基于有序样本聚类的城市轨道交通站点差异化高峰时段识别方法

识别城市轨道交通站点高峰时段,对合理分配站内管理资源、制定乘客限流和错峰出行方案,从而缓解线路站点的高峰拥挤现象等具有重要作用。在现有多数城市的实践和研究中,主要依据人工经验确定全网或单条线路固定长度的高峰时段,但随着城市轨道网络规模和客流的增长,该方法难以体现不同站点和线路高峰时段的差异性,为车站开展精细化运营管理带来了挑战。针对城市轨道交通网络中的每个站点,本文基于以5 min为单元的进出站连续客流数据,提出了一种基于有序样本聚类的站点级差异化高峰时段识别方法。根据识别结果,进一步定义高峰时段时间窗最大客流、峰左(右)客流比和高峰时段长度三个指标,将网络中的站点高峰分为无高峰、微弱高峰、明显高峰三类。最后,以上海轨道交通18条运营线路5个工作日的客流数据为例,验证了方法的有效性。分析结果表明:①所提出方法可同时辨识出高峰时段的开始时刻和结束时刻,无须预先确定高峰时段长度,并且针对高峰时段的特点,使用定制化聚类参数,能够识别全网各站点差异化高峰时段;②同一条线路中站点距市中心越远,其进站早高峰时段开始越早,验证了辨识差异化高峰时段的必要性。

基于有序样本聚类的大城市主干道绿波交通信号控制方法

为了提高城市主干道路口日常(非高峰期)的车辆通行率,本文提出一种基于有序样本聚类的大城市主干道绿波交通信号控制方法。根据有序样本聚类算法,划分交通信号相位,计算公共周期、绿信比、相位差等信号灯调控参数,通过以上参数实现主干道绿波交通信号控制方法。检验数据表明,本文方法可以有效降低车辆的停车速度与停车延误,提高了主干道的车辆通行率。

有序样本聚类分析在杜梨苗高生长期划分中的应用

笔者以杜梨5 d苗高净生长量为样本,采用有序样本聚类分析法对其生长规律进行研究。结果表明,杜梨苗高生长过程可划分为4个时期,出苗期为3月5日至4月5日,生长初期为4月6日至4月30日,速生期为5月1日至6月15日,生长后期为6月16日至7月25日。结合不同的生长期、苗高净生长量及其占总生长量的百分数,提出了各时期应采取的育苗措施,可为培育杜梨优质壮苗提供依据。

光皮桦苗高生长期划分有序样本聚类分析

以光皮桦苗高月净生长量为样本 ,采用有序样本聚类分析将光皮桦苗高生长过程划分为 4个时期 ,出苗期为 5月 1 0日～ 5月 31日 ,幼苗期为 6月 1日～ 7月 31日 ,苗高速生期为 8月 1日～9月 30日 ,苗木生长后期为 1 0月 1日～ 1 2月 31日 .苗高速生期时间推迟到 8～ 9月 ,原因是由于当年 5月上旬播种 ,播种时间推迟 ,速生期苗高生长量占苗木全年总生长量的 5 1 .87% .提出了各期的关键育苗措施 .保证苗高速生期有充足的水肥条件 。

基于有序样本最优分割法的女性体型分类

针对我国服装号型标准中体型分类缺乏年龄段的明确划分,为提高号型覆盖率,分析了788名年龄在18～51岁之间的女性体型数据,提取了表征女性体型特征的6个重要因子;依据每个类别因子下测量指标的贡献值大小以及各个测量指标的相关程度,选择最具代表性的特征指标作为分类参照量,通过有序样本最优分割法将女性体型按年龄段合理划分为3类：青年妇性（18 ～27岁）,成熟女性（28～44岁）,中老年女性（45 ～ 51岁）,进一步分析每个年龄段的女性体型差异并对相应年龄段的女性形体进行分类,总结了3个年龄段中间体型的特征值,可为服装号型的科学修订和结构设计提供参考.

扩展的最优分割法在有序样本分类中的应用

最优分割法——Fisher分析法在处理有序数值样本的分类问题上是有效的,对其进行了扩展,使之也适用于有序向量样本的分类分析问题,并将其应用于山东省水环境监测优化布点系统中,实例表明该扩展方法是可行的。

基于有序样本聚类的交叉口交通信号控制算法研究

针对现有多时段TOD算法和感应控制算法存在的弊端 ,从实用角度出发 ,提出一种将基于有序样本聚类的多时段TOD算法和感应控制算法相结合的交叉口交通信号控制算法。它把路口流量与路口饱和流量的比值Y作为选择感应控制算法和多时段TOD算法的评价参数 ,当Y大于 80 %时 ,采用基于有序样本聚类的多时段TOD算法 ,当Y小于80 %时 ,采用感应控制算法。本文采用Corsim5 0分别对四相位、三相位、两相位的路口进行仿真 ,结果表明本文所提算法在充分利用现有资源的前提下 ,不仅改进了现有控制算法的控制效果 ,而且计算简单 。

我国各地农机化发展水平的一种有序样本分类法

基于动态规划思想提出了一种有序样本的分类方法，能够识别子样（分段）间的分点，接问题的需要将整个样本划分成不同子作，使整个分类达到某种目标下的最优。应用于农业机械化发展水平的分类研究，取得了与实际情况一致的效果。

有序样本聚类分析在黄花槐苗高生长期划分中的应用

以苗高净生长量为样本,采用有序样本聚类法,分析一年生黄花槐扦插苗的生长规律,并将其划分为4个阶段,其成活期为3月16日至5月3日,生长前期为5月4日至6月13日,速生期为6月14日至8月31日,生长后期为9月1日至9月21日。其中,只占全年生长期1/4的速生期,其净生长量占全年总生长量的79.33%,所以要加强速生期苗木的水肥管理。

多维有序样本的聚类方法研究

聚类分析是常用的多元统计方法,但是对于多维有序样本的聚类较少见。在考虑多个指标的经济年代划分问题中,需要使用多维的聚类方法,而目前统计软件中大部分没有这种方法。文章提出了两种解决此类问题的统计方法。这些方法都是在原有的统计聚类方法的基础上得到的,在一般的统计软件上易于实现,分类的效果良好。

有序样本聚类方法在城市轨道交通运营时段划分中的应用

为合理划分轨道交通运营时段并指导其开行方案,提出一种基于有序样本聚类技术的运营时段划分方法。根据统计时段内客流数据,引入单向OD(origin-destination)概率矩阵,并给出单向OD概率矩阵的时序模型和提取方法;利用有序样本聚类方法,以最优分割法量化站间客流转移规律,求解聚类方案。最后以某一轨道交通线路为例,提取时间间隔为20 min的上行OD概率矩阵时间序列,以最优分割法进行聚类,将站间客流转移规律相近的统计时段归为一类,提出目标线路运营时段划分方案。

有序样本聚类法在SLP物流强度等级划分中的应用

工业企业总平面布置是在一定条件下对厂区内的各个建构筑物进行合理的布置,美国的缪瑟提出一种程序化的工厂布置方法即系统化布置方法(SLP).该方法中多次应用到A-U等级划分方法,如作业单位间的物流强度大小A-U等级划分、作业单位间的非物流关系密切程度A-U等级划分等,A-U等级划分法在该布置方法中发挥了重要的作用,而传统划分A-U等级采用的原则为经验比例法,针对由经验比例法确定A-U等级分类的主观性、模糊性和不确定性.尝试采用有序样本聚类法对A-U等级进行划分,将有序样本聚类法中的最优分割思想应用于物流强度分类划分中,使分类后各段内部样品之间的差异最小,而各段样品之间的差异较大.与经验比例法相比该分类方法更加科学、客观、合理,最后运用该算法对某一机械厂的物流强度进行等级分类,得出分类结果,证实该算法的可行性和有效性.

二维有序样本的有约束系统聚类

二维有序样本进行聚类必须满足两个要求：（１）类内各单元的相似性和类间的差异性；（２）各单元在位置上的有序性和类内的连通性。根据这些要求，将各单元观测指标间的距离矩阵作为聚类的指示矩将各单元之间的区位联系矩阵作为聚类的约束矩阵，在约束矩阵给出的约束条件之下，以类间单元指标的最大距离作为类间相似性指标，在指示矩阵中通过逐步聚并而将全部单元合并归类，即可得出满足要求的样本分类。

基于因子分析与有序样本最优分割的商业银行盈利性流动性安全性综合评价

盈利性、流动性和安全性是商业银行经营管理的基本目标.运用因子分析方法、有序样本最优分割方法等统计评价方法,对我国14家商业银行的三性指标作了综合评价.评价结果表明,其结论是合理的、符合客观实际的.

基于改进和声算法的有序样本聚类及其应用

标准和声算法只能解决连续型优化问题,而有序样本聚类属于离散型优化问题。将Fisher算法和和声算法相结合,提出一种改进和声算法,使之能够用于离散型优化问题,并利用其对有序样本进行分类。数值仿真实验结果表明,该算法分类结果符合实际。结论表明改进和声算法是一种全局最优算法,分类结果优于Fisher算法。

基于自相关系数的有序样本聚类分析

有序样本的聚类关键是建立合理的分类指标。将系统聚类法与Fisher算法相结合,引入样本一阶自相关系数描述相邻样本间的相关关系,并以此为分类指标,进行分类。最后运用离差平方和确定最优分类数及分类结果,分类结果符合实际。

有序样本聚类法在经济分析中的应用

在研究经济问题时,经常遇到分类的问题,多元统计分析中的聚类分析方法可以解决多指标分类问题.本文介绍一种按着系统聚类步骤产生的有序样本聚类法,并利用这种方法对我国改革开放26年来的产业结构变迁进行聚类,揭示结构变迁与经济增长的关系,从而说明有序样本聚类法在经济分类研究中的作用.

有序样本聚类法中变量的预处理及其聚类结果解释

目的：为了在当前的有序样本聚类法〔１～３〕中消除在多变量情形下变量量纲对聚类结果的影响和获得对形式结果的准确解释。方法：从原方法的基本思想出发，考虑对资料先作离均差平方和单位化的变量预处理，并修补了对聚类结果的一般解释方式———即视一般的多点类为变化相对平稳“段”，而单点类为脉冲跳跃点或构成“过渡类”。结果：对文献〔１～３〕的资料的重新分析和对药物麻醉前后脑电图的若干指标的分段分析，均取得了符合客观实际的结果。结论：我们的修正是准确、合理。

基于遗传算法的有序样本聚类及其应用

传统的解决有序样本聚类的Fisher最优分割法对计算机存储能力要求较高,不适合由于样本长度较大时的情况。实践中常用的最优二分割法只能求得局部最优解。文章提出了一种基于遗传算法解决有序样本聚类问题的新算法。该算法适用于多种聚类距离,适合于大样本,可以解决方向聚类问题。