二分K-FCM结合算法在交通运行状态判别中的应用

正确判别交通运行状态是交通运营管理的理论依据。以高速公路交通状态判别为研究对象,综合考虑交通流三参数(流量、速度、占有率)的基础上,应用模糊C均值(FCM)与二分K均值结合算法对交通运行状态进行判别。首先,对交通数据集分布特征及交通运行状态特征进行分析,确定以V05~V85为最小欧氏距离判别的数据范围。其次,为解决算法收敛较慢及任意初始化质心对聚类结果的不良影响,对传统模糊C均值聚类算法进行了改进,将运行二分K均值算法的聚类结果矩阵作为FCM的初始聚类中心。经检验,改进的FCM可以有效减少算法迭代次数,得到的目标路段交通状态判别矩阵能较精准地划分高速公路不同的交通状态。     

基于K-均值聚类分析的城市道路汽车行驶工况构建方法研究

以实时采集的乘用车行驶数据为数据源,进行了城市道路汽车行驶工况构建方法的研究。分别运用运动学片段分析法、主成分分析法和K均值聚类分析法对实测数据进行降维和分类,提出以Silhouette函数实现对聚类结果的筛选,以减少人为选择的误差,并根据聚类中心的大小筛选所需运动学片段构建候选工况。在目标代表工况的遴选方面,提出了综合6个特征参数和最大SAFD差异值的评价标准。最后通过试验验证了该行驶工况构建方法的有效性和精确性。     

基于运行大数据的重型卡车行驶工况研究

采用企业车辆运行大数据为数据来源,进行典型重卡工况构建方法的研究。通过K均值聚类分析方法进行实测数据的处理,优化初始聚类中心选取保证聚类的可靠性和收敛性,提出以速度区间进行划分运动学片段,更加客观的表征工况特征。并通过马尔可夫原理实现特征工况的构建,最后通过试验验证了该工况构建方法的可行性和精准性。     

某重型燃气车行驶工况构建研究

行驶工况是一段复杂的运动特征的集合,受到动力总成、车辆载荷、驾驶员行为、天气等多种因素的影响。文章通过对400余台重型燃气车运行数据的分析处理,通过改变初始簇中心位置迭代计算出固定的聚类中心,对K-均值聚类进行优化,构建出行驶工况。所构建的行驶工况与原样本的相关性达到了0.999和0.942。     

基于模糊C均值聚类的模拟电路故障诊断

介绍了模糊C均值聚类分析的理论,并将该理论应用于模拟电路故障诊断.在模拟电路故障仿真分析中引入有容差的各类数据样本,运用迭代优化的模糊聚类算法生成故障模式,然后,将故障模式应用于未知故障情形进行诊断,仿真表明,该方法高效准确.     

基于运动学片段的城市道路行驶工况的研究

以合肥市典型道路为例,将大量行驶工况的实验数据划分为运动学片段,并选出11个特征参数进行研究.首先用主成分分析法对运动学片段进行降维处理;接着利用K均值聚类技术对其进行分类.分析结果验证了在城市道路行驶工况研究中应用主成分分析法和K均值聚类法的町行性和有效性;最后拟合出合肥市典型道路的代表性行驶工况.与实验数据的对比结...     

基于聚类支持向量机的车型识别方法研究

地磁感应波形通过数据融合初步提取出结构、频谱和数值3个范畴的特征.利用Filter-Filter-wrapper模式对初步提取的特征进行组合式特征评估,即采用改进的ReliefF算法挑选最适合车型分类的不冗余特征,再建立Top-K机制的交叉验证搜索最优特征组合.引入基于聚类支持向量机(C-SVM)的车型分类算法,并采用微粒群算法对C-SVM算子中的核函数参数和惩罚系数进行了优化,构建了微粒群优化的C-SVM车型分类器.实验结果显示该车型分类方法能显著提高数据挖掘的效率,机器学习的能力,并且具备较高的车型分类准确率.      

基于改进的K_Means算法的城市高架桥交通流分析

将数据挖掘技术应用到合肥市金寨路高架桥的交通流分析中。分析研究了聚类中已有的K_Means算法的不足,对算法中聚类中心初始化问题进行了改进,通过对聚类结果的分析研究,得到该高架桥的一些交通特性。这些信息可以使高架桥的管理更安全有效,也可以方便驾车人员的出行,对城市道路规划也有参考意义。     

Driving Cycle Construction and Accuracy Analysis Based on Combined Clustering Technique

基于通过实车试验采集的城市典型道路行驶工况数据,首先用主成分分析法对选取的12个表征道路运行特性的特征参数进行减缩,接着利用SOFM神经网络算法和K均值聚类法相结合的组合聚类技术对所有运动学片段的前3个主成分得分进行分类,再根据各类别的时间比例从各类别中选取合适片段,最终拟合出代表性工况.通过对各工况加速度分布的K-S检验和采用ADVISOR软件进行的发动机载荷谱和燃油消耗量仿真分析,表明和K均值聚类法相比,组合聚类法的行驶工况拟合精度更高,更能综合反映城市交通真实状况.     

一种用于高速公路通行情况分析的收费数据挖掘方法

为更好地对高速公路通行情况进行分析,利用高速公路海量收费数据,提出了一种用于高速公路通行情况分析的数据挖掘方法。首先,在海量的贵州省高速公路收费数据中,筛选出指定进站名称及出站名称的数据并删除部分字段,仅保留与研究相关的内容,利用车辆进入收费站的时间和驶出收费站的时间计算出其在该路段上行驶的总时长,将行驶时长字段加入原数据。然后,采用孤立点检测算法清洗该数据,剔除其中异常值。完成上述预处理过程后,使用快速峰值聚类算法对行驶时长进行聚类分析,首先计算每条数据之间的距离,将距离矩阵作为该算法的输入并输出聚类结果;对比所采用的算法与K-Means算法对于行驶时长这一指标的聚类效果,可明显地看出该算法的聚类结果更接近于实际情况;然后将春节期间与2月第4周的收费数据进行聚类,通过对比可明显得出节假日期间各个车型通行比例的变化;将上述结果结合不同车型在不同时段的平均通行时间进行分析。研究结果表明：所提出的方法可有效地将在某段高速公路通行的车辆进行分类,并且分类结果与真实运行过程中车辆在高速公路上的通行情况一致,可为高速公路的运营管理以及维护方向提供合理的科学依据和数据支持。     

面向车险定价场景的车型风险分级研究

本文以保险公司理赔数据及车型配置数据为研究对象，基于GLM模型和K-means分级方法对我国车型风险进行分级。首先，使用GLM模型对车参配置因子进行筛选，确定对理赔数据有显著解释性的因子，并得到理赔金额拟合值。其次，使用K-means聚类算法，对拟合结果进行等级划分，最终将车型风险划分为30个等级。结果表明，车型风险分级各等级分布直方图呈现伽马分布，符合车险定价分布特征。该研究内容及模型算法，将为我国汽车车型风险分级体系构建工作提供重要方法参考，并为车险定价创新提供支持。     

基于K均值和不变矩的粒子滤波视频目标跟踪

针对传统的粒子滤波算法存在的粒子退化现象和需要大量粒子才能保证状态预估计的精度,导致视频序列目标实时跟踪难以实现的问题进行了研究,提出了一种基于K均值和不变矩的粒子滤波实时目标跟踪算法。首先对最初采样的粒子集采用K均值算法进行聚类,将N个粒子分配到K个聚类中心;然后将不变矩算法引入到粒子的选取中,通过与上一帧目标位置最接近的三类聚类中心进行不变矩匹配,选择其中与目标模块最接近的那一类进行粒子滤波跟踪运算。实验结果表明文中提出的改进算法能够很好的解决粒子退化的问题,只需要采用较少的粒子就能达到很好的跟踪精度,大大的减少了计算量,改善了粒子滤波的实时性的问题。同时,在一定程度上解决了目标跟踪中相似背景的干扰和目标遮挡的问题。     

基于改进k-均值算法的轻型车尾气排放数据聚类方法

在轻型车尾气排放试验中产生的大量试验数据常常具有不同属性,需要对其进行聚类分析。因此,提出了改进的k-均值算法。基于高密度方法有效地消除了孤立点的影响;采用最远点方法,摆脱了k-均值算法只能处理球状类数据和受中心初始位置控制的限制;得到最佳簇数k值,解决了直接给定k值时,因k值不恰当而导致聚类结果较差的问题。试验结果表明,改进算法比原始k-均值算法在聚类的准确率方面具有更好的效果,能够较好评估车辆排放水平。     

基于K-means聚类方法的物流多配送中心选址优化研究

针对城市物流多配送中心选址过程中因素选取和方法融合研究方面存在的不足,提出先对备选配送中心进行聚类分析而后在各聚类单元内进行选址排序的思想方法。首先,建立物流多配送中心选址的评价指标体系,将语言变量值与梯形直觉模糊数相结合并应用模糊集成方法进行计算,进而得到各配送中心在准则指标下的集成综合评价值;其次,根据隶属度函数,将集成后的综合评价值拆分成3个分属性值,并将分属性值作为聚类过程的输入。然后,应用K-means方法计算多配送中心的聚类单元和确定初始聚类中心,并选取聚类单元均值作为新的聚类中心进行优化迭代计算,直到确定聚类中心位置,进而得到最终聚类结果。最后,应用TOPSIS方法计算各类中选址位置的评价值,排序选出配送中心选址位置。实例验证表明,所提方法得到的选址结果合理且优于其他选址方法,并可应用到多级物流配送网络的选址优化问题研究中。     

汽车雷达多目标跟踪的模糊数据关联

介绍了一种量测(新测目标)到目标(已知目标)之间的模糊数据关联方法，将模糊聚类均值方法和决策逻辑方法相结合，利用Mahalanobis距离代替聚类运算中的欧氏距离，使量测与目标预测值之间的相似性度量更准确，应用决策逻辑确定量测与目标预测值的关联关系。仿真表明这种方法简单，在杂波环境下，有较高的跟踪精度，这种方法可以用于道路条件下，基于汽车雷达的多目标的可靠跟踪。     

有容量限制路径选择优化问题的混合蚂蚁算法

基于有容量限制的路径优化（CVRP）问题的NP难解性，将目前已在众多组合优化领域中颇见成效的随机型智能搜索算法——蚂蚁算法结合节约算法（C—W算法）应用于这类模型，充分发挥了其智能搜索、全局优化和并行计算的优势。经算例测试，比较蚂蚁算法与两阶段法．神经网络算法的迭代过程，结果表明，蚂蚁算法能以较快的速度收敛到最优解。     

驾驶员避撞转向行为的改进K-means聚类与识别

本文中根据不同工况驾驶员转向行为数据,提出了基于驾驶员避撞转向行为特征的聚类算法。首先搭建驾驶模拟器,采集了定半径转向、常规换道和紧急避撞转向工况下的驾驶行为数据,通过对比正常行驶和紧急避障工况下驾驶员转向行为数据,定性分析了紧急避撞转向特点。之后,利用皮尔逊相关系数法分析了描述驾驶员转向行为的观测变量与紧急避撞转向行为的相关性,得出转向盘转速与转向工况的相关性最高。接着,以转向盘转速作为聚类特征参数,利用改进K均值(K-means++)聚类方法对转向行为数据进行了聚类,将转向行为划分为正常转向和紧急避撞转向,实现了紧急避撞转向工况的识别。最后,通过实车试验验证了所提出的紧急避撞转向行为K-means++聚类方法可有效识别驾驶员紧急避撞转向行为,聚类精度达96.7%。     

观测路径出行时间下随机网络交通需求估计

道路网络起讫点（OD）需求是城市决策长期交通规划和短期交通管理中的基础参数,准确的交通需求更是实施交通拥堵控制、限行限速、路径诱导等措施的先决条件。综合运用观测的轨迹已知和未知路径出行时间,建立随机网络交通需求估计双层规划模型。上层广义最小二乘模型最小化历史交通需求与待估交通需求、观测路径出行时间与待估路径出行时间之间的偏差,约束为交通需求、路段流量、路段出行时间与路径出行时间之间的传播关系,通过高斯混合模型（GMM）对其中轨迹未知的观测出行时间依概率聚类。下层为随机网络交通出行均衡模型,分别运用出行时间预算和随机用户均衡处理路网不确定性和出行者感知误差。上、下层之间通过交通需求和OD-路段关联比例进行信息传递。设计迭代算法框架求解双层规划模型,迭代算法包含求解上层模型的最速下降法、求解下层模型的相继平均算法和求解GMM模型的最大期望（EM）算法。通过算例表明轨迹未知的路径出行信息的加入在提升需求估计精度的同时也增大了估计值的方差;设计的迭代算法能够稳定收敛到10^-5的精度;GMM软聚类方法估计的交通需求显著优于硬聚类方法估计的需求值;交通需求值对观测路径出行时间的扰动更加敏感。研究考虑出行者风险态度,通过轨迹信息的重新构建揭示城市交通需求演化规律。     

人机共驾智能车驾驶模式决策属性析取研究

为了深入分析驾驶模式决策影响因子,通过实车试验采集了人-车-路多源特征信息。用驾驶人主观经验将驾驶模式划分为人工驾驶、警示辅助、自动驾驶3种状态,并利用采集的驾驶人血流量脉冲（BVP）和皮肤电导（SC）值进行K均值聚类,将驾驶人当前合适的驾驶模式自动聚类为3级。通过融合驾驶人自汇报结果和聚类结果对驾驶模式进行准确标定。采用以信息增益为依据的Ranker算法对多特征进行排序,并在此基础上,根据多分类器分级结果确定最优特征属性集合。研究结果表明：当选取车速、车头时距、车道中心距离、前轮转角标准差、驾驶经验5个指标为特征子集时,支持向量机、朴素贝叶斯及K近邻这3种分类器的识别准确率都超过90%;除警示辅助模式与自动驾驶模式下的车速值和车道中心距之外,其余所有不同模式决策属性值均呈显著性差异;研究结果可为人机共驾智能车驾驶模式决策提供依据。     

基于深度学习的交通目标感兴趣区域检测

为了提高交通目标检测的实时性和准确性,针对交通目标检测过程中普遍存在的背景复杂、光线变化、物体遮挡等干扰问题,以及基于深度学习的目标检测算法在进行区域选择时滑动窗口遍历搜索耗时的问题,提出一种基于时空兴趣点（STIP）的交通多目标感兴趣区域快速检测算法。像素级时空兴趣点检测在处理目标遮挡时具有较好的鲁棒性,利用这一特点,首先在传统兴趣点检测算法的基础上加入背景点抑制和时空点约束,以减少无效兴趣点对有效兴趣点检测带来的干扰。通过改进均值漂移算法,使得聚类中心数量随目标数目的变化而改变。然后对被检测出的多目标附近的候选兴趣点分别进行聚类,获取各个目标聚类中心位置信息。根据聚类中心点与筛选后的目标兴趣点之间的相对位置关系进行特定组合获得感兴趣区域。在这些感兴趣区域上使用选择性搜索算法生成1 000~2 000个候选区域,并将这些候选区域放入训练好的深度卷积神经网络模型中进行特征提取。最后将特征提取结果送入支持向量机中进行目标种类判别并使用回归器精细修正目标识别框的位置。研究结果表明：通过对候选区域进行预处理,送入模型中的候选区域数量减少了82%,对应算法整体运行时间减少了74%,能够满足智能交通监控的实际需求。