CN110807552A - 一种基于改进K-means的城市电动客车行驶工况构建方法 - Google Patents
一种基于改进K-means的城市电动客车行驶工况构建方法 Download PDFInfo
- Publication number
- CN110807552A CN110807552A CN201911049837.4A CN201911049837A CN110807552A CN 110807552 A CN110807552 A CN 110807552A CN 201911049837 A CN201911049837 A CN 201911049837A CN 110807552 A CN110807552 A CN 110807552A
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- sse
- bus
- improved
- 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
- 238000010276 construction Methods 0.000 title description 7
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000000513 principal component analysis Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 238000003064 k means clustering Methods 0.000 claims abstract description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于改进K‑means的城市电动客车行驶工况构建方法,包括以下步骤:步骤A,对城市中公交车路线进行调研,筛选出若干条典型的公交路线;步骤B,在选取的公交车上添加传感器来获取所需的数据:时间信息‑车辆行驶速度;步骤C,对采集的数据进行预处理;步骤D,划分短行程并进行特征值计算;步骤E,通过主成分析进行数据降维;步骤F,改进二分K‑means聚类分析;步骤G,类工况选取并合成行驶工况。分析结果表明,基于改进二分K‑means算法建立的某市电动客车行驶工况更能准确反应城市道路交通的特征。
Description
技术领域
本发明属于电动客车行驶工况领域,尤其涉及一种基于改进 K-means的城市电动客车行驶工况构建方法。
背景技术
近年来,随着人们对能源危机、环保问题的重视,新能源汽车的发展已成为行业研究的一大热点。与此同时,新能源客车数目也在不断的增长,建立新能源客车的专属行驶工况的重要性愈加凸显。
目前国内外的客车行驶工况多以燃油车的行驶数据为基础建立出行驶工况,而燃油客车和电动客车在动力性有着显著的不同,因此建立电动客车的专属行驶工况很有必要。另外,就建立的方法来说,目前大多数的学者都采用主成分分析法和K-Means算法相结合的研究方法,但传统的K-means算法存在需要人工指定K值(分类数) 和初始聚类中心点的问题,这会导致聚类的结果常常陷入局部的最优,二分K-means算法解决聚类中心点选择问题,但依旧需要用户指定K值。实际上K值的选取具有典型的肘部特征,“肘部法则”使用各个簇内的样本点到所在簇质心的距离平方和(SSE)作为性能度量,在类簇数量与SSE之间寻求一个平衡点。
发明内容
本发明针对现有技术中存在的问题,提供一种基于改进K-means 的城市电动客车行驶工况构建方法,选取了典型城市的电动公交车进行数据采集,基于短行程划分、主成分分析、改进的K-means算法进行行驶工况构建。同时解决了K-means算法结果容易陷入局部最优的问题。
为实现上述目的,本发明提供的技术方案如下:
提供一种基于改进K-means的城市电动客车行驶工况构建方法,包括以下步骤:
步骤A,对城市中公交车路线进行调研,筛选出若干条典型的公交路线;
步骤B,在选取的公交车上添加传感器来获取所需的数据:时间信息-车辆行驶速度;
步骤C,对采集的数据进行预处理;
步骤D,划分短行程并进行特征值计算;
步骤E,通过主成分析进行数据降维;
步骤F,改进二分K-means聚类分析;
步骤G,类工况选取并合成行驶工况。
进一步的,所述步骤A中包括以下步骤:
步骤A1,通过手机网络资料信息、查阅资料、实地考察、读取道路监控视频等方法获取不同公交车路线在不同时段的交通流量;
步骤A2,进行路线筛选,原则是尽可能覆盖所有的典型路段的基础上选取分布最广、最热门的路线,涵盖繁华的拥堵市中心、火车站,交通顺畅的郊区,城市高架、快速路等等。
进一步的,所述步骤B中传感器添加包括以下步骤:
步骤B1,现有的公交车已有车辆数据采集装置和云端的实时监控和储存,每隔10s输出一次状态信息,但是云端数据采集频率太低必须添加额外的传感器来获取所需的数据,考虑到城市公交的特殊性和公交公司的运行要求,添加的设备不能对原有的系统造成影响,通过布置高精度差分GPS设备的方法获取汽车行驶速度和定位信息;
步骤B2,为了提高定位精度,布置了定位基站,用DTU基于 4G通信将定位信息发送到移动端,移动端接收到基准站的定位信息,将GPS的输出频率设置为1HZ。
进一步的,所述步骤C中数据预处理包括以下步骤:
步骤C1,采集的数据有两个数据源,分别为公交公司云端监控平台获取的频率为0.1Hz的数据和高精度GPS定位系统输出的1Hz 的数据。在进行两个信息源数据的读取中,以云台监控获取的数据为基础,按时间顺序把GPS输出的速度和加速度信息以插值的形式插入云监控储存的数据完成数据融合;
步骤C2,考虑到数据采集和传输过程中的异常,数据有一定几率出现缺失或者易于常值的数据。以加速度绝对值大于4m/s2为标准寻找数据尖点,并根据情况对速度做平滑或删除处理。
进一步的,所述步骤F中包括以下步骤:
F1,输入不带分类标号的数据集X={x1,x1,...,xn}、最大类簇数 M、minSSE_V;
F2,初始化。目标簇数即K初始化为1,并把所有数据初始化为一个簇,运行K-means算法随机选择中心点,将簇分为两个簇,计算簇的总误差SSE;
F3,将聚类的目标簇数加一即K=K+1,选择满足条件的可以分解的簇。选择条件主要是综合考虑簇的元素个数以及聚类代价即数据总误差平方SSE。当某簇数据点的数量大于规定的最小数量,则认为该簇可以分解,计算将这部分簇分成两个簇后的总误差SSE(K,n) 其中n为可分解的簇数目;
F4,在对要分解的子簇进行分解聚类时,考虑到此时子簇的分解实际上还是基于二均值聚类算法进行的,重复循环若干次在进行计算分解后当前分解次数下SSE最小时即SSE(K)=minSSE(K,n),计算并记录SSE_V(K)和当前的聚类结果;
F5,若SSE_V(K)的值小于用户设置的期望值minSSE_V或聚类的簇数等于最大类簇数即K=M,则认为此时的K就是“最优”K值,此时的聚类结果为最优结果,跳过F6,直接执行F7;否则,进入F6;
F6,若在近几次的二分聚类中SSE(K)下降的速度大幅度减缓(即 SSE_V(K)值突然减小),则认为开始减缓的类簇数K-1和对应的聚类结果是最优的。否则,不断重复过程F3、F4、F5,直至满足跳过F6,直接执行F7或满足F6进入F7的条件;
F7,输出“最优”K值。
本发明提供了一种基于改进K-means的城市电动客车行驶工况构建方法,该方法具有如下优点:
(1)本发明搭建的行驶工况更能真实的反映城市实际道路交通状况,理论完善、易于实现、行驶工况精度高,更能准确反映城市电动客车的行驶特征,对电动客车的参数匹配和能量管理策略的优化具有现实意义。
(2)本发明改进的K-means算法是基于二分K-means不断二分寻找最优分类结果,其算法分类的结果也比K-means更优,其SSE值比相同K值甚至更大K值下K-means算法的结果更小。
(3)本发明改进的K-means算法的寻优不是通过漫无目的的多次运行来寻找,而是有限次数的子空间内使数据沿着SSE下降速度最快的方向进行聚类。这使得改进的K-means和原有的K-means算法相比,虽然单次的运行时间要长,但就从聚类结果和运行机制来看,改进K-mans比K-means效率更高,使用也更加简单。
附图说明
图1为本发明一种基于改进K-means的城市电动客车行驶工况构建方法的总体流程图;
图2为本发明中部分特征值主成分贡献率及累计贡献率;
图3为本发明中二分K-means算法改进的流程图;
图4为本发明中改进前后聚类算法聚类误差平方和(SSE)比较;
图5为本发明搭建的城市客车行驶工况。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示的总体流程图,以国内某典型大城市为例,构建城市电动客车行驶工况。
一、数据调研
通过手机网络资料信息、查阅资料、实地考察、读取道路监控视频等方法获取不同公交车路线在不同时段的交通流量。
二、公交路线选择及数据采集
根据城市路网信息,选中的四条线路。它们重叠路段少,路线长度合理,交通特征涵盖了交通拥堵路段、BRT快速专用道、主干道、次干道、快速路、支路段、高架桥等多种道路,线路走向有东西和南北走向,线路经过了市中心、景区、学校、政务区、火车站、郊区等具备不同功能和特性的区块,具有足够的覆盖面,能够较好的反应合肥市城市客车的运行特点,具有较强的代表性。
利用数据采集装置,对4条典型线路的12辆电动公交车进行连续一周的数据采集。现有的公交车已有车辆数据采集装置和云端的实时监控和储存,每隔10s输出一次状态信息,但是云端数据采集频率太低必须添加额外的传感器来获取所需的数据,考虑到城市公交的特殊性和公交公司的运行要求,添加的设备不能对原有的系统造成影响,通过布置高精度差分GPS设备的方法获取汽车行驶速度和定位信息;为了提高定位精度,布置了定位基站,用DTU基于4G通信将定位信息发送到移动端,移动端接收到基准站的定位信息,将GPS的输出频率设置为1HZ。
三、采集数据的预处理
采集的数据有两个数据源,前者数据的内容包括了车的ID号、车速、时间、GPS、站点等信息,可以按车号和时间导出成EXCEL格式,后者通过串口输出时间、速度、GPS、定位精度等信息,通过编程将采集汽车的ID号加入并保存成EXCEL格式。而云台监控储存的信息是从CAN总线读取,其数据来源是汽车的传动系统,其抗干扰比GPS 设备要高。因此,在进行两个信息源数据的读取中,以云台监控获取的数据为基础,按时间顺序把GPS输出的速度和加速度信息以插值的形式插入云监控储存的数据完成数据融合。考虑到数据采集和传输过程中的异常,数据有一定几率出现缺失或者易于常值的数据。以加速度绝对值大于4m/s2为标准寻找数据尖点,并根据情况对速度做平滑或删除处理。经过数据处理之后,数据的行数多达15809669条。
四、短行程划分
汽车行驶过程中的短行程主要指汽车在两次怠速之间的运动行程,通过怠速对汽车的行驶过程进行划分,因其时间跨度较短,称之为短行程。汽车的短行程通常含有一个怠速部分和一个行驶部分。其中,行驶部分又有加速行程、匀速行程和减速行程组成。经过算法分割,短行程个数为25430个。
五、特征值计算
在进行工况的构建时,需要用一些特征参数来描述短行程的特征。表1是定义的进行工况构建的19个短行程描述特征值。
表1
六、主成分分析及降维
由于此时的数据量较大且维度较高,直接聚类会出现计算量大、聚类效果不好等问题。实际上,在19个特征参数中,部分特征参数存在一定的关联性,那么在这种情况下,必须对原来的数据进行一定程度的处理,再进行聚类。结果如图2所示,主成分1~4的累计贡献率为 80.66%大于80%,因此,在这一步将原本的19维数据降至4维。
六、基于改进K-means算法的数据聚类
借鉴二分K-Means算法思路,循环利用K-Means,不断增加分类数直到满足用户设定的分类簇思想。基于“肘部法则”对二分K-means 算法进行改进,其基本思路就是不断增加分类值,基于二分k-means 算法的思想,对数据不断的二分,并引入SSE的下降速度SSE_v,随着 K值的增大,SSE下降的速度开始趋于缓慢的点就被认为是最优的K 值。
基于图3所示的算法流程,在python平台编写了改进K-Means算法,将最大聚类数设置为10,最小的SSE_v设置为20%,运行程序。
上述改进K-Means算法具体包括:
F1,输入不带分类标号的数据集X={x1,x1,...,xn}、最大类簇数 M、minSSE_V;
F2,初始化。目标簇数即K初始化为1,并把所有数据初始化为一个簇,运行K-means算法随机选择中心点,将簇分为两个簇,计算簇的总误差SSE;
F3,将聚类的目标簇数加一即K=K+1,选择满足条件的可以分解的簇。选择条件主要是综合考虑簇的元素个数以及聚类代价即数据总误差平方SSE。当某簇数据点的数量大于规定的最小数量,则认为该簇可以分解,计算将这部分簇分成两个簇后的总误差SSE(K,n) 其中n为可分解的簇数目;
F4,在对要分解的子簇进行分解聚类时,考虑到此时子簇的分解实际上还是基于二均值聚类算法进行的,重复循环若干次在进行计算分解后当前分解次数下SSE最小时即SSE(K)=minSSE(K,n),计算并记录SSE_V(K)和当前的聚类结果;
F5,若SSE_V(K)的值小于用户设置的期望值minSSE_V或聚类的簇数等于最大类簇数即K=M,则认为此时的K就是“最优”K值,此时的聚类结果为最优结果,跳过F6,直接执行F7;否则,进入F6;
F6,若在近几次的二分聚类中SSE(K)下降的速度大幅度减缓(即 SSE_V(K)值突然减小),则认为开始减缓的类簇数K-1和对应的聚类结果是最优的。否则,不断重复过程F3、F4、F5,直至满足跳过F6,直接执行F7或满足F6进入F7的条件;
F7,输出“最优”K值。
表2给出基于改进K-means和样本总体特征的对比。第一、二类的停车比例较大且平均速度较小,短行程时间较短,比较符合十分拥堵和一般拥堵的情况。第三类、第四类的停车比例较小且平均速度最快,短行程时间较长,比较符合通行正常和通行畅通的情况。
表2
为了对比改进K-means和K-means算法的聚类结果,基于K-means 算法,将聚类的目标簇数分别设置为2,3,..….,10,将聚类后的各组的 SSE值和基于改进K-means结果的算法做对比,考虑到K-means算法的随机性,这里将K-means算法运行10次,以最小的SSE作为当前K值的结果。运行结果如图4所示,改进K-means算法实现了自动识别基于“肘部法则”的最优K值,并且由于改进K-means是基于二分K-means不断二分寻找最优分类结果,其算法分类的结果也比K-means更优,其SSE 值比相同K值甚至更大K值下K-means算法的结果更小。
七、工况构建
依据类中心距离的大小选取各簇代表运动片段,从而构建车辆的行驶工况。通过分类后各簇的样本数占总样本数目的时间比例来确定各簇中抽取的片段个数,将选出的片段进行拼接,即可完成某市电动公交车行驶工况的构建。最终选取18条代表工况,循环工况时长为 1474s。如图5所示。
本发明提供了一种基于改进K-means的城市电动客车行驶工况构建方法,该方法能真实的反映城市实际道路交通状况,理论完善、易于实现、行驶工况精度高,更能准确反映城市电动客车的行驶特征,同时提供的改进K-means算法具有比现有K-means算法效率更高,使用也更加简单的优点。
以上所述仅为本发明的较佳实施例,并不用于限制本发明,凡在本发明的精神和原则内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于改进K-means的城市电动客车行驶工况构建方法,其特征在于,所述方法包括以下步骤:
步骤A,对城市中公交车路线进行调研,筛选出若干条典型的公交路线;
步骤B,在选取的公交车上添加传感器来获取所需的数据:时间信息一车辆行驶速度;
步骤C,对采集的数据进行预处理;
步骤D,划分短行程并进行特征值计算;
步骤E,通过主成分析进行数据降维;
步骤F,改进二分K-means聚类分析;
步骤G,类工况选取并合成行驶工况。
2.根据权利要求书1所述的基于改进K-means的城市电动客车行驶工况构建方法,其特征在于,所述步骤A具体包括以下步骤:
步骤A1,通过手机网络资料信息、查阅资料、实地考察、读取道路监控视频等方法获取不同公交车路线在不同时段的交通流量;
步骤A2,进行路线筛选,原则是选择尽可能覆盖所有的典型路段的基础上选取分布最广、最热门的路线,涵盖繁华的拥堵市中心、火车站,交通顺畅的郊区,城市高架、快速路等。
3.根据权利要求书1所述的基于改进K-means的城市电动客车行驶工况构建方法,其特征在于,所述步骤B中传感器添加包括以下步骤:
步骤B1,现有的公交车已有车辆数据采集装置和云端的实时监控和储存,每隔10s输出一次状态信息,但是云端数据采集频率太低必须添加额外的传感器来获取所需的数据,考虑到城市公交的特殊性和公交公司的运行要求,添加的设备不能对原有的系统造成影响,通过布置高精度差分GPS设备的方法获取汽车行驶速度和定位信息;
步骤B2,为了提高定位精度,布置了定位基站,用DTU基于4G通信将定位信息发送到移动端,移动端接收到基准站的定位信息,将GPS的输出频率设置为1HZ。
4.根据权利要求书1所述的基于改进K-means的城市电动客车行驶工况构建方法,其特征在于,所述步骤C中数据预处理包括以下步骤:
步骤C1,采集的数据有两个数据源,分别为公交公司云端监控平台获取的频率为0.1Hz的数据和高精度GPS定位系统输出的1Hz的数据。在进行两个信息源数据的读取中,以云台监控获取的数据为基础,按时间顺序把GPS输出的速度和加速度信息以插值的形式插入云监控储存的数据完成数据融合;
步骤C2,考虑到数据采集和传输过程中的异常,数据有一定几率出现缺失或者易于常值的数据。以加速度绝对值大于4m/s2为标准寻找数据尖点,并根据情况对速度做平滑或删除处理。
5.根据权利要求书1所述的基于改进K-means的城市电动客车行驶工况构建方法,其特征在于,所述步骤F具体包括以下步骤:
F1,输入不带分类标号的数据集X={x1,x1,...,xn}、最大类簇数M、minSSE_V;
F2,初始化。目标簇数即K初始化为1,并把所有数据初始化为一个簇,运行K-means算法随机选择中心点,将簇分为两个簇,计算簇的总误差SSE;
F3,将聚类的目标簇数加一即K=K+1,选择满足条件的可以分解的簇。选择条件主要是综合考虑簇的元素个数以及聚类代价即数据总误差平方SSE。当某簇数据点的数量大于规定的最小数量,则认为该簇可以分解,计算将这部分簇分成两个簇后的总误差SSE(K,n)其中n为可分解的簇数目;
F4,在对要分解的子簇进行分解聚类时,考虑到此时子簇的分解实际上还是基于二均值聚类算法进行的,重复循环若干次在进行计算分解后当前分解次数下SSE最小时即SSE(K)=minSSE(K,n),计算并记录SSE_V(K)和当前的聚类结果;
F5,若SSE_V(K)的值小于用户设置的期望值minSSE_V或聚类的簇数等于最大类簇数即K=M,则认为此时的K就是“最优”K值,此时的聚类结果为最优结果,跳过F6,直接执行F7;否则,进入F6;
F6,若在近几次的二分聚类中SSE(K)下降的速度大幅度减缓(即SSE_V(K)值突然减小),则认为开始减缓的类簇数K-1和对应的聚类结果是最优的。否则,不断重复过程F3、F4、F5,直至满足跳过F6,直接执行F7或满足F6进入F7的条件;
F7,输出“最优”K值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049837.4A CN110807552B (zh) | 2019-10-30 | 2019-10-30 | 一种基于改进K-means的城市电动客车行驶工况构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049837.4A CN110807552B (zh) | 2019-10-30 | 2019-10-30 | 一种基于改进K-means的城市电动客车行驶工况构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807552A true CN110807552A (zh) | 2020-02-18 |
CN110807552B CN110807552B (zh) | 2023-07-25 |
Family
ID=69489702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911049837.4A Active CN110807552B (zh) | 2019-10-30 | 2019-10-30 | 一种基于改进K-means的城市电动客车行驶工况构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807552B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666808A (zh) * | 2020-04-20 | 2020-09-15 | 中汽数据有限公司 | 一种生成车辆典型变道测试工况的方法 |
CN111693299A (zh) * | 2020-06-16 | 2020-09-22 | 安徽江淮汽车集团股份有限公司 | 动力测试行驶工况制定方法、装置、终端设备及存储介质 |
CN111696350A (zh) * | 2020-06-10 | 2020-09-22 | 交通运输部科学研究院 | 一种基于运营监测数据的电动公交车本地工况评价方法 |
CN111985718A (zh) * | 2020-08-25 | 2020-11-24 | 国网河南省电力公司电力科学研究院 | 一种基于数据驱动的配电变压器选型推荐方法 |
CN113128120A (zh) * | 2021-04-22 | 2021-07-16 | 三一汽车起重机械有限公司 | 一种汽车起重机典型行驶工况构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145989A (zh) * | 2017-06-12 | 2017-09-08 | 南京航空航天大学 | 基于人‑车‑交通路况的实际行驶工况构建方法 |
CN107942842A (zh) * | 2018-01-03 | 2018-04-20 | 深圳市瑞思物流有限公司 | 一种基于智能车载盒子和车联网的冷链配送车远程监控系统 |
WO2018214388A1 (zh) * | 2017-05-23 | 2018-11-29 | 深圳大学 | 多平台航空电子大数据系统及方法 |
CN110298579A (zh) * | 2019-06-26 | 2019-10-01 | 重庆大学 | 一种新能源乘用车城市立体工况的构建方法 |
-
2019
- 2019-10-30 CN CN201911049837.4A patent/CN110807552B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214388A1 (zh) * | 2017-05-23 | 2018-11-29 | 深圳大学 | 多平台航空电子大数据系统及方法 |
CN107145989A (zh) * | 2017-06-12 | 2017-09-08 | 南京航空航天大学 | 基于人‑车‑交通路况的实际行驶工况构建方法 |
CN107942842A (zh) * | 2018-01-03 | 2018-04-20 | 深圳市瑞思物流有限公司 | 一种基于智能车载盒子和车联网的冷链配送车远程监控系统 |
CN110298579A (zh) * | 2019-06-26 | 2019-10-01 | 重庆大学 | 一种新能源乘用车城市立体工况的构建方法 |
Non-Patent Citations (12)
Title |
---|
BINGJIAO LIU,QIN SHI,LIN HE,DUOYANG QIU: ""A study on the construction of Hefei urban driving cycle for passenger vehicle"", 《IFAC-PAPERSONLINE》 * |
刘旭;陈云波;施昆;黄强;: ""结合Canopy-K-means算法和出租车轨迹数据的公交车站预测方法"", 《测绘通报》, no. 11 * |
吴金李等: "基于二分K-means的协同过滤推荐算法", 《软件导刊》 * |
吴金李等: "基于二分K-means的协同过滤推荐算法", 《软件导刊》, no. 01, 31 January 2017 (2017-01-31) * |
淡军: "基于并行二分K-means算法在异常检测中的应用", 《福建电脑》 * |
淡军: "基于并行二分K-means算法在异常检测中的应用", 《福建电脑》, no. 02, 25 February 2016 (2016-02-25), pages 104 - 106 * |
秦大同等: "基于K-均值聚类算法的行驶工况构建方法", 《吉林大学学报(工学版)》 * |
秦大同等: "基于K-均值聚类算法的行驶工况构建方法", 《吉林大学学报(工学版)》, no. 02, 31 March 2016 (2016-03-31) * |
陈贤宇等: "基于二分法的K-means算法的实现", 《无线电通信技术》 * |
陈贤宇等: "基于二分法的K-means算法的实现", 《无线电通信技术》, no. 06, 18 November 2017 (2017-11-18) * |
马苗苗;刘澍东;巴继东;: ""基于云平台的校车安全管理系统的设计与实现"", 《电子设计工程》, no. 13 * |
高曼;韩勇;陈戈;张小垒;李洁;: ""基于K-means聚类算法的公交行程速度计算模型"", 《计算机科学》, no. 1 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666808A (zh) * | 2020-04-20 | 2020-09-15 | 中汽数据有限公司 | 一种生成车辆典型变道测试工况的方法 |
CN111696350A (zh) * | 2020-06-10 | 2020-09-22 | 交通运输部科学研究院 | 一种基于运营监测数据的电动公交车本地工况评价方法 |
CN111693299A (zh) * | 2020-06-16 | 2020-09-22 | 安徽江淮汽车集团股份有限公司 | 动力测试行驶工况制定方法、装置、终端设备及存储介质 |
CN111693299B (zh) * | 2020-06-16 | 2021-07-20 | 安徽江淮汽车集团股份有限公司 | 动力测试行驶工况制定方法、装置、终端设备及存储介质 |
CN111985718A (zh) * | 2020-08-25 | 2020-11-24 | 国网河南省电力公司电力科学研究院 | 一种基于数据驱动的配电变压器选型推荐方法 |
CN111985718B (zh) * | 2020-08-25 | 2022-09-20 | 国网河南省电力公司电力科学研究院 | 一种基于数据驱动的配电变压器选型推荐方法 |
CN113128120A (zh) * | 2021-04-22 | 2021-07-16 | 三一汽车起重机械有限公司 | 一种汽车起重机典型行驶工况构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110807552B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807552A (zh) | 一种基于改进K-means的城市电动客车行驶工况构建方法 | |
CN106875066B (zh) | 用车出行行为的预测方法、装置、服务器以及存储介质 | |
CN104462190B (zh) | 一种基于海量空间轨迹挖掘的在线的位置预测方法 | |
CN114435138B (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
CN107195180B (zh) | 一种基于电警数据的交通出行轨迹提取方法和装置 | |
CN104794219A (zh) | 一种基于地理位置信息的场景检索方法 | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN111523714B (zh) | 一种电力充电站选址布局方法及装置 | |
CN112215427A (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 | |
CN111931998A (zh) | 一种基于移动定位数据的个体出行模式预测方法及系统 | |
CN112988936A (zh) | 出行轨迹预测方法、装置、计算设备及存储介质 | |
CN110727714A (zh) | 融合时空聚类和支持向量机的居民出行特征提取方法 | |
CN102768797A (zh) | 一种城市路况信息评价方法及装置 | |
Jiang et al. | A framework of travel mode identification fusing deep learning and map-matching algorithm | |
CN115550429A (zh) | 一种基于大数据的智能推荐系统 | |
CN114996380A (zh) | 路网交叉点提取方法、装置、设备及存储介质 | |
CN115310522A (zh) | 一种非机动车骑行轨迹的数据质量提升方法及系统 | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
CN111414437B (zh) | 线路轨迹的生成方法及装置 | |
CN114238533A (zh) | 用户通勤路径规划方法、装置、计算机设备及存储介质 | |
CN115878735A (zh) | 路网生成方法、装置、电子设备及存储介质 | |
CN115691164B (zh) | 一种基于大数据的智慧交通管理方法及系统 | |
CN117113037B (zh) | 通行数据确定方法、装置、电子设备及存储介质 | |
CN113051359B (zh) | 一种基于多级索引结构的大规模轨迹数据相似性查询方法 | |
Liu et al. | Fusing Spatio-Temporal Contexts into DeepFM for Taxi Pick-Up Area Recommendation. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |