Page 102 - 2025年第56卷第5期

图 1 研究框架与流程图

图 2 知识图谱构建框架与流程图

2.3 涉及算法及软件
（1）场景分类算法：分类指根据有标签的训练集，判别目标样本所属类别。因分类算法标注训练
集工作量巨大，选用聚类-分类模式 ［12］ 进行场景分类。即通过聚类算法将不带标签的样本集聚成相似
的多个簇，形成带标签的训练集，在此基础上进行场景分类，能提高分类算法标注训练集的效率，克
服分类算法计算量大、不灵活等缺点，具有可伸缩性，能有效缩短计算时间 ［13］ 。本研究首先进行分类
因子的提取；然后，使用主成分分析（Principal Component Analysis，PCA），进行分类因子降维，得到
样本数据到新坐标的映射值；最后，采用密度聚类-随机森林（Density-Based Spatial Clustering of Appli⁃
［14］
cations with Noise-Random Forest，DBSCAN-RF）算法实现场景分类。DBSCAN 是一种基于密度的聚
类算法，具有无需预先设置初始聚类中心、鲁棒性强及受噪声影响小等优点，只需设置扫描半径
（Eps）和最小包含点数（k）2 个参数，聚类效果可通过轮廓系数判断 ［15］ 。对于实时场景，采用随机森林
（Random Forest，RF） 分类算法确定调度模式。RF 是一种基于多分类器集成数据的分类算法，其分
［16］
— 648 —