聚类分析算法在交通控制中的应用
智能交通系统的数据挖掘与分析
智能交通系统的数据挖掘与分析智能交通系统（Intelligent Transportation System，ITS）是一种基于先进的通信、计算和控制技术的交通管理系统。
随着技术的快速发展，越来越多的交通数据被收集和储存，为了更好地理解和利用这些数据，数据挖掘与分析在智能交通系统中发挥着重要的作用。
本文将讨论智能交通系统的数据挖掘和分析相关的技术和方法。
1. 数据收集与预处理在智能交通系统中，数据的收集是第一步。
各种传感器和监控设备可以收集到交通流量、速度、车辆位置等大量数据。
这些数据在应用前需要进行预处理，包括数据清洗、去噪和数据转换等工作，以确保数据的准确性和有效性。
2. 数据挖掘技术数据挖掘技术是智能交通系统中的一项关键技术，通过从大量数据中发现隐藏的模式和规律，为交通系统的优化和决策提供支持。
在智能交通系统中，常用的数据挖掘技术包括聚类分析、分类分析、关联规则挖掘和时间序列分析等。
2.1 聚类分析聚类分析是将相似的数据对象划分到同一组别中的过程。
在智能交通系统中，聚类分析可以用来识别不同的交通模式和行为，如高峰期、拥堵路段等。
通过对聚类结果的分析，可以为交通管理部门提供决策参考。
2.2 分类分析分类分析是将数据对象划分到已知类别中的过程。
在智能交通系统中，分类分析可以用来预测交通流量、预测交通事故等。
通过对历史数据的学习，分类模型可以为交通系统的管理和规划提供决策支持。
2.3 关联规则挖掘关联规则挖掘是寻找数据集中的频繁项集和关联规则的过程。
在智能交通系统中，关联规则挖掘可以用来发现交通事故发生的相关因素和规律。
通过对关联规则的分析，可以为交通事故的预测和预防提供指导。
2.4 时间序列分析时间序列分析是对时间排序的数据进行分析和预测的过程。
在智能交通系统中，时间序列分析可以用来预测未来的交通流量、拥堵情况等。
通过对历史数据的分析，时间序列模型可以帮助交通管理部门做出相应的调度和优化措施。
空间聚类算法
空间聚类算法随着大数据和人工智能技术的快速发展，空间聚类算法在数据挖掘领域中变得越来越重要。
它主要是针对空间数据进行分析和挖掘，以便在不同空间区域中找到相似性较高的数据点。
一、空间聚类算法的基本概念在了解空间聚类算法之前，我们首先需要了解一些基本概念。
空间数据是指在空间范围内分布的数据点，例如地理位置数据、气象数据等等。
空间聚类是指将空间数据中相似性较高的数据点聚集在一起，形成一个群体。
聚类之后，我们可以根据这些群体来对空间数据进行分类、分析和应用。
二、空间聚类算法的分类目前，空间聚类算法主要分为两类：基于层次聚类和基于划分聚类。
2.1 基于层次聚类基于层次聚类的思路是将空间数据看作一棵树，从而形成一个层次结构。
通过不断地将相似性最高的数据点合并，直到所有数据点都被聚类在一个类别中。
这种算法的优点是可以自动选择聚类的数目，缺点是计算量较大。
2.2 基于划分聚类基于划分聚类的思路是将空间数据划分为若干个区域，然后将相似性较高的数据点聚集在一起形成一个群体。
与基于层次聚类不同，这种算法需要指定聚类的数目，但计算量较小，因此在空间数据分析中被广泛应用。
三、空间聚类算法的常用方法目前，常用的空间聚类算法有：KMeans算法、DBSCAN算法、OPTICS算法等等。
3.1 KMeans算法KMeans是一种基于划分聚类的算法，它将数据点划分到K个类别当中，使得每个类别的内部方差最小化。
该算法需要指定聚类的数目K，并且对于每个数据点，只能被划分到一个类别中。
3.2 DBSCAN算法DBSCAN是一种基于密度聚类的算法，它可以自动检测出数据中的离群点，并将相似性较高的数据点聚集在一起形成一个群体。
该算法可以处理任意形状的聚类，并且不需要指定聚类的数目。
3.3 OPTICS算法OPTICS是一种基于密度聚类的改进算法，它与DBSCAN一样可以自动检测出离群点并从密度高的区域向密度低的区域进行聚集，同时还能够抑制噪音的影响。
基于Kmeans聚类的交通拥堵预测系统
Traffic Congestion Prediction System Based on K-means Clustering
Ye Qiushi
Key words: big data; machine learning; traffic signal timing optimization model; dynamic allocation
1 研究背景及意义
根据单片机传输数据进行交通预测。
目前不少城市交通运量年年增长，但运输速度普遍下降， 这都源于交通通行不佳 [1]。堵车现象的产生很大一部分是由于 道路过于狭窄，车辆持有率逐年上涨，交通信号灯时间分配不 准确，车辆在不同路段差距过大也是造成堵车现象的重要原因。
为取得较准确的车流密度，取观测车流密度的时间周期 为 60 s。选取兰州市长新路与安宁东路交叉口路段（十字路口） 进行分析，各方向车流量情况如图 1 所示。
4.1 K-means
K-means 算法是使用最广泛的基于划分的聚类算法，把 n 个对象分为 k 个簇，使簇内具有较高的相似度。计算每个 对象到聚类中心的距离时，选择欧式距离进行计算：
相位的设定通常需要依据交通流的历史数据和现阶段道路情 况。相位和相序的设计合理与否直接关系交叉路口交通信号 灯配时优化的效果 [3]。 3.3.2 时间参数
软件开发与应用
信息与电脑 China Computer & Communication
2019 年第 6 期
基于 K-means 聚类的交通拥堵预测系统
叶秋时 （西北师范大学 数学与统计学院，甘肃 兰州 730070）
智能算法在交通事故分析上的应用
智能算法在交通事故分析上的应用【关键词】智能算法；事故信息；聚类分析；关联分析1.智能算法在交通事故分析上的应用目前人们广泛采用的智能计算方法主要有统计方法）、器学习方法、面向数据库的方法、聚类分析方法、人工神经网络方法、遗传算法、近似推理和不确定性推理方法、基于证据理论和元模式的方法、现代数学分析方法、粗糙集或模糊集方法、集成方法、关联规则算法、决策树方法等。
发展智能交通的最终目标就是通过对各类的交通信息、数据进行分析，对交通系统的控制方案和策略予以优化，通过调整各类交通参与者的行为以及道路交通设施设备的建设、改善，从而实现交通系统的优化及高效运行的目的。
因此，分析交通信息、制定控制策略是整个系统的关键。
本文在总结和借鉴大量学者研究的基础上，介绍两种基于数据挖掘理论的智能算法dbscan及apriori，分别用于交通事故黑点的排查及事故关联因素的分析。
2.基于密度的聚类分析算法dbscan2.1算法应用的数据类型与数据结构数据挖掘不能直接把任何数据进行计算，要事先对数据进行预处理，构成算法能够应用的数据类型，然后输入到算法中的数据结构中去。
基于内存的聚类算法通常都采用以下两种数据结构[1]。
2.1.1数据矩阵数据矩阵是一个对象-结构。
它是由n个对象组成，如：人；这些对象是利用p个属性来进行描述的，如：年龄、高度、体重等。
数据矩阵的表达方式为n×p的矩阵。
2.1.2差异矩阵差异矩阵是一个对象-对象结构。
n个对象彼此之间的差异将存放于该矩阵中，采用n×n矩阵来表示。
由交警部门提供的交通事故数据经过整理后存放到数据矩阵中去保存。
如：一个交通事故点可以占用一行，而它的每一个属性可以占用这一行的每一个列元素。
对于差异矩阵，可以反映每两个事故数据的差异，它可以是两个事故发生地点的距离，也可以是两个事故发生情况的相似度倒数，还可以是两个事故发生的时间差。
总之，它可以灵活的反映事故之间的差异。
轨迹聚类算法及其应用
轨迹聚类算法及其应用作者：曹鑫磊冯锋来源：《电脑知识与技术》2018年第29期摘要：为了提高交通工具的利用率，通过获取轨迹数据使移动点对象轨迹聚类分析在保证反映其相互之间正确的空间关系、时态关系、运动关系的基础上，提出合理有效的相似性度量公式的结果。
欧氏距离与设定的阈值a用于判定两点之间是否处于同一位置，转换为计算轨迹最长公共子序列问题求得相似度并作为最大生成树聚类的权值。
经过轨迹聚类分析，得到聚类结果。
关键词：轨迹；最大生成树聚类；相似性度量；轨迹聚类分析中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）29-0009-03Abstract： In order to improve the utilization rate of vehicles， the trajectory data is obtained to make the moving point object trajectory clustering analysis to propose a reasonable and effective similarity metric formula on the basis of ensuring the correct spatial relationship， temporal relationship and motion relationship. the result of. The Euclidean distance and the set threshold a are used to determine whether the two points are in the same position， and are converted to the longest common subsequence of the calculated trajectory to obtain the similarity and as the weight of the maximum spanning tree cluster. After trajectory clustering analysis， the clustering results are obtained.Key words： Trajectory；maximum spanning tree clustering；similarity measure；trajectory clustering analysis近年来，交通拥堵的问题越来越严重，合理的引导民众选择合理的交通出行方式已经成为政府部门的责任。
基于MFCM的改进聚类算法及其在交通中的应用
１ 交通 流 状态 聚 类分 析 的 数 学 描 述
设 交通 流状 态共 有 ｎ个样 本 （ ｎ种 不 同 的交 通 流状态 ） ｘ＝｛ ， ，… ， ｝ 待 聚类 对 象 的全体 ， ， 。 是
中 的每个状 态 （ ＝Ｉ２ … ， ） ｓ 参数 值来 描 述 ， 个参 数值 刻 画交 通流 的某 个 特征 ， ｋ ，， ｎ 用 个 每 于是 ， 对 应 向量 Ｐ（ ）：（ 也， ， ） 其 中 茸 ＿ ， … ，） … ， （ ＝１２， ｓ 是 第 个 特征 的赋 值 ， ） 为 的模 式 『 Ｐ（ 称 矢 量． 聚类就 是分 析 中 ｎ个 样 本所 对 应 的模 式 矢 量 间的 相 似性 ． 把 。 ， ， 划 分 为 ｃ ， ， ， ， … 类 。
交 通流 状态模 糊 聚类是 交 通模糊 控 制 中需要 首 先解 决 的基 本 问题 ． 现有 的 交 通模 糊 控 制 算 法 中 都 是根
据 经验 人为地 确定 模糊 聚类 的边 界值 ， 得 交通 流状 态 的模糊 化带 有很 大 的 主观性 ， 而影 响 交通模 糊 使 进
控 制 的效果 ． 了对交 通 流状 态进 行 科 学 的 模 糊 聚类 ， 本 研 究 中 ， 出 了一 种 基 于 ＭＦ Ｍ（ ｏ ｉｅ 为 在 提 Ｃ Ｍ ｄｆ ｄ ｉ ｆｚ ． ｅｎ ） ｕｚ Ｃ ｍ ａ ｓ 算法 ¨ 的分级 递减 聚类 （ ｉｒｒｈｃｌ ｕ ｔ ｃ ｖ ｌ ｔｒ ｇ Ｈ Ｃ） ｙ ｈｅａｃ ｉ ｂｒ ｔ ｅｃ ｓ ｉ ， Ｓ 算法 ， 用 ＭＦ Ｍ 算 法 寻 ａ ｓ ａ ｉ ｕ ｅｎ 利 Ｃ
…
，
作 为模糊 控制 算法 的输 入．
２ ＭＦ ＣＭ 聚 类 算 法
改进 的模糊 ｃ一均值 聚类 （ Ｆ Ｍ）算 法是 近 年 提 出的 有效 聚 类方 法 ． ＭＣ 由于 没 有对 隶 属 度 进行 归 一 化 ， Ｃ 与 Ｆ Ｍ（ ｕｚ － ａ ｓ 相 比 ， 服 了数 据 野 值 （ 据 的异 常 值 ） 聚类 收 敛 性 的影 响 ， 最 ＭＦ Ｍ Ｃ Ｆ ｚｙＣ ｍｅｎ ） 克 数 对 使 终聚类 结果 对 预先确 定 的聚 类 数 目不 太 敏感 ， 得 的各 个 聚 类 中 心都 能 接 近实 际 的类 中心 ． ＭＦ Ｍ 获 但 Ｃ 和 Ｆ Ｍ 算 法 一样 ， Ｃ 需要 给定 类别 数 的初始 值 ． Ｃ 算 法为 ： ＭＦ Ｍ
数学建模在交通管理中的应用有哪些
数学建模在交通管理中的应用有哪些交通管理是一个复杂的系统工程，涉及到道路规划、车辆流量控制、交通信号优化等多个方面。
数学建模作为一种有效的工具，为解决交通管理中的问题提供了科学的方法和决策依据。
接下来，让我们一起探讨数学建模在交通管理中的具体应用。
一、交通流量预测准确预测交通流量对于交通管理至关重要。
通过建立数学模型，可以分析历史交通数据、考虑天气、节假日、特殊事件等因素对交通流量的影响，从而预测未来某一时间段内道路上的车辆数量。
常见的数学模型有时间序列模型、回归分析模型和神经网络模型等。
时间序列模型如自回归移动平均（ARMA）模型和自回归积分移动平均（ARIMA）模型，通过对历史流量数据的分析，找出其内在的时间规律，从而进行预测。
回归分析模型则将交通流量与相关的影响因素（如日期、时间、天气等）建立线性或非线性的关系，以预测未来流量。
神经网络模型具有强大的学习和泛化能力，能够处理复杂的非线性关系，对交通流量进行较为准确的预测。
二、交通信号优化交通信号灯的设置直接影响着道路的通行效率。
数学建模可以帮助优化信号灯的配时方案，减少车辆等待时间和拥堵。
例如，通过建立排队论模型，可以计算出在不同信号灯周期下车辆的排队长度和等待时间，从而找到最优的信号灯周期和绿信比。
另外，利用图论和线性规划方法，可以对多个路口的信号灯进行协同控制，实现区域交通的整体优化。
例如，通过建立交通网络模型，将道路交叉口视为节点，道路路段视为边，根据交通流量和道路容量等约束条件，求解最优的信号灯控制策略，使整个交通网络的运行效率最大化。
三、道路规划与设计在城市发展过程中，合理的道路规划和设计是缓解交通拥堵的重要手段。
数学建模可以帮助评估不同道路规划方案的效果，为决策提供依据。
例如，利用交通仿真模型，可以模拟车辆在不同道路布局下的行驶情况，包括车辆速度、流量分布、拥堵状况等。
通过对比不同规划方案的仿真结果，可以选择最优的道路规划方案。
聚类分析的遗传算法在应急调度中的应用
应 急 调 度 问题 。 通 过 聚 类 分 析 的启 发 式算 法 ， 多站 点 Ｖ Ｐ 问题 转换 为单 一 站 点 的 Ｖ Ｐ问 题 ， 针 对 单 一 站 点 进 行 遗 传 算 法 的编 将 Ｒ Ｒ 再 码 以及 选 择 算 子 的选 取 ， 而 得 到 最 终 近 似 优 化 解 。 最 后 通 过 实 例 计算 证 明 了该 方 法 解 决 Ｍ Ｖ Ｐ 问 题 的 实 用 可 行 性 和 科 学 有 从 Ｄ Ｒ
ｐｏｖ ｄ ｔ ｏ ｈ ｔ ｅ ｃ ｌｕ ａｉｎ ｏ ｅ ｊｉ ｔ ｃ ． ｒ ｅ ｈｒｕｇ ｈ ａｃ ｌ ｔｏ ｎ ａ ｒａ ｎｓａｎ ｅ
Ｋ ｙ ｒｓ ｅ ｗｏ ｄ
Ｅ ｅｇ ｎ ｙｌ ｉ ｉｓ Ｍｕ ｉ ｅ ｏ ｖ ｈｃ ｕｉｇｐｏ ｌｍ （ Ｖ Ｐ Ｃ ｕ ｔ ｎ ｎ ｌｓ Ｇ ｎ ｔ ｌｏ ｔｍ ｍ ｒｅ ｃ ｇｓ ｃ ｏ ｔ ｈ— ｐ ｔ ｅ ｉｌ ｒ ｔ ｒｂｅ ＭＤ Ｒ ） ｌ ｅ ｇａ ａ．ｉ ｄ ｅｏ ｎ ｓｒ ｉ ｙ ｓ ｅ ｅ ｃ ａ ｒｈ ｉ ｇｉ
第２ ８巷 第 ３期
２１ ０ ３ 月 １年
计 算机 应 用与软件
Ｃｏ ｕｔｒＡｐ ｌｃ ｔｏ ｓａ ｄ Ｓ ｆｗａ ｅ ｍｐ ｅ ｐ ｉ ａｉ ｎ ｎ ｏｔ ｒ
Ｖｏ ． ． １２８ Ｎｏ ３
Ｍ ａ ． ０１ ｒ２ ｌ
聚 类 分 析 的 遗 传 算 法 在 应 急 调 度 中 的 应 用
效性。
关 键 词
应 急 物流 多 车辆 多车 场调 度
聚类兮析
遗传算 法
ＡＰＰＬＹＩ ＮＧ ＧＥＮＥＴＩ ＡＬＧｏⅪ ＴＨＭ Ｃ ｏＦ ＣＬＵＳＴＥＲＩ ＮＧ ＡＮＡＬＹＳ Ｓ Ｉ
Ｉ ＥＭ ＥＲＧＥＮＣＹ Ｓ Ｎ ＤＩ ＰＡＴＣＨ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文章编号:100124098(2004)022*******聚类分析算法在交通控制中的应用Ξ李 英1,李 武2,王浣尘2(1.华东理工大学管理学院,上海 200237;2.上海交通大学安泰管理学院,上海 200052)摘 要:聚类分析是根据物理或抽象对象间的相似程度对对象进行分类的一种方法,通过聚类分析使得同一类中的对象具有高的相似度,而与其他类中的对象则很不相同。
PAM(Partiti on ing A round M edo ids)算法是一种基于距离的分离式聚类方法,具有良好的抗噪声、抗偏离点的能力。
本文将PAM算法应用于交通控制的时段划分中,通过验证分析,结果表明取得了良好的分类效果。
关键词:数据挖掘;聚类分析;交通控制中图分类号:U491 文献标识码:A 聚类分析是根据物理或抽象对象间的相似程度对对象进行分类的一种方法,通过聚类分析使得同一类中的对象具有高的相似度,而与其他类中的对象则很不相同。
随着智能交通系统研究的深入和信息技术的发展,交通控制系统从原来的没有计算机的第一代系统发展到依赖计算机技术的第二代、第三代系统[2]。
根据这些系统的需要,在各个路口均要设立检测器,以便及时搜集实时的交通数据用于控制策略的制定。
但是,目前使用较多的控制方法仍是根据一天中不同的时间段选择制定不同的方案[3],而时间段的划分往往是根据工程师的经验,按照一个路口的交通流量大致确定的,没有利用实时的交通数据。
本文利用聚类分析中的PAM(Partiti on ing A round M edo ids)算法,对路口的历史数据进行分析,从而得到合理的时间段划分结果。
1 PAM算法[4]PAM算法是一种k2M edo ids聚类算法。
这种方法的基本思想是:首先从n个对象中任意选择k个对象(称为M edo id)作为k个类的代表,然后不断利用可以提高分类质量的非中位数对象代替原来的M edo id对象,直到达到最佳分类效果。
对于分类质量采用一个损失函数来衡量,损失函数可以采用一个类中所有对象与M edo id之间不相似性的平均值来表示。
为了决定一个非M edo id对象O rando m是否能够替代当前的一个M edo id O j,需要从以下四种情况对每个非M edo id的对象p进行检查。
情况1:假设p当前属于M edo id O j.如果O j被O rando m替换后,p更相似于另外的一个M edo id O i,i≠j,则p重新分配给O i1情况2:假设p当前属于M edo id O j.如果O j被O rando m替换后,p更相似于O rando m,则p重新分配给O rando m.情况3:假设p当前属于M edo id O i,i≠j.如果O j 被O rando m替换后,p仍然最相似于O i,则对于p的分配不变。
情况4:假设p当前属于M edo id O i,i≠j.如果O j 被O rand o m替换后,p更相似于O rando m,则p重新分配给O rando m.每进行一次重新分配,都要计算一个总的损失函数,这个损失函数表示重新分配前后不相似程度的差别,如果这个损失函数的值为负值,表示重新分配后,聚类效果优于重新分配前,需要用O rando m替换O j1 PAM算法是最早提出的k2M edo ids算法之一,对于PAM算法的描述如图1所示。
第22卷第2期(总第122期) 系 统 工 程 V o l.22,N o.2 2004年2月 Syste m s Engineering Feb.,2004 Ξ收稿日期:2003206207作者简介:李英,上海交通大学安泰管理学院,研究方向:多A gent系统,数据挖掘,交通预测与控制;王浣尘,上海交通大学安泰管理学院教授,博士生导师。
①任选k个对象作为寝的M edo id;②重复执行;③ 将对象分配到最相近的聚类中;④ 任选一个非M edo id的对象O rando m;⑤ 用O rando m替换M edo id O j,计算损失函数S的值;⑥ 如果S<0,用O rando m替换O j,组成新的M edo ids;⑦直到没有变化。
图1 PAM算法描述2 交通数据的聚类分析(1)问题描述在目前的交通控制中,对于控制时间段的划分一般仍采用脱机的形式,由工程师根据自己的经验,依据单个路口的历史交通流量来进行的。
随着智能交通系统的推进,已经可以实时获得关于各个路口的实时交通流信息。
如何利用这些实时信息,更科学有效地对控制的时间段进行划分成为研究的问题。
本文利用数据挖掘技术中的聚类分析算法PAM,对相邻路口的实时交通流量信息进行聚类分析,得到对控制时间段的划分。
(2)状态选择对于控制时间段的聚类分析,是依据交通路口的状态进行的。
在本文中,对交通状态的描述采用当前路口各个相位的交通流量以及与其相邻的路口的相关相位的交通流量。
例如,对于图2所示的路网结构图,采用的控制状态可以描述为X(t)=(V A1,V A2,V B1,V C1)其中,X(t)表示在时刻t的系统状态;V A1表示路口A的相位1在时刻t时的交通流量;VA2表示路口A的相位2在时刻t时的交通流量;VB1表示路口B的相位1在时刻t时的交通流量;V C1表示路口C的相位1在时刻t时的交通流量。
图2 三路口路网结构图(3)实例分析结果采用上面介绍的状态选择方法,对天津市营口路某些路段的交通流量进行PAM聚类分析。
其中,算法的输入为5个工作日的15分钟间隔的实测交通数据(共480个数据),以及聚类数目k(在本文中选择为7);算法的输出为一天的所有15分钟时间段所属的聚类(从类1到类7)。
图3所示为聚类分析的结果。
图3 聚类分析结果根据图3所示的结果,可以得到时间段的划分区间,如表1所示。
表1 控制时间段的划分结果聚类时间段500:00～03:30103:30～06:30206:30～10:45310:45～16:00416:00～18:00618:00～22:00722:00～24:00 (4)聚类验证对于聚类有效性的验证,需要从数据和结构两个方面进行[3]。
所谓从数据方面的验证就是要保证用于进行聚类分析的数据不是完全随机的,因为聚类算法可以对任意的数据群进行聚类分析,不管这些数据是完全随机的,还是本身具有内在的分类可能。
而对聚类结构的有效性需要从两个方面进行:①紧密性,主要衡量一个聚类中个体的内聚性;②隔离性,用于衡量一个聚类中的对象与其他对象之间的区别性。
已有很多研究表明交通流数据不是完全随机的[5],因此本文不专门从数据方面进行聚类验证了,仅对聚类结构的有效性进行分析。
图4所示为聚类间基于距离度量的紧密性和隔离性。
分别表示对象与其所属的聚类的中的对象之间的距离,以及对象与属于其他聚类的对象之间的距离。
从图4中可以看出,一个聚类中的对象之间的距离小于其中的76第2期 李英,李武等:聚类分析算法在交通控制中的应用对象与其他聚类中对象之间的距离。
3 结束语本文利用聚类分析算法中的PAM 算法,对交通流实时数据进行了聚类分析,得到了较好的聚类效果,使得对一天中的交通控制时间区间的划分更加科学有效。
对于得到的控制时间段,再针对每个时间段选择合适的控制方法,将可以提高控制效果。
通过本文的研究发现,数据挖掘技术在交通控制领域中具有良好的应用前景,还有很大的研究空间。
图4 聚类间的紧密性和隔离性参考文献:[1] 郑斌祥,杜秀华,席裕庚.时序数据相似性挖掘算法研究[J ].信息与控制,31(3):264～267.[2] 徐吉万,徐冬玲.城市交通的计算机控制和管理[M ]1北京:测绘出版社,1988.[3] H auser T A ,Scherer W T .D ata m in ing too ls fo r real 2ti m e traffic signal decisi on suppo rt &m ain tenance[J ].IEEE In ternati onal Conference on Syste m s ,M an ,and Cybernetics ,2001,3:1471～1476.[4] H an J ,Kam ber M .D ata m in ing :concep ts and techn iques [M ].M o rgan Kaufm ann Publishers ,H igher Educati onP ress ,2001.[5] 冯蔚东.基于自组织理论的交通流及其管控研究[D ]1天津:天津大学,1999.An Appl i ca ti on of Cluster Ana lysis A lgor ith m i n Traff i c Con trolL I Y ing ,L IW u ,WAN G H uan 2chen(1.Schoo l of M anage m en t ,East 2Ch ina U n iversity of T echno l ogy ,Shanghai 200237;2.Schoo l of M anage m en t ,Shanghai J iao tong U n iversity ,Shanghai 200052,Ch ina )Abstract :C luster analysis is a p rocess of group ing a set of physical o r abstract objects in to classes of si m ilar objects .A nd the objectsw ith in a cluster have h igh si m ilarity in comparis on to one ano ther ,but are very dissi m ilar to objects in o ther clusters.Partiti on ing A round M edo ids (PAM )is a partiti on ing algo rithm based on distance m easure ,and it still wo rk s w ell in the p resence of no ise and outlier .In th is paper ,w e app ly the PAM algo rithm in to the ti m e 2partiti on of the traffic con tro l .T he validati on analysis p roves that a good clustering result is ach ieved .Key words :D ata M in ing ;C luster A nalysis ;T raffic Con tro l86系 统 工 程 2004年。