Multi-Hazard Evaluation Using Cluster Analysis—For Designated Evacuation Centers of Yokohama

Hazard maps are usually prepared for each disaster, including seismic hazard maps, flood hazard maps, and landslide hazard maps. However, when the general public attempts to check their own disaster risk, most are likely not aware of the specific types of disaster. So, first of all, we need to know what kinds of hazards are important. However, the information that integrates multiple hazards is not well maintained, and there are few such studies. On the other hand, in Japan, a lot of hazard information is being released on the Internet. So, we summarized and assessed hazard data that can be accessed online regarding shelters (where evacuees live during disasters) and their catchments (areas assigned to each shelter) in Yokohama City, Kanagawa Prefecture. Based on the results, we investigated whether a grouping by cluster analysis would allow for multi-hazard assessment. We used four natural disasters (seismic, flood, tsunami, sediment disaster) and six parameters of other population and senior population. However, since the characteristics of the population and the senior population were almost the same, only population data was used in the final examination. From the cluster analysis, it was found that it is appropriate to group the designated evacuation centers in Yokohama City into six groups. In addition, each of the six groups was found to have explainable characteristics, confirming the effectiveness of multi-hazard creation using cluster analysis. For example, we divided, all hazards are low, both flood and Seismic hazards are high, sediment hazards are high, etc. In many Japanese cities, disaster prevention measures have been constructed in consideration of ground hazards, mainly for earthquake disasters. In this paper, we confirmed the consistency between the evaluation results of the multi-hazard evaluated here and the existing ground hazard map and examined the usefulness of the designated evacuation center. Finally, the validity was confirmed by comparing this result with the ground hazard based on the actual measurement by the past research. In places where the seismic hazard is large, the two are consistent with the fact that the easiness of shaking by actual measurement is also large.

一种修正评分偏差并精细聚类中心的协同过滤推荐算法

协同过滤作为国内外学者普遍关注的推荐算法之一,受评分失真、数据稀疏等问题影响,算法推荐效果不尽如人意。为解决上述问题,文章提出了一种改进的聚类协同过滤推荐算法。首先,该算法利用无监督情感挖掘技术将评论情感映射为一个固定区间中的值,通过加权修正用户评分偏差;然后,构建修正后用户-产品评分矩阵的数据场,利用启发式寻优算法计算最佳聚类数和最优初始聚类中心,进而对用户进行划分聚类,结合最近邻用户相似性与评分产生推荐结果;最后,基于三个自建真实数据集对所提算法性能和有效性进行全面评估。实验结果表明,改进算法在精度Precision、召回率Recall和F1-Score评价指标上的表现均优于其他算法,能够有效应对数据稀疏的问题,提升推荐系统的推荐效果。

基于MapReduce的大规模网络社区发现算法

社区发现是社会网络挖掘领域的基本问题。随着海量数据的迅速产生,传统社区发现算法愈发难以处理大规模社会网络。因此,针对大规模网络设计高效的社区发现算法意义重大。文中提出了一种基于MapReduce和k中心聚类的新型分布式算法。首先,该算法提出“朋友圈系数”技术,该技术可更加准确地度量结点间的距离。其次,该算法提出“两阶段k中心聚类”技术,该技术在选取中心点过程中融入结点中心度启发式信息,可显著优化输出结果的模块度。最后,该算法提出“以模块度为优化目标的社区融合”技术,该技术能够在无先验知识的前提下自动确定网络中的社区数目。实验结果表明,所提算法的社区发现结果模块度明显优于最先进的社区发现算法。例如,相比LPA算法,其将模块度平均提升9.19倍。

有序聚类算法下数据相似性挖掘仿真

由于数据具有多样性与复杂性等特点,且存在较多难以挖掘的隐藏信息,导致数据相似性挖掘精度低。为此提出一种基于有序聚类算法的数据相似性挖掘方法。通过不同类型数据的变化特点,采用有序聚类算法微聚类特征,存储数据信息,调整动态滑动窗口大小,计算不同数据点和聚类中心之间的距离,更新微聚类特征,实现数据有序聚类。采用网络和密度扩散相结合的方式获取数据位置序列,获取对应字符串,建立广义后缀树,完成数据相似性挖掘。仿真结果表明,采用所提方法可以准确对数据有序聚类,聚类运算时间仅为39.88ms,同时还可以获取满意的数据相似性挖掘结果。

基于K-means聚类算法的人事管理异常数据识别和自动处理系统

针对人事管理异常数据影响人事管理水平的问题,设计基于K-means聚类算法的人事管理异常数据识别和自动处理系统。利用全局优化K-means聚类算法,对人事管理数据进行聚类处理。该算法搜寻高密度的人事管理数据作为初始聚类中心,将人事管理数据聚类为多个簇。利用K-means聚类算法构建人事管理数据的自回归模型,确定人事管理数据参量的转移概率序列。转移概率序列非聚类簇中的数据时,对应数据即为人事管理异常数据识别结果。采用指数加权移动平均数方法自动修正处理所识别的人事管理异常数据。系统测试结果表明,所设计系统能够有效识别人事管理考勤数据、薪资数据中的异常数据,能够自动修正异常数据,使人事管理数据恢复正常。

“东数西算”工程背景下韶关数据中心集群建设思路

当今全球已经进入数字化时代,信息数据量迅猛增长,算力资源的重要性也日益提升。为了支持处理这些海量数据,需要建设大量的数据中心建筑。文章基于“东数西算”工程的架构指引,通过总结韶关地区区位环境和产业资源现状,分析了建设韶关数据中心集群在能源利用和算力利用方面面临的挑战,并提出了针对性的建设思路。

张家口集群数据中心绿色发展现状及路径分析

为实现“双碳”目标,推动绿色、低碳发展,介绍张家口集群数据中心的产业规模、政策支持、产业布局等发展现状。在此基础上,分析了张家口集群数据中心的绿色发展优势,包括政策支撑、区位气候、绿电资源、基础设施、产业覆盖全等方面,并结合政策支持、标准引领、开展算力调度等维度提出了绿色发展路径建议。

基于滑动聚类的窄带物联网特征级异构数据融合方法

由于物联网数据具有多样化特征,不同类数据需求不明确,导致数据特征集提取难度较大。为了提高物联网异构数据融合效果,提出一种基于滑动聚类的窄带物联网特征级异构数据融合方法。利用平移变换得到网络数据的时间信息,通过小波变换增强无线传感器节点采集的异构数据质量;计算滑动窗差值,确定物联网特征级异构数据的初始聚类点,利用均值漂移算法完成异构数据状态聚类;通过凝聚机制完成相似数据的特征集提取,实现特征级异构数据的融合。实验结果证明,所提方法有效降低了物联网数据规模,减少了数据融合误差,且融合后信息不失真,在数据处理领域具有较高的应用价值。

基于模糊聚类算法的多源异构数据中台智能整合方法

传统的数据整合方法往往无法有效地处理这些异构数据,因此需要一种更为智能的方法来解决这个问题,现提出基于模糊聚类算法的多源异构数据中台智能整合方法。首先,基于模糊聚类算法提取多源异构数据特征,对这些数据进行归类,然后采取适当的处理策略,其次,生成数据中台智能整合函数,汇总并处理数据中台智能整合函数的节点,最后,实现多源异构数据中台的智能聚合。实验结果表明:该实验以20min为单位时长,该数据整合的速率在整体实验中,相较于传统方法,该文方法的数据整合速率明显优于传统方法,证明基于模糊聚类算法的多源异构数据中台智能整合方法在处理大规模多源异构数据时仍具有较高的效率。

基于多尺度信息熵特征的数据流快速聚类研究

由于数据流规模较大,产生和更新的速度较快,因此数据流中有价值的信息很难被充分挖掘。针对这种情况,研究一种基于多尺度信息熵特征的数据流快速聚类方法。对数据流实施降维和标准化处理,提取数据流的多尺度特征,包括压缩比数、数据流平均值、数据流峰值以及数据流峭度。计算多尺度特征的信息熵权重,选取数据流快速聚类中心,将数据流样本划分给聚类中心,完成数据流快速聚类。实验结果表明,所研究聚类方法的聚类质量系数均大于0.9,说明该方法的聚类能力更强。

基于深度学习算法与AP聚类的轻量级分布式数据泄露检测

轻量级分布式数据在分布上存在属性特征。在对该类数据的泄漏状态进行检测时,可能导致输出结果误差较大。因此,文章提出了基于深度学习算法与AP聚类的轻量级分布式数据泄露检测方法。结合数据簇不同区域meanshift模长的差异性,对分布式数据的局部中心量度进行了重新定义,并采用深度学习的方式将属于边缘区域的部分进行了剔除处理。同时,引入了AP聚类算法,将数据泄露检测问题转化为原始轻量级数据点初始连接能力计算和连接能力衰减状态计算的问题,从而根据聚类后数据簇内数据点之间的关系确定数据泄露状态。在测试结果中,设计检测方法的输出结果与实际设置值表现出较高的拟合度,对应的误差始终稳定在0.008以下,最小误差为0。

从单机到双活数据中心建设的思考

公立医院高质量发展促进行动要求提升医院信息化建设标准,促进智慧医疗实施,匹配当下人民群众就医服务体验,提升医院医疗满意度。为实现智慧医院的数字化医疗,支撑医疗业务模式的转型,建设安全、可靠的私有云基础架构是必然的趋势。提高数据的可靠性和安全性,保障医疗信息系统持续化服务,也是当前很多医院在私有云建设中的挑战。该文阐述泰兴中医院在双活数据中心的一些建设思考,介绍如何从单机平台逐步升级为双活数据中心,从而实现私有云的安全可靠建设。

基于Tukey规则与初始中心点优化的K⁃means聚类改进算法

针对K⁃means聚类算法存在的初始中心点选择及异常点、离群点极易影响聚类结果等待改进问题,提出了一个基于Tukey规则与优化初始中心点选择的K⁃means改进算法。该算法利用Tukey规则构造核心与非核心子集,将聚类过程划分成2个阶段。同时,在核心子集上执行中心点逐个递增优化选择策略,选出初始中心点。在来自UCI的20个数据集上聚类结果表明,本文提出的算法优于K⁃means++聚类算法,有效地提升了聚类性能。

基于数据挖掘的数据库信息查询访问控制系统设计

为增强数据库信息查询机制的完整性,使得网络主机可以有效控制数据信息参量的访问连接行为,设计基于数据挖掘的数据库信息查询访问控制系统。以CloudFileUser控制主机作为核心应用结构,调节Server查询模块与数据处理模块之间的实时连接关系,完成访问控制系统的硬件执行环境搭建。根据数据挖掘原理,提取数据簇中心,根据待转换数据集合定义表达式,计算挖掘指令的执行深度,实现控制系统软件执行环境的搭建,结合相关硬件应用设备,完成基于数据挖掘的数据库信息查询访问控制系统设计。对比实验结果表明,所设计系统的信息查询完整性系数最大值可以达到71.6%,网络主机与信息访问连接有效性得到大幅提升。

一种配网线损在线监测数据缺失自适应填补方法设计

配网线损在线监测数据缺失点位置难捕捉,导致数据填补误差增加,为了有效解决这一问题,该文提出基于加权类平均的配网线损在线监测数据缺失自适应填补方法。计算配网线损在线监测区域中特征最为明显的线损点,提取线损点参数建立聚类中心。根据聚类中心的聚类簇建立损失函数,确定配网线损数据缺失数据区域。查找损失量最大且与该样本相似性最高的数据点,确定配网线损在线监测数据缺失点位置。采用加权类平均填补法赋予每组缺失数据不同的权重,通过权重匹配实现数据缺失自适应填补。实验数据表明,该方法的数据缺失自适应填补效果好,填补误差较低,填补结果具有可靠性。

基于耦合度量的负载平衡大数据聚类挖掘方法

针对传统算法在挖掘负载平衡数据时,常常会出现挖掘效率低、误差高等问题,提出基于耦合度量的负载平衡大数据挖掘方法.在对耦合度量算法分析后,利用K-tras分割聚类算法不断更新聚类中心,完成负载平衡大数据的聚类;计算负载平衡数据的最优分类面和量化后的矢量轨迹,完成数据挖掘.实验结果表明,所提方法取得了理想的挖掘效率、查全率及较低的挖掘误差.

基于改进灰色聚类算法的云架构数据中心网络异常流量过滤算法

为避免异常流量影响云架构数据中心网络安全运行,需要对云架构数据中心网络异常流量进行过滤。异常流量在不同信噪比和信道条件下过滤难度不同,为了在不同过滤条件下保障异常流量过滤效果,提出了基于改进灰色聚类算法的云架构数据中心网络异常流量过滤算法。通过时间-频率分析构建了云架构数据中心网络流量传输模型,采集网络流量序列;引入加权广义距离改进灰色聚类算法,利用改进的灰色聚类算法计算网络流量序列特征最佳聚类结果,实现流量序列特征提取;通过主成分分析法获取流量序列特征的主分量特征值,构建两个子空间,将流量特征以矩阵方式映射到两个子空间中;根据映射周期向量的平方预测误差与阈值计算结果,过滤异常流量。实验结果表明,该算法可通过聚类实现数据中心网络流量序列特征提取,在不同信噪比和信道条件下有效过滤异常流量;当网络信噪比为25dB且流量在高斯信道中传输时,异常流量过滤效果更突出。

一种融合α度量的混合数据K-prototypes算法

在大数据背景下,分类型数据与混合型数据开始大量出现,如何更好地计算这类数据的相异性度量成为研究焦点。相比特定属性代表特定类的表达形式,模糊类中心表达形式因为含有更多信息、可计算欧氏距离、能更完善地展示不同样本之间的差异性等优点而得到推广使用。模糊类中心是定和为1的频率向量,这同时也符合成分数据的定义,因此,文章引入成分数据处理方式,提出一种融合α度量的改进K-prototypes算法(α-K-prototypes)。针对α度量的特殊性设定了权重调整系数,让分类型数据距离更具有解释性。在实验对比后发现,α-K-prototypes算法在UCI的7个数据集上均优于K-prototypes、K-centers、Improved-K-prototypes算法。为了更好地在实际中应用,文章给出了一种较优α计算准则,并证明其在统计意义上是显著的。

基于数据特征的配电网同期线损异常辨识方法

当前配电网同期线损异常辨识方法存在辨识结果不精准的问题,提出了基于数据特征的配电网同期线损异常辨识方法。确定配电网同期线损数据正“秩和”与负“秩和”近似相等特征关系,分析配电网同期线损异常情况,动态管控配电线路。构造密度指峰函数,避免出现相距较近的聚类中心,聚类数据特征向量。计算待辨识向量与实际向量之差,构建支线回路关联矩阵,判断数据是否为异常数据,实现配电网同期线损异常辨识。实验结果表明,所提方法的异常数据变化曲线与实际异常数据变化曲线一致,且在0~8、0~9支线上,只存在1个异常数据辨识误差,具有精准的辨识结果。

OTN技术在数据中心集群化发展中的运用分析

为了进一步提升数据中心的集群化发展水平,要整合技术要点,建立健全且更加可控化的技术应用模式,以便于能及时完成技术处理工作,从而更好地提高数据中心的应用效能.首先简要分析光传送网(Optical Transport Network,OTN)技术,其次对OTN技术在数据中心集群化发展中的应用展开讨论,最后对技术应用提出了几点建议.