泰森多边形并行生成算法研究与实现

为了加快大规模二维平面点集的泰森多边形生成速度,本文设计并实现了一种并行优化算法。该算法在保证与串行算法具有相同的精准度的条件下,利用串行算法的分治特征对其有效的进行了并行化优化。经过实验证实,该算法在并行计算的环境下有效地提高了计算速度,减少了执行时间,并且获得了较高的计算加速比。

基于集成学习的房价预测模型

随着国民生活水平的提高,人们对房产的需求不断增加,对房价的关注度也持续变高。房价作为多指标影响因子,受到很多条件的影响[2-4][11]。现有房价预测模型多属于单一预测算法,预测精度不理想,当数据噪声较大时又容易出现过拟合现象。针对这些问题,提出基于集成学习的房价预测模型。选用预测效果较好的Extra Trees,Random Forest,GBDT,XGB算法作为基础预测模型,分别训练并对四种基础模型进行stacking[1][5]集成,最终得到集成学习的房价预测模型。在加州房价数据集上试验表明,本方法相比于单一预测模型能够有效提高预测的准确率及稳定性,证实了本模型的有效性。

一种基于Voronoi图求解车辆路径问题的混合启发式算法

针对由多个配送中心和多个客户点组成的物流网络中的车辆路径问题,提出了一种基于"集群第一,路线第二"的路径优化策略,即首先使用Voronoi分割对配送区域进行划分,然后引入综合插入算法和变邻域搜索算法的混合启发式算法求解配送区域内车辆路径问题。通过算例和应用系统的分析与验证表明,该混合算法既能获取质量较优解,同时也具有较好的实时性,能较好地满足实际应用需求。

上海写字楼租金预测探究

本课题研究的问题核心点是如何有效地利用写字楼内部及周边环境的时空数据来对写字楼的整体规划进行评估,由于规划的优劣在一定的程度上能在租金高低上反映出来,我们将着重于通过对写字楼的租金预测,对写字楼及周边地块规划进行评价和建议。文章从数据获取、数据处理、影响因素分析、建模分析多个方面进行介绍。本文也探讨把此方法推广到对于一般商业地块的分析中去的可能性。

更新背景下减少短距离机动化出行的规划策略——基于上海多源数据的实证研究

我国城市日常交通出行虽以中短距离为主,但包含高比例的机动化出行。城市更新背景下,加强短距离交通出行特征研究,对抑制小汽车交通过度增长、优化城市交通结构具有重要意义。本文基于上海多源数据的实证分析发现:每日各时段均存在大量短距离出租车出行需求;但在空间分布上,短距离出租车出行呈现明显的空间集聚现象,集聚区域随时间变化有所变化;地理加权模型证实人口、用地功能、交通条件3个方面因素对短距离出租车出行需求构成影响。通过弹性系数法确定不同因素的影响程度差异后,研究提出降低短距离机动化出行的规划措施建议。

基于信息熵的类别变量的数值化方法

无论是学术上还是工程实践中,数据预处理是整个数据挖掘中最基础也是最费时的一个环节,其中数据类型的转换也是重要一环。聚类算法中,旨在将数据集划分为有意义的簇,簇内高内聚,簇间低耦合,往往是抽象为样本之间的距离来聚类,因此许多聚类算法都要求样本集中变量必须是数值型;分类算法中,虽然随机森林、神经网络等算法对变量类型的要求并不严苛,但是在经典的逻辑回归算法中,仍需要对数据进行数值化的预处理。该文介绍了一种基于信息论,对样本变量中类别型变量(categorical variables)进行数值化处理的方法,分别在逻辑回归和支持向量机两种机器学习算法中,进行了几组实验,对比实验结果,发现此方法在性能上、应用上都很有优势。

利用Hilbert曲线与Cassandra技术实现时空大数据存储与索引

随着越来越多的轨迹数据被记载,各种应用场景下的海量、复杂数据需要高效的存储与索引。传统的关系型数据库难以满足海量轨迹数据的存储、扩展及特定的查询需求,而具有扩展简单、读写快速、成本低廉特点的非关系型数据库为此提供了一种可行的解决方案。设计并实现了一种基于Cassandra数据库的数据降维及键值存储、索引方法,可对时空轨迹数据进行高效管理。为进一步提高效率,融合了Hilbert曲线编码技术将空间分割成小单元,并将轨迹数据映射到不同单元中。充分利用时空局部性原理,为不同应用场景下的轨迹数据设计并实现了对应的分区键与聚簇键,实现轨迹对象时空近邻存储,令数据查询更为有效。基于实际应用场景的实验结果表明,所提出的方法能有效支撑海量轨迹数据的存储与索引,并在数据的插入、查询及存储结构可扩展性等方面优于其他时空大数据索引和查询方法。

住宅区配电网计算机辅助设计

本项目采用网络优化技术,提出了一个较为完整的住宅区配电网的设计方法,并在IBM—PC/XT上实现。设计一个具有100多个用户点,配电站候选点为6个的住宅区配电网,在不到5分钟的时间内输出全部设计方案。节省了人力、财力。