Algorithm 把世界分成一千多个地方

背景：我想创建一个天气服务，由于大多数可用的API限制了每日呼叫的数量，我想将地球划分为1000个左右的区域

显然，互联网用户的分布并不均匀，因此在人口密集地区的抽样应该更精细

我应该如何着手实施这一点

• 我在哪里可以找到有关地理互联网用户密度的数据
• 算法可能类似于k-means。然而，在有海洋的球体上实现它可能有点棘手。有什么见解吗
• 最后，也许有一种方法我可以避免做这一切

---

一般来说，你并不关心互联网用户密度。你关心使用你的服务的用户的密度——你不关心这些用户在哪里，你关心他们询问的地方。因此，一旦你的站点运行了一天以上，你就可以使用人们在前一天询问的位置来确定第二天应该使用哪些区域
树上的动态规划很容易。对于一个算法，我要做的是构建一个由连续的更精细划分的单元组成的树。更多的单元格意味着更小的误差，因为人们可以预测离他们更近的点，你可以计算出误差，或者至少计算出更多单元格和更少单元格之间的相对误差。从下到上，计算出每个子树可能造成的最小总误差，允许将其划分为1,2,3，…N。方式。通过查看已为每个节点的子代计算的最小可能误差，并找出如何最好地在它们之间共享可用的k个分段，可以为每个节点计算出k=1..N的最佳分段和最小可能误差
我会尝试用不同的想法来避免这样做。根据你看待生活的方式，这至少有两个缺点：
1） 你似乎没有给聚会增添什么。看起来你是在插手实际制作天气预报的组织和他们的客户之间。组织失去了与客户的直接联系，这可能会使他们失去广告收入。客户得到的天气预报较差

---

2） 大多数网站都有合法的服务条款，客户可以忽略这些条款而不必担心。我的猜测是，你会违反这些服务条款，如果你的服务受到足够的欢迎并引起注意，它们将对你不利。
一般来说，你并不关心互联网用户密度。你关心使用你的服务的用户的密度——你不关心这些用户在哪里，你关心他们询问的地方。因此，一旦你的站点运行了一天以上，你就可以使用人们在前一天询问的位置来确定第二天应该使用哪些区域
树上的动态规划很容易。对于一个算法，我要做的是构建一个由连续的更精细划分的单元组成的树。更多的单元格意味着更小的误差，因为人们可以预测离他们更近的点，你可以计算出误差，或者至少计算出更多单元格和更少单元格之间的相对误差。从下到上，计算出每个子树可能造成的最小总误差，允许将其划分为1,2,3，…N。方式。通过查看已为每个节点的子代计算的最小可能误差，并找出如何最好地在它们之间共享可用的k个分段，可以为每个节点计算出k=1..N的最佳分段和最小可能误差
我会尝试用不同的想法来避免这样做。根据你看待生活的方式，这至少有两个缺点：
1） 你似乎没有给聚会增添什么。看起来你是在插手实际制作天气预报的组织和他们的客户之间。组织失去了与客户的直接联系，这可能会使他们失去广告收入。客户得到的天气预报较差

---

2） 大多数网站都有合法的服务条款，客户可以忽略这些条款而不必担心。我的猜测是，你会违反这些服务条款，如果你的服务受到足够的欢迎并引起注意，它们将对你不利。
与k-means非常相似的是（它是k-means的连续版本）。但是，这将生成球体的统一细分，而不会像您希望的那样考虑用户密度
因此，类似的解决方案是相同的技术，但用于：功率图是说明密度的Voronoi图（通过为每个Voronoi种子分配权重）。这种图可以通过嵌入3D空间（而不是2D）来计算，3D空间由前两个（x，y）坐标加上第三个坐标组成，第三个坐标是[任何大的正常数减去给定点的权重]的平方根

---

使用它，您可以获得您的域与用户密度的细分。
非常类似于k-means的是（它是k-means的连续版本）。但是，这将生成球体的统一细分，而不会像您希望的那样考虑用户密度
因此，类似的解决方案是相同的技术，但用于：功率图是说明密度的Voronoi图（通过为每个Voronoi种子分配权重）。这种图可以通过嵌入3D空间（而不是2D）来计算，3D空间由前两个（x，y）坐标加上第三个坐标组成，第三个坐标是[任何大的正常数减去给定点的权重]的平方根
使用它，您可以获得您的域与用户密度之间的关系。
您的想法是什么？如果是这样，那么当树中的节点数仍然很小时，您为天气预报位置选择的节点数将是wa