请其他实施例中，位置信息也可以为瞬时信息，此时得到的地理围栏为一 个瞬时围栏，瞬时围栏在应急条件下的使用价值高，例如，当自然灾害发生时，该瞬时围栏 可用于判断是否有人员位于灾害发生地。
[0036] 其中，采集符合预设条件的对象的位置信息包括：通过电信移动运营商的网络 (如GSM网、CDMA网）获取移动终端用户的位置信息（经纬度坐标）。根据本申请另一个 实施例，采集符合预设条件的对象的位置信息包括：采集用户使用的WIFI或IP所对应的位 置信息。
[0037] 根据本申请另一个实施例，上述位置信息可以来自第三方数据库或者软件，不需 要在地理围栏生成方法中进行采集。
[0038] S12、对位置信息中的经纬度坐标进行聚类分析，得到一个或多个经纬度坐标团 簇，其中，每个经纬度坐标团簇都包括多个经纬度坐标；
[0039] 根据本申请一个实施例，对经纬度坐标进行聚类分析可以包括：通过K-Means算 法对经纬度坐标进行聚类分析，生成一个或多个团簇，每个团簇包含一个或多个经纬度坐 标。
[0040] K-Means算法采用迭代优化的技术对给定点集合进行聚类，利用K-Means算法生 成团簇的过程包括：
[0041] 给定k个初始聚类中心点……mi11，并不断对以下两个步骤1. 1和1. 2进行 迭代直至簇内均方和（within-cluster sum of squares，WCSS)不再变化（即变化量为0) 或变化小于给定阈值：
[0042] 步骤1. 1、将每个坐标点归属到拥有最小WCSS的聚类中心对应的团簇；
[0044] 其中，xp为待操作点p的坐标，为第t次迭代、第i个团簇的聚类中心，k为初 始化的聚类中心点数量，为点p到第t次迭代第i个团簇的聚类中心的距离平 方，为第t次迭代第i个团簇中所有点的集合，其中每个点到第i个团簇的聚类中心的 距离平方最小。
[0045] 步骤1. 2、当每个坐标点都归属到相应聚类中心对应的团簇后，更新每个团簇的聚 类中心得到新的聚类中心；
[0047] 其中，|#+1||为第t次迭代、第i个团簇中所有坐标点的数量，为将第t次 迭代、第i个团簇中所有坐标点的坐标求和，j的取值范围为[1，第i个团簇中所有坐标点 的数量]，m卩+11为更新后在第t+1次迭代中使用的第i个团簇的聚类中心，即代表第t次迭 代、第i个团簇中所有点的重心。
[0048] 为了进一步说明上述方法，如图2所示，举例说明如下：
[0049] 步骤2. 1、参考图2的（a)部分，对于给定12个数据点（图中显示为实心圆点）， 初始化3个随机聚类中心201、202和203 (图中显示为空心圆点）；
[0050] 步骤2. 2、对于每个数据点，计算其相对3个聚类中心的针对每一个团簇的WCSS， 并选择最小的那个进行归属，参考图2的（b)部分，每个数据点均能够计算出相应的归属， 形成三个团簇211、212和213 ;
[0051] 步骤2.3、参考图2的（c)部分，对于已经产生的3个团簇，更新每个团簇的新的聚 类中心：
[0052] (1)团簇211的中心从中心201改变为中心221，由于第一个团簇中只有1个数据 点，所以中心221即该数据点；
[0053] (2)团簇212的中心从中心202改变为中心222 ;
[0054] (3)团簇213的中心从中心203改变为223 ;
[0055] 步骤2. 4、不断迭代第2. 2和第2. 3步，直至三个团簇的WCSS不再变化或变化很 小，参考图2的（d)部分，三个团簇稳定在团簇231、232和233。最后得到的4个经纬度坐 标团簇。
[0056] 根据本申请另一个实施例，对经纬度坐标进行聚类分析可以包括：通过凝聚层 次聚类算法对经纬度坐标进行聚类分析，生成一个具有层次的统一结果团簇，该统一结果 团簇的每一层均可作为聚类分析的结果（即统一结果团簇的每一层都包含一个或多个团 簇）。
[0057] 利用凝聚层次聚类算法生成团簇的过程包括：
[0058] 步骤3. 1、把每个样本归为一类，计算每两个类之间的距离（即样本与样本之间的 相似度）；
[0059] 在计算两个类之间距离的时候，由于每个类可能包含多个数据点，计算距离的方 法可选择：（1) single-linkage clustering(取两个类中距离最近的两个点的距离作为两 个类的距离）；（2) complete linkage clustering(取两个类中距离最远的两个点的距离作 为两个类的距离）；（3)mean or average linkage clustering(取两个类中所有点之间的 距离的平均值作为两个类的距离）；或（4)centroid linkage clustering(取两个类中的 重心点之间的距离作为两个类的距离）。
[0060] 步骤3. 2、寻找各个类之间距离最近的两个类，把他们合并为一类；例如，类A和类 B合并为类AB，类的数量减少1;
[0061] 步骤3. 3、重新计算新生成的这个类与原有类之间的相似度；
[0062] 步骤3. 4、重复步骤3. 2和步骤3. 3,直到所有样本点都归为一类，迭代结束。
[0063] 其中，层级聚类每迭代一次所产生的所有类均可作为一个个团簇，每一次迭代即 产生团簇的集合。
[0064] 为了进一步说明上述方法，参考图3,举例说明如下：
[0065] 步骤4. 1、如图3的（A)部分所示，对于给定的6个数据点，点301-点306 (称为类 a_类f)，分别计算两两之间的距离；
[0066] 步骤4. 2、如图3的⑶部分所示，比较并确定其中类b和类c之间的距离以及类 d和类e之间的距离相同且最小，则类b、c合并为类bc，类d、e合并为类de ;
[0067] 步骤4. 3、计算类a、be、de、f两两之间的距离；
[0068] 步骤4. 4、比较并确定其中类de和类f之间的距离最近，类de和类f合并为类 def ；
[0069] 步骤4. 5、计算类a、be、def两两之间的距离；
[0070] 步骤4. 6、比较并确定其中类be和类def之间的距离最近，类be和类def合并为 类 bedef ;
[0071] 步骤4. 7、计算类a、bedef两两之间的距离；
[0072] 步骤4. 8、比较并确定类a和类bedef的距离最近，类a和类bedef合并为类 abedef，此时所有节点均被归为一类，迭代结束。
[0073] 其中，层级聚类所产生的每一个层均能被独立认定为团簇的集合，如在上文中步 骤4. 6中，be为一个团簇，团簇内包含b点和c点，def为一个团簇，团簇内包含d点、e点 和f点。
[0074] 根据本申请又一个实施例，对经纬度坐标进行聚类分析可以包括：通过DBSCAN 算法对经纬度坐标进行聚类分析。DBSCAN能够自动发现多个聚类中心而无须预先设定。 DBSCAN 算法（Density-Based Spatial Clustering of Appli