地址聚類分析原理：由地址資料到地理分群的運作邏輯

手上有一份數十萬行的客戶資料，裏面混雜著住宅、商廈、街鋪與村屋，每一行都是一串文字，例如「沙田石門安群街3號京瑞廣場1期12樓A室」。這種字串可以檢索、可以排序，拿去做真實距離運算卻完全不可行。地址聚類分析原理所處理的正是這個斷層：先把字串轉換成可量測的幾何坐標，再按空間鄰近程度、實體密度與業務物理邊界，劃分出精準的地理分群。

整條工程鏈路上有幾個核心節點會直接顛覆分群成果：地理編碼精度、空間距離定義、算法模型選擇與半徑參數。任何一環隨手套用預設值，產出的群組哪怕在地圖上看似整齊，交付給營運團隊往往無法落地——車輛跨越收費隧道、同一個大廈群被硬生生拆散、偏遠離島被併入市區站點。摸清每一步的運作邏輯，是確保空間分群能落地的關鍵。

文字地址轉化為空間坐標的運算前置

地址的寫法服務於人類閱讀，演算法依賴的卻是數值。同一個門牌可以寫成「旺角彌敦道750號」、「750 Nathan Road, Mongkok」，或是「九龍旺角彌敦道七五零號」。三組字串的編輯距離很大，指向的物理空間卻完全一致。若直接對文字進行特徵聚類，會被判定為三個不同實體，分群結果反映的只是書寫習慣，而非地理分佈。

地址標準化因此是第一道工序：把字串拆解為地區、街道、門牌號、大廈名稱、座數、樓層與單位等結構化欄位。以本地空間特徵為例，大型屋苑或指標建築的名稱往往比門牌號碼更具定位價值，例如「美孚新邨」橫跨多條街道與多期工程，單獨抽取建築複合體標籤，能大幅降低後續的空間誤判。

資料源選型上，官方資料如香港地政總署開放數據（如土地界址與地理標籤資料）、政府地理資訊地圖資料庫，以及商業 Geocoding API（如 Google Maps、Mapbox）各有取捨。標準化輸出必須保留匹配精度標籤：門牌級、大廈級、街道級或行政區級。門牌級的誤差多在數十米內，地區級可能偏離數公里。保留該標籤，能在聚類時將粗略點單獨隔離或降權，避免極端偏差值扭曲群組幾何中心。

地理編碼與空間坐標系校正

主流地理編碼接口預設回傳 WGS84（EPSG:4326）經緯度系統，而本地工程規劃與測繪圖則多採用香港 1980 方格網坐標（HK1980 Grid，EPSG:2326），以米為單位。兩套坐標若混雜在同一資料表內，距離運算會徹底崩潰。在資料匯入階段統一投影系統是硬性前提。

經緯度屬於球面坐標，直接套用平面歐氏距離公式會產生結構性形變。赤道處經度 1 度的地面距離約 111 公里，而在北緯 22.3 度左右的區域，經度 1 度的物理長度約為赤道長度乘以餘弦值（約 0.925）。這意味著經度方向的物理距離比緯度方向短了約 7.5%。若未加修正直接拿經緯度計算歐氏距離，所產生的群組會在東西方向被拉長，呈現不自然的扁平形變。

解決路徑有兩種：針對百萬級大規模資料，可將坐標投影至 HK1980 平面坐標（單位為米），直接套用二維歐式距離加速矩陣運算；若採用通用 Web Mercator 投影，在同一緯度帶內尺度因子大致均勻，亦可取得良好近似。小規模運算則可採用 Haversine 大圓距離公式進行球面計算，維持幾何真實性。

距離定義決定分群邊界的形狀

聚類模型本身無法理解地形，輸入甚麼距離維度，模型便輸出對應的空間形態：

• 球面大圓距離：以球面公式計算兩點直線距離，適合跨區域宏觀統計，運算穩定但無法反映地表阻隔。
• 平面歐氏距離：投影後的二維直線距離，運算效率極高，支援 kd-tree 或 Ball Tree 索引結構進行大規模空間搜尋。
• 曼哈頓距離：適用於棋盤狀街區網絡，計算沿網格折線的長度。
• 路網距離與行車時間：透過路網拓撲圖計算實際抵達成本，能精準反映隧道、單行道與跨海橋樑的阻隔，但 API 成本與運算開銷最高。
• 空間與語義混合距離：融合地理直線距離、大廈文字相似度與行政區隸屬度，用於地址去重與建築群合併。

將軍澳與柴灣直線距離僅約數公里，若僅以直線距離聚類，演算法極易將其歸入同一個群組。在實際配送場景中，跨越維港或收費隧道會增加高昂的時間與路費成本。實務架構通常採取兩階段聚類策略：先以空間投影距離進行網格或快速粗篩，再將群邊界的邊緣點導入路網距離矩陣進行二次修正，平衡系統運算負載與真實路況精度。

四大類聚類演算法在地址分群中的取捨

空間聚類算法的底層邏輯各有側重，選型失誤比超參數調優偏差更難在後續流程中彌補。

劃分式：K-Means 與 K-Medoids

K-Means 透過迭代更新幾何中心點，收斂速度極快，配合 MiniBatch 抽樣能輕易處理百萬行地址記錄。但其產出的群組多為均勻球形，且群中心為算術平均值，在複雜地形中極易落在海灣、山脈等無實體地址的空白區域。

K-Medoids 則嚴格挑選資料庫中真實存在的點作為中心點，抗離群點干擾能力強，在自提櫃、物流前置倉的候選位址挑選上更具業務價值，缺點是距離矩陣計算的時間複雜度較高。

密度式：DBSCAN、HDBSCAN 與 OPTICS

DBSCAN 依賴掃描半徑（eps）與核心點閾值（minPts）運算，可自動探測沿著道路、海岸線自然延伸的任意不規則形狀群體，並將偏遠孤立點標記為雜訊（Noise）。這一特性在地址清洗中極為實用，能自然隔離輸入錯誤的落點。

面對高樓密集區與鄉郊村落並存的極端密度差，單一 eps 會陷入市區連成巨型單一群、鄉郊全被判定為雜訊的窘境。HDBSCAN 引入層次化密度估計，只需給定最小群規模參數（min_cluster_size），大幅提升在變密度空間下的穩定性；OPTICS 則能產出可達性圖，是觀察空間密度斷層的優選工具。

階層式：凝聚層次聚類

由底向上逐步合併鄰近點群，生成樹狀圖結構（Dendrogram）。其優勢在於一次運算即可按不同距離閾值切割出「大區—分區—派送網格」多級嵌套層級。但因其空間複雜度呈二次方級別（O(n²)），十萬筆以上資料通常需要先做空間網格降維分塊。

網格聚合：GeoHash 與 H3

將經緯度坐標空間編碼為離散網格索引（如 Uber 開源的 H3 六邊形系統或矩形 GeoHash）。利用資料庫索引（Group By 前綴）即可在毫秒級完成海量點的空間聚合，適合作為第一道粗粒度篩選，再於各網格內部進行精細密度分群。

超參數整定：從幾何統計到業務半徑

在 DBSCAN 中，半徑 eps 的設定不可隨意盲猜。規範的做法是繪製 k-距離圖（k-distance graph）：計算每個點至第 k 個近鄰的距離並排序繪圖，選取曲線由平緩轉為急劇攀升的「拐點」作為候選 eps。minPts 通常設定為資料維度的兩倍以上，或依據業務允許的最小分群地址容量而定。

輪廓係數（Silhouette Coefficient）常被用於檢驗分群緊湊度與分離度。該指標在評估 K-Means 這類球形幾何分群時具備參考價值，但對於密度模型極具誤導性。沿街道狹長分佈的緊湊客群，在輪廓係數計算中往往得分偏低。評估密度模型時，應結合 DBCV（基於密度的分群驗證指標）或無監督評估體系。

參數並無放之四海皆準的純數學解，必須對齊業務半徑。例如城市末端即時配送通常以 1.5–3 公里（車程經驗範圍）為作業邊界，自提櫃步行生活圈多設定在 5–8 分鐘步程（約 400–600 米直線距離）。以營運邊界反向約束 eps，分群結果方能具備工程可行性。

坐標以外的空間與業務屬性增強

純幾何坐標聚類僅解決了二維空間鄰近問題。在企業級應用中，需將業務屬性與空間特徵編碼融合：

• 建築權重維度：單棟 40 層商住大廈包含上千戶單位，而一間丁屋僅為單一住戶。若不加權處理，高層建築的需求將被稀釋，模型會被人為拉偏。引入訂單量或單位數作為權重項，可修正幾何重心。
• 行政與物理屏障硬約束：區議會邊界、郵政分區、河流、港灣與快速公路可構建空間阻隔矩陣，在圖計算中設定權重無窮大，禁止演算法跨界歸併。
• 地址文字語義向量：將「大廈名稱」、「屋苑期數」透過文字嵌入轉為語義距離，與歐氏距離加權運算，能解決近距離不同社區的精準切分。

高密度垂直城市中的落地挑戰

在典型高密度城市環境下實施地址聚類，會遭遇幾類特殊的邊界情況：

垂直高度與大廈粒度：同一棟摩天商廈內聚集數百間註冊公司，在平面坐標上完全重疊。直接進行平面密度聚類會產生人為的密度奇異點。實務上應先在「建築物（Building ID）」級別進行點位合併，完成大廈層級空間聚合後，再進入路線與工作量細分。

非規範門牌與鄉村地址：非市區的村屋、丁屋門牌常存在不連續或重複命名現象，地理編碼匹配命中率較低。對此類低精度點應打上標籤，先參與宏觀區域聚合，禁止作為微觀邊界的判定核心。

工商與虛擬註冊地干擾：核心商業區的秘書公司大廈常註冊海量無實體人流的企業地址，若用於線下零售選址或物流派件分群，需事先剔除特定工商類別，避免資源錯配。

分群成果評估與業務驗證體系

評估地址聚類表現需並行採用四類度量指標：

內部幾何指標：Davies-Bouldin 指數（越小越好）、Calinski-Harabasz 指數（越大越好），用於小樣本超參數掃描時快速篩選穩定解。

外部一致性指標：利用調整蘭德指數（Adjusted Rand Index, ARI）或調整互信息（AMI），比對新分群與現有營運網格、法定行政分區的吻合度，監控結構突變。

業務效能指標：統計各群組內地址負載方差、平均配送半徑、組間路網重疊率。若各分群的工作量標準差顯著降低，證明劃分有效提升了營運均衡度。

架構穩定性（Stability）：採用 Bootstrap 重抽樣方式對 80% 樣本重複運算，透過 Jaccard 相似係數校驗相同點落入同一群組的機率。若輕微資料擾動便導致分區界線劇烈跳動，該參數組合不可用於實際生產。

隱私合規與去識別化防線

地址資訊與姓名、電話結合屬於敏感個人資料。在香港法例第 486 章《個人資料（私隱）條例》（PDPO）及個人資料私隱專員公署（PCPD）相關合規指引框架下，空間分群若粒度過細，仍存在「重識別化（Re-identification）」風險。若某個分群僅涵蓋單一獨棟鄉郊住宅，該群實質上已具備個資指向性。

工程防護機制包含：強制設定最小群組規模（k-anonymity 原則），對小於安全閥值（如少於 10 戶）的群體執行向上合併或微擾動模糊化；分群展示介面僅輸出聚合後的凸包邊界（Convex/Concave Hull）與統計數值，禁止向無權限端輸出散點精確經緯度；除錯階段對底層落點座標加入隨機高斯噪聲，確保資料流轉符合安全規範。

標準化端到端工程實施路線

1. 文字標準化解析：正則提取行政區、路段、號碼及建物名稱，統一繁簡與拼寫異構。
2. 坐標對齊與投影轉換：對接可靠地理編碼接口，統一轉換為平面投影坐標系，並寫入匹配等級。
3. 異常點隔離過濾：剔除海域、荒原及境外等離群坐標，標記低精度點。
4. 空間網格降維分塊：藉由 H3 或 GeoHash 完成初級分組，將運算複雜度降至單一網格內。
5. 參數掃描與模型運算：繪製 k-距離圖確定候選半徑，依業務需求執行 HDBSCAN 或帶權 K-Medoids。
6. 拓撲與業務約束後處理：施加天然屏障阻隔，強制切分跨海與跨山群體，併入過小碎片群。
7. 業務指標驗收與發布：比對工作量均衡度與路網成本，生成邊界凸包並建立定期重跑排程。

常見問題解答（FAQ）