一种改进K-means模型的城市轨道交通突发事件分级方法

针对城市轨道交通事件量化分级的难题,本文提出了一种改进的 K-means聚类的突发事件分级方法.首先,从事件类型、持续时间、影响程度等方面分析各种类型事件的特征规律,提取 8个关键特征量用于聚类分析;其次,应用主成分分析法提取 4个主成分变量并提出权重系数计算方法,实现特征向量降维;提出了基于密度扫描的初始聚类中心确定方法,并将改进的 K-means聚类算法应用于地铁突发事件的分级.案例结果表明,与原始 K-means聚类方法对比,应用本文提出的改进方法聚类效果更佳.研究成果已应用于北京地铁应急指挥系统,验证了本文方法的可行性.     

基于重采样的终端区飞行轨迹可信聚类方法

为了准确掌握终端区空中交通流复杂多变的空间分布特征,有效评估、优化进离场程序,基于重采样技术研究了终端区三维真实飞行轨迹的聚类问题,提出了一种计算速度快、可扩展性强、可信度高的聚类方法.首先,结合重采样和主成分分析方法,将高维轨迹数据在保留飞行特征的前提下映射到低维空间;其次,基于Mean Shift方法建立飞行轨迹聚类分析与异常轨迹提取模型;最后,利用终端区的真实飞行轨迹数据进行实例验证,并分析模型中各个参数对聚类结果的影响.研究结果表明:该方法耗时0.004 s得到累计贡献率为96.16%的主成分,较好地逼近原始飞行轨迹数据;相较于层次聚类法,本文方法得到的飞行轨迹聚类结果具有更高的可信度,能够准确对应机场标准进场航线设置,并将相似度较低的飞行轨迹提取为异常轨迹.     

基于LOF改进的K-means算法在交通事故黑点识别中的应用

为改进传统K-means聚类算法受初始聚类中心及异常点影响较大的问题,提出使用离群点检测(LOF)改进的K-means聚类算法,并应用到交通事故的黑点识别中.使用数据集为2018年7月1日至2018年12月31日于美国洛杉矶发生的交通事故数据.首先,利用LOF对事故点坐标数据集进行离群点检测;其次,剔除掉原数据集中的离...     

基于主成分-聚类分析的事故热点识别方法研究

为提高道路交通安全性,消除事故隐患,提出了一种应用主成分-聚类分析的热点识别方法,以主成分分析法量化各路段的安全性并提取主分量,利用Canopy-K Means组合聚类算法对主成分综合评价函数进行聚类划分,筛选出事故热点路段,通过对G50沪渝高速安徽段的热点路段识别结果表明：主成分-聚类分析法既能进行科学的事故统计分析,有效识别事故热点路段,又能充分反映各路段的实际交通安全情况,可为道路交通安全的改善决策提供科学、合理的决策依据。     

空中交通复杂性指标体系精炼方法研究

为了准确评估空中交通复杂性,需要构建多维复杂性指标体系并对指标进行精炼.借鉴已有的研究成果,构建指标体系,使用K-means聚类方法对指标进行聚类分析,与初始指标分类相互验证,最后使用主成分分析方法提炼指标内涵.以广州地区16扇区的航班数据为例,发现聚类结果不仅与经验结果一致,还可以对指标进行更精细的划分;指标经提炼后保留了98%的信息,表达维度大大降低,从而验证了指标精炼方法的实用性和有效性.     

基于混合约束自编码器的机动车工况智能构建方法

为构建更具代表性的机动车行驶工况，实测采集福州地区1辆机动车共20d的真实驾驶数 据，选取14个特征参数表征运动学片段信息，运用主成分分析和K-means聚类划分运动学片段聚类，根据聚类中心的距离筛选备选片段并随机组合构建工况集合。提取11个特征参数计算构建工况的误差，选择集合中误差最小的工况作为构建工况，提出利用混合约束自编码器构建工况优化模型，并研究参数标定方法，最终将平均误差由2.97%缩小到2.39%。混合约束自编码器模型的分析验证结果表明，优化策略符合实际情况，可以有效避免随机选择带来的误差不确定性，验证了所提出行驶工况构建流程的合理性，并提升了工况预测的精确度，得到模型参数推荐值。对实现碳达峰目标下的机动车碳排放预测及排放控制具有重要的现实作用和意义。     

城市道路汽车行驶工况构建方法

为了优化汽车行驶性能, 制定了反映中国实际道路行驶状况的测试工况, 以轻型汽车道路实测数据为数据源, 提出了城市道路汽车行驶工况构建方法; 数据采集覆盖主要时段和道路, 剔除了异常数据, 并引入多尺度小波变换对车速降噪; 利用3层小波分解过滤地面扰动的影响, 保留车速关键信息; 基于9种与行驶特性密切相关且具有代表性的特征参数建立汽车运动学片段特征体系; 分别利用主成分分析和自编码器对特征降维处理, 使用K-means++聚类算法确定运动学片段, 并引入Silhouette函数筛选聚类结果以替代人工选择, 确定聚类类别为2类; 以与相应聚类中心的距离为指标, 筛选出各类别中最能反映本类别特性的200个运动学片段, 作为候选运动学片段, 最终以基于最小性能值的评估方法确定代表性运动学片段, 完成了汽车行驶工况的构建, 分别得到主成分分析和自编码器2种降维处理对应的汽车行驶工况曲线。计算结果表明: 以主成分分析和自编码器2种处理方法为基础构建的汽车行驶工况对数据源均体现了较高的代表性与合理性, 基于主成分分析降维最终得到的数据与数据源的相对误差绝对值多数低于10%, 其中平均速度、平均行驶速度、怠速时间比、加速时间比、减速时间比、平均加速度、加速度标准差、平均减速度的相对误差分别为0.75%、5.50%、9.14%、9.80%、9.98%、8.45%、6.17%、7.73%, 仅速度标准差的相对误差较大, 为24.31%, 与自编码器方法得到的结果相比具有更强的综合代表性, 更适合用于汽车行驶工况的构建。      

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于感兴趣区域的CNN-Squeeze交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

高速公路ETC客户细分方法研究

应用大数据技术,提出一种基于车辆通行特征的ETC客户细分方法.构建了ETC客户细分指标体系并利用ETC收费数据提取了最近消费间隔、年通行频次和年消费金额等细分指标;为克服大数据聚类的失效问题,结合CLARA算法完成了ETC客户全样本数据聚类分析;建立了ETC客户细分决策树并提取出细分规则,最终实现了ETC客户星级评定.分析结果表明,本文提出的ETC客户细分方法能够解析各类客户通行特征、当前价值和增值潜能,可为高速公路运营管理单位探索ETC客户精准营销和分级费率优惠提供创新思路,同时可为进一步提高ETC客户规模和支付比例、提升ETC管理决策水平提供理论支持.     

基于改进K均值聚类POS算法的应急物资分类研究

为了提高突发事件应急救援的效率,应急物资分类的科学性是应急物资调拨与配送的关键环节之一.通过分析既有应急物资分类以及聚类算法存在的问题,提出了基于改进K均值聚类的应急物资分类方法,构建了基于K均值的粒子群优化算法设计.最后,选取了206种最为常用的应急物资为例,采用Matlab软件平台分析计算.结果表明:基于改进K均值聚类POS算法全局寻优能力明显要强于其他聚类算法.为应急决策者提供一定的理论依据.     

考虑连接性的路网划分算法

针对传统K均值聚类算法在非均质路网划分应用中的不足,将路网连接性融入算法,解决其在路网划分应用中聚类结果不连续的问题.先使用最大最小距离算法确定初始聚类中心和路段差异性,并以聚类评价指标ANSK确定K值;然后统计连续时间间隔下路网划分结果的动态频数,合并和拆分不稳定的“噪声”路段,提高划分子区内路网的紧凑性.最后,基于现实路网中的车牌照自动识别实测数据,对改进的聚类方法进行了验证.将算法得到的划分效果与K均值聚类算法和Ncut算法进行对比,并对子区做宏观基本图分析.结果表明,改进后的K均值聚类算法在保证自身原有聚类优势下,可以有效实现连接性约束下的路网划分.     

����GRA ��KPCA ��LSSVM ��������Ԥ��

为降低物流需求建模中最小二乘支持向量机（LSSVM）的结构复杂性、进一步提高LSSVM对物流需求的预测精度,提出一种基于灰色关联分析（GRA）与核主成分分析（KPCA）的LSSVM预测方法。首先利用GRA找出物流需求的主要影响因素;然后利用KPCA提取主要影响因素的非线性主成分,消除因素之间的多重相关性;最后,将提取出的非线性主成分作为LSSVM的输入变量,构建物流需求预测模型,并采用改进粒子群(IPSO)算法调整LSSVM参数。运用该方法对我国物流需求进行实例分析,结果表明,该方法有效减少了LSSVM输入变量个数,简化了LSSVM结构,并且在一定程度上提高了物流需求预测精度。     

基于GRA 与KPCA 的LSSVM 物流需求预测

为降低物流需求建模中最小二乘支持向量机（LSSVM）的结构复杂性、进一步提高LSSVM对物流需求的预测精度,提出一种基于灰色关联分析（GRA）与核主成分分析（KPCA）的LSSVM预测方法.首先利用GRA找出物流需求的主要影响因素;然后利用KPCA提取主要影响因素的非线性主成分,消除因素之间的多重相关性;最后,将提取出的非线性主成分作为LSSVM的输入变量,构建物流需求预测模型,并采用改进粒子群 (IPSO)算法调整LSSVM参数.运用该方法对我国物流需求进行实例分析,结果表明,该方法有效减少了LSSVM输入变量个数,简化了LSSVM结构,并且在一定程度上提高了物流需求预测精度.     

基于 K-means 的北京地铁路网重要度聚类分析

以图论为基础,以北京地铁为研究对象,结合地铁运营客流时空分布的特点, 构建北京地铁有向加权路网模型;采用 K-means 聚类分析方法,根据地铁路网中车站和区 间的两个基本的物理拓扑属性（度、介数）,以及客运量对其进行分类,确定关键车站和区 间.其中,度反映的是节点的局部聚集能力,介数反映的是节点和边对全局的影响能力,而 客运量则反映了不同时间段节点和边在运输中的重要性.实证分析表明,该方法可以从系 统网络的角度动态辨识系统中的关键车站和区间.     

基于阈值和蚁群算法结合的聚类方法

为了改善聚类分析的质量，提出了一种基于阈值和蚁群算法相结合的聚类方法．按此方法，首先由基于阈值的聚类算法进行聚类，生成聚类中心，聚类个数也随之初步确定；然后将蚁群算法的转移概率引入K-平均算法，对上述聚类结果进行二次优化．实验表明，与尽平均算法等相比，该聚类方法的F-测度值（F-measure）更高．     

终端区空中交通管制运行品质综合评价

为定量评价繁忙终端区空中交通管制运行品质,以成都终端区为研究对象,针对单跑道终端区,建立了包括管制业务量、安全性能、效率性能、工作负荷及交通拥挤度的管制运行品质定量评价指标体系.根据专家意见选取20个相对独立的指标,给出了基于主成分分析法的综合评价方法.采集覆盖一周每日繁忙时段10:00～22:00的84个样本,得到各时段的管制运行品质综合评价结果.经K-均值聚类分析及实际运行表明,本文方法可行,评价结果与实际情况相符.评价结论为终端区的运行策略优化提供了依据.