[发明专利]模拟分叉与脑启发认知的混合聚类方法

说明书

本发明涉及到模拟分叉与脑启发认知的混合聚类方法。初始化簇核心，通过组合优化聚类提取数据点的分布特征，从全局角度自动获取数据点重心即初始簇核。引入大脑激发的认知技术，通过引入选择性注意机制，将注意力集中在簇核的中间区域。通过量子启发算法进行求解建立的QUBO模型。重复迭代直到收敛且聚类结果保持不变。

技术领域

本发明主要涉及到类脑计算及控制技术领域，更确切的说，涉及到一种用模拟分叉与脑启发认知结合起来的混合聚类方法。

背景技术

随着城市化进程的深入，资源依赖模式难以维持、环境问题加剧、经济可持续发展潜力不足以及城市规划建设模式简单化等问题日益突出。因此，城市振兴需要一个强大的和聪明的大脑来参与城市新陈代谢的调整。典型的问题是交通拥堵加剧。近年来城市化进程在带来现代化的同时，也引发交通拥堵、停车冲突和潮汐交通现象等关键问题。因此城市需要一个更智慧化的大脑来形成更智能、更高效的交通系统来应对这类关键点。

城市数据大脑是唯一能够实时分析整体城市数据的人工智能系统。城市数据大脑可整合全网开放数据、政府和公共机构数据、物联网感知数据等多源异构数据，进一步实时收集海量数据资源，对城市状态进行全面实时分析和调整、优化其公共资源。在智慧城市的规划建设过程中，城市数据大脑的建设将发挥重要作用。如果供需达到平衡则道路就不会显得拥堵和瘫痪。城市道路交通的拥堵可能是多种因素、突发事故造成的，其根本原因是复杂的交通需求持续增长，远远超过了城市现有的道路交通供应能力。

数据挖掘是一门跨学科的学科。需从随机、海量的数据库数据中揭示各维度交通数据交互的潜在规律和特征，为决策提供依据。数据挖掘聚类分析的核心技术，是将数据集划分为若干聚类，使同一聚类中的对象的相似度较高、不同聚类的相似度低。传统的聚类算法仍然存在着鲁棒性差、对训练参数依赖性强、缺乏认知等问题。现有的聚类分析研究可分为两大类：对原有的传统聚类算法进行优化和改进，以适应不同的问题；针对不同类型的问题改进和整合各种聚类算法。改进虽然效果甚微，也并不能从根本上解决传统聚类算法的局限性，应用范围极其狭窄，没有很好的通用性。

正有鉴于此，如何有效地挖掘和利用数据，提高路网的利用效率，使交通系统的运行更合理和智能化，是现代城市交通研究的重点。传统聚类算法作为机器学习的一种仍有着难克服的局限性。作为惯用方案，K-means算法广泛应用于解决交通聚类问题，但是它存在对初始点敏感、鲁棒性差等局限性。

发明内容

本申请涉及到一种模拟分叉与脑启发认知的混合聚类方法，包括：

创建一个二次无约束二进制优化模型以对数据进行聚类，所述二次无约束二进制优化模型基于模拟分叉的方式来计算出每个数据所对应的二值性的变量，每个数据根据其对应的二值性的变量的值而被划分到相应的一个簇中。

上述的方法，其中：

所述数据的类型包括带有地理位置信息的汽车行程数据。

上述的方法，其中：

将所述数据分成多个聚类并提取每个聚类的簇核，通过选择性注意力机制将注意力集中在各个以簇核为中心的聚类之间的一个交叠区域处，交叠区域的数据视为关键数据。

上述的方法，其中：

基于非关键数据到各簇中心的距离和关键数据到各簇中心的距离，来构建所述二次无约束二进制优化模型。

上述的方法，其中：

基于关键数据与余下其他数据之间的夹角，来构建所述二次无约束二进制优化模型。

上述的方法，其中：

所述二次无约束二进制优化模型进行多次迭代求解，每次计算出每个数据对应的二值性的变量时，每个数据根据其更新的二值性变量的值而重新划分到相应的一个簇，直至数据的聚类结果保持不变。