基于动态Fisher聚类算法的多时段二次划分

现有多时段划分方法大多只考虑时间维度下交通流宏观变化,即大范围趋势变化规律,未能考虑交通微观变化下的波动情况。针对这种情况,深入分析交通流的宏观和微观变化,提出了基于动态Fisher聚类算法的多时段二次划分方法。选取济南济泺路—汽车厂东路交叉口对提出的方法进行了验证,实验结果表明与传统方法相比,该方法能更好的适应实际交通流的变化趋势。

双编码动态培育遗传聚类算法及其在电池定制化配组中的应用

本文提出了一种基于双编码动态培育遗传聚类算法,同步编码聚类类别与聚类中心,引入动态培育思想,动态调整交叉对象与变异方向,进而增加微变异进而提高种群多样性,解决了传统遗传算法初期收敛缓慢和种群单一问题,提高了算法后期跳出局部最优的能力.同时,分析了双编码动态培育遗传聚类算法的收敛性.最后,以电池定制化配组为应用案例,验证了本文算法解决动力电池定制化配组问题的有效性,以及算法在收敛速度和全局搜索精度方面的优越性.

复杂动态负荷幅度域波形模态聚类与电能表误差敏感特征

针对复杂动态负荷游程波形模态及引起电能表误差的典型特征认识不足的问题,首先提出动态电流信号幅度域游程波形模态提取算法,提取了多种幅度域毫秒级小颗粒度游程波形模态;其次,提出LK-Shape游程波形模态聚类算法,提取了动态电流信号幅度域的6类典型游程波形模态及其快速变化特征;最后,提出导致电能表超差的两种敏感游程波形模态,并通过实验验证了该游程波形模态适于测试电能表误差,表明了所提方法的有效性和实用性。

基于组合相似度动态聚类和词熵的网络话题在线检测

[研究目的]为实现网络热点话题的在线检测,提升增量式聚类算法的聚类效果,提出了基于组合相似度的动态聚类算法,同时通过计算词熵实现主题词提取和演化跟踪。[研究方法]通过CIFG-BiLSTM-CRF模型实现文本的命名实体识别,计算文本与话题的实体相似度,再取文本词向量与话题中心余弦相似度的最大值作为词向量相似度,二者结合判断文本所属话题。在聚类过程中利用时间窗口策略实现话题中心和成员文本的动态更新。同时,计算文本词熵,生成话题的词熵和列表,实现话题主题词提取和演化跟踪。实验以新冠疫情新闻为数据实现话题在线检测,并展示了话题主题词的演化和跟踪过程。[研究结论]实验表明,与传统相似度计算方法相比,组合相似度能够获得更好的聚类效果,聚类过程中提取出的话题主题词也正确地反映了原始数据的热点话题内容。

基于灰色动态聚类-粗糙集的装配式建筑施工安全评价指标体系优化

建立合理的装配式建筑施工安全评价指标体系是规范装配式建筑安全施工的关键,引入灰色动态聚类和粗糙集属性约简相结合的方法对指标进行约简分析。利用灰色关联分析法建立样本间的灰色关联矩阵,并利用F-统计量确定最优阈值,以确定样本的最佳分类;逐一删除每个指标,采用灰色动态聚类方法对剩余指标进行聚类分析,得出其最佳聚类结果;运用粗糙集约简理论,对比删减某一指标和全部指标下的最佳聚类结果,保留与原始最佳聚类结果不同即对样本分类有影响的指标。这一举措实现了安全评价指标的有效筛选,减少了后续施工安全评价的工作量,确保了安全评价的准确性,同时也为装配式建筑现场施工管理工作提供了指导。

基于深度时序聚类的城市卡口短时交通流量预测

目前,基于深度学习的交通流量预测方法存在不足。首先,基于图卷积网络的预测模型使用简化的路网拓扑,忽视了实际交通组织信息,影响预测准确性。其次,基于聚类的预测模型未考虑交通流的区域和时间相似性,未能有效利用时空模式,导致聚类结果对预测提升有限。此外,过大的训练样本增加了训练和预测时间,影响实时性。为了解决上述问题,提出了基于深度聚类的城市卡口短时流量预测模型(deep temporal clustering traffic flow prediction,DTCTFP)。首先,构建包含实际交通组织信息的路网拓扑,利用图卷积网络挖掘卡口间的时空特性;其次,引入改进的动态时间规整和最短路径分析方法,将相似的交通流对象归类到同一簇,使模型充分利用流量、时间、位置等特征信息,提升预测精度;最后利用基于簇的循环神经网络进行预测,提高模型的实时性和计算效率。基于重庆大渡口交通数据进行了实验验证,结果显示,相较于最新基准模型,在MAE、RMSE、MAPE指标上,平均降低了15.02%、10.72%、10.98%,并通过消融实验证实了所提出的聚类方法能够提升14.5%的预测准确性。

基于模糊聚类的网络敏感数据流动态挖掘

为解决网络敏感数据流相似性较高且差异性较大,导致挖掘量下降的问题,该文设计基于模糊聚类的网络敏感数据流动态挖掘方法。构建模糊矩阵,计算不同网络敏感数据流样本间马氏距离,衡量两个样本间相似性,消除变量之间的差异性。引入速度收敛阈值,根据不同数据间模糊关系,对网络敏感数据流进行动态分类。利用遗传迭代算法迭代处理敏感数据流最大散度,获取最优离散性迭代值,通过对特征点进行聚类和均匀分配,结合动态挖掘误差拟合实现数据动态挖掘流。由实验结果可知,该方法挖掘到的数据量较多,无论是相似性数据还是差异性数据均能够被全部挖掘出来,挖掘结果具备可靠性。

结合改进相似度的MFDBSCAN算法的船舶轨迹聚类

由于基于基础相似度的轨迹聚类算法存在抗噪能力弱、运行时间慢等缺点,文中提出了基于MFDBSCAN算法的船舶轨迹聚类模型,该模型将改进的动态时间规整距离和改进具有噪声的基于密度的空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)相结合。选取中国香港的船舶自动识别系统(Automatic Identification System,AIS)数据进行实验,结果表明,与现有其他算法相比,MFDBSCAN算法能够有效提高抗噪能力,加快了运行速度,能更好更快速地获取船舶轨迹重要信息。该方法在有效监督和指导船舶等方面具有重要价值。

电网需求侧资源动态分布式k-means聚类算法

为有效聚合电网需求侧资源,合理、高效利用电网资源,提出基于分布式k-means的电网需求侧资源动态聚类算法。通过基于置信半径的分布式k-means算法聚类采集到的电网需求侧资源数据,在模糊C均值进化神经网络中,以聚类得到的电网需求侧资源数据为输入向量,输出电网需求侧资源场景,依据场景存在概率,以电网侧资源日均峰谷差最小、DG消纳程度最高与日均负荷波动率最小为目标函数,以电网需求侧资源曲线波动率与负荷互补为约束条件,构建电网需求侧资源多场景聚类模型,经动态改变惯性因子(DCW)粒子群算法求解模型后,实现电网需求侧资源多场景聚类。试验结果表明:该方法可实现电网需求侧资源动态聚类,应用该方法聚类不同场景电网需求侧资源时的日负荷率较低,聚类效果较好,可满足实际电力需求侧资源动态聚类工作的需要。

基于遗传粒子群动态聚类算法的物流柔性分拣系统品规分配

目的针对目前烟草物流配送中心条烟分拣量大,不同条烟品规的分配对订单的总处理时间影响较大的问题,研究平衡各个分拣区品规的分配,提高分拣效率。方法建立以各分区品规相似系数和最小为目标函数的数学模型,并采用改进的遗传粒子群动态聚类(GAPSO-K)算法进行求解。首先,结合各品规分拣量对品规相似系数进行改进,并将其作为适应度函数;然后在粒子群算法中对惯性权重因子进行改进,使其值可以进行自适应改变;最后,在粒子群动态聚类算法中引入遗传算法中的交叉变异扩大解的搜索范围,基于Matlab对文中的其他算法进行求解对比,求得结果在EM-plant中进行仿真验证。结果结合某烟草物流配送中心数据仿真验证,利用GAPSO-K算法处理订单的时间为234.5 s,较传统时间大幅度较少,有效提升了柔性物流分拣效率。结论采用该算法可充分发挥2种算法的优良性,具有更好的收敛性及寻优性,为柔性物流品规分配提供了新思路。

基于质心−凸包−自适应聚类法的浮选泡沫动态特征提取

面对复杂的浮选现场环境及浮选泡沫自身相互粘连导致的边界不清等情况,现有泡沫动态特征(流动速度和崩塌率)提取方法往往无法准确划定属于每个泡沫的动态特征采样区域、不能全面匹配相邻帧间的特征点对且难以有效识别崩塌区域。针对上述问题,提出了一种基于质心−凸包−自适应聚类法的浮选泡沫动态特征提取方法。该方法采用集成Swin−Transformer多尺度特征提取能力的改进型Mask2Former,实现对泡沫质心的精准定位和崩塌区域的有效识别;通过最优凸包评价函数搜寻目标泡沫周围相邻一圈泡沫质心构建的凸包,拟合出接近实际泡沫轮廓的动态特征采样区域;运用基于Transformer的局部图像特征匹配(LoFTR)算法匹配相邻帧图像间的特征点对;针对动态特征采样区域内部的所有特征点对,通过基于OPTICS算法的主特征自适应聚类法提取每个泡沫的主要流动速度。实验结果表明,在普通泡沫质心定位和崩塌区域识别任务中,该方法分别取得了88.83%,97.92%的准确率及77.90%,96.52%的交并比;以2.69%的平均剔除率实现了99.93%的特征点对匹配正确率;在多种工况下均能有效划定与实际泡沫边界相近的特征采样区域,进而定量提取每个泡沫的动态特征。

基于k-sums分段聚类的动态组合学习光伏短期功率预测

目前单一模型预测精度存在难以随着功率波动保持最优的问题,为提高并网系统运行的稳定性和电网的节能调度,文中提出了一种基于k-sums分层聚类的动态学习组合光伏短期功率预测方法。利用k-sums算法经过分段聚类,将天气类型分为晴天A 1、多云A 2、阴雨天B。通过TCN(Temporal Convolutional Network)提取数据的时序特征,并结合GRU(Gate Recurrent Unit)建立融合提取时序特征模块的改进GRU结构,以达到对时序特征敏感的效果。将改进GRU结构与SVM(Support Vector Machine)动态组合,使用Elastic Net算法输出最佳权重值叠加得到最终预测值。文中采用江苏某地区的光伏发电功率数据及对应的气象数据对所提方法进行验证,结果表明动态组合学习模型的MAE(Mean Absolute Error)为1.888,RMSE(Root Mean Squared Error)为2.403。

基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测

净负荷是实际负荷与光伏出力之差,针对净负荷中实际负荷强波动性与光伏出力强随机性相互耦合、表后光伏出力不可见等特点导致准确预测困难的问题,提出了一种基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测方法。首先,通过提取用户净负荷的日内时间特征、长期趋势特征和空间关联特征建立净负荷子集群聚类模型;其次,以子集群为图节点构建考虑“负荷-光伏”双维相关性的图结构,使其能够同时反映负荷和光伏出力特性;最后,引入净负荷总节点和动态邻接矩阵,构建通过长短期记忆神经网络连接的双层动态图卷积模型,得到净负荷预测结果。基于悉尼Ausgrid实际净负荷数据设计的消融实验结果表明,所提时空特征聚类方法和双层动态图结构分别使净负荷预测结果的均方根误差降低了13.44 kW和7.55 kW。未来将进一步拓展预测尺度,为电网保供决策提供更多信息支撑。

面向微震时序波形的无监督聚类方法

为更加快速准确地从微震时序数据中提取微震事件,提高异常事件的捕捉效率,提出一种基于多尺度融合卷积和空洞卷积的自动编码器(multi-scale fusion convolution and dilated convolutions auto encoder,MDCAE)与融合波动率和限制窗口的动态时间扭曲(constraints dynamic time warping for fusing volatility,CDTW-Vol)方法。提出MDCAE的特征提取方法,将波形信号转变为低维特征信号,引入微震波形的波动率的概念,通过改进后的DTW算法对特征信号进行相似性度量,得到的相似性矩阵进行k-medoids聚类,得到聚类结果。应用某矿区501工作面和802工作面微震监测数据集进行实验,验证所提方法的准确性和泛化性,经实验得出所提聚类方法轮廓系数89%,兰德系数90%,相比普通的k-medoids聚类算法聚类精度上升57%,为捕捉微震系统的异常事件提供了一种新方法。

发掘精神分裂症大脑连接变异的集成聚类动态功能连接分析方法

近年来,基于功能磁共振成像的动态功能连接在研究精神疾病方面表现出巨大的潜力。传统的基于聚类的动态功能连接分析方法(如K-means)受到类别个数、初始值和噪声的影响可能导致不可靠的功能连接状态(FCSs)。本研究提出了一种新的集成聚类动态功能连接分析方法。首先,利用多个不同的类别个数(k值)进行K-means产生多样性的簇;然后,基于Jaccard系数和随机游走挖掘不同簇之间的相似性以构造反应簇间关系的加权图;最终,对加权图进行社区检测获得可靠的元簇,并通过投票的方式将每个功能连接窗口分组到不同的元簇中,计算其质心作为功能连接状态。基于105名健康对照(HC)和70名精神分裂症(SZ)患者的fMRI数据,全方位比较所提出的方法和常用的基于K-means的方法进行动态功能网络分析的效果。相较于K-means方法,所提出方法在FCS 2上的平均类间相似性由83.2%降低至81.1%,在FCS 3上的平均类间相似性由76.8%降低至73.5%,聚类评估指标Davies Bouldin指数由6.74降低至6.44,Silhouette Coefficient指数由0.018提高至0.031。显示HC和SZ组的组间差异更集中于FCS 2,而K-means方法的组间差异分散在FCS 2、FCS 3和FCS 4。所提出方法可以自动获得FCSs数目,并具有更好的聚类质量和更可靠的功能连接状态,还发现了比K-means更有意义的组间差异,支持了该方法在探索精神疾病生物标志物方面的应用潜力。

基于时空轨迹聚类算法的城市休闲地动态交互特征研究

城市休闲地交互现象的研究有助于理解城市休闲活动的互动关系和复杂的城市休闲系统。相关研究多关注休闲要素的静态空间分布格局,缺少对休闲地动态交互作用的探讨。为此,文章利用出租车轨迹数据,从移动性视角提出城市休闲地空间和功能动态交互特征的研究框架。首先赋予出租车轨迹点语义信息,其次构建相似轨迹网络,然后运用Louvain社区发现算法对休闲轨迹聚类,最后基于聚类结果及其语义信息,分析城市休闲空间和休闲功能的动态交互特征。研究结果如下:1)城市休闲地具有较强的空间集聚效应;2)凌晨低强度收缩型交互模式以短距离交互为主,上午低强度扩张型和下午高强度扩张型交互模式的中程距离交互突出,夜晚高强度收缩型交互模式的短距离交互分布扩大;3)在各空间交互模式中,餐饮与购物休闲功能两者之间以及与其他休闲功能交互显著,文娱休闲在模式一中的交互能力最强,游览休闲在模式二、模式三和模式四的长距离交互中与其他休闲功能交互作用显著,除模式二外,长距离对住宿休闲的交互力影响较大,而康养休闲的交互随模式和距离变化呈稳定特征。研究对城市休闲空间优化布局、休闲功能规划以及促进城市休闲产业可持续发展具有指导意义。

基于改进密度峰值聚类的路网子区动态划分方法

在大型异构路网中,不同区域的交通运行特征存在显著差异,因此需要针对各个区域的具体特征制定相应的交通管理和控制策略。合理划分路网以获得交通特征均质的子区,对于有效的交通管控和分析至关重要。首先提出了一种改进的密度峰值聚类方法(Enhanced Density Peak Clustering,En-DPC),用于路网子区的初始划分。该方法基于质量概率相似性并考虑路网连接性约束,提升了算法对异常数据的鲁棒性,避免子区内路段不连续的问题。接着,利用En-DPC方法对初始划分的子区进一步合并,形成大小适中的新子区。最后,通过边界调整提高子区边界的平滑度,获得最终的划分结果。该方法能够根据路网交通状态自动确定子区数量,确保划分的合理性。此外,考虑到路网拥堵状态的时空演变,在静态划分基础上设计了一种动态划分方法,根据车辆密度的变化动态调整边界,以提升其在实时交通管控中的适用性,并利用瑞士苏黎世的线圈检测器数据验证了所提出方法的有效性。结果表明,本文提出的方法能够有效地将大型异构路网划分成均质子区,且每个子区都可获得一个清晰的宏观基本图。与现有文献中的路网划分方法如归一分割和“蛇”方法相比,本文方法不仅在归一化总方差、平均NcutSilhouette和模块度等性能评价指标上表现更优,而且子区划分时间明显低于其他两种方法。

基于加权FCM聚类算法的电力交易数据动态提取模型

海量、冗余的电力交易数据极大地阻碍了电力交易决策,为此,研究基于加权FCM聚类算法的电力交易数据动态提取模型。汇聚预处理电力交易数据,压缩数据体量,基于全排列理论排序处理电力交易数据,提取电力交易数据特征(波动性、趋势性与变动性特征)作为FCM聚类算法的加权依据,获得对应的加权矩阵,应用加权FCM聚类算法聚类提取需求的电力交易数据,实现电力交易数据的动态提取。实验数据表明,该模型获得的电力交易数据聚类参数DBI数值较小,DVI数值较大,电力交易数据动态提取时间较短,应用性能更佳。

基于聚类挖掘的科技数据价值动态监测方法

由于传统的科技数据存在噪声较多,导致科技数据价值动态监测效果较差等问题,提出一种基于聚类挖掘的科技数据价值动态监测方法。预先采用聚类挖掘方法对数据挖掘与聚类,建立动态距离函数,在此基础上对数据自身属性的识别,使相邻之间的数据进行特性交换与结合,并对数据噪声去除,实现基于聚类挖掘的科技数据价值动态监测。实验结果表明,所研究的监测方法在正常数据下和入侵数据下都能够在短时间内实现数据价值动态监测,并且在入侵数据下也能够实现准确监测,满足方法设计需求。

基于模糊C-均值聚类算法的动态等值研究

近年来,随着特高压交直流输电线路的不断建立,需要准确地模拟交直流大电网故障期间的暂态特性已十分困难。电磁暂态仿真计算结果较为准确,但计算量太大,因此需要在计算前对被仿真网络进行动态等值。本文首先介绍了模糊C-均值聚类算法(FCM)及基于物理等效的动态等值计算方法;然后,提出了基于模糊C-均值聚类算法的动态等值计算方法及其流程图。最后,对某区域进行FCM机组分群,并进行动态等值计算,结果表明,采用基于FCM的动态等值方法,等值前后的动态特性基本一致,该方法具有良好的实用性。