全局搜索聚类的多车场多车型调度算法研究

针对物流配送中多车场多车型车辆调度问题的特征构造了一种以最短路径为代价的车辆调度的双多模型.为解决此类NP问题,本文提出了一种两阶段解决方案：第一阶段首先对全局隶属值的搜索训练找出最优隶属度,然后再利用任务相对紧急数组以K-Means算法为基础对用户进行聚类,把一个多车场多车型的车辆调度问题转化成多个单车场多车型的调度问题,大大降低了问题求解的复杂度;第二阶段对多个单车场多车型VSP问题利用遗传算法进行并行处理,为了保证染色体的多样性和尽可能地降低问题求解复杂度,提出了五类遗传交叉算子;最后对4车场32用户实例进行试验.结果表明,此算法对求解多车场多车型车辆调度问题很有效.     

基于GMM聚类的铁路网络数据风险等级分类方法

铁路行业信息基础设施及重要信息系统产生的数据种类繁多、数量庞大且价值密度高,而不同类型或等级的铁路网络数据存在不同级别的安全风险。为了完善铁路网络数据风险评估机制,设计一种基于高斯混合模型（GMM,Gaussian Mixture Model）聚类的铁路网络数据风险等级分类方法。从数据和风险角度提取关键信息,构建风险信息数据集;通过K-means聚类获得初始聚类中心;基于混合距离计算进行GMM聚类,实现数据风险等级划分。经实验验证,与传统K-means聚类、谱聚类算法相比,GMM聚类算法对铁路网络数据的聚类效果更优,能够更加准确地对铁路网络数据进行风险等级分类,从而为进一步落实铁路网络数据安全管理要求提供重要的技术支撑。     

考虑乘客出行体验的需求响应式公交规划

作为传统公交车的有力补充,需求响应式公交的出现为人们提供了解决问题的新思路,它能够即时采集乘客出行需求信息,确定走行路线,提供个性化定制服务。但自需求响应式公交运营以来,步行距离长、候车时间久等问题也日益凸显,极大地影响了乘客的出行体验。文章充分考虑乘客的步行距离及等待时间成本,基于DBSCAN算法、K-means算法,就需求响应式公交合乘站点布设问题进行研究,采用启发式插入算法对建立的软时间窗、多车队模型进行求解。可以实现对具有时间窗空间分散点的聚类及路径规划,对优化需求响应式公交的乘客出行体验,提高车辆上座率具有重要意义。     

矢量地图的一种非盲数字水印算法*

运用聚类思想,采用K-means算法,对矢量地图线图层进行聚类运算,在此基础上提出了矢量地图的一种非盲数字水印算法。对分类后的数据,提取其坐标值中的小数部分,采用量化嵌入方法,把水印图像二值化得到的0,1二值序列,嵌入分类后的载体数据中,完成水印信息的嵌入。实验证明,此算法对图形数据的平移、增点、删点、裁剪、压缩等攻击具有较好的鲁棒性。     

基于深度学习的多目标车辆检测及追踪方法

文章是以 MTALAB 软件为主要平台,基于深度学习建立一种多目标车辆检测及追踪的方法。首先建立一个基于深度学习的模型用于训练的不同场景的车辆数据集,并对所采集的数据集进行标注和格式归一化处理。然后使用 K-means 聚类算法进行锚框,建立以 YOLOv3 SPP 算法为主的神经网络框架,采用非极大值拟制（NMS）算法得到最终的预测框。最终训练神经网络模型,再对该模型进行测试和评定。经实验可以得出该模型能够准确地检测及追踪多目标车辆。     

基于BiLSTM神经网络的交通事故黑点路段日均事故频次预测方法

为交通管理部门和出行大众提供精准的事故高发黑点预警信息具有重要的意义。为此,研究了1种基于双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）的黑点路段交通事故频次预测方法。通过对传统K-means聚类算法的k值选取进行改进,实现了道路交通事故黑点的有效识别,并统计黑点每天事故数作为事故时间序列;利用小波分解对该序列进行降噪处理,通过多层网格搜索法对隐藏层层数、神经元个数等模型的参数进行标定,构建了基于BiLSTM网络的事故频次预测模型;采用滑动窗口的方式将事故时间序列作为内部参数输入模型,以交通流量、节假日、事故天气和事故发生环境等特征作为外部参数,对事故黑点路段未来1 d内可能发生的事故数进行预测,并基于预测结果提出了1种事故黑点路段交通事故预警模型;以浙江省宁波市交警部门某辖区2020年4月—2021年9月常态采集的事故数据为测试集,以7 d的事故数据预测未来1 d的黑点路段事故频次,将BiLSTM模型与门控循环神经网络（GRU）模型、长短期记忆神经网络（LSTM）模型、反向传播神经网络（BP）模型、自回归滑动平均（ARIMA）模型和支持向量机（SVR）模型等事故预测模型进行对比。结果表明：BiLSTM模型、GRU模型、LSTM模型、BP模型、ARIMA模型和SVR模型对各事故黑点的日均事故频次平均预测精度分别为93.1%、88.8%、88.0%、85.2%、84.4%和84.2%;均方根误差分别为0.092、0.146、0.142、0.147、0.177和0.176。该结果说明,所提BiLSTM模型具有更高的预测精度和更强的鲁棒性。     

改进的K-means算法及其在铁路客户细分中的应用

提出使用距离均和识别孤立点,并引入方差对孤立点进行判断处理,对传统的K-means算法进行改进并将改进后的K-means算法应用到铁路客户细分领域,实验结果表明,改进后的K-means算法能更为准确地对铁路货运客户进行聚类分析,从多维的角度较为全面、深入地细分客户消费行为特征,从而辅助铁路货运营销部门制定有针对性的营销策略,进行高效的客户关系管理,提高市场竞争力.     

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K-means聚类的车-地无线通信场强研究

为了方便城市轨道交通车-地无线通信故障排查以及隐性故障的发掘,引入K-means聚类的方法对车-地无线通信场强进行分析。实验结果表明：该方法可以较好地辨别车-地无线通信场强的变化情况,有利于及时地发现和处理故障,且该方法分析的结果有较强的稳定性。     

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.