依赖不确定性关联规则的城市交通流大数据挖掘

针对城市道路交通系统汽车流量时空分布严重不均且难以预测,极易引发交通拥堵的问题,基于城市交通监控系统中采集到的海量视频数据,结合模式识别技术与大数据挖掘方法。提出了一种基于不确定性关联规则的城市交通流大数据挖掘方法,该方法固有地考虑了时空相关性。不确定性关联规则模型用于学习通用的交通流特征,并且以不确定性关联的分层方式进行训练。实验表明该城市交通流大数据挖掘算法,为进一步优化交通信号配时,调控交通流量,提高交通管理效率和道路资源利用率进而改善交通拥堵状况,提供有效的数据支持。

基于云模型理论的蚁群算法改进研究

近几年优化领域中新出现的蚁群算法采用分布式并行计算机制,易于与其它方法结合,具有较强的鲁棒性,但易限于局部最优解是其最突出的缺点.云模型是一种新的实现定性概念和定量数值之间转换的有力工具,本文在介绍云模型理论的基础上,提出了一种利用云模型来有效限制蚁群算法陷入局部最优解的方法,最后将基于云模型理论的改进蚁群算法与未改进的蚁群算法分别应用于著名的CHC144TSP进行实验.改进后的蚁群算法采用升半正态云规则进行控制,并选取了500个云滴,仿真计算结果证明了该方法的有效性和可行性.

基于云模型的小生境MAX-MIN相遇蚁群算法

针对基本蚁群算法在解决大规模优化问题时易限于局部最优解、收敛速度慢的突出缺陷,本文在阐述基本蚁群算法和云模型理论的基础上,提出了一种利用云模型定性关联规则来有效限制基本蚁群算法陷入局部最优解的方法;随后借助最优解保留、相遇搜索和信息素自适应控制策略以及自然界的小生境思想对基本蚁群算法进行了系列改进,以提高改进后蚁群算法的全局收敛性能。同时,为了避免蚁群在搜索过程中易出现停滞现象,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间。仿真实验结果验证了本文所提改进蚁群算法的可行性和有效性。