Skip To Content

Punkt-Cluster suchen

Hinweis:

Diese Funktionalität wird derzeit nur in Map Viewer Classic (zuvor als Map Viewer bezeichnet) unterstützt. Sie wird in einer zukünftigen Version des neuen Map Viewer verfügbar sein.

Symbol des Werkzeugs "Punkt-Cluster suchen" Das Werkzeug Punkt-Cluster suchen findet Cluster aus Punkt-Features im Datenrauschen des Umfeldes basierend auf deren räumlicher oder raumzeitlicher Verteilung.

Workflow-Diagramm

Punkt-Cluster suchen

Durchführen von Analysen mit GeoAnalytics Tools

Mit GeoAnalytics Tools durchgeführte Analysen werden mittels verteilter Verarbeitung auf mehreren ArcGIS GeoAnalytics Server-Computern und Kernen durchgeführt. GeoAnalytics Tools und Standard-Feature-Analysewerkzeuge in ArcGIS Enterprise verfügen über verschiedene Parameter und Funktionen. Weitere Informationen zu diesen Unterschieden finden Sie unter Unterschiede zwischen Feature-Analysewerkzeugen.

Beispiel

Eine gemeinnützige Organisation untersucht eine bestimmte durch Schädlinge übertragene Krankheit und verfügt über ein Punkt-Dataset, das Haushalte in einem Untersuchungsgebiet darstellt, von denen einige betroffen sind und andere nicht. Mithilfe des Werkzeugs Punkt-Cluster suchen kann ein Analyst die Cluster betroffener Haushalte ermitteln, um einen Bereich besser aufzeigen und mit der Behandlung und Vernichtung krankheitsübertragender Erreger beginnen zu können.

Verwendungshinweise

Die Eingabe für Punkt-Cluster suchen ist ein einzelner Punkt-Layer.

Mit dem Parameter Zu verwendende Methode der Cluster-Bildung auswählen wird festgelegt, ob der Algorithmus "Definierte Entfernung" oder der Algorithmus "Automatische Anpassung" für die Cluster-Bildung verwendet wird. "Definierte Entfernung (DBSCAN)" findet anhand einer angegebenen Suchentfernung Cluster aus Punkten in enger Nachbarschaft. "Automatische Anpassung (HDBSCAN)" findet Cluster aus Punkten ähnlich wie DBSCAN, verwendet aber variierende Suchbereiche, sodass auch Cluster mit variierenden Dichten basierend auf der Cluster-Wahrscheinlichkeit (oder Stabilität) gefunden werden können.

Bei Auswahl von DBSCAN werden Cluster entweder nur im zweidimensionalen Raum oder in Raum und Zeit gefunden. Wenn Sie die Option Zeit zum Suchen von Clustern verwenden auswählen, im Eingabe-Layer die Zeitoption aktiviert ist und der Zeittyp "Zeitpunkt" lautet, findet DBSCAN Cluster vom Typ "spatiotemporal", die sich, basierend auf einer angegebenen Suchentfernung und einer Suchdauer, in unmittelbarer Nähe befinden.

HDBSCAN unterstützt aktuell räumliches Clustering und ermittelt Cluster nicht anhand der Zeit.

Alle Ergebnisse enthalten ein Feld namens CLUSTER_ID, das angibt, welchem Cluster das jeweilige Feature angehört, und ein Feld namens COLOR_ID, das eine Beschriftung zum Darstellen der Ergebnisse ist, sodass sich in den meisten Fällen jeder Cluster visuell von seinen benachbarten Clustern unterscheidet. Bei beiden Feldern gibt der Wert "-1" an, dass ein Feature als Rauschen gekennzeichnet ist.

Wenn die Cluster-Bildungsmethode Definierte Entfernung (DBSCAN) mit der Option "Zeit" zum Suchen von Clustern vom Typ "spatiotemporal" verwendet wird, beinhalten die Ergebnisse zudem die folgenden Felder:

  • FEAT_TIME: Ursprünglicher Zeitpunkt der einzelnen Features.
  • START_DATETIME: Startzeit des Zeitraums des Clusters, zu dem ein Feature gehört.
  • END_DATETIME: Endzeit des Zeitraums des Clusters, zu dem ein Feature gehört.

Die Zeit des Ergebnis-Layers wird mithilfe der Felder START_DATETIME und END_DATETIME als Intervall festgelegt; dadurch wird gewährleistet, dass bei der Visualisierung von Clustern vom Typ "spatiotemporal" mit einem Zeitschieberegler in den meisten Fällen alle Cluster-Mitglieder zusammen dargestellt werden. Bei Rauschen-Features entsprechen die Felder START_DATETIME und END_DATETIME dem Feld FEAT_TIME.

Wird Automatische Anpassung (HDBSCAN) als Methode der Cluster-Bildung verwendet, enthalten die Ergebnisse außerdem die folgenden Felder:

  • PROB: Die Wahrscheinlichkeit, mit der ein Feature in den zugewiesenen Cluster gehört.
  • OUTLIER: Die Wahrscheinlichkeit, mit der ein Feature im eigenen Cluster ein Ausreißer ist. Je größer der Wert, umso wahrscheinlicher ist das Feature ein Ausreißer.
  • EXEMPLAR: Gibt an, welche Features für die einzelnen Cluster am repräsentativsten sind. Diese Features sind durch den Wert 1 gekennzeichnet.
  • STABILITY: Das Vorhandensein der einzelnen Cluster in einem Maßstabsbereich. Je größer der Wert, umso größer ist der Bereich der Abstandsmaßstäbe, in dem sich ein Cluster befindet.

Der Parameter Minimale Anzahl von Punkten, die als Cluster gelten wird je nach ausgewählter Methode der Cluster-Bildung auf unterschiedliche Weise verwendet:

  • Definierte Entfernung (DBSCAN): Legt die Anzahl der Features fest, die sich innerhalb eines Suchbereichs von einem Punkt befinden müssen, damit dieser als Ausgangspunkt für die Cluster-Bildung verwendet werden kann. Die Ergebnisse können Cluster enthalten, deren Feature-Anzahl geringer ist als dieser Wert. Die Entfernung des Suchbereichs wird anhand des Parameters Suchbereich begrenzen auf definiert. Wenn Cluster anhand der Zeit ermittelt werden, ist eine zusätzliche Suchdauer erforderlich. Sie wird mit dem Parameter Dauer der Suche begrenzen auf festgelegt. Bei der Suche nach Cluster-Mitgliedern muss die angegebene minimale Anzahl der Features innerhalb des angegebenen Suchbereichs und der angegebenen Suchdauer gefunden werden, damit ein Cluster gebildet werden kann. Hinweis: Die Entfernung und die Dauer stehen in keiner Beziehung zum Durchmesser oder zum Zeitraum der gefundenen Punkt-Cluster.
  • Automatische Anpassung (HDBSCAN): Legt die Anzahl der Features fest, die sich in der Nachbarschaft jedes Punktes befinden (einschließlich des Punktes selbst), die beim Schätzen der Dichte berücksichtigt werden. Diese Zahl entspricht gleichzeitig der beim Extrahieren von Clustern zulässigen Mindestgröße für Cluster.

Wird der HDBSCAN-Algorithmus mit einem Eingabe-Layer verwendet, der mehr als 3 Millionen Features enthält, kann das Werkzeug möglicherweise nicht ausgeführt werden, es sei denn, Ihr Administrator erhöht den Wert des Parameters javaHeapSize für den Geoverarbeitungsservice "GeoAnalyticsTools". Pro 3 Millionen Features ist ein Heap-Speicher von ca. 2 GB erforderlich. Der durch javaHeapSize festgelegte RAM sollte zusätzlich zu den normalerweise vom GeoAnalytics Server benötigten 16 GB auf jedem GeoAnalytics Server-Computer verfügbar sein. Wenn Sie beispielsweise 9 Millionen Features mit HDBSCAN clustern möchten, sollten Sie javaHeapSize mindestens auf 6144 MB oder 6 GB festlegen. In diesem Fall sollten auf jedem GeoAnalytics Server-Computer insgesamt mindestens 22 GB RAM verfügbar sein.

Weitere Informationen zur Funktionsweise der Dichte-basierten Cluster-Bildung finden Sie in der ArcGIS Pro-Dokumentation.

Beispiel für ArcGIS API for Python

Das Werkzeug "Punkt-Cluster suchen" ist über ArcGIS API for Python verfügbar.

In diesem Beispiel werden Cluster aus Einzelhandelsstandorten gesucht.


# Import the required ArcGIS API for Python modules
import arcgis
from arcgis.gis import GIS
from arcgis.geoanalytics import analyze_patterns

# Connect to your ArcGIS Enterprise portal and confirm that GeoAnalytics is supported
portal = GIS("https://myportal.domain.com/portal", "gis_publisher", "my_password", verify_cert=False)
if not portal.geoanalytics.is_supported():
    print("Quitting, GeoAnalytics is not supported")
    exit(1)   

# Find the big data file share dataset you'll use for analysis
search_result = portal.content.search("", "Big Data File Share")

# Look through the search results for a big data file share with the matching name
bdfs_search = next(x for x in search_result if x.title == "bigDataFileShares_RetailLocation")

# Look through the big data file share for points of sale
pos = next(x for x in bdfs_search.layers if x.properties.name == "POS")

# Set the tool environment settings
arcgis.env.verbose = True

# Run the Find Point Clusters tool 
output = analyze_patterns.find_point_clusters(pos, 10, "Kilometers", "POS_Clusters")

# Visualize the tool results if you are running Python in a Jupyter Notebook
processed_map = portal.map('USA')
processed_map.add_layer(output)
processed_map

Ähnliche Werkzeuge

Verwenden Sie das Werkzeug Punkt-Cluster suchen, um Cluster aus Punkt-Features im Datenrauschen des Umfeldes basierend auf deren räumlicher Verteilung zu finden. Andere Werkzeuge, die nützlich sein können:

Map Viewer Classic-Analysewerkzeuge

Wenn Sie ermitteln möchten, ob statistisch signifikante Cluster im räumlichen Muster Ihrer Daten vorhanden sind, dann verwenden Sie das Werkzeug Hot-Spots suchen.

Zum Erstellen einer Dichtekarte Ihrer Punkt- oder Linien-Features, verwenden Sie das Werkzeug Dichte berechnen.

Wenn Sie ermitteln möchten, ob statistisch signifikante Ausreißer im räumlichen Muster Ihrer Daten vorhanden sind, dann verwenden Sie das Werkzeug Ausreißer suchen.

ArcGIS Desktop-Analysewerkzeuge

Das Geoverarbeitungswerkzeug Dichte-basierte Cluster-Bildung erfüllt dieselbe Funktion wie Punkt-Cluster suchen.

Das Werkzeug Punkt-Cluster suchen ist über ArcGIS Pro verfügbar.