Laplacian中心性峰值聚类算法及其在交通小区划分中的应用研究

摘要

如今城市居民的生活水准已大大的提高，他们逐渐倾向于选择便捷舒适的出行方式，出租车日渐成为人们的不错选择。因为出租车现在大多配备有GPS设备，可以记录下其行驶的轨迹数据，以便于研究者们能利用这些海量的数据进行交通网络的研究。交通网络作为复杂网络科学的研究范畴，使得我们可以利用这个学科中社团结构的知识，来对城市的交通网络进行划分小区，进而对整个城市的交通网络的结构进行分析。
　　聚类算法广泛应用在数据挖掘领域，可以把差异很大的不同数据点分割到各自所属的社团，在模式识别、生物学等领域有着广泛地应用。但算法也存在着如初始参数选择会影响聚类的效果以及对数据集类型和维度都有一定的限制等不足。本文中我们针对上面的问题，提出自己的思路是：首先把数据集转换成加权的完全图，其中数据点为节点，两个数据点间的距离为节点间边的权值；用Laplacian中心性去计算和评价该网络每个节点的局部重要性，聚类中心为局部的密度中心，比周围的邻居节点具有更高的Laplacian中心性并且和具有更高Laplacian中心性的节点具有较大的距离的节点。我们的算法是一种真正的无参数聚类方案，不需要任何先验参数，便可以自动地对数据集分类。在6种数据集中，和9种知名聚类算法做了对比，聚类效果令人满意。
　　机器学习中的聚类分析和复杂网络中的社团划分有着某种共性，所以，我们通过典型的流形学习算法 IsoMap来对现实的网络进行降维，以便聚类分析算法应用到社团划分，本文的研究课题就结合我们提出的基于 Laplacian中心性的峰值聚类算法进行交通小区的划分，并进一步深入了解城市交通网络的路网结构和路况信息，为市民的日常出行提供便利的交通指导。
　　我们通过对城市道路网络进行交通小区，来对城市在早晚高峰时段和普通时段的交通拥堵区域进行分析，以提供更高的交通规划策略给相关交通管理部门，方便他们进行合理的规划和疏导。

目录

声明

第1章 绪论

1.1 概述

1.2 研究课题的背景及意义

1.3 国内外研究现状

1.4 论文的整体结构

1.5 本章小结

第2章 Laplacian中心性峰值聚类算法

2.1 引言

2.2 基于Laplacian中心性的密度峰值聚类算法(LPC)

2.3 数值仿真和结果分析

2.4 本章小结

第3章 基于IsoMap技术和Laplacian中心性峰值聚类算法的社团划分研究

3.1 引言

3.2 IsoMap技术降维构造社团划分新模型

3.3 IsoLPC社团划分算法

3.4 实验结果与分析

3.5 本章小结

第4章 基于Laplacian中心性峰值聚类算法和浮动车数据的交通小区划分研究

4.1 引言

4.2 浮动车数据的特征提取及交通小区划分

4.3 交通小区特性分析

4.4 本章小结

第5章 结论与展望

5.1 结论

5.2 展望

参考文献

致谢

攻读学位期间参加的科研项目和成果