CN107808518A - 一种基于多路谱聚类理论的交通小区划分方法 - Google Patents
一种基于多路谱聚类理论的交通小区划分方法 Download PDFInfo
- Publication number
- CN107808518A CN107808518A CN201711030849.3A CN201711030849A CN107808518A CN 107808518 A CN107808518 A CN 107808518A CN 201711030849 A CN201711030849 A CN 201711030849A CN 107808518 A CN107808518 A CN 107808518A
- Authority
- CN
- China
- Prior art keywords
- road
- mrow
- matrix
- traffic
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多路谱聚类理论的交通小区划分方法,包括如下步骤:(1)获取路网划分基础数据;(2)根据道路检测器所在位置编号路网节点;(3)计算相邻节点之间路段的权重值;(4)建立路网密度Laplacian矩阵;(5)求解Laplacian矩阵特征值及特征向量;(6)选择Laplacian矩阵非零的前k个最小特征值及其对应的特征向量,使用k‑means聚类算法聚成K类;(7)提取各区域内每条路段交通流密度;(8)检验各区域之间交通流密度均值方差检验是否显著,如果方差检验不显著,返回步骤(6),并且K=K+1;(9)通过边界交叉口分割区域;(10)划分结束。本发明能够简化划分流程,且达到区域内部路网差异最小、区域之间路网特性差异最大的目的。
Description
技术领域
本发明涉及智能交通技术领域,尤其是一种基于多路谱聚类理论的交通小区划分方法。
背景技术
谱图划分理论最早是由Fiedler等人在1973年提出,其主要研究方向是图的各种代数表示(主要是Laplacian矩阵和邻接矩阵)的谱。通过讨论图的特征空间,建立图的拓扑结构(特别是图的各种不变量)和图的谱之间的联系,应用代数理论(矩阵论、表示论、群论)、几何理论(谱几何)和概率方法来研究图的拓扑结构性质,以及应用图的拓扑结构性质来研究代数和几何中的谱性质。
简单的说:谱图划分理论假设每个数据样本作为图中的节点V,根据样本间的相似度W赋予顶点间的边权重E值,这样就得到一个基于样本间相似度的无向加权图G=(V,E),从而将图G中的聚类问题转化为图形分割问题。基于图论的最优划分准则就是使划分后的两个子图内部相似度最大,子图之间的相似度最小。常见的划分准则有最小割集准则(Minimum cut)、规范割集准则(Normalized Cut)、比例割集准则(Ratiocut)、平均割集准则(Average cut)、最大最小割集准则(Max-min cut)、多路规范割集准则(MultiwayNormalized cut)。
求解Cut(A,B)的最小值是一个NP难题,尤其是在处理路网较大的情况下,使用一些近似的解法可以求得满足精度的结果,一个很好的求解方法是考虑问题的连续放松形式,这样便可将原问题转换成求解相似矩阵或Laplacian矩阵的谱分解,将这类方法统称为谱聚类,可以认为谱聚类是对图划分准则的逼近。
谱聚类算法利用求解数据相似性矩阵的特征值和特征向量进行聚类,目前普遍应用的是基于二分谱聚类的算法,而这种算法仅仅使用了Laplacian非零次小特征值及其特征向量聚类得出图形分割结果。信息丢失量大,并且在将网络分割为多个子图(大于2)的情况下,需要迭代使用:首先将一个图分割为两个子图,一个子图内部再建立Laplacian矩阵进一步划分子图,如此反复。这种类似平分法的谱聚类算法计算效率低、不稳定、没有充分利用包含有用划分信息的其他特征向量,针对发明的应用场景:基于城市路网交通流特性,划分交通小区,本发明提出了使用多路谱聚类算法一次性划分多出个交通子区。
现有的基于二分谱聚类的交通小区划分方法,猜想路网连通图G可以划分为两个部分,使用图G的拉普拉斯矩阵L非零的次小特征值λ2可以实现二分图G,只需要提取λ2对应的特征向量x2,通过特征向量x2元素符号(正负)进行分割,产生两个节点子集,由此实现对图G的平分。如果希望将网络分割为多个子图,则需要迭代使用以上方法:首先将一个图分割为两个子图,每一个子图可以进一步划分子图,如此反复。由此可见,二分谱聚类算法计算效率低、不稳定、没有充分利用包含有用划分信息的其他特征向量。
在多数情况下,路网连通图G划分的子图大于2个部分,因而二分谱聚类就不太适用,本发明提出应用多路谱聚类算法结合K-means聚类以及单因素方差分析的评价方法,根据路网特性划分交通小区,可以一次划分多个区域,简化划分流程,且达到区域内部路网差异最小、区域之间路网特性差异最大的目的。
发明内容
本发明所要解决的技术问题在于,提供一种基于多路谱聚类理论的交通小区划分方法,能够简化划分流程,且达到区域内部路网差异最小、区域之间路网特性差异最大的目的。
为解决上述技术问题,本发明提供一种基于多路谱聚类理论的交通小区划分方法,包括如下步骤:
(1)获取路网划分基础数据;
(2)根据道路检测器所在位置编号路网节点;
(3)计算相邻节点之间路段的权重值;
(4)建立路网密度Laplacian矩阵;
(5)求解Laplacian矩阵特征值及特征向量;
(6)选择Laplacian矩阵非零的前k个最小特征值及其对应的特征向量,使用k-means聚类算法聚成K类;
(7)提取各区域内每条路段交通流密度;
(8)检验各区域之间交通流密度均值方差检验是否显著,如果方差检验不显著,返回
步骤(6),并且K=K+1;
(9)通过边界交叉口分割区域;
(10)划分结束。
优选的,步骤(2)中,根据道路检测器所在位置编号路网节点具体包括如下步骤:
(21)选取微波道路检测器相对密集的区域为研究区域;
(22)根据微波检测器点位绘制区域内路网拓扑结构图并编号交叉口。
优选的,步骤(3)中,计算相邻节点之间路段的权重值具体包括如下步骤:
(31)测量相邻交叉口之间路段长度Lij;
(32)相邻交叉口间路段检测器检测到的全天车流量Vij;
(33)根据步骤(31)、步骤(32)计算得到路段间的交通流密度Wij,作为相邻交叉口间的相关性及相邻节点路段之间的权重;
无向图G=(V,E)的邻接矩阵为H,当V中i与j相连时,即i与j有同一个边,H中的元素aij为1;当i与j不相连时,即i与j没有同一边连接,aij为0。
优选的,步骤(4)中,建立路网密度Laplacian矩阵具体包括如下步骤:
(41)定义度矩阵D,其中
(42)构造路网拉普拉斯矩阵L=D-1/2WD-1/2。
优选的,步骤(5)中,求解Laplacian矩阵特征值xk及特征向量λk公式如下,其中E表示单位矩阵;
优选的,步骤(6)中,选择Laplacian矩阵非零的前k个最小特征值及其对应的特征向量,使用k-means聚类算法聚成K类具体包括如下步骤:
(61)取Laplacian矩阵前k个最小特征值对应的特征向量,构造新的矩阵P;
(62)使用R语言中的kmeans()函数对矩阵P进行k-means聚类,将交叉口编号聚成K类,得到每一蔟(类)包含的点及聚类中心。
优选的,步骤(7)中,提取各区域内每条路段交通流密度具体包括如下步骤:
(71)根据步骤(6)得到的聚类结果,提取每一类包含的交叉口编号;
(72)根据步骤(42)矩阵W和聚类后的各类交叉口编号,对应矩阵的行、列编号,从而提取出各类区域内的交通流密度子矩阵Lk。
优选的,步骤(8)中,检验各区域之间交通流密度均值方差检验是否显著具体包括如下步骤:
(81)将步骤(72)中的交通流密度子矩阵Lk变成上三角矩阵LUk;
(82)提取矩阵LUk中的非0元素,构成列表;
(83)使用单因素方差显著性检验,R语言中的aov()函数,判断区域LU1,LU2…,LUk之间的路段交通流密度是否存在显著性差异,p<0.05,并使用R语言中summary()函数列出方差信息表的详细信息,如果不存在差异性则返回步骤(6),并且k=k+1。
本发明的有益效果为:本发明提出应用多路谱聚类算法结合K-means聚类以及单因素方差分析的评价方法,根据路网特性划分交通小区,可以一次划分多个区域,简化划分流程,且达到区域内部路网差异最小、区域之间路网特性差异最大的目的;降低使用二分谱聚类进行多次划分时交叉口重新编号、计算的复杂度;同时使用单因素方差分析方法,通过区域间路段交通流属性,确定K-means聚类算法中区域划分的数量。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的昆山市微波检测器部分静态信息表示意图。
图3为本发明的昆山市微波检测器2016年12月21日部分数据示意图。
图4为本发明的昆山市路网示意图。
图5(a)为本发明的研究区域示意图。
图5(b)为本发明的路网节点示意图。
图6为本发明的区域划分结果示意图。
具体实施方式
如图1所示,一种基于多路谱聚类理论的交通小区划分方法,包括如下步骤:
(1)获取路网划分基础数据;
(2)根据道路检测器所在位置编号路网节点;
(3)计算相邻节点之间路段的权重值;
(4)建立路网密度Laplacian矩阵;
(5)求解Laplacian矩阵特征值及特征向量;
(6)选择Laplacian矩阵非零的前k个最小特征值及其对应的特征向量,使用k-means聚类算法聚成K类;
(7)提取各区域内每条路段交通流密度;
(8)检验各区域之间交通流密度均值方差检验是否显著,如果方差检验不显著,返回
步骤(6),并且K=K+1;
(9)通过边界交叉口分割区域;
(10)划分结束。
步骤S1中获取路网划分基础数据,包括以下内容:
(1)江苏省昆山市道路微波检测器静态信息表,如图2所示;
(2)江苏省昆山市某天道路微波检测器检测数据,如图3所示;
(3)江苏省昆山市路网,如图4所示。
步骤S2中根据道路检测器所在位置编号路网节点,包括以下步骤:
S21、选取微波道路检测器相对密集的区域为研究区域,如图5(a)所示;
S22、根据微波检测器点位绘制区域内路网拓扑结构图并编号交叉口,如图5(b)所示。
步骤S3中计算相邻节点路段之间的权重值,包括以下步骤:
S31、测量相邻交叉口之间路段长度Lij;
S32、相邻交叉口间路段检测器检测到的全天车流量Vij;
S33、根据S31、S32计算得到路段间的交通流密度Wij,作为相邻交叉口间的相关性及相邻节点路段之间的权重。
无向图G=(V,E)的邻接矩阵为H,当V中i与j相连时,即i与j有同一个边,H中的元素aij为1;当i与j不相连时,即i与j没有同一边连接,aij为0。
步骤S4中建立路网密度Laplacian矩阵包括以下步骤
S51、定义度矩阵D,其中
S52、构造路网拉普拉斯矩阵L=D-1/2WD-1/2,如表1所示。
表1路网Laplacian矩阵
步骤S5中求解Laplacian矩阵特征值xk及特征向量λk公式如下,其中E表示单位矩阵;
步骤S6中选择Laplacian矩阵非零的前k个最小特征值及其对应的特征向量,使用k-means聚类算法聚成K类,包括以下步骤:
S61、取Laplacian矩阵前k个最小特征值对应的特征向量,构造新的矩阵P如表2所示;
表2特征值构造的P矩阵
S62、使用R语言中的kmeans()函数对矩阵P进行k-means聚类,将交叉口编号聚成K类。得到每一蔟(类)包含的点及聚类中心。
步骤S7提取各区域内交通流密度包括以下步骤:
S71、根据步骤S6得到的聚类结果,提取每一类包含的交叉口编号;
S72、根据步骤S52矩阵W和聚类后的各类交叉口编号,对应矩阵的行、列编号,从而提取出各类区域内的交通流密度子矩阵Lk,如表3所示:
表3交通流密度子矩阵Lk
步骤S8中检验各区域之间交通流密度均值方差检验是否显著包括以下步骤:
S81、将步骤S72中的交通流密度子矩阵Lk变成上三角矩阵LUk;
S82、提取矩阵LUk中的非0元素,构成列表,如表4所示:
表4区域路段交通流密度
S83、使用单因素方差显著性检验(R语言中的aov()函数),判断区域LU1,LU2…,LUk之间的路段交通流密度是否存在显著性差异(p<0.05),并使用R语言中summary()函数列出方差信息表的详细信息,如果不存在差异性则返回步骤S6,并且k=k+1。案例过程如下:
表5区域划分过程的方差显著性检验
步骤S9通过边界交叉口分割区域,划分结果如图6所示。图中黑点为交通事故点位,虚线为区域划分边界(与路段重合)。从图中可以看出,整个研究区域被划分为13个交通小区(TAZ)。
本发明通过谱图理论中的多路谱聚类的方式,按照道路交通特性(交通流密度),快速简单的划分多个交通小区;使用k-means聚类前K个特征向量,得到每一类别内部的交叉口编号,并按照此交叉口编号从权重矩阵中提取区域权重子矩阵,再将各个区域权重子矩阵变成上三角矩阵,提取每个上三角矩阵中不为零的元素,组成区域各路段权重列表。使用单因素方差分析的方法,检验各区域之间的路段权重差异显著性。
本发明提出应用多路谱聚类算法结合K-means聚类以及单因素方差分析的评价方法,根据路网特性划分交通小区,可以一次划分多个区域,简化划分流程,且达到区域内部路网差异最小,区域之间路网特性差异最大的目的。降低使用二分谱聚类进行多次划分时交叉口重新编号、计算的复杂度。同时使用单因素方差分析方法,通过区域间路段交通流属性,确定K-means聚类算法中区域划分的数量。
尽管本发明就优选实施方式进行了示意和描述,但本领域的技术人员应当理解,只要不超出本发明的权利要求所限定的范围,可以对本发明进行各种变化和修改。
Claims (8)
1.一种基于多路谱聚类理论的交通小区划分方法,其特征在于,包括如下步骤:
(1)获取路网划分基础数据;
(2)根据道路检测器所在位置编号路网节点;
(3)计算相邻节点之间路段的权重值;
(4)建立路网密度Laplacian矩阵;
(5)求解Laplacian矩阵特征值及特征向量;
(6)选择Laplacian矩阵非零的前k个最小特征值及其对应的特征向量,使用k-means聚类算法聚成K类;
(7)提取各区域内每条路段交通流密度;
(8)检验各区域之间交通流密度均值方差检验是否显著,如果方差检验不显著,返回步骤(6),并且K=K+1;
(9)通过边界交叉口分割区域;
(10)划分结束。
2.如权利要求1所述的基于多路谱聚类理论的交通小区划分方法,其特征在于,步骤(2)中,根据道路检测器所在位置编号路网节点具体包括如下步骤:
(21)选取微波道路检测器相对密集的区域为研究区域;
(22)根据微波检测器点位绘制区域内路网拓扑结构图并编号交叉口。
3.如权利要求1所述的基于多路谱聚类理论的交通小区划分方法,其特征在于,计算相邻节点之间路段的权重值具体包括如下步骤:
(31)测量相邻交叉口之间路段长度Lij;
(32)相邻交叉口间路段检测器检测到的全天车流量Vij;
(33)根据步骤(31)、步骤(32)计算得到路段间的交通流密度Wij,作为相邻交叉口间的相关性及相邻节点路段之间的权重;
<mrow>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mfrac>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
</mtd>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
无向图G=(V,E)的邻接矩阵为H,当V中i与j相连时,即i与j有同一个边,H中的元素aij为1;当i与j不相连时,即i与j没有同一边连接,aij为0。
4.如权利要求1所述的基于多路谱聚类理论的交通小区划分方法,其特征在于,步骤(4)中,建立路网密度Laplacian矩阵具体包括如下步骤:
(41)定义度矩阵D,其中
(42)构造路网拉普拉斯矩阵L=D-1/2WD-1/2。
5.如权利要求1所述的基于多路谱聚类理论的交通小区划分方法,其特征在于,步骤(5)中,求解Laplacian矩阵特征值xk及特征向量λk公式如下,其中E表示单位矩阵;
6.如权利要求1所述的基于多路谱聚类理论的交通小区划分方法,其特征在于,步骤(6)中,选择Laplacian矩阵非零的前k个最小特征值及其对应的特征向量,使用k-means聚类算法聚成K类具体包括如下步骤:
(61)取Laplacian矩阵前k个最小特征值对应的特征向量,构造新的矩阵P;
(62)使用R语言中的kmeans()函数对矩阵P进行k-means聚类,将交叉口编号聚成K类,得到每一蔟(类)包含的点及聚类中心。
7.如权利要求1所述的基于多路谱聚类理论的交通小区划分方法,其特征在于,步骤(7)中,提取各区域内每条路段交通流密度具体包括如下步骤:
(71)根据步骤(6)得到的聚类结果,提取每一类包含的交叉口编号;
(72)根据步骤(42)矩阵W和聚类后的各类交叉口编号,对应矩阵的行、列编号,从而提取出各类区域内的交通流密度子矩阵Lk。
8.如权利要求1所述的基于多路谱聚类理论的交通小区划分方法,其特征在于,步骤(8)中,检验各区域之间交通流密度均值方差检验是否显著具体包括如下步骤:
(81)将步骤(72)中的交通流密度子矩阵Lk变成上三角矩阵LUk;
(82)提取矩阵LUk中的非0元素,构成列表;
(83)使用单因素方差显著性检验,R语言中的aov()函数,判断区域LU1,LU2…,LUk之间的路段交通流密度是否存在显著性差异,p<0.05,并使用R语言中summary()函数列出方差信息表的详细信息,如果不存在差异性则返回步骤(6),并且k=k+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711030849.3A CN107808518B (zh) | 2017-10-26 | 2017-10-26 | 一种基于多路谱聚类理论的交通小区划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711030849.3A CN107808518B (zh) | 2017-10-26 | 2017-10-26 | 一种基于多路谱聚类理论的交通小区划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107808518A true CN107808518A (zh) | 2018-03-16 |
CN107808518B CN107808518B (zh) | 2020-02-18 |
Family
ID=61582295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711030849.3A Active CN107808518B (zh) | 2017-10-26 | 2017-10-26 | 一种基于多路谱聚类理论的交通小区划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107808518B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320511A (zh) * | 2018-03-30 | 2018-07-24 | 江苏智通交通科技有限公司 | 基于谱聚类的城市道路交通子区划分方法 |
CN108320512A (zh) * | 2018-03-30 | 2018-07-24 | 江苏智通交通科技有限公司 | 基于拉普拉斯谱分析的宏观道路安全分析单元选取方法 |
CN108346317A (zh) * | 2018-04-11 | 2018-07-31 | 北京汽车研究总院有限公司 | 道路风险预警方法和装置 |
CN108932361A (zh) * | 2018-05-03 | 2018-12-04 | 上海大学 | 一种基于谱特征的模块化复杂产品的设计方法 |
CN109035820A (zh) * | 2018-08-02 | 2018-12-18 | 佛山世寰智能科技有限公司 | 一种山区危险道路预警方法及系统 |
CN109272170A (zh) * | 2018-10-11 | 2019-01-25 | 北京市交通信息中心 | 一种基于Louvain算法的交通小区划分系统 |
CN109448370A (zh) * | 2018-10-29 | 2019-03-08 | 东南大学 | 一种基于车辆轨迹数据的交通控制子区划分方法 |
CN109508734A (zh) * | 2018-10-26 | 2019-03-22 | 北京交通大学 | 基于谱聚类的路网能力瓶颈识别方法 |
CN109673015A (zh) * | 2019-01-02 | 2019-04-23 | 北京工业大学 | 一种基于谱聚类的跟踪区域规划方法 |
CN109767624A (zh) * | 2019-03-06 | 2019-05-17 | 中南大学 | 一种考虑路段交通流相关性的控制子区划分方法 |
CN109858559A (zh) * | 2019-02-14 | 2019-06-07 | 同济大学 | 基于交通流宏观基本图的自适应交通分析路网简化方法 |
CN109887297A (zh) * | 2019-04-23 | 2019-06-14 | 太原理工大学 | 基于快速全局K-means谱聚类的城市交通控制子区的划分方法 |
CN109949574A (zh) * | 2018-05-18 | 2019-06-28 | 中山大学 | 一种数据驱动的城市路网交通小区多级划分方法 |
CN110224862A (zh) * | 2019-05-20 | 2019-09-10 | 杭州电子科技大学 | 基于多层感知器的多智能体系统网络容侵能力评估方法 |
CN110322117A (zh) * | 2019-06-05 | 2019-10-11 | 海信集团有限公司 | 一种交通控制子区划分方法、装置、电子设备及存储介质 |
CN110827286A (zh) * | 2018-08-08 | 2020-02-21 | 菜鸟智能物流控股有限公司 | 基于路网的地理区域分割方法、装置以及电子设备 |
CN111324453A (zh) * | 2020-01-23 | 2020-06-23 | 天津大学 | 用于区块链平台资源调度的方法 |
CN111325979A (zh) * | 2020-02-28 | 2020-06-23 | 海信集团有限公司 | 一种划分交通控制多级子区的方法及装置 |
CN111613047A (zh) * | 2019-02-26 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 一种信息处理方法及装置 |
CN112085376A (zh) * | 2020-09-04 | 2020-12-15 | 东南大学 | 一种基于经纬度坐标和k-means聚类算法的交通需求分析方法 |
CN112907939A (zh) * | 2019-12-04 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 交通控制子区划分方法及装置 |
CN113085832A (zh) * | 2019-12-20 | 2021-07-09 | 陕西汽车集团有限责任公司 | 一种增程式混合动力车辆能量管理方法 |
CN113985893A (zh) * | 2021-11-19 | 2022-01-28 | 中国海洋大学 | 面向复杂海洋环境的多无人艇系统协同路径规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011198098A (ja) * | 2010-03-19 | 2011-10-06 | Ihi Aerospace Co Ltd | ステレオカメラによる平面検出方法とこの方法を用いた移動ロボット |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN103456192A (zh) * | 2013-09-01 | 2013-12-18 | 中国民航大学 | 一种基于轨迹谱聚类的终端区盛行交通流识别方法 |
CN103473955A (zh) * | 2013-09-17 | 2013-12-25 | 中国民航大学 | 一种基于图论和谱聚类算法的终端扇区划分方法 |
CN104240507A (zh) * | 2014-09-18 | 2014-12-24 | 银江股份有限公司 | 一种基于多视角融合的交通小区划分方法 |
-
2017
- 2017-10-26 CN CN201711030849.3A patent/CN107808518B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011198098A (ja) * | 2010-03-19 | 2011-10-06 | Ihi Aerospace Co Ltd | ステレオカメラによる平面検出方法とこの方法を用いた移動ロボット |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN103456192A (zh) * | 2013-09-01 | 2013-12-18 | 中国民航大学 | 一种基于轨迹谱聚类的终端区盛行交通流识别方法 |
CN103473955A (zh) * | 2013-09-17 | 2013-12-25 | 中国民航大学 | 一种基于图论和谱聚类算法的终端扇区划分方法 |
CN104240507A (zh) * | 2014-09-18 | 2014-12-24 | 银江股份有限公司 | 一种基于多视角融合的交通小区划分方法 |
Non-Patent Citations (2)
Title |
---|
RAO WENMING ET.AL: ""A K-means Clustering Method to Urban Intersection Traffic State Identification Using Interval Data"", 《TRB COMMITTEE ABJ70 STANDING COMMITTE ON ARTIFICAL INTELLIGENCE AND ADVANCED COMPUTING APPLICATION》 * |
尹洪英 等: ""基于谱聚类算法的城市路网动态分区研究"", 《交通信息与安全》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320511A (zh) * | 2018-03-30 | 2018-07-24 | 江苏智通交通科技有限公司 | 基于谱聚类的城市道路交通子区划分方法 |
CN108320512A (zh) * | 2018-03-30 | 2018-07-24 | 江苏智通交通科技有限公司 | 基于拉普拉斯谱分析的宏观道路安全分析单元选取方法 |
CN108346317A (zh) * | 2018-04-11 | 2018-07-31 | 北京汽车研究总院有限公司 | 道路风险预警方法和装置 |
CN108932361A (zh) * | 2018-05-03 | 2018-12-04 | 上海大学 | 一种基于谱特征的模块化复杂产品的设计方法 |
CN109949574A (zh) * | 2018-05-18 | 2019-06-28 | 中山大学 | 一种数据驱动的城市路网交通小区多级划分方法 |
CN109949574B (zh) * | 2018-05-18 | 2021-09-28 | 中山大学 | 一种数据驱动的城市路网交通小区多级划分方法 |
CN109035820A (zh) * | 2018-08-02 | 2018-12-18 | 佛山世寰智能科技有限公司 | 一种山区危险道路预警方法及系统 |
CN110827286B (zh) * | 2018-08-08 | 2023-05-16 | 菜鸟智能物流控股有限公司 | 基于路网的地理区域分割方法、装置以及电子设备 |
CN110827286A (zh) * | 2018-08-08 | 2020-02-21 | 菜鸟智能物流控股有限公司 | 基于路网的地理区域分割方法、装置以及电子设备 |
CN109272170A (zh) * | 2018-10-11 | 2019-01-25 | 北京市交通信息中心 | 一种基于Louvain算法的交通小区划分系统 |
CN109508734A (zh) * | 2018-10-26 | 2019-03-22 | 北京交通大学 | 基于谱聚类的路网能力瓶颈识别方法 |
CN109508734B (zh) * | 2018-10-26 | 2022-03-11 | 北京交通大学 | 基于谱聚类的路网能力瓶颈识别方法 |
CN109448370A (zh) * | 2018-10-29 | 2019-03-08 | 东南大学 | 一种基于车辆轨迹数据的交通控制子区划分方法 |
CN109673015A (zh) * | 2019-01-02 | 2019-04-23 | 北京工业大学 | 一种基于谱聚类的跟踪区域规划方法 |
CN109673015B (zh) * | 2019-01-02 | 2022-04-05 | 北京工业大学 | 一种基于谱聚类的跟踪区域规划方法 |
CN109858559A (zh) * | 2019-02-14 | 2019-06-07 | 同济大学 | 基于交通流宏观基本图的自适应交通分析路网简化方法 |
CN111613047B (zh) * | 2019-02-26 | 2022-07-08 | 阿里巴巴集团控股有限公司 | 一种信息处理方法及装置 |
CN111613047A (zh) * | 2019-02-26 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 一种信息处理方法及装置 |
CN109767624B (zh) * | 2019-03-06 | 2021-06-29 | 中南大学 | 一种考虑路段交通流相关性的控制子区划分方法 |
CN109767624A (zh) * | 2019-03-06 | 2019-05-17 | 中南大学 | 一种考虑路段交通流相关性的控制子区划分方法 |
CN109887297A (zh) * | 2019-04-23 | 2019-06-14 | 太原理工大学 | 基于快速全局K-means谱聚类的城市交通控制子区的划分方法 |
CN109887297B (zh) * | 2019-04-23 | 2021-03-26 | 太原理工大学 | 基于快速全局K-means谱聚类的城市交通控制子区的划分方法 |
CN110224862A (zh) * | 2019-05-20 | 2019-09-10 | 杭州电子科技大学 | 基于多层感知器的多智能体系统网络容侵能力评估方法 |
CN110322117A (zh) * | 2019-06-05 | 2019-10-11 | 海信集团有限公司 | 一种交通控制子区划分方法、装置、电子设备及存储介质 |
CN112907939B (zh) * | 2019-12-04 | 2022-05-20 | 杭州海康威视数字技术股份有限公司 | 交通控制子区划分方法及装置 |
CN112907939A (zh) * | 2019-12-04 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 交通控制子区划分方法及装置 |
CN113085832B (zh) * | 2019-12-20 | 2022-08-30 | 陕西汽车集团股份有限公司 | 一种增程式混合动力车辆能量管理方法 |
CN113085832A (zh) * | 2019-12-20 | 2021-07-09 | 陕西汽车集团有限责任公司 | 一种增程式混合动力车辆能量管理方法 |
CN111324453A (zh) * | 2020-01-23 | 2020-06-23 | 天津大学 | 用于区块链平台资源调度的方法 |
CN111325979A (zh) * | 2020-02-28 | 2020-06-23 | 海信集团有限公司 | 一种划分交通控制多级子区的方法及装置 |
CN112085376A (zh) * | 2020-09-04 | 2020-12-15 | 东南大学 | 一种基于经纬度坐标和k-means聚类算法的交通需求分析方法 |
CN112085376B (zh) * | 2020-09-04 | 2023-10-31 | 东南大学 | 一种基于经纬度坐标和k-means聚类算法的交通需求分析方法 |
CN113985893A (zh) * | 2021-11-19 | 2022-01-28 | 中国海洋大学 | 面向复杂海洋环境的多无人艇系统协同路径规划方法 |
CN113985893B (zh) * | 2021-11-19 | 2023-12-29 | 中国海洋大学 | 面向复杂海洋环境的多无人艇系统协同路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107808518B (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808518A (zh) | 一种基于多路谱聚类理论的交通小区划分方法 | |
CN110096500B (zh) | 一种面向海洋多维数据的可视分析方法及系统 | |
CN105469096B (zh) | 一种基于哈希二值编码的特征袋图像检索方法 | |
CN105740651B (zh) | 一种特定癌症差异表达基因调控网络的构建方法 | |
Newman | Detecting community structure in networks | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN109165540A (zh) | 一种基于先验候选框选择策略的行人搜索方法和装置 | |
CN103888541B (zh) | 一种融合拓扑势和谱聚类的社区发现方法及系统 | |
CN105354593B (zh) | 一种基于nmf的三维模型分类方法 | |
CN107103336A (zh) | 一种基于密度峰值的混合属性数据聚类方法 | |
CN101178703A (zh) | 基于网络分割的故障诊断谱聚类方法 | |
CN109190051A (zh) | 一种用户行为分析方法和基于该分析方法的资源推荐方法 | |
CN110084211A (zh) | 一种动作识别方法 | |
CN106570537A (zh) | 一种基于混淆矩阵的随机森林模型选择方法 | |
Poojitha et al. | A collocation of IRIS flower using neural network clustering tool in MATLAB | |
Jin et al. | A clustering algorithm for determining community structure in complex networks | |
CN107133643A (zh) | 基于多特征融合及特征选择的乐音信号分类方法 | |
Souza et al. | Unsupervised active learning techniques for labeling training sets: an experimental evaluation on sequential data | |
CN109935277B (zh) | 一种异构网络中基于元路径的异常模体查询方法 | |
Wang et al. | A mixture model-based clustering method for fundamental diagram calibration applied in large network simulation | |
Zhang et al. | A new outlier detection algorithm based on fast density peak clustering outlier factor. | |
Tsiatas et al. | Spectral analysis of communication networks using Dirichlet eigenvalues | |
Pouyan et al. | Distance metric learning using random forest for cytometry data | |
CN102855624A (zh) | 一种基于广义数据场和Ncut算法的图像分割方法 | |
CN112768001A (zh) | 一种基于流形学习和主曲线的单细胞轨迹推断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |