一种基于半径参数优化的雷电时空聚类方法及系统与流程

1.本发明涉及雷电监测技术领域，尤其是涉及一种基于半径参数优化的雷电时空聚类方法及系统。


背景技术：

2.雷电是伴随着强对流过程发生的一种灾害性天气现象，因其强大的电流、炙热的高温、猛烈的冲击波以及强烈的电磁辐射等物理效应而能够在瞬间产生巨大的破坏作用，威胁着电力系统的安全稳定运行。电网因雷击事故引起的停电也占事故率很高的比例，为了确保电力系统的安全稳定运行，如何做好防雷减灾工作已成为十分重要的研究课题。引雷塔作为一种新的主动性防雷手段，突破了以往电网被动防雷思想，并且通过已有监测数据显示已经取得了很好的效果。然而，引雷塔这一防雷手段仍处在试验阶段，需要做大量的研究试验工作系统全面的评估其防雷的有效性。
3.雷电定位系统(lightning location system，简称lls)是一种在电网中广泛应用的雷电监测技术，它主要被用作雷击事故的鉴别以及雷击故障点的快速定位。但目前lls还无法提供与电网设备安全运行紧密联系的雷电时空活动规律信息。于是，需要人工借助聚类算法工具分析引雷塔建立前后雷云运动轨迹变化情况。目前国内外的研究多数集中于基于密度的聚类(dbscan)算法的雷电时空活动分析，与kmeans算法不同，它不需要确定聚类的数量，而且它能够针对任意形状产生聚类；并且适用于二维或三维欧几里得空间以及一些高维特征空间。
4.然而，在利用dbscan算法计算之前，需要设定合适的参数，即需要选取最优半径参数。研究表明如果半径选取过大，会导致大多数点都聚到同一个簇中；半径选取过小，会导致大多数点都聚到同一个簇中，使得类别数量大大减少。而现有的通过手动进行半径参数调整不仅过程繁琐，而且难以达到预期的效果，导致dbscan算法效率底下且聚类精度不高，影响最终的雷电监测结果。


技术实现要素：

5.本发明旨在提供一种基于半径参数优化的雷电时空聚类方法及系统，以解决上述技术问题，能够快捷地获取到优化的半径参数，提高雷电时空聚类方法的效率及精度，优化雷电监测最终获得的雷云运动轨迹。
6.为了解决上述技术问题，本发明提供了一种基于半径参数优化的雷电时空聚类方法，包括以下步骤：
7.获取雷电定位数据集，计算任一雷电定位数据与其他雷电定位数据的距离，得到所有雷电定位数据的距离数据集；
8.根据所有雷电定位数据的距离数据集获取每个雷电定位数据的最邻近距离并对最邻近距离进行排序，得到排序序号；
9.以最邻近距离、排序序号为坐标轴建立坐标系，获取最邻近距离的距离变化曲线；
10.根据最邻近距离的距离变化曲线确定半径参数；
11.根据半径参数，采用dbscan算法对雷电定位数据集进行聚类，获取雷电时空聚类结果以得到雷云运动轨迹。
12.上述方案充分考虑了现有dbscan算法的技术缺陷，通过计算雷电定位数据的最邻近距离确定dbscan算法的半径参数，实现对半径参数的优化，能避免半径参数选取的盲目性，且获取方式快捷，有效地提高了雷电时空聚类方法的效率及精度，优化雷电监测最终获得的雷云运动轨迹。
13.进一步地，所述获取雷电定位数据集，计算任一雷电定位数据与其他雷电定位数据的距离，得到所有雷电定位数据的距离数据集，具体为：
14.获取雷电定位系统采集的雷电定位数据集，包括每个雷电定位数据的经纬度；
15.根据每个雷电定位数据的经纬度计算每一个雷电定位数据与其他雷电定位数据的距离，得到每个雷电定位数据的距离数据集。
16.上述方案充分利用了现有雷电定位系统所采集的雷电定位数据集进行处理，紧密贴合了实际的雷电数据进行研究，为实际雷电过程的雷云的主要运动轨迹分析提供了数据依据。
17.进一步地，所述根据所有雷电定位数据的距离数据集计算每个雷电定位数据的最邻近距离并对最邻近距离进行排序，得到排序序号，具体为：
18.逐一对所有雷电定位数据的距离数据集中的距离进行排序处理，并选取距离最小值作为对应距离数据集的最邻近距离；
19.对所有最邻近距离进行大小排序，得到排序序号。
20.上述方案在确定最邻近距离时仅采用了两次排序处理便可实现，其计算量小，处理效率高，可以实现最邻近距离的快速确定，为雷电时空聚类方法计算效率的提高奠定了基础。
21.进一步地，所述以最邻近距离、排序序号为坐标轴建立坐标系，获取最邻近距离的距离变化曲线，具体为：
22.以最邻近距离为纵坐标、排序序号为横坐标建立坐标系，获取最邻近距离的距离变化曲线。
23.上述方案充分利用了坐标系的优势，将所有雷电定位数据的最邻近距离进行直观的呈现，可以快速准确地获取到所有雷电定位数据的最邻近距离的变化过程，提高半径参数的确定效率。
24.进一步地，所述根据邻近距离的距离变化曲线确定半径参数，具体为：
25.选取邻近距离的距离变化曲线中数值变化最大的点，将该点对应的最邻近距离的值确定为半径参数。
26.进一步地，所述根据半径参数，采用dbscan算法对雷电定位数据集进行聚类，获取雷电时空聚类结果以得到雷云运动轨迹，具体为：
27.将半径参数及预设的最小密度参数作为dbscan算法的输入，对雷电定位数据集进行聚类，得到雷电时空聚类结果；
28.根据雷电时空聚类结果得到雷云运动轨迹。
29.由于dbscan算法的聚类结果依赖于半径参数的选择，而实际情况通过手动进行半
径参数调整过程复杂且效果不佳，上述方案充分结合雷电定位系统实际采集的雷电定位数据，保证dbscan算法可以得到最佳的聚类结果作为最终的雷电时空聚类结果，从而得到雷云运动轨迹。本方案通过对半径参数的优化选择，不仅提高雷电时空聚类方法的效率和精度，还对雷电监测的最终结果实现了优化，方便了对实际雷电产生情况的研究。
30.本发明还提供一种基于半径参数优化的雷电时空聚类系统，用于实现一种基于半径参数优化的雷电时空聚类方法，具体包括距离数据获取模块、最邻近距离排序模块、曲线生成模块、半径参数确定模块及dbscan算法模块；其中；
31.所述距离数据获取模块用于获取雷电定位数据集，并计算任一雷电定位数据与其他雷电定位数据的距离，得到所有雷电定位数据的距离数据集；
32.所述最邻近距离排序模块用于根据所有雷电定位数据的距离数据集获取每个雷电定位数据的最邻近距离并对最邻近距离进行排序，得到排序序号；
33.所述曲线生成模块用于以最邻近距离、排序序号为坐标轴建立坐标系，获取最邻近距离的距离变化曲线；
34.所述半径参数确定模块用于根据最邻近距离的距离变化曲线确定半径参数；
35.所述dbscan算法模块用于根据半径参数，采用dbscan算法对雷电定位数据进行聚类，获取雷电时空聚类结果以得到雷云运动轨迹。
36.进一步地，所述最邻近距离排序模块用于根据所有雷电定位数据的距离数据集获取每个雷电定位数据的最邻近距离并对最邻近距离进行排序，得到排序序号，具体为：
37.逐一对所有雷电定位数据的距离数据集中的距离进行排序处理，并选取距离最小值作为对应距离数据集的最邻近距离；
38.对所有最邻近距离进行大小排序，得到排序序号。
39.进一步地，所述曲线生成模块用于以最邻近距离、排序序号为坐标轴建立坐标系，获取最邻近距离的距离变化曲线，具体为：
40.以最邻近距离为纵坐标、排序序号为横坐标建立坐标系，获取最邻近距离的距离变化曲线。
41.进一步地，所述半径参数确定模块用于根据最邻近距离的距离变化曲线确定半径参数，具体为：
42.选取邻近距离的距离变化曲线中数值变化最大的点，将该点对应的最邻近距离的值确定为半径参数。
43.进一步地，所述dbscan算法模块用于根据半径参数，采用dbscan算法对雷电定位数据进行聚类，获取雷电时空聚类结果以得到雷云运动轨迹，具体为：
44.将半径参数及预设的最小密度参数作为dbscan算法的输入，对雷电定位数据进行聚类，获取雷电时空聚类结果；
45.根据雷电时空聚类结果得到雷云运动轨迹。
46.本发明还提供一种基于半径参数优化的雷电时空聚类设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种基于半径参数优化的雷电时空聚类方法。
47.本发明还提供一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行所述的一种基于半径参数优化的雷电
时空聚类方法。
附图说明
48.图1为本发明一实施例提供的一种基于半径参数优化的雷电时空聚类方法流程示意图；
49.图2为本发明一实施例提供的雷电定位系统采集雷电定位数据所包含的信息示意图；
50.图3为本发明一实施例提供的具体雷电定位数据示意图；
51.图4为本发明一实施例提供的对于具体雷电定位数据所得到的最邻近距离的距离变化曲线图；
52.图5为本发明一实施例提供的一种基于半径参数优化的雷电时空聚类系统模块链接示意图。
具体实施方式
53.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
54.请参见图1，本实施例提供了一种基于半径参数优化的雷电时空聚类方法，包括以下步骤：
55.s1：获取雷电定位数据集，计算任一雷电定位数据与其他雷电定位数据的距离，得到所有雷电定位数据的距离数据集；
56.s2：根据所有雷电定位数据的距离数据集获取每个雷电定位数据的最邻近距离并对最邻近距离进行排序，得到排序序号；
57.s3：以最邻近距离、排序序号为坐标轴建立坐标系，获取最邻近距离的距离变化曲线；
58.s4：根据最邻近距离的距离变化曲线确定半径参数；
59.s5：根据半径参数，采用dbscan算法对雷电定位数据集进行聚类，获取雷电时空聚类结果以得到雷云运动轨迹。
60.本实施例充分考虑了现有dbscan算法的技术缺陷，通过计算雷电定位数据的最邻近距离确定dbscan算法的半径参数，实现对半径参数的优化，能避免半径参数选取的盲目性，且获取方式快捷，有效地提高了雷电时空聚类方法的效率及精度，优化雷电监测最终获得的雷云运动轨迹。
61.进一步地，所述获取雷电定位数据集，计算任一雷电定位数据与其他雷电定位数据的距离，得到所有雷电定位数据的距离数据集，具体为：
62.获取雷电定位系统采集的雷电定位数据集，包括每个雷电定位数据的经纬度；
63.根据每个雷电定位数据的经纬度计算每一个雷电定位数据与其他雷电定位数据的距离，得到每个雷电定位数据的距离数据集。
64.本实施例充分利用了现有雷电定位系统所采集的雷电定位数据集进行处理，紧密
贴合了实际的雷电数据进行研究，为实际雷电过程的雷云的主要运动轨迹分析提供了数据依据。
65.进一步地，所述根据所有雷电定位数据的距离数据集计算每个雷电定位数据的最邻近距离并对最邻近距离进行排序，得到排序序号，具体为：
66.逐一对所有雷电定位数据的距离数据集中的距离进行排序处理，并选取距离最小值作为对应距离数据集的最邻近距离；
67.对所有最邻近距离进行大小排序，得到排序序号。
68.本实施例在确定最邻近距离时仅采用了两次排序处理便可实现，其计算量小，处理效率高，可以实现最邻近距离的快速确定，为雷电时空聚类方法计算效率的提高奠定了基础。
69.进一步地，所述以最邻近距离、排序序号为坐标轴建立坐标系，获取最邻近距离的距离变化曲线，具体为：
70.以最邻近距离为纵坐标、排序序号为横坐标建立坐标系，获取最邻近距离的距离变化曲线。
71.本实施例充分利用了坐标系的优势，将所有雷电定位数据的最邻近距离进行直观的呈现，可以快速准确地获取到所有雷电定位数据的最邻近距离的变化过程，提高半径参数的确定效率。
72.进一步地，所述根据邻近距离的距离变化曲线确定半径参数，具体为：
73.选取邻近距离的距离变化曲线中数值变化最大的点，将该点对应的最邻近距离的值确定为半径参数。
74.进一步地，所述根据半径参数，采用dbscan算法对雷电定位数据集进行聚类，获取雷电时空聚类结果以得到雷云运动轨迹，具体为：
75.将半径参数及预设的最小密度参数作为dbscan算法的输入，对雷电定位数据集进行聚类，得到雷电时空聚类结果；
76.根据雷电时空聚类结果得到雷云运动轨迹。
77.由于dbscan算法的聚类结果依赖于半径参数的选择，而实际情况通过手动进行半径参数调整过程复杂且效果不佳，上述方案充分结合雷电定位系统实际采集的雷电定位数据，保证dbscan算法可以得到最佳的聚类结果作为最终的雷电时空聚类结果，以以得到雷云运动轨迹。本方案通过对半径参数的优化选择，不仅提高雷电时空聚类方法的效率和精度，还对雷电监测的最终结果实现了优化，方便了对实际雷电产生情况的研究。
78.为了进一步体现本发明的技术效果，本实施例具体提供了基于半径参数优化的雷电时空聚类方法的实际应用过程。请参见图2，其展示了雷电定位系统采集的数据所包含的信息，其中位置信息通过经纬度来进行雷击点的定位，在现有的dbscan算法中，该信息没有被充分应用到半径参数的确定过程中，使得半径参数的确定困难重重。相比之下，本实施例可以充分考虑现有dbscan算法的技术缺陷，通过计算雷电定位数据的最邻近距离确定dbscan算法的半径参数，实现对半径参数的优化，能避免半径参数选取的盲目性，且获取方式快捷，有效地提高了雷电时空聚类方法的效率及精度，优化雷电监测最终获得的雷云运动轨迹。
79.进一步地，为了更直观呈现出本发明的应用过程，请参见图3提供的具体雷电定位
数据，其为某地区5min时间段的雷电数据，截取数据包含的位置信息，将每一个数据向量中截取出来的精度和纬度视为一个坐标点，得到雷电定位数据经纬度集合p，对于集合p中某一个坐标点，通过距离公式计算该点与剩余其他点的距离，如以p(1)为基准点，将求得距离按照从小到大的顺序排序，得到排序后的距离集合d＝{0.034,0.045,0.047,0.055,0.065,0.069,0.070,0.085...}，在集合d中，将0.034记为点p(1)的最邻近距离，按照上述方法，计算数据集p中剩余点的最邻近距离，然后对所有的最邻近距离进行降序排列，得到排序后的最邻近距离集合e，以最邻近距离为纵坐标，绘制如图4邻近距离距离的变化曲线图，根据图中曲线变化规律，最终选取0.07637为雷电定位数据聚类算法半径，从而确定了dbscan算法的半径参数。
80.针对于dbscan算法，需要说明的是，dbscan算法可以对海量雷电数据进行雷电时空聚类处理，分析得到某次雷电过程的雷云的主要运动轨迹，是现有技术中对某个区域内的长时间雷电运动轨迹进行统计分析，得出雷云的主要通道的主要技术手段。dbscan算法是一种常用的密度聚类算法，该算法适用于二维、三维以及一些高维空间。由于主要讨论雷电定位数据在经纬度平面的分布特征，因此可以将其看作是二维数据。dbscan算法的核心思想是，对于聚类中的各个点而言，以固定半径画圆，圆内点数需要满足一定的条件，即聚类中各点附近的点数必须大于某一给定值，而对于固定半径的确定，确是现有技术的难点所在，因而本实施例提供的基于半径参数优化的雷电时空聚类方法能避免半径参数选取的盲目性，快捷地获取dbscan算法的半径参数，有效地提高了雷电时空聚类方法的效率及精度，优化雷电监测最终获得的雷云运动轨迹。
81.dbscan算法的要点有：
82.密度：空间中点的密度是指以该点为圆心，以给定的eps值为半径(半径参数)，落在该圆内的点的数目；
83.邻域：空间中所有点的邻域都是指以自身为圆心，特定值为半径的区域内所有点的集合；
84.核心点：在空间中，点的密度值大小不一，将密度值大于特定值的点称为核心点；
85.边界点：若空间中某点的密度值小于特定阈值minpts(最小密度参数)，则将该点称为边界点；
86.噪声：目标数据集中不属任何聚类的点为噪声；
87.直接密度可达到：若空间中的两点，m和n，其中n是核心点，并且m处于n的邻域中，则将m和n之间的关系称为直接密度可达到。
88.密度可达到：若空间中有若干个点(p1，p2，...，pi)，其中p1＝m且pi＝n，如果相邻点之间均直接密度可达到，则首尾两点之间的关系为密度可达。
89.密度连接：空间中的任意两点，m和n，若存在一点q，使点m和点n能找到一点q，使二者都能够密度可达，则点m和n的关系为密度相连。
90.簇：数据集合中的一个非空集d，对于数据集合中任意两点m和n，如果集合d满足两个条件：
①
当m属于d时，若从m密度可达n，则n也属于d；
②
如果m和n都属于d，则m和n密度连接。那么，就说明集合d构成了一个簇。
91.需要进一步说明的是，dbscan算法在获取到优化的半径参数后，具体实现过程为：
92.将优化的半径参数及预设的最小密度参数输入dbscan算法中，并确定目标数据集
为雷电定位系统采集的雷电定位数据集d’；
93.以一个点为起点，判断是否为核心点；
94.若点为核心点，找出邻域内所有直接密度可达的点；
95.数据集d’中的点是否判断完毕，若未完成则重复上述步骤，直至数据集d’中的点判断完毕；
96.合并密度可达的点,输出目标聚类集合，得到雷电时空聚类结果；
97.利用雷电时空聚类结果分析得到该次雷电过程的雷云的主要运动轨迹。
98.具体地，假设半径参数的数值取1km，最小密度参数的数值取20个，用于雷电的聚类分析中，有：
99.由于雷电定位数据在经纬度平面呈现聚集分布，并且云团持续时间较长，其核心点相对稳定，所以可以用聚类云团的质心坐标来代表整个云团的位置。各聚类云团的质心可以通过以下方法计算得到：
[0100][0101]
式中，n是该聚类云团的数据量，x、y分别对应每一个数据点的纬度、经度。将这些质心按照时间的先后顺序连接起来，该曲线就是雷云的运动轨迹。同时也采用该方法来及算每个聚类雷电数据块的雷电流幅值等。
[0102]
同一时间片内可能存在多个雷暴团聚类。因此，同名雷暴团追踪需要鉴别当前时间片和下一时间片中雷暴团聚类的对应关系。鉴于雷暴团有雷云作为载体，满足运动的惯性原理，即运动速度在相邻时间片上具有相似性。可见同一雷暴团在等长时间片上，质心移动距离也应该相近。反之，非同名雷暴团不具有惯性连续特征，它们出现的位置是随机的。基于以上区别特征，项目以下面方法估计一次雷电活动过程中雷暴团单个时间片内最大移动距离参数γ，γ＝800m，以它为阈值区分同名与非同名雷暴团。雷云运动轨迹分析如下所示：
[0103]
构建初始同名雷暴团移动路径：
[0104]
设一次雷电过程包含k个时间片。对于每个时间片均有一个聚类结果集合qj对应。对于前后相邻qj，q
j+1
(1《j《k)中的任意2个聚类质心q
j,w
∈qj，q
j+1,z
∈q
j+1
，如果《q
j,w
，q
j+1,z
》的距离小于参数γ，则连线，形成线段总集合p。线段集合p即为同名雷暴团在这个雷电过程中的移动路径线段初始集合。
[0105]
裁剪：
[0106]
a、若存在《q
j,m
,q
j+1,w
》、《q
j,m
,q
j+1,z
》∈p，比较q
j+1,w
、q
j+1,z
代表的雷暴团聚类雷电次数。若q
j+1,w
代表雷暴团聚类雷电次数较少，p＝p-《q
j,m
,q
j+1,w
》，反之，p＝p-《q
j,m
,q
j+1,z
》。
[0107]
b、若存在《q
j,w
,q
j+1,m
》、《q
j,z
,q
j+1,m
》∈p，比较q
j,w
、q
j,z
代表的雷暴团聚类雷电次数。若q
j,w
代表雷暴团聚类雷电次数较少，p＝p-《q
j,w
,q
j+1,m
》，反之p＝p-《q
j,z
,q
j+1,m
》。
[0108]
标记、连线：
[0109]
裁剪完毕后，根据q中的质心及由p描述它们之间的连线关系，可在输出方位图上对雷暴团聚类质心添加时间戳并连线轨迹，达到追踪的目的。对任一《q
j,w
,q
j+1,m
》∈p，设q
j,w
质心点为(x1,y1)，时间片序号为ρ1，q
j+1,m
质心点为(x2,y2)，时间片序号为ρ2。在输出方位图坐标(x1,y1)处标记点ρ1，(x2,y2)处标记点ρ2。然后根据p的连线关系，除起点和终止点以外，将有入线和出线串连的质心点按时间片序号从小到大依次连接形成线段，每一条线段一个同名雷暴团的运动轨迹。序号递增方向可指明雷暴团运动方向。
[0110]
本实施例提供了dbscan算法的实际应用过程，将优化的半径参数输入其中，不仅提高dbscan算法的效率和精度，还对雷电监测的最终结果实现了优化，方便了对实际雷电产生情况的研究。
[0111]
请参见图5所示，本实施例提供一种基于半径参数优化的雷电时空聚类系统，用于实现一种基于半径参数优化的雷电时空聚类方法，具体包括距离数据获取模块、最邻近距离排序模块、曲线生成模块、半径参数确定模块及dbscan算法模块；其中；
[0112]
所述距离数据获取模块用于获取雷电定位数据集，并计算任一雷电定位数据与其他雷电定位数据的距离，得到所有雷电定位数据的距离数据集；
[0113]
所述最邻近距离排序模块用于根据所有雷电定位数据的距离数据集获取每个雷电定位数据的最邻近距离并对最邻近距离进行排序，得到排序序号；
[0114]
所述曲线生成模块用于以最邻近距离、排序序号为坐标轴建立坐标系，获取最邻近距离的距离变化曲线；
[0115]
所述半径参数确定模块用于根据最邻近距离的距离变化曲线确定半径参数；
[0116]
所述dbscan算法模块用于根据半径参数，采用dbscan算法对雷电定位数据进行聚类，获取雷电时空聚类结果以得到雷云运动轨迹。
[0117]
进一步地，所述最邻近距离排序模块用于根据所有雷电定位数据的距离数据集获取每个雷电定位数据的最邻近距离并对最邻近距离进行排序，得到排序序号，具体为：
[0118]
逐一对所有雷电定位数据的距离数据集中的距离进行排序处理，并选取距离最小值作为对应距离数据集的最邻近距离；
[0119]
对所有最邻近距离进行大小排序，得到排序序号。
[0120]
进一步地，所述曲线生成模块用于以最邻近距离、排序序号为坐标轴建立坐标系，获取最邻近距离的距离变化曲线，具体为：
[0121]
以最邻近距离为纵坐标、排序序号为横坐标建立坐标系，获取最邻近距离的距离变化曲线。
[0122]
进一步地，所述半径参数确定模块用于根据最邻近距离的距离变化曲线确定半径参数，具体为：
[0123]
选取邻近距离的距离变化曲线中数值变化最大的点，将该点对应的最邻近距离的值确定为半径参数。
[0124]
进一步地，所述dbscan算法模块用于根据半径参数，采用dbscan算法对雷电定位数据进行聚类，获取雷电时空聚类结果以得到雷云运动轨迹，具体为：
[0125]
将半径参数及预设的最小密度参数作为dbscan算法的输入，对雷电定位数据进行聚类，得到雷电时空聚类结果；
[0126]
根据雷电时空聚类结果得到雷云运动轨迹。
[0127]
本实施例所提供的系统结构简单，实现方便，适用性强，其充分考虑了现有dbscan算法的技术缺陷，通过计算雷电定位数据的最邻近距离确定dbscan算法的半径参数，实现
对半径参数的优化，能避免半径参数选取的盲目性，且获取方式快捷，有效地提高了雷电时空聚类方法的效率及精度，优化雷电监测最终获得的雷云运动轨迹。
[0128]
为了充分考虑本发明的应用实际，本实施例提供一种基于半径参数优化的雷电时空聚类设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种基于半径参数优化的雷电时空聚类方法。
[0129]
为了充分考虑本发明的应用实际，本实施例还提供一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行所述的一种基于半径参数优化的雷电时空聚类方法。
[0130]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。