如何使用聚类算法（例如DBSCAN），如果它们的距离在一个维度上超过阈值，则通过防止两个点在一个群集中使用？

Question

我尝试将具有列时间，xCoorcoriation和yCoorcorion的大型数据集群集。 我希望我的最终簇有两个属性：

1. 当两个点彼此之间太远时（Fe＆gt;之间的10个时间段）时，我不希望它们在同一集群中。
2. 除了时间限制（1.）之外，我想使用地理值应用正常的聚类：因此，如果我使用Fe dbscan，我将定义适当的epsilon值，该值用于在地理位置上进行聚类。

到目前为止，我的方法是首先计算两个距离向量，一个仅使用时间值，一个仅使用地理值：

import numpy as np
from scipy.spatial.distance import pdist, squareform
from sklearn.cluster import DBSCAN

arr = np.array([[0,1,1], [0,3,3], [0,1,2],...]) #array has dimensions [time,x,y]
n,m = arr.shape

time_dist = pdist(arr[:, 0].reshape(n, 1), metric='euclidean')
euc_dist = pdist(arr[:, 1:], metric='euclidean')

然后，我滤除了所有具有较高时间距离的数据点，该数据点高于指定的阈值（Fe 10）并设置他们到2*epsilon的地理距离，以避免他们在一个集群中避免：

dist = np.where(time_dist <= 10, euc_dist, 2 * epsilon)  #filter the pairs with time difference > 10

最后我构建了距离向量的正方形矩阵，并将其作为对聚类算法的输入Sklearn.Cluster，例如DBSCAN：

X = squareform(dist)
clustering = DBSCAN(eps=3).fit(X)

最后一步是一个问题，因为平方距离矩阵的构建使用了大量的存储空间来用于大量数据点，从而大大降低了性能。 由于Sklearln群集算法（例如DBSCAN）仅有两种可能的输入格式是正方形形式的预定距离矩阵，如上所述或数据点的简单向量阵列（我无法使用，因为我想实现时间限制）我不知道如何进行集群更有效的群集。

非常感谢您提前提供的任何帮助 /建议！