K-means聚类分析

摘要： 目前,我国轨道交通综合体发展仍存在分级分类不明确、不重视、无标准的现象,存在交通综合体体系构建不完善、规划前瞻性不足、枢纽效益不高、与周边地区发展不匹配等一系列问题。因此,科学合理的交通综合体类型划分对我国轨道交通发展具有重要意义。文章采取文献计量法、频度分析法、专家打分法筛选交通综合体系统特征要素指标,建立指标体系,通过大数据、实地踏勘等方法收集国内 41 个交通综合体系统特征数据,建立交通综合体系统特征数据集。运用 K-means 聚类分析法对特征要素进行聚类分析,将 41 个交通综合体划分为 4 类,分别为枢纽型交通综合体、中心型交通综合体、均衡型交通综合体、一般型交通综合体。在此基础上,从宏观、中观、微观 3 个层面提出对我国轨道交通网络体系构建、站城一体化发展以及枢纽规划建设方面的优化策略。

摘要： 音乐作为人类文化遗传的一部分,与人类的生活密不可分。同时,不同的音乐流派也对人类的社会生活有不同影响,研究音乐流派发展就显得十分必要。首先利用灰色关联分析与K-Mean聚类分析对影响音乐流派的因素进行了分析,然后基于已有数据,建立了时间序列ARMA模型,对音乐流派在未来5年的发展趋势进行了预测。

摘要： 为构建合理的汽车行驶工况,以给定的轻型汽车行驶数据为基础,分别运用运动学片段分析法、主成分分析法和K-均值聚类分析法对实测数据进行降维和分类,并结合相关系数法从各类运动学片段库中选取具有代表性的片段,构建反映汽车行驶特征的汽车行驶工况曲线。最后,为验证所构建的汽车行驶工况的有效性和精确性,计算作为评价体系的8个特征参数的相对误差和总体误差。结果表明,构建的汽车行驶工况曲线所反映的汽车运动特征在一定程度上可以代表数据源对应的特征,所构建的行驶工况具有有效性和精确性。

摘要： 实验旨在研究特克塞尔×哈萨克羊杂交F_(2)代的尾部脂肪大小对胴体性状的影响。选用体况良好的520只8月龄羔羊,运用SPSS与R语言对羔羊的表型数据进行主成分与聚类分析,研究尾部脂肪的分化情况,并对杂交F_(2)代各类型尾脂羊屠宰前体重、胴体重、断奶重及脂肪沉积性状进行差异比较分析。结果发现,主成分分析中41个表型值提取到9个主成分,累计贡献率达到87.694%,屠宰前体重、胴体重、断奶重与5个脂肪表型性状的特征值较高;聚类分析结果可将杂交F_(2)代分为A型、B型、C型和D型4个类型;D型的屠宰前体重、断奶重与A型屠宰前体重、断奶重差异不显著,C型背膘厚极显著高于A型,B型的屠宰前体重、胴体重、断奶重极显著高于A型、C型和D型。B型、C型和D型间背膘厚差异不显著。综上,杂交F_(2)代的尾部脂肪发生性状分离,屠宰前体重随着尾部脂肪的增加而下降,结合特克塞尔与哈萨克羊的体型外貌特征,C型和D型更趋近于哈萨克羊,B型则更趋近于特克塞尔羊。

摘要： 网络货运平台运输服务订单的成交定价的预测结果是平台运营策略和承运人决策的直接体现,显著影响平台效益和承运人市场健康发展。以顺丰速递网络货运平台为例,通过缺失值处理和类别型数据转换进行数据预处理。针对网络货运平台成交定价预测精度问题,设计了基于双长短期记忆网络(LSTM)组合的网络货运平台成交定价预测模型,并采用K-means聚类分析预测结果。双LSTM组合模型相较于LSTM、支持向量回归(SVR)、两者相融合的LSTM-SVR以及基于灰色GM(1,1)和反向传播(BP)组合(GM(1,1)-BP)等模型,平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)最低且R2最高,分别为9.90、402.54、1.48和0.99997。而K-means聚类分析对预测的订单成交定价进行评级的结果与实际情况一致。实验结果表明,所提出的双LSTM组合模型具备有效性和准确的网络货运平台成交定价预测效果。

摘要： 随机抽样上海1318家上市公司财务数据,通过无监督聚类算法中k-means聚类算法建立模型。基于样本所属行业分布有明显的不均衡性,在选取较多财务指标进行迭代计算时,其结果表明,全部样本财务状况呈较强相似性;而选取较少指标时才呈良好的聚类效果,表现出一定的差异性,被聚类为6类,在此基础上,分类别研究,对判断公司所处生命周期、优化资源配置、探究同类公司特点、为战略发展规划做出合理决策和部署具有重要意义。

摘要： 针对非侵入式负荷辨识中,单一V-I轨迹特征无法对相似的轨迹特征进行有效识别以及所提取特征易出现冗余甚至噪声特征的问题,提出了一种基于K-means聚类与PSO特征优选的分级非侵入式负荷识别方法。首先,利用K-means算法对负荷V-I轨迹的HOG特征进行初步分类,将轨迹相似的电器分为一类;然后,对每一类中的电器电流数据进行多维特征提取并采用PSO算法选取最优特征子集;最后,利用KNN模型进行二级负荷识别。实验结果表明,该方法有效提高了负荷识别准确率;提取V-I轨迹的HOG特征解决了同一电器V-I轨迹波动的问题;对一级分类后的每一大类单独进行PSO特征优选KNN二级分类,解决了部分电器对特征子集适应性差的问题。所提方法在一定程度上解决了冗余特征甚至噪声特征对辨识准确率的影响,为负荷特征的选取提供了新的思路,对负荷辨识的实际应用具有重要的参考意义。

摘要： 为降低车辆与行人冲突潜在危险,针对右转机动车与过街行人进行人车冲突严重度量化分级研究。以重庆市南岸区3个典型交叉口为例,采用实地调查和视频采集相结合的方法调查晚高峰时段人车冲突数据,利用Tracker软件提取冲突样本的人车运动轨迹和运动参数。选取碰撞时间(time to collision,TTC)、安全减速度(deceleration to safety time,DST)和后侵占时间(post encroachment time,PET)为冲突指标,分析冲突指标、冲突类型及冲突点位置分布特征,并通过k-means聚类算法评估交叉口冲突严重程度。结果表明:TTC和PET与冲突严重程度呈负相关关系,DST与冲突严重程度呈正相关关系,模型聚类效果较好;不同过街冲突类型的冲突严重度存在差异,过街行人数量和人车相对距离对冲突严重程度存在显著影响。

摘要： 运输是天然气进出口贸易中的重要环节,系统评估中国进口天然气的运输安全状况,对于保障天然气持续有效供应意义重大。为此,筛选了供给端安全性、运输过程安全性、接收端安全性3个层面14项指标,构建了中国进口天然气运输安全评价指标体系,并利用主成分分析(PCA)和K-Means聚类分析建立了安全评价模型,对中国进口天然气运输安全状况进行分析。研究结果表明:①气源国政治稳定性、主要气源国数量、与气源国外交关系、境外输气管道长度、管道气年运输量、LNG接收站数量、LNG接收站接卸能力、天然气对外依存度、LNG年运输量、海上事故发生次数、自有船队运力供给、天然气储采比、天然气进口价格、海盗及武装抢劫攻击次数这14项指标对中国进口天然气运输安全的影响较大;②2006—2020年间中国进口天然气运输安全经历了4种状态:不安全状态(2006—2008年)、较不安全状态(2009—2011年)、较为安全状态(2012—2016年)和安全状态(2017—2020年)。结论认为,为确保中国进口天然气运输安全,应当采取以下措施:①完善设施,加大进口天然气运力投资;②深化外交,优化天然气进口来源;③以军护商,加强运输活动安全保障;④合作定价,提升天然气进口价格话语权。

摘要： 为贯彻落实《关于加快推进5G产业发展的实施意见》,推动5G场景应用,推进5G网络与超高清视频、AR/VR、机器人等技术结合,提升消费者在文化娱乐、在线购物、智能出行等场景的体验等,本文根据数字时代游客行为的3个子层面,对来杭游客的行为和偏好进行K-means聚类分析,将赴杭游客的偏好聚类为个性化推送敏感型、社交媒体和自媒体主动获取信息型、科技交互体验型、依赖出行路径定制+定位推送项目型四类,并以此构建为前端-消费数据挖掘与云计算、中端——数字媒介营销整合、后端——升级云端大数据服务信息平台组成的5G旅游数字营销体系,同时基于杭州旅游休闲产业、产品的特点策划详细方案,为各地的旅游管理、宣传部门和旅游商家提供适应5G时代数字营销的参考策略。

摘要： 首先分析了使用移动平均值和K-means聚类分析两种方法进行负荷坏数据辨识和修正时存在的问题，即移动平均值方法难以有效辨识成片坏数据，K-means聚类分析方法易出现误识别和漏识别。针对此问题，本文提出了一种改进方法，即先利用移动平均值方法识别出可疑点，然后再利用K-means方法辨别可疑点及可疑点之间的点是否为坏数据。最后结合江苏某地区的实际负荷数据进行具体分析，验证了所提方法的有效性。

摘要： 首先分析了使用移动平均值和K-means聚类分析两种方法进行负荷坏数据辨识和修正时存在的问题，即移动平均值方法难以有效辨识成片坏数据，K-means聚类分析方法易出现误识别和漏识别。针对此问题，本文提出了一种改进方法，即先利用移动平均值方法识别出可疑点，然后再利用K-means方法辨别可疑点及可疑点之间的点是否为坏数据。最后结合江苏某地区的实际负荷数据进行具体分析，验证了所提方法的有效性。

摘要： 首先分析了使用移动平均值和K-means聚类分析两种方法进行负荷坏数据辨识和修正时存在的问题，即移动平均值方法难以有效辨识成片坏数据，K-means聚类分析方法易出现误识别和漏识别。针对此问题，本文提出了一种改进方法，即先利用移动平均值方法识别出可疑点，然后再利用K-means方法辨别可疑点及可疑点之间的点是否为坏数据。最后结合江苏某地区的实际负荷数据进行具体分析，验证了所提方法的有效性。

摘要： 首先分析了使用移动平均值和K-means聚类分析两种方法进行负荷坏数据辨识和修正时存在的问题，即移动平均值方法难以有效辨识成片坏数据，K-means聚类分析方法易出现误识别和漏识别。针对此问题，本文提出了一种改进方法，即先利用移动平均值方法识别出可疑点，然后再利用K-means方法辨别可疑点及可疑点之间的点是否为坏数据。最后结合江苏某地区的实际负荷数据进行具体分析，验证了所提方法的有效性。

摘要： 首先分析了使用移动平均值和K-means聚类分析两种方法进行负荷坏数据辨识和修正时存在的问题，即移动平均值方法难以有效辨识成片坏数据，K-means聚类分析方法易出现误识别和漏识别。针对此问题，本文提出了一种改进方法，即先利用移动平均值方法识别出可疑点，然后再利用K-means方法辨别可疑点及可疑点之间的点是否为坏数据。最后结合江苏某地区的实际负荷数据进行具体分析，验证了所提方法的有效性。

摘要： 共享自动驾驶车辆(Shared Autonomous Vehicle,SAV)将在不久的将来进入市场.自动驾驶不仅受到学术界的关注,而且还受到运输和城市规划的从业者和政策制定者的关注.虽然共享自动驾驶车辆会提高道路网络使用效率并提升道路安全性,但是有研究结果反映,共享自动驾驶车辆还会诱增更多的出行需求,并使城市蔓延发展.为了更好地理解共享自动驾驶车辆的潜在影响,本文基于先进的土地利用和交通整合模型(TRANUS)分析了共享自动驾驶车辆对智能车路系统产生的影响.本文采用TRANUS构建了江阴市的土地与交通整合模型,首先制定出四种不同的城市发展方案:趋势发展、拥挤收费、加入共享自动驾驶车辆的发展及综合发展(拥挤收费+加入共享自动驾驶车辆).然后采用K-means聚类分析法对TRANUS的结果进行聚类,分析共享自动驾驶车辆在城市不同发展类型下对智能车路系统产生影响的差异性.最终发现共享自动驾驶车辆的出现,在降低系统平均行程时间上有积极意义,并且相较于主城区,对于边远城区更为有利.

摘要： 共享自动驾驶车辆(Shared Autonomous Vehicle,SAV)将在不久的将来进入市场.自动驾驶不仅受到学术界的关注,而且还受到运输和城市规划的从业者和政策制定者的关注.虽然共享自动驾驶车辆会提高道路网络使用效率并提升道路安全性,但是有研究结果反映,共享自动驾驶车辆还会诱增更多的出行需求,并使城市蔓延发展.为了更好地理解共享自动驾驶车辆的潜在影响,本文基于先进的土地利用和交通整合模型(TRANUS)分析了共享自动驾驶车辆对智能车路系统产生的影响.本文采用TRANUS构建了江阴市的土地与交通整合模型,首先制定出四种不同的城市发展方案:趋势发展、拥挤收费、加入共享自动驾驶车辆的发展及综合发展(拥挤收费+加入共享自动驾驶车辆).然后采用K-means聚类分析法对TRANUS的结果进行聚类,分析共享自动驾驶车辆在城市不同发展类型下对智能车路系统产生影响的差异性.最终发现共享自动驾驶车辆的出现,在降低系统平均行程时间上有积极意义,并且相较于主城区,对于边远城区更为有利.

摘要： 共享自动驾驶车辆(Shared Autonomous Vehicle,SAV)将在不久的将来进入市场.自动驾驶不仅受到学术界的关注,而且还受到运输和城市规划的从业者和政策制定者的关注.虽然共享自动驾驶车辆会提高道路网络使用效率并提升道路安全性,但是有研究结果反映,共享自动驾驶车辆还会诱增更多的出行需求,并使城市蔓延发展.为了更好地理解共享自动驾驶车辆的潜在影响,本文基于先进的土地利用和交通整合模型(TRANUS)分析了共享自动驾驶车辆对智能车路系统产生的影响.本文采用TRANUS构建了江阴市的土地与交通整合模型,首先制定出四种不同的城市发展方案:趋势发展、拥挤收费、加入共享自动驾驶车辆的发展及综合发展(拥挤收费+加入共享自动驾驶车辆).然后采用K-means聚类分析法对TRANUS的结果进行聚类,分析共享自动驾驶车辆在城市不同发展类型下对智能车路系统产生影响的差异性.最终发现共享自动驾驶车辆的出现,在降低系统平均行程时间上有积极意义,并且相较于主城区,对于边远城区更为有利.

摘要： 共享自动驾驶车辆(Shared Autonomous Vehicle,SAV)将在不久的将来进入市场.自动驾驶不仅受到学术界的关注,而且还受到运输和城市规划的从业者和政策制定者的关注.虽然共享自动驾驶车辆会提高道路网络使用效率并提升道路安全性,但是有研究结果反映,共享自动驾驶车辆还会诱增更多的出行需求,并使城市蔓延发展.为了更好地理解共享自动驾驶车辆的潜在影响,本文基于先进的土地利用和交通整合模型(TRANUS)分析了共享自动驾驶车辆对智能车路系统产生的影响.本文采用TRANUS构建了江阴市的土地与交通整合模型,首先制定出四种不同的城市发展方案:趋势发展、拥挤收费、加入共享自动驾驶车辆的发展及综合发展(拥挤收费+加入共享自动驾驶车辆).然后采用K-means聚类分析法对TRANUS的结果进行聚类,分析共享自动驾驶车辆在城市不同发展类型下对智能车路系统产生影响的差异性.最终发现共享自动驾驶车辆的出现,在降低系统平均行程时间上有积极意义,并且相较于主城区,对于边远城区更为有利.

摘要： 共享自动驾驶车辆(Shared Autonomous Vehicle,SAV)将在不久的将来进入市场.自动驾驶不仅受到学术界的关注,而且还受到运输和城市规划的从业者和政策制定者的关注.虽然共享自动驾驶车辆会提高道路网络使用效率并提升道路安全性,但是有研究结果反映,共享自动驾驶车辆还会诱增更多的出行需求,并使城市蔓延发展.为了更好地理解共享自动驾驶车辆的潜在影响,本文基于先进的土地利用和交通整合模型(TRANUS)分析了共享自动驾驶车辆对智能车路系统产生的影响.本文采用TRANUS构建了江阴市的土地与交通整合模型,首先制定出四种不同的城市发展方案:趋势发展、拥挤收费、加入共享自动驾驶车辆的发展及综合发展(拥挤收费+加入共享自动驾驶车辆).然后采用K-means聚类分析法对TRANUS的结果进行聚类,分析共享自动驾驶车辆在城市不同发展类型下对智能车路系统产生影响的差异性.最终发现共享自动驾驶车辆的出现,在降低系统平均行程时间上有积极意义,并且相较于主城区,对于边远城区更为有利.

摘要： 服务器4执行：相似度计算步骤(S2)，计算一篇文件的内容与其他文件的内容的相似度；聚类分类步骤(S3)，基于计算出的相似度将文件作为节点，生成将相似的节点间以边连结的网络，并以相似的文件进行聚类划分；第1指标计算步骤(S4)，计算示出网络中的文件的中心性的第1指标；第2指标计算步骤(S5)，计算与所述网络中的所述第1指标不同的、示出文件的重要性的第2指标；以及显示数据生成步骤(S6)，关于文件，由与所述第1指标相应的节点的物件的大小的表现、与所述第2指标相应的所述物件的形状对应的形状的量规和所述量规的长度的表现、与所述聚类的种类相应的表现、以及与文件间的相似度的大小相应的表现，生成示出所述网络的第1显示数据。

摘要： 本发明提供一种基于二次聚类的商业负荷特性聚类分析方法，所述方法包括如下步骤：(1)通过系统聚类法确定聚类数K的上下限值Kmax，Kmin以及设置参数，并设K＝Kmin；(2)对K‑means算法进行初始化；(3)进行聚类操作，得到新一代种群个体适应度；(4)判断适应度函数是否收敛，若是则输出最终的聚类中心和聚类结果，否则跳转到步骤(3)；(5)判断K是否大于Kmax，若是则确定最合适的K值，否则K值加一，跳转到步骤(2)。本发明成功的改善了k‑means算法中的初始K值设定和局部收敛等缺点，使得聚类结果更加准确、客观。

摘要： 本发明涉及一种基于样本密度和自适应调整聚类中心的聚类分析方法，首先基于样本密度和样本邻域初始化聚类数目K和聚类中心，然后采用最近邻类簇合并的方法自适应调整聚类数目K，最终得到最佳聚类结果，从而大大提高了聚类分析结果的有效性。

摘要： 服务器4执行：相似度计算步骤(S2)，计算一篇文件的内容与其他文件的内容的相似度；聚类分类步骤(S3)，基于计算出的相似度将文件作为节点，生成将相似的节点间以边连结的网络，并以相似的文件进行聚类划分；第1指标计算步骤(S4)，计算示出网络中的文件的中心性的第1指标；第2指标计算步骤(S5)，计算与所述网络中的所述第1指标不同的、示出文件的重要性的第2指标；以及显示数据生成步骤(S6)，关于文件，由与所述第1指标相应的节点的物件的大小的表现、与所述第2指标相应的所述物件的形状对应的形状的量规和所述量规的长度的表现、与所述聚类的种类相应的表现、以及与文件间的相似度的大小相应的表现，生成示出所述网络的第1显示数据。

摘要： 服务器4执行：相似度计算步骤(S2)，计算一篇文件的内容与其他文件的内容的相似度；聚类分类步骤(S3)，基于计算出的相似度将文件作为节点，生成将相似的节点间以边连结的网络，并以相似的文件进行聚类划分；第1指标计算步骤(S4)，计算示出网络中的文件的中心性的第1指标；第2指标计算步骤(S5)，计算与所述网络中的所述第1指标不同的、示出文件的重要性的第2指标；以及显示数据生成步骤(S6)，关于文件，由与所述第1指标相应的节点的物件的大小的表现、与所述第2指标相应的所述物件的形状对应的形状的量规和所述量规的长度的表现、与所述聚类的种类相应的表现、以及与文件间的相似度的大小相应的表现，生成示出所述网络的第1显示数据。

摘要： 本发明要提供一种基因聚类工具，其无需先验数据预测，就能够基于基因表达量随时间变化的数据进行高精度的基因聚类。本发明提供了一种基因聚类程序，用于至少执行以下步骤：步骤S1，基于表示基因表达量随时间的变化的数据计算反映数据间相似性的特征值；步骤S2，基于算出的特征值对所有基因组合计算相似性矩阵M的本征向量；步骤S3，在保持本征向量的本征值的同时将相似性矩阵M转换成布尔矩阵N；以及步骤S4，基于布尔矩阵N聚类数据。

摘要： 本发明公开了一种MB‑kmeans++聚类方法及基于其的用户会话聚类方法，属于数据挖掘技术领域。本发明的聚类方法，首先采用平均距离最远原则选取k个初始聚类中心，然后基于当前随机选择的子集合对k个聚类中心进行位置的迭代更新处理，直到质心稳定或者达到最大迭代次数，最后再基于最终的聚类中心对待聚类数据进行k聚类处理，得到聚类结果。本发明的聚类处理方法能适应高维度稀疏矩阵的处理，在较大数据量的情况下能显著缩短处理时间。本发明的用户会话聚类方法为：在基于原始日志数据获取到各用户会话之后，对其进行优化处理：对庞大的页面维度进行缩减，对用户会话特征进行降维，再采用本发明的聚类方法进行聚类处理，得到具有相似访问行为用户。

摘要： 本发明公开了一种基于谱聚类的未知协议聚类分析方法、装置及介质，其中方法包括以下步骤：根据序列长度阈值l*对样本的协议代表序列进行处理；使用两个字节序列之间最长公共子序列的长度来度量样本之间的相似性，计算相似性矩阵，构建相似性连接图；构建邻接矩阵W和度矩阵D；计算拉普拉斯矩阵L＝D‑W；求取拉普拉斯矩阵L的k个最小特征值所对应的特征向量ν1,ν2,…,vk，其中νi∈Rn×1；构造矩阵V＝[ν1,ν2,...,νk]∈Rn×k；将矩阵V的行向量作为样本，使用k‑means聚类算法将这n个样本聚类成k类；输出聚类后的结果C＝(C1,C2,...,Ck)。本发明采用谱聚类算法保证模型在对多样化流量聚类时的鲁棒性，保证了模型的稳定性。

摘要： 本发明涉及一种基于样本密度和自适应调整聚类中心的聚类分析方法，首先基于样本密度和样本邻域初始化聚类数目K和聚类中心，然后采用最近邻类簇合并的方法自适应调整聚类数目K，最终得到最佳聚类结果，从而大大提高了聚类分析结果的有效性。

摘要： 本发明公开了一种基于改进K‑means算法和新聚类有效性指标的聚类分析方法，首先通过密度信息获取高密度初始聚类中心点，按照初始聚类中心点进行K‑means算法聚类；不断迭代聚类中心点；计算聚类有效性指标的值并将最小的聚类有效性指标对应的簇数作为数据集的最佳聚类数并输出最佳聚类结果。本发明可以有效的降低K‑means聚类算法的迭代次数，减少聚类时间消耗，提升聚类效率；高密度初始中心点和中心点替换方法的结合降低了K‑means聚类算法陷入局部最优解的可能性；聚类结果稳定精确。