基于GeoHash和HDBSCAN的共享单车停车拥挤区域识别

共享单车是一种便宜、绿色环保的短途出行工具,已经成为缓解城市交通压力的重要方式.对于无桩共享单车,用户无需将自行车归还至停车桩,但这种类型的共享单车在高峰时间可能会过于拥挤.本文提出了一种共享单车停车拥挤区域识别的方法.具体来说,以某市某品牌共享单车为例,首先对共享单车数据进行预处理,然后使用GeoHash算法处理经纬度坐标信息并计算判断共享单车开关锁订单属于哪个停车围栏,采用HDBSCAN(hierarchical density-based spatial clustering of application with noise)聚类算法将停车围栏聚类为停车区域,在此基础上提出了基于“留存流量与留存密度的综合指标”的方法识别停车拥挤区域.通过分析,识别出的停车拥挤区域符合实际情况.所提出的停车拥挤区域识别方法能够为“削峰填谷”引导调度提供有效的数据支持,给共享单车企业提供一定的参考.

基于图像处理和聚类算法的待考种大豆主茎节数统计

为了实现待考种大豆植株主茎节数的快速、高效测量,提出一种基于图像处理和聚类算法的待考种大豆主茎节数统计方法。首先,获取不同视角下的已脱叶待考种大豆植株图像,随机抽取训练集与验证集样本植株,并设定初始图像采集间隔与抽样步长;其次,通过植株分割、骨架提取、主茎节点去噪等操作,获取分布于植株主茎上的待检测大豆茎节点;通过基于空间距离的数据转换方法将分布离散的大豆茎节点转换至便于聚类的数据集内;利用HDBSCAN聚类算法对不同采集视角下的待检测大豆茎节点进行聚类,统计、记录主茎节数识别准确率,筛选最优采集间隔;最后,利用最优采集间隔对剩余样本植株主茎节数进行统计、分析。在63株“中黄30”待考种大豆植株中抽取21株植株作为训练集,并进行实验测试,发现在采集间隔为90°时,以最小聚类簇为2,融合处理4幅大豆图像,大豆主茎节数识别效果最优。据此对42株验证集样本植株进行主茎节数识别和分析,结果表明,大豆主茎节数识别准确率可达98.25%。该方法能够快速、准确获取大豆主茎节数,可满足大豆考种需求。

基于机器学习技术的耙吸挖泥船施工行为识别

耙吸挖泥船施工区域轨迹密集,有明确的抛泥区和挖泥区,但轨迹密度不同,传统的轨迹识别技术对于其施工行为模式识别困难,难以有效应用。针对该问题,提出一种无监督的耙吸挖泥船施工行为识别框架。首先,基于卡尔曼滤波算法解决轨迹跳变问题,提升轨迹数据的质量;然后,基于HDBSCAN算法同时识别出密度不同的挖泥和抛泥轨迹,解决了传统DBSCAN算法在类间密度不均衡的情况下参数设置困难的问题;最后,基于航向因素建立高斯混合模型GMM可进一步识别出运泥轨迹和返回轨迹。结果表明,上述方法能够快速、有效地实现耙吸船施工轨迹的精准识别。