基于K-Means聚类算法的城市轨道交通站点分类及客流特征分析

文章立足于沈阳市轨道交通站点800 m范围内的人口分布、开发强度、公交接驳、路网长度分布、站点位置属性、站点客流数据等六大维度数据,采用K-Means聚类算法将城市轨道交通站点划分为居住型、商业商务型、综合开发型、产业型、交通枢纽型五大类;基于站点聚类成果,叠合多样化数据分析总结各类站点客流的普适性规律,可为后续站点周边基础设施完善、站点客流预测、车站运营组织方案做出指导。     

一种动车组转向架装配线电机传动系统健康状态评估优化方法研究

对于动车组转向架装配线,电机传动系统是其关键部分,由于其运行状态的实时监测数据具有无标签性,采用K-Means聚类等无监督式学习算法是解决这类系统健康状态评估的常用方法。针对传统K-Means算法受噪声及孤立点影响较大的缺陷,提出基于局部异常因子算法的优化方法,有效地去除数据噪声点的影响;针对中心点选取过于随机性的缺陷,提出一种基于样本密度的初始中心点选取方法,并且中心点更新是选取距簇中其他样本点方差最小的点,从而改善了聚类效果;利用实际电机传动系统的运行数据对优化的K-Means算法进行验证。实验结果表明:优化后的算法有效提高了聚类质量,很好解决了实际应用环境下的电机传动系统健康状态评估问题。     

基于改进YOLOv2的动车组裙板螺栓检测

目前,动车组运行故障图像检测系统(TEDS)采集的动车组关键部位图像主要由人工判别,为提高裙板螺栓检测效率,提出一种基于改进YOLOv2的运行动车组裙板螺栓丢失检测方法.首先,通过K-Means聚类分析待检测螺栓区域目标框尺寸;其次,针对目标区域尺寸相似且较小的情况,在单尺度检测的YOLOv2模型中增加Spa-tial...     

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。     

Using a k-means clustering algorithm to examine patterns of pedestrian involved crashes in Honolulu,Hawaii

The purpose of this paper is twofold: 1) to describe a statistical technique known as K-means clustering in term of its advantages and disadvantages in safety research; and, 2) to use this method to analyze spatial patterns of pedestrian-involved crashes in Honolulu. K-means, a partitioning clustering technique, provides a powerful tool for analyzing and visualizing spatial patterns. While there are other techniques, one of the advantages of the K-means approach is that it is a well established technique that has been used for many different applications other than traffic safety. In this paper, we compare it to hierarchical clustering techniques and suggest that both are useful in the arsenal of spatial analytic tools for safety research.