改进的FCM聚类在交通时段自动划分中的应用

doi:10.3778/j.issn.1002-8331.2009.24.057

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (24): 190-193.DOI: 10.3778/j.issn.1002-8331.2009.24.057

改进的FCM聚类在交通时段自动划分中的应用

杜长海¹，黄席樾₁，杨祖元¹，邓天民^1，2，詹建平¹

1.重庆大学自动化学院，重庆 400044
2.重庆交通大学交通运输学院，重庆 400074

收稿日期:2008-10-14 修回日期:2008-12-01 出版日期:2009-08-21 发布日期:2009-08-21
通讯作者: 杜长海

Application of improved Fuzzy C-Means clustering in automatic programming traffic intervals

DU Chang-hai¹，HUANG Xi-yue¹，YANG Zu-yuan¹，DENG Tian-min ^1，2，ZHAN Jian-ping¹

1.College of Automation，Chongqing University，Chongqing 400044，China
2.School of Traffic and Transportation，Chongqing University of Communication，Chongqing 400074，China

Received:2008-10-14 Revised:2008-12-01 Online:2009-08-21 Published:2009-08-21
Contact: DU Chang-hai

摘要/Abstract

摘要： 针对传统交通时段划分方法的局限性，提出了一种混合蛙跳算法（SFLA）与模糊C均值算法（FCM）有机结合的交通时段划分方法SFLA-FCM。SFLA是一种全新的后启发式群体进化算法，具有高效的计算性能和优良的全局搜索能力。SFLA-FCM使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程，有效地避免了FCM对初值敏感及容易陷入局部极小的缺陷。实验结果表明，与单一FCM法相比，SFLA-FCM聚类更准确，效果更佳，对解决城市交通时段的自动划分问题是可行、有效的。

关键词: 智能交通系统, 混合蛙跳算法, 模糊聚类, 交通信号控制

Abstract: Due to limitations of traditional traffic interval programming methods，a novel traffic interval programming method（SFLA-FCM） is proposed based on Shuffled Frog Leaping Algorithm（SFLA） and Fuzzy C Means（FCM）.SFLA is a new recta-heuristic population evolutionary algorithm and it has fast calculation speed and excellent global search capability.SFLA-FCM uses SFLA to replace the iteration process of FCM based on the gradient descent and avoids the disadvantages of local optimality and initialization dependence.The experimental results show that the proposed method is more accurate and efficient than FCM and it is feasible and effective for automatic programming traffic intervals.

Key words: intelligent transportation systems, Shuffled Frog Leaping Algorithm（SFLA）, fuzzy clustering, traffic signal control

中图分类号:

U491.1

杜长海¹，黄席樾₁，杨祖元¹，邓天民^1，2，詹建平¹. 改进的FCM聚类在交通时段自动划分中的应用[J]. 计算机工程与应用, 2009, 45(24): 190-193.

DU Chang-hai¹，HUANG Xi-yue¹，YANG Zu-yuan¹，DENG Tian-min ^1，2，ZHAN Jian-ping¹. Application of improved Fuzzy C-Means clustering in automatic programming traffic intervals[J]. Computer Engineering and Applications, 2009, 45(24): 190-193.

[1]	徐琛，董德存，欧冬秀. 交叉口多时段控制输入源优化研究[J]. 计算机工程与应用, 2021, 57(17): 230-236.
[2]	严加展，陈华，李阳. 改进的模糊C-均值聚类有效性指标[J]. 计算机工程与应用, 2020, 56(9): 156-161.
[3]	王燕，亓祥惠，段亚西. 基于马尔科夫随机场的改进FCM图像分割算法[J]. 计算机工程与应用, 2020, 56(4): 197-201.
[4]	李彤伟，王庆荣. 路网交通流在时空分析背景下的预测研究[J]. 计算机工程与应用, 2020, 56(17): 258-265.
[5]	王钰，郭兰英，程鑫. 结合深度学习的短时车流量预测优化方法[J]. 计算机工程与应用, 2020, 56(16): 211-217.
[6]	徐琛，董德存，欧冬秀. 传感网中数据驱动的多时段控制方法优化研究[J]. 计算机工程与应用, 2020, 56(15): 235-241.
[7]	王永贵，刘凯奇. 一种优化聚类的协同过滤推荐算法[J]. 计算机工程与应用, 2020, 56(15): 66-73.
[8]	崔芳怡1，荆晓远2，董西伟2，3，吴飞2，孙莹2. 自适应蝙蝠算法优化的模糊聚类及其应用[J]. 计算机工程与应用, 2019, 55(7): 16-22.
[9]	吴会会1，高淑萍1，彭弘铭2，赵怡1. 自适应模糊[C]均值聚类的数据融合算法[J]. 计算机工程与应用, 2019, 55(5): 26-35.
[10]	雷乐，王丽珍，肖清. 空间co-location模式挖掘中的模糊技术初探[J]. 计算机工程与应用, 2019, 55(21): 158-166.
[11]	余炳光，刘冬梅. 特征逐减的可能性模糊聚类算法[J]. 计算机工程与应用, 2019, 55(19): 58-65.
[12]	徐小来，房晓丽. 基于改进的直觉模糊核聚类的图像分割方法[J]. 计算机工程与应用, 2019, 55(17): 227-231.
[13]	张岭军，李聪，段云龙. 结合空间邻域信息的SAR图像变化检测[J]. 计算机工程与应用, 2019, 55(15): 185-192.
[14]	陈勇1，2，3，周晓锋2，3，李帅1，2，3. 铝电解关键指标预测方法的研究与应用[J]. 计算机工程与应用, 2019, 55(12): 250-258.
[15]	孙佳美，吴成茂. 正则化图形模糊聚类及鲁棒分割算法[J]. 计算机工程与应用, 2019, 55(11): 179-186.

改进的FCM聚类在交通时段自动划分中的应用

Application of improved Fuzzy C-Means clustering in automatic programming traffic intervals

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics