[发明专利]一种基于熵值法和动态规划的改进K-Means算法的城市高架桥交通流检测方法

摘要

一种基于熵值法和动态规划的改进K-means算法的城市高架桥交通流检测方法，包括以下步骤：1）计算两个数据对象之间的距离；2）选出K个聚类中心；3）按照给出的改进的距离计算公式把其余的数据对象分配给相应的几个聚类中心；4）分别计算K个聚类的中心，并更新聚类中心；5）如果聚类中心改变，则继续执行步骤4）；否则停止，转到步骤6）；6）得出最优聚类结果，各聚类中心即为交通流的拥堵点。本发明提供一种基于熵值法和动态规划的改进K-Means算法的城市高架桥交通流优化分析方法，改善了传统算法效率不高、精度低等问题，也改变了对交通流改善方法。

主权项

一种基于熵值法和动态规划的改进K‑means算法的城市高架桥交通流检测方法，其特征在于：所述检测方法包括以下步骤：1）计算两个数据对象之间的距离：假设有n个数据对象，每个数据对象有m个属性，则得到属性值矩阵X： X = x 11 · · · x 1 m · · · · · · · · · x n 1 · · · x nm - - - ( 1 ) 其中xij表示对象xi的第j维属性值；计算得到属性值比重矩阵R： R = r 11 · · · r 1 m · · · · · · · · · r n 1 · · · r nm - - - ( 2 ) 其中rij为对象xi的第j维属性的属性值比重，由下面公式计算得到： r ij = max 1 ≤ i ≤ n ( x ij ) - x ij max 1 < i < n ( x ij ) - min 1 ≤ i ≤ n ( x ij ) - - - ( 3 ) 计算第j维属性的熵值： H j = - k Σ i = 1 n r ij ln r ij - - - ( 4 ) 其中k=1/lnn；计算第j维属性的权值： w j = 1 - H j Σ j = 1 m ( 1 - H j ) - - - ( 5 ) 其中0≤wj≤1, Σ j = 1 m w j = 1 ; 计算各邻居数据之间的权重系数： weight ij = Σ p = 1 m w p × x jp Σ x jp - - - ( 6 ) 其中xip表示数据对象xi的第p维属性值，对象xj是对象xi的邻居，wp是p维属性的权值；最终得到邻居数据xi，xj之间的距离计算公式为： d ( x i , x j ) = weight ij × ( Σ k = 1 m ( x ik - x jk ) 2 ) 1 / 2 - - - ( 7 ) 2）选出K个聚类中心：求出数据对象之间的平均距离： AvrDis = 1 C n 2 Σ i = 1 n Σ j = 1 n d ( x i , x j ) ; - - - ( 8 ) 数据对象间距离矩阵为： D = 0 · · · d ( x 1 , x n ) · · · · · · d ( x n , x 1 ) · · · 0 - - - ( 9 ) 对数据对象集中的数据对象xi(i=1,2,...,n)，删掉与xi的距离小于AvrDis的数据对象，对剩下的数据对象A'重新编号，编号为1到q，得到任意两个数据对象间的欧式距离矩阵为： D ′ = 0 · · · d ( x 1 , x q ) · · · · · · d ( x q , x 1 ) · · · 0 - - - ( 10 ) 令距离最大的两个数据对象分别为xstart，xend，它们分属两个聚类，计算所有对象间的最优值，对其余数据对象求与xstart的距离： M im = d ( x i , x start ) m = 1 max ( M i ( m - 1 ) + d ( x i , x j ) ) x j ∈ A ′ - - - ( 11 ) 其中Mim表示第m个选取的数据对象为xi时的最大累加距离k'=k‑2；3）按照给出的改进的距离计算公式把其余的数据对象分配给相应的几个聚类中心；4）分别计算K个聚类的中心，并更新聚类中心；5）如果聚类中心改变，则继续执行步骤4）；否则停止，转到步骤6）；6）得出最优聚类结果，各聚类中心即为交通流的拥堵点。