作为初始簇中心。
分配：计算每个样本到各簇中心的距离（通常为欧氏距离），将其分配到最近的簇。
更新：重新计算每个簇的质心（即簇内所有样本的均值），作为新的簇中心。
迭代：重复步骤 2 和 3，直到簇中心不再变化或达到最大迭代次数。

4. 聚类结果可视化

代码中通过以下方式展示聚类结果：

matlab 复制代码

% 为每个簇分配不同的颜色
clusterColors = lines(numClusters);
% 绘制聚类结果
figure; geoaxes; hold on;
for k = 1:numClusters
    cluster = coords(idx == k, :);
    if ~isempty(cluster)
        geoscatter(cluster(:, 2), cluster(:, 1), 0.5, ...
            'MarkerEdgeColor', clusterColors(k, :), ...
            'MarkerFaceColor', clusterColors(k, :));
    end
end
% 绘制聚类中心点
geoscatter(C(:, 2), C(:, 1), 8, 'r*', 'LineWidth', 2);
title('K-means Clustered Ship Trajectories');
geobasemap topographic;

每个簇使用不同颜色绘制轨迹点，红色星号标记簇中心位置，便于观察船舶轨迹的空间聚集特征。

5. 聚类结果保存

聚类完成后，代码将结果保存为 CSV 文件：

matlab 复制代码

% 保存聚类结果和聚类中心点
CF.Cluster = idx;
writetable(CF, fullfile(outpath, 'AIS_kmeans_clustered.csv'));
C_table = array2table(C, 'VariableNames', {'Lon', 'Lat'});
writetable(C_table, fullfile(outpath, 'Cluster_Centers.csv'));

AIS_kmeans_clustered.csv：包含原始轨迹数据及每个点所属的簇标签。
Cluster_Centers.csv：保存 200 个簇中心的经纬度坐标。

6. 总结

该代码使用 K-means 聚类算法对船舶 AIS 轨迹点进行空间聚类分析，通过设定 200 个簇将轨迹点按地理位置分组，并在地图上可视化聚类结果和簇中心，适用于分析船舶活动密集区域和典型航线模式。

6.1数据

6.2代码数据路径

7所有代码获取

(MATLAB代码) 船舶轨迹聚类：K-means 算法(260912)https://mbd.pub/o/bread/mbd-YZaVlJ5qag==