基于k-mediods及其改进算法的非法营运车辆识别

为从大量社会车辆中识别出疑似非法营运的车辆,提高交通管理部门行政执法的目的性和针对性,维护道路运输市场秩序,消除交通安全隐患。结合RFID车辆信息数据提出了基于k-mediods的非法营运车辆识别算法,并针对k-mediods算法缺点进行了基于距离贡献率和算法偶然性的2种改进。非法营运车辆识别的实现,首先需要提取出车辆RFID数据,并对其进行预处理,进而得到车辆运行行为数据,再利用PCA处理得到车辆运行特征数据,最后通过k-mediods算法聚类分析识别出非法营运车辆。实验结果表明,算法流程清晰,能够有效地识别出非法营运车辆。同时通过对算法进行改进,提高了算法稳定性和对非法营运车辆的正确识别数量,降低了错误识别数量。

基于混合蛙跳算法的K-mediods聚类挖掘与并行优化

为了降低K-mediods聚类算法的误差并提高并行优化的性能,将混合蛙跳算法运用于聚类和并行优化过程。在K-mediods聚类过程中,将K-mediods与聚类簇思想相结合,对各个聚类簇进行混合蛙跳算法优化,从而提高了大规模数据样本聚类的效率。针对多个聚类执行节点并行完成大规模样本K-mediods聚类时,混合蛙跳算法有效提高了加速比。实验证明,相比于普通的K-mediods聚类,基于混合蛙跳算法的K-mediods聚类优势明显,且处理大规模样本的加速比性能更优。

基于量子人工鱼群算法优化的K-mediods聚类挖掘研究

为提高K-mediods聚类挖掘的效率,采用基于量子人工鱼群算法对K-mediods聚类的初始中心点进行优化处理,有效提高了K-mediods聚类的聚类效率。首先采用人工鱼群对K-mediods聚类的样本点进行初始中心点运算,然后在人工鱼群的具体运算中,引入量子比特表示方法,并结合极坐标表示和动态相移更新方式来实现鱼群位置的变化与更新,提高人工鱼群算法对初始中心点选择的效率。实验证明:相比于传统K-mediods聚类算法,采用基于量子人工鱼群算法优化的K-mediods聚类有效提高了聚类效率及准确度,解决了K-mediods聚类效率问题。

一种基于改进果蝇优化的K-mediods聚类算法

经典的果蝇优化算法存在收敛精度不高、易陷入早熟收敛和局部最优的缺点,对此,提出一种新的果蝇优化算法。该算法在初始位置选取时利用混沌思想使初始值均匀分布在解空间中,算法后期收敛时,使用禁忌搜索跳出局部最优,避免早熟收敛。针对K-mediods聚类算法易陷入局部最优的缺点,将改进的果蝇优化算法与K-mediods聚类算法融合形成一种新的K-mediods算法,利用改进果蝇优化算法的全局寻优特点优化K-mediods,使得算法可达到更好的聚类效果。在对比性实验中,采用标准优化测试函数验证改进的果蝇算法性能,结果表明改进的果蝇优化算法在寻优速度和精度上效果更优。在人工数据集与UCI数据集上对新的K-mediods算法与其他算法聚类效果进行比较,结果表明新的K-mediods算法在聚类准确率和效率上均有所提高,同时适用于高维数据的聚类。

基于用电行为特征的工业用户需求响应潜力研究

针对工业用电负荷大、规律性高、在需求响应方面潜力较大的特点,首先通过提取7个负荷特性指标对单一用户负荷曲线降维,利用K-Mediods聚类法和戴维森堡丁指数确定用户用电行为特征;其次结合可响应负荷占比和响应系数,建立工业用户需求响应潜力测算模型;最后通过算例分析,结合地区气候和季节负荷特性,计算北方某地区在大小风季不同的需求响应潜力。所提方法有利于确定工业用户需求响应量、提高用户响应效率,有助于企业制定合理的响应方案。

基于聚类分析和双边匹配的产品开发任务分配方法

针对产品开发中人员和任务数量庞大的情形,为提高任务和人员的综合满意度,提出了一种基于聚类分析和双边匹配的产品开发任务分配方法。在分析人员属性指标信息的基础上,通过改进的K-mediods聚类算法完成属性特征相似人员的聚类,并结合人员偏好信息和优势数分析的任务评价排序方法,实现各人员聚类所对应的最优任务集的评价决策;运用双边匹配理论完成每个聚类群内任务与人员之间的精确匹配。通过实例验证了所提出的方法的有效性和可行性。

基于聚类分析和XGBoost算法的换机预测模型

为了有效地向手机用户提供换机服务,建立一种换机预测模型。利用孤立森林算法,排查与换机预测无关的异常电信用户。将排查后的数据集通过K-Medoids聚类分析精细划分为3个用户簇,利用SMOTE和Tomek组合采样的方法,处理每个用户簇的不平衡问题。最后将各个用户簇的数据通过XGBoost算法进行训练,并根据格式搜索法得出最优换机预测模型。实验结果表明,该换机预测模型的预测准确率高于其他预测模型,可较好地为电信用户提供换机服务。

带时间窗的多中心半开放式车辆路径问题

针对多中心协同配送下的车辆路径问题,建立了总成本最小化模型,所建模型满足多中心、多需求点和半开放式的特征。考虑到问题的复杂性,设计了一种三阶段求解算法:将K-mediods聚类算法用于原始数据分解,将原规模较大的多配送中心路径问题转换成多个单配送中心路径问题;设计了改进多蚁群算法来求解单配送中心路径问题,得到初始方案;在调整阶段,利用节约算法优化初始方案。分析了算例,并同其他文献的算法求解结果进行对比,结果表明,所提算法比GA-ACO算法求解得到的单中心配送最优路径值减小32.16%,总成本减小30.42%;比狼群算法解得的最优路径值和总成本均减小8.99%;比蚁群算法求得的最优路径值减小24.76%,最小配送成本减小3.40%,从而验证了所建模型的合理性和所设计多阶段算法的有效性。

考虑风速属性约简聚类的组合预测模型

精确的风速预测对于规模化风电并网及系统运行具有重大意义。提出了一种基于快速相关性约简优化K-mediods聚类的双层长短时记忆网络短期风速预测模型。首先,计算各风速序列及其属性序约简优化K-mediods聚类的双层长短时记忆网络短期风速预测模型。即计算各风速序列及其属性序列的相关程度信息熵,运用快速相关性滤波算法进行属性约简,以降低属性维度及删除冗余属性。然后,采用改进K-mediods对约简后的风速数据进行聚类,得到风速关联属性优化序列,保证类内信息准确全面,并利用双层长短时记忆网络挖掘深层特征及短期预测。最后,通过对实际风场风速进行预测,并与实测数据对比,验证了预测模型的准确性及有效性。结果表明,所提方法在风速属性数据的优选方面具有较大优势,通过保留关联紧密的属性信息提高了预测的精度。

支持近似最短距离查询的高效图加密机制

近似最短距离查询是图检索的基本模式.为了保护外包数据安全,通常对图数据进行加密.已有加密方案使用两跳覆盖模型构建加密图索引,导致索引结构复杂,降低了查询效率.本文提出了一种基于图压缩的加密机制,可以提高图的检索效率,并且支持加密图最短路径查询.该机制使用K-mediods聚类使得图中的节点按照距离分成K个簇,每个簇内的节点使用其中心节点代理,当查询2个点间最短距离时,对于相同簇内的点直接查询,对于簇间的点使用代理节点查询距离.实验结果表明该机制有效地减少了查询时间,提高了查询效率,且查询结果误差度在可接受范围内.

一种基于变邻域搜索的启发式聚类算法

聚类是数据挖掘的核心问题,已经成为新的研究热点。从组合优化角度描述的聚类问题是NP-难解的,因此,研究者们通常采用启发式搜索对该类问题进行求解。但是搜索空间的复杂性使得启发式聚类算法存在易受初始解等因素影响的缺点。采用变邻域搜索技术引导启发式聚类算法在解空间中搜索,给出了一种新的启发式聚类算法。该算法很好地避免了启发式聚类算法初始解敏感的问题,有效地提高了聚类质量。

基于前趋势相似度的细粒度用户用电负荷预测

在智能电网普及的大数据背景下,对电力数据进行准确地分析和预测具有重要意义。提出一种基于前趋势相似度的细粒度居民用电预测模型。根据用户的用电行为特征采用基于DTW距离的K-mediods方法对总体用户进行细粒度划分;在各个子类分别建立用电量预测模型;根据用户的用电行为具有周期性突变这一现象,采用基于前趋势相似度的BP神经网络模型对原BP网络进行改进。基于真实居民用电数据的实验表明,所提出的方法具有较好的预测效果。

一种面向人群疏散的高效分组方法

在人群疏散的过程中,个体会依据关系的亲密度产生分组现象,因此人群分组行为是人群疏散仿真中不可忽略的因素。家人、朋友、同事等会根据亲密度形成分组,在疏散过程中同组人群会聚集成簇。聚类分组时常用的k-mediods聚类算法对噪声敏感,容易陷入局部最优,只能发现球状簇,且对初始聚类中心点的选择敏感,在聚类准确度上不尽人意。而DBSCAN算法具有抗噪声能力强、可发现任意形状的簇、无须指定初始聚类中心等优点,但只能识别密度相近的簇。对此,文中提出了折半DBSCAN聚类算法。该算法首先对关系数据进行二分划分,将有关系的数据划分到一个网格中,然后根据每个网格的人群密度决定聚类半径ε,最后对每个网格进行DBSCAN聚类,因此该算法可识别密度不同的簇。人群聚类分组后,在加入同组内个体吸引力的社会力模型中驱动个体运动,并模拟关系密切程度对聚集程度的影响。实验结果表明,在考虑了现实生活中有关系的人群空间分布状况下,所提方法具有较高的聚类精度,可真实地再现现实场景中的人群疏散情况,可作为紧急情况下预测人群疏散时间和疏散状况的重要工具。

基于K-means聚类算法优化方法的研究

针对传统K-means聚类中存在的一系列问题,文中提出了一种基于K-means聚类的改进算法。该算法首先利用K-means++聚类从数据中选择K个距离尽可能远的对象作为初始聚类中心,然后利用K-mediods聚类选择数据样本的中位数作为聚类中心的对象,最后与两步聚类结合。通过对几个常用UCI标准数据集进行仿真实验,结果表明该算法比传统算法更优。

聚类分析在城市客流聚集风险分析中的应用

通过聚类分析对城市重点区域的海量客流历史数据进行数据挖掘,对每个区域的多维客流数据进行融合处理,并分别建立聚类模型K-Means(k均值聚类)、K-Mediods(k中心点聚类)、DBSCAN(具有噪声的基于密度的空间聚类)和GMM(高斯混合聚类),通过PCA降维方法将每个聚类模型的结果可视化为二维图。通过分析比较发现,K-Mediods聚类效果较好,适用于对本重点区域的客流数据建立分级标准。

基于聚类化自适应变邻域搜索的交通路径诱导算法

针对城市交通路径诱导受不同区域内交通流特点的影响;本文提出了一种基于聚类化自适应变邻域搜索(C-AVNS)的交通路径诱导算法;实现了在城市区域内快速地搜索出一条最佳的诱导路径方案。通过扬州市大中小型区域内聚类化自适应变邻域搜索算法与经典变邻域搜索(VNS-Basic)算法和变邻域禁忌搜索(VNS-Tabu)算法的诱导路径搜索实验的对比分析;证明了C-AVNS算法在搜索诱导路径上可以通过更短的时间获得更高质量的解。

基于轮廓特征的神经网络目标识别研究

为了实现威胁源自动报警,使用BP神经网络构建自动报警系统。针对帧差法提取出的目标轮廓有重复和受变化背景影响的问题,提出了一种基于轮廓片段的目标特征提取方法。首先使用k-mediod聚类以剔除重复轮廓,再结合轮廓片段生长的方法,计算待识别轮廓和验证图片集的匹配代价以剔除背景轮廓,提取出匹配代价最小的轮廓生成轮廓片段字典。随后计算归一化的轮廓矩生成特征向量。最后将提取出的特征向量输入事先训练生成的BP神经网络进行分类。实验结果表明,算法适用于典型刚性目标识别,对于实验视频中枪支的平均识别率达到93.5%,单帧平均运算时间3.67ms;对于Berkeley运动分割数据集中车辆的识别率达到98.2%,单帧平均运算时间5.26ms。算法具有高实时性、高准确率的特点。