CN111898954A - 一种基于改进高斯混合模型聚类的车辆匹配方法 - Google Patents

Abstract

本发明提出了一种基于改进高斯混合模型聚类的车辆匹配方法，包括以下步骤：S1，根据高斯混合模型，在地图上对大量用户订单坐标进行多次聚类；S2，求出多次聚类的轮廓系数，选择平均轮廓系数最大所对应的聚类数k，并记为R，数据分为R类；S3，根据每一个聚类簇，选择聚类簇的中心进行车辆配送。本发明能够快速最优匹配好车辆装载订单运输货物，减少高峰期订单数的堆积。

Description

一种基于改进高斯混合模型聚类的车辆匹配方法

技术领域

本发明涉及物流调度领域，尤其涉及一种基于改进高斯混合模型聚类的车辆匹配方法。

背景技术

在城市物流配送中，如果遇到短时间内订单数量剧增的情况(订单高峰期)，同时由于目前复杂的配送需求，为了保证订单处理的时效性以及能够快速选择配送车辆进行货物配送，需要快速分单并选择配送车辆进行配载，通过建立一种改进的高斯混合模型聚类算法，按区域聚集安排车辆配送任务，完成订单与车辆的快速最优匹配。对订单快速处理，并及时安排车辆配送任务，可以减少订单的大量堆积，同时保证司机能够尽快地将货物送达。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于改进高斯混合模型聚类的车辆匹配方法，更加快速完成货运车辆的最优匹配。

为了实现本发明的上述目的，本发明提供了一种基于改进高斯混合模型聚类的车辆匹配方法，包括以下步骤：

S1，根据高斯混合模型，在地图上对大量用户订单坐标进行多次聚类；

S2，求出多次聚类的轮廓系数，选择平均轮廓系数最大所对应的聚类数k，并记为R，数据分为R类；

S3，根据每一个聚类簇，选择聚类簇的中心进行车辆配送。

在本发明的一种优选实施方式中，步骤S1包括：

将由订单产生的二维物流数据抽象为高斯混合分布：

其中，β_i为第i个分模型生成的概率，且

将订单数据分为k类；p(x|μ_i,C_i)为二维高斯分布概率密度函数，定义如下：

其中，n表示随机变量x的维度；

C_i为协方差矩阵；

x为二维随机变量，定义为x＝[x₁,x₂]^T，

x₁表示二维随机变量x的第一个随机变量；

x₂表示二维随机变量x的第二个随机变量；

T表示转置；

μ_i为均值向量；

表示协方差矩阵C_i的逆矩阵；

二维高斯分布完全由协方差矩阵和均值向量确定；引入隐变量p(z_j＝i)，其含义为第i个分模型生成的概率，即为β_i；样本x_j为第i个分模型生成的后验概率为p_M(z_j＝i|x_j)，根据贝叶斯公式，有：

p_M(x_j)表示x_j的高斯混合分布；

p_M(x_j|z_j＝i)为第i个分模型生成x_j的先验概率，完全由C_i和μ_i决定，即为：

p_M(x_j|z_j＝i)＝p(x_j|μ_i,C_i)

p_M(x_j)为：

β_l表示第l个分模型生成的概率；

p(x_j|μ_l,C_l)表示x_j的多维高斯分布概率密度函数；

故可以得出p_M(z_j＝i|x_j)为：

高斯混合模型将数据集划分为k类，每个样本x_j的分类ξ_j由下式决定：

由于分模型生成概率、均值向量与协方差矩阵参数是未知的，需采用最大似然估计法进行参数估计，将m个样本作为独立事件，其概率为：

将上式取对数，有：

需要采用EM算法可以得出分模型生成概率为：

均值向量为：

协方差矩阵为：

根据以上结果，对所有由订单生成的二维数据作高斯混合聚类。

在本发明的一种优选实施方式中，步骤S2包括：

进行多次高斯混合模型聚类，k值的范围为[A,B]；A表示预设第一值，B表示预设第二值，A为正整数且B为大于A的正整数；根据聚类结果，计算当前单个订单二维数据到同簇内其他订单数据的平均距离d(i)，并计算当前单个订单二维数据到其他簇内所有订单数据的平均距离f(i)，求出当前订单的轮廓系数：

其中，max{}表示取最大值；

求出所有订单的轮廓系数，并取均值：

m为数据集中样本个数，k为聚类数；

选取多次高斯混合聚类结果中平均轮廓系数最大所对应的k值作为最佳聚类结果，最佳k值记为R。

在本发明的一种优选实施方式中，步骤S3包括：

根据R值，得出R个聚类簇，确定R个聚类簇的中心，匹配距离簇中心最近的货车进行装载订单。

综上所述，由于采用了上述技术方案，本发明基于改进高斯混合模型聚类来匹配运货车辆，能够使短时间内出现的大量订单得到及时处理，提高聚类的效率与准确度，从而快速最优匹配好车辆装载订单运输货物，减少高峰期订单数的堆积。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明高斯混合模型聚类流程图。

图2是本发明轮廓系数选取最佳聚类结果流程图。

图3是本发明实施例中的车辆匹配结果图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

为了能够在物流高峰期，以最快速度最优匹配好货运车辆，完成订单，避免订单数大量堆积带来不良后果，本申请提供一种基于高斯混合模型聚类的车辆匹配方法，及时进行分单处理，安排车辆配送，提高订单完成的效率，减少成本。

为确保订单任务及时完成，在得到订单坐标数据后，需要根据高斯混合模型，在地图上对大量订单坐标进行多次聚类，之后求出多次聚类的平均轮廓系数，选择平均轮廓系数最大所对应的k值，记为R。将订单数据分为R类，根据每一个聚类簇，选择聚类簇的中心进行车辆配送。给出以下实例，具体步骤包含以下内容：

参考附图1，示出了发明实施例中高斯混合模型聚类流程图，包括以下步骤：

步骤S101，开始。

步骤S102，首先物流公司获取订单的坐标数据，并对订单坐标数据进行预处理，得到一组关于订单坐标的二维数据流，将产生的二维数据流抽象为高斯混合分布：

其中，β_i为第i个分模型生成的概率，且

设置k将数据分为k类；p(x|μ_i,C_i)为二维高斯分布概率密度函数，定义如下：

x为二维随机变量，定义为x＝[x₁,x₂]^T，C_i为协方差矩阵，μ_i为均值向量，n表示随机变量x的维度；x₁表示二维随机变量x的第一个随机变量；x₂表示二维随机变量x的第二个随机变量；T表示转置；

表示协方差矩阵C_i的逆矩阵；

由于二维高斯分布完全由协方差矩阵和均值向量确定，所以在实际应用中通常需要引入隐变量p(z_j＝i)，其含义为第i个分模型生成的概率β_i，采用EM算法可以得出分模型生成概率为：

γ_ji表示第i个分模型生成x_j的先验概率p_M(x_j|z_j＝i)的简记；

样本x_j为第i个分模型生成的后验概率为p_M(z_j＝i|x_j)，根据贝叶斯公式，有：

p_M(x_j|z_j＝i)为第i个分模型生成x_j的先验概率，完全由C_i和μ_i决定，即为：

p_M(x_j|z_j＝i)＝p(x_j|μ_i,C_i)

p_M(x_j)为：

β_l表示第l个分模型生成的概率；

p(x_j|μ_l,C_l)表示x_j的多维高斯分布概率密度函数；

故可以得出p_M(z_j＝i|x_j)为：

p_M(z_j＝i|x_j)，i＝1,2,3,...,k。

步骤S103，初始化数据，设置好分模型生成概率、均值与协方差矩阵的初始值，并令增量为无穷大。分模型生成概率为：

均值和协方差矩阵分别表示为：

和

步骤S104，设定分模型生成概率、均值、协方差矩阵的增量的最大值，即为阈值，保证在聚类达到最大值时输出聚类结果。

步骤S105、步骤S106、步骤S107，分别对模型生成概率、均值向量、协方差矩阵进行更新。

重复以上三个步骤，对所有由订单生成的二维数据作多次高斯混合聚类，直到达到设定的阈值大小，准备输出聚类的结果。

步骤S108，高斯混合模型将数据集划分为k类，每个样本x_j的分类ξ_j由下式决定：

argmax表示p_M(z_j＝i|x_j)达到最大值时的变量的取值；

由于分模型生成概率、均值向量与协方差矩阵参数是未知的，需采用最大似然估计法进行参数估计，将m个样本作为独立事件，其概率为：

将上式取对数，有：

至此，订单数据划分成k个簇。

步骤S109，对订单数据的高斯混合聚类结束。

参考附图2，示出了发明实施例中轮廓系数选取最佳聚类结果流程图，包括以下步骤：

步骤S201，开始。

步骤S202，输入订单二维数据，并且设定好簇的范围。

步骤S203，判断k值是否在设定好的簇范围内。

步骤S204，根据高斯混合模型进行若干个簇的聚类。

步骤S205，根据多次高斯混合模型聚类结果，通过计算当前单个订单二维数据到同簇内其他订单数据的平均距离d(i)，并计算当前单个订单二维数据到其他簇内所有订单数据的平均距离f(i)，求出当前订单的轮廓系数：

max{}表示取最大值；当d(i)大于或者等于f(i)，则max{d(i),f(i)}＝d(i)；当d(i)小于或者等于f(i)，则max{d(i),f(i)}＝f(i)。

求出所有订单的轮廓系数，并取均值：

m为数据集中样本个数，k为聚类数；

步骤S206，选取多次高斯混合聚类结果中轮廓系数最大的作为最佳k值。在本实施例中，此次物流订单中轮廓系数最大时k值为3，即最终簇的个数为3，参考附图3，将订单分为了三类。

步骤S207，根据附图3，选取最佳k值后，高斯混合模型聚类将当前订单分为了三类，在附图3中以不同图例形状标出，货车位置是随机分布的，为了节省时间成本，安排距离簇中心最近的货车进行转载订单，派送车辆与订单最优匹配，大幅提升订单完成的时效性。

步骤S208，分单结束，本实施例中物流订单选择最优匹配的车辆安排派送任务全部完成。

参考附图3，根据距离，将所有订单分为了三类，如果货车刚好在聚类中心，那么选择该位置处的车辆安排配送，如果聚类中心处没有货车在此等候，选择距中心处最近的车辆安排配送任务。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (4)

1.一种基于改进高斯混合模型聚类的车辆匹配方法，其特征在于，包括以下步骤：

S1，根据高斯混合模型，在地图上对大量用户订单坐标进行多次聚类；

S2，求出多次聚类的轮廓系数，选择平均轮廓系数最大所对应的聚类数k，并记为R，数据分为R类；

S3，根据每一个聚类簇，选择聚类簇的中心进行车辆配送。

2.根据权利要求1所述的基于改进高斯混合模型聚类的车辆匹配方法，其特征在于，步骤S1包括：

将由订单产生的二维物流数据抽象为高斯混合分布：

其中，β_i为第i个分模型生成的概率，且

将订单数据分为k类；p(x|μ_i,C_i)为二维高斯分布概率密度函数，定义如下：

其中，n表示随机变量x的维度；

C_i为协方差矩阵；

x为二维随机变量，定义为x＝[x₁,x₂]^T，

x₁表示二维随机变量x的第一个随机变量；

x₂表示二维随机变量x的第二个随机变量；

T表示转置；

μ_i为均值向量；

表示协方差矩阵C_i的逆矩阵；

二维高斯分布完全由协方差矩阵和均值向量确定；引入隐变量p(z_j＝i)，其含义为第i个分模型生成的概率，即为β_i；样本x_j为第i个分模型生成的后验概率为p_M(z_j＝i|x_j)，根据贝叶斯公式，有：

p_M(x_j)表示x_j的高斯混合分布；

p_M(x_j|z_j＝i)为第i个分模型生成x_j的先验概率，完全由C_i和μ_i决定，即为：

p_M(x_j|z_j＝i)＝p(x_j|μ_i,C_i)

p_M(x_j)为：

β_l表示第l个分模型生成的概率；

p(x_j|μ_l,C_l)表示x_j的多维高斯分布概率密度函数；

故可以得出p_M(z_j＝i|x_j)为：

高斯混合模型将数据集划分为k类，每个样本x_j的分类ξ_j由下式决定：

由于分模型生成概率、均值向量与协方差矩阵参数是未知的，需采用最大似然估计法进行参数估计，将m个样本作为独立事件，其概率为：

将上式取对数，有：

需要采用EM算法可以得出分模型生成概率为：

均值向量为：

协方差矩阵为：

根据以上结果，对所有由订单生成的二维数据作高斯混合聚类。

3.根据权利要求1所述的基于改进高斯混合模型聚类的车辆匹配方法，其特征在于，步骤S2包括：

进行多次高斯混合模型聚类，k值的范围为[A,B]；A表示预设第一值，B表示预设第二值，A为正整数且B为大于A的正整数；根据聚类结果，计算当前单个订单二维数据到同簇内其他订单数据的平均距离d(i)，并计算当前单个订单二维数据到其他簇内所有订单数据的平均距离f(i)，求出当前订单的轮廓系数：

其中，max{}表示取最大值；

求出所有订单的轮廓系数，并取均值：

m为数据集中样本个数，k为聚类数；

选取多次高斯混合聚类结果中平均轮廓系数最大所对应的k值作为最佳聚类结果，最佳k值记为R。

4.根据权利要求1所述的基于改进高斯混合模型聚类的车辆匹配方法，其特征在于，步骤S3包括：

根据R值，得出R个聚类簇，确定R个聚类簇的中心，匹配距离簇中心最近的货车进行装载订单。

Images