1.一种基于改进k-means算法的菜鸟驿站选址方法，其特征在于：所述方法包括以下步骤：

1)首先获取某小区用户的地址数据集，根据用户在最近一个月内所产生快递订单量进行分层抽样；

2)将提取到的用户地址数据组成一个新的初始特征样本数据集，记为U＝{u1,u2,...,uN}，N为样本数据集的元素个数，初始化需要建设菜鸟驿站的数目K；

3)计算任意两个样本点之间的欧氏距离，过程如下：

3.1)从数据集中U中取出一个目标样本点ui，i＝{1,2,...,N}；

3.2)再从数据集U中取出一个不同于ui的样本点uj，j＝{1,2,...,N}；

3.3)计算两个样本点ui和uj之间的距离dist(ui,uj)，其中dist(ui,uj)＝||ui-uj||2；

3.4)迭代步骤3.2)和步骤3.3)直到uj取完数据集中除ui之外的所有样本点；

3.5)更新目标样本点ui，即从数据集中取出与上一次不同的目标样本点ui′，令ui＝ui′，迭代步骤3.2)、3.3)和3.4)，直到ui取到数据集中的所有样本点为止；

4)计算样本数据对象之间的平均距离 其中 表示从N个样本点中任意抽取两个的组合数；

5)定义P(ui,Md)为样本点ui关于数据对象平均距离的参考概率密度，计算公式为单位阶跃函数；

6)遍历计算所有样本点参考概率密度，并将计算的结果放入一个新的集合D，记D＝{d1,d2,…,di,…,dN|di＝P(ui,Md)}；

7)根据样本点的参考概率密度集合D中元素的大小关系，找到数值最大元素所对应的用户点um，将um作为一个初始聚类中心点；

8)更新样本数据集U，即将与um的距离小于数据对象平均距离的样本点的从集合U中删除，将剩下的样本点组成新的用户数据集合U′，令U＝U′，迭代步骤3)至步骤7)，直到找到需要的k个初始聚类中心；

9)将找到的k个初始聚类中心作为聚类的初始均值向量{s1,s2,…sk}；

10)计算样本点ui到各均值向量sn的距离：dist(ui,sn)＝||ui-sn||2，根据距离最近的均值向量确定ui的簇标记：λi＝argminn∈{1,2,…,k}dist(ui,sn)，将样本点ui划入相应的簇

11)更新均值向量sn，计算新的均值向量 其中Cn表示当前簇内元素的集合，|Cn|表示簇内元素的个数，若sn′≠sn，则令sn＝sn′，否则，保持当前的均值向量不变；

12)迭代步骤10)和步骤11)，直到当前的均值向量sn不再发生变化，即可将聚类后的簇划分出来，记为C＝{C1,C2,…,Ck}，此时最终的均值向量sn所对应的坐标位置，即为菜鸟驿站建设地的最优可行点。