基于簇形均衡评估的高速公路收费数据聚类

交通运输系统工程与信息 ›› 2016, Vol. 16 ›› Issue (2): 98-103.

• 智能交通系统与信息技术 • 上一篇下一篇

基于簇形均衡评估的高速公路收费数据聚类

杜瑾*1,2，郝珺3，樊海玮1

1. 长安大学信息工程学院，西安710064；2. 陕西省道路交通智能检测与装备工程研究中心，西安710064； 3. 西安铁路局，西安710054

收稿日期:2015-11-03 修回日期:2015-12-11 出版日期:2016-04-25 发布日期:2016-04-25
作者简介:杜瑾（1974-），男，陕西西安人，讲师，博士.
基金资助:
国家自然科学基金/National Natural Science Foundation of China（51278058）；陕西省交通厅科技项目/Shaanxi Provincial Transport Department Science and Technology Program（13-39X）；中央高校基本科研业务费专项资金/The Fundamental Research Funds for the Central Universities（CHD2011JC02）

Expressway Toll Data Clustering Based on Evaluation with Balance of Clusters’Shapes

DU Jin1,2，HAO Jun3，FAN Hai-wei1

1. School of Information Engineering, Chang’an University, Xi’an 710064, China; 2. Shaanxi Road Traffic Detection and Equipment Engineering Research Center, Xi’an 710064, China; 3. Xi’an Railway Bureau, Xi’an 710054, China

Received:2015-11-03 Revised:2015-12-11 Online:2016-04-25 Published:2016-04-25

摘要/Abstract

摘要：

高速公路收费数据是一种高维、海量、分布特征未知的数据集，因此难以选择何种算法和参数最适合此类数据的聚类.针对此问题，提出一种基于簇形均衡的聚类评估指标IBCS，对各簇的形状、分布、密度和尺寸等多种形态进行均衡综合评估.该指标根据数据集稀疏程度自适应调整邻域置信区间来度量簇结构的分散度和分离度；度量密度使得IBCS 具有面向数据集的算法选择能力；度量簇大小避免簇划分过于悬殊的问题.UCI 数据集上多种候选算法评估比较实验验证了该指标灵活有效，能获得准确簇数并合理划分.最后，基于IBCS 评估的西宝高速公路收费数据聚类结果表明，采用K-means 算法，簇数为5时聚类模式最佳.

关键词: 智能交通, 数据挖掘, 聚类算法, 模式评估指标, 高速公路收费数据

Abstract:

The expressway toll data are high-dimensional and massive, of which distribution is unknown, therefore it is hard to decide which algorithm and what parameters are more suitable for clustering to this kind of data set. Aiming to this problem, IBCS, a clustering evaluation index based on balance of clusters’ shapes, is proposed, and various cluster shape features which include outline, distribution, density, and sizes, are evaluated evenly and synthetically. By means of this index, the neighborhood confidence interval is adjusted adaptively according to data set sparsity, and the degrees of scattering and separating to cluster structure are measured. With density evaluation, IBCS is provided with capability of selecting algorithm for data set. With size evaluation, the problem that clusters are too different after separated is avoided. Results of comparison experiment on UCI data set with several candidate algorithms show that, IBCS is feasible and efficient, and the correct cluster number and clustering pattern are achieved. Finally, result of Xi’an-Baoji expressway toll data clustering based on IBCS indicates that, the clustering scheme with K-means algorithm and 5 clusters is optimal.

Key words: intelligent transportation, data mining, clustering algorithm, clustering evaluation index, expressway toll data

中图分类号:

U491.14

杜瑾，郝珺，樊海玮. 基于簇形均衡评估的高速公路收费数据聚类[J]. 交通运输系统工程与信息, 2016, 16(2): 98-103.

DU Jin，HAO Jun，FAN Hai-wei. Expressway Toll Data Clustering Based on Evaluation with Balance of Clusters’Shapes[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(2): 98-103.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19186.shtml

http://www.tseit.org.cn/CN/Y2016/V16/I2/98

参考文献

[1] Li C S，Chen M C. A data mining based approach for travel time prediction in expressway with non-recurrent congestion[J]. Neuro Computing, 2014, 133(6): 74-83.

[2] 黄志军. 高速公路联网收费系统防逃费研究与实现[D]. 长沙：中南大学，2009. [HUANG Z J.Research on anti-defraud of highway network toll and its implementation[D]. Changsha: Central South University, 2009.]
[3] 杨海陆. 公路收费系统数据分析与挖掘[D]. 哈尔滨:哈尔滨工程大学，2010. [YANG H L. Data mining analyze in expressway charging system[D]. Harbin:Harbin Engineering University, 2010.]
[4] 徐晓帆，罗庆异. 数据挖掘技术在ETC运营管理中的应用[J]. 科技广场. 2011(9): 81-85. [XU X F, LUO Q Y. Application of data mining in ETC operation management[J]. Science Mosaic, 2011(9): 81-85.]
[5] Israel G. Algorithm for nonsupervised pattern classification[J]. IEEE Transactions on Systems, Man and Cybernetics, 1973, SMC-3(1): 66-74.
[6] 戴涛，李春平. 一种改进的蒙特卡罗交叉验证算法[J].计算机工程与应用, 2004(30): 186-187. [DAI T, LI CH P. An improved monte carlo cross- validation algorithm[J]. Computer Engineering and Applications, 2004(30):186-187.]
[7] Kevin B, Jonathan G, Raghu R, et al. When is“nearest neighbor” meaningful?[C].// In Proceedings of International Conference of Database Theory (ICDT) 1999, 1999: 217-235.
[8] 蔡晓妍，戴冠中，杨黎斌. 谱聚类算法综述[J]. 计算机科学，2008，35(7): 14-18. [CAI X Y, DAI G Z, YANG L B. Survey on spectral clustering algorithms[J]. Computer Science, 2008, 35(7):14-18. ]
[9] 周林，平西建，徐森. 基于谱聚类的聚类集成算法[J].自动化学报，2012，38(8): 1135- 1142. [ZHOU L,PING X J, XU S. Cluster ensemble based on spectral clustering[J]. Acta Automatica Sinica, 2012, 38(8):1135-1142.]
[10] Weiguo S, Stephen S, Leishi Z, et al, A weighted sum validity function for clustering with a hybrid niching genetic algorithm[J]. IEEE Transactions on Systems, Man, and Cybernetics—part B: Cybernetics, 2005, 35
(6): 1156-1167.[11] Kim M, Yoo H, Ramakrishna RS. Cluster validation for high-dimensional datasets[C]// In AIMSA 2004, LNAI 3192, 2004: 178-187.
[12] Kim M, Ramakrishna RS. New indices for cluster validity assessment[J]. Pattern Recognition Letters, 2005(26): 2353-2363.
[13] 刘燕驰，高学东，国宏伟，等. 聚类有效性的组合评价方法[J]. 计算机工程与应用，2011，47(19): 15-17.[LIU Y C, GAO X D, GUO H W, et al. Ensembling
clustering validation indices[J]. Computer Engineering and Applications, 2011, 47(19):15-17.]
[14] Kim Y, Lee S. A clustering validity assessment index[C]// In PAKDD 2003, Vol. LNAI, 2003: 602-608.
[15] Shim Y, Chung J J, Choi I C. A comparison study of cluster validity indices using a nonhierarchical clustering algorithm[C]// International Conference on Computational Intelligence for Modelling, Control and Automation, and International Conference on Intelligent Agents, Web Technologies and Internet Commerce,2005: 199-204.

基于簇形均衡评估的高速公路收费数据聚类

Expressway Toll Data Clustering Based on Evaluation with Balance of Clusters’Shapes

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	韩印, 李媛媛, 李文翔, 刘向龙, 祁昊, 万东奇. 基于轨迹数据的网约车排放时空特征分析[J]. 交通运输系统工程与信息, 2022, 22(1): 234-242.
[11]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[12]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[13]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[14]	张名芳, 马艳华, 吴初娜, 王力. 公交驾驶员心理状况影响因素分析与疾病判别模型[J]. 交通运输系统工程与信息, 2021, 21(6): 96-104.
[15]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.