第 10 期
杨广全等: 基于粒子群 K 均值聚类算法的电梯交通模式识别
法. 交通流的模式识别是以当前采样的交通流数据
x 作为待分类的数据, 粒子群聚类算法的聚类结果
作为分类样本, 通过判断采样数据与聚类中心的距
离, 将其划分到最短距离的类中. 该类对应的模式即
为采样数据 x 所对应的模式.
基于粒子群 K 均值算法的交通模式识别流程
如下:
St ep1: 设定交 通流样本数据点的聚类中 心数
为 K , 采用 K 均值算法进行一次聚类, 将 K 均值算
法的聚类结果作为一个粒子的位置, 其余粒子的位
置 X
i
和速度 V
i
随机产生, 其中位置 X
i
= ( c
i, 1
, c
i, 2
,
, c
i, K
) 代表聚类中心集合.
St ep2: 根据式( 5) 判断每个数据点归属的聚类
中心.
St ep3: 根据式( 6) 计算每个粒子的适应度值.
St ep4: 由下式更新每个粒子的最好位置 P
t+ 1
i
:
P
t+ 1
i
=
X
t+ 1
i
, F( X
t+ 1
i
)
F( P
t
i
) ;
P
t
i
, F( X
t+ 1
i
) < F( P
t
i
) .
( 7)
将每个粒子求得的适应函数值与其所记忆的适应函
数值进行比较, 若当前的适应函数值较之前最优结
果为佳, 则以当前位置取代粒子记忆的最好所在位
置, 以当前适应函数值取代粒子记忆的最优值.
St ep5: 由下式更新粒子群全局最好位置 P
t+ 1
g
:
P
t+ 1
g
=
P
t+ 1
i
, F( P
t+ 1
i
)
F ( P
t
g
) ;
P
t
g
, F( P
t+ 1
i
) < F ( P
t
g
) .
( 8)
比较由粒子最优解所求得的适应函数值是否优于粒
子群所记忆的最优值, 若判断条件成立, 则将群体所
记忆的最好位置与最优值重设为当前的结果.
St ep6: 根据式( 1) 和( 2) 调整所有粒子的移动
速度和位置.
St ep7: 重复执行 Step2 ~ St ep7, 直到满足终止
条件. 若终止条件成立, 则输出每一类别的聚类中心
坐标.
St ep8: 根据最近邻原则判断待分类数据 x 的交
通模式. 若 x 和 j 满足
1 - e
(-
x- c
j
2
)
=
m in
k= 1, 2,
, K
( 1 - e
(-
x- c
k
2
)
) ,
则 x 属于 j 模式.
5
仿真实验及结果
仿真所用样本数据采用笔者所调查的 上海某
多租户办公大厦 7 天内的交通流数据. 图 1 中的 3 条
曲线描述了一个典型工作日 7: 00 ~ 19: 00 的 12 h
内办公大厦交通流统计数据. 其中: ① 为进 门厅人
数, ② 为出门厅人数, ③ 为层间人数. 从图 1 可以看
出, 该大厦层间人数少, 层间交通需求率很低. 这是
因为各楼层由不同的公司所占用, 各楼层之间人员
交流少. 取采样周期 5 min, 每天得到 144 个交通流
数据, 用于模式聚类的数据点共有 1 008 个. 采集的
数据点表示为( x
1
, x
2
, x
3
) , x
1
, x
2
和 x
3
分别表示在 5
m in 采样周期内进门厅人数、出门厅人数和层间人
数.
图 1
某大厦电梯交通流特征数据曲线
采用粒子群 K 均值聚类算法对样本数据进行
模式分类. 算法的参数设置为: 粒子群数 N = 10, 聚
类中心 K = 5, 惯性权值 = 0. 75, 学习参数
1
=
2
= 1. 5; 适应度函数中的参数 r
0
= 10, eps = 10
- 1 0
.
该办公大厦交通流特征数据的聚类结果如图 2
所示. 由于层间交通需求 率低, 层间交通模式不明
显, 对聚类结果影响甚微. 为使聚类结果的显示更加
清晰, 图 2 中忽略了层间模式显示. 聚类结果的聚类
中心 点分 别为: Ⅰ ( 93. 672 1, 7. 86 05, 1. 666 5) ,
Ⅱ ( 15. 283 3 , 73. 803 9 , 1. 784 9 ) , Ⅲ ( 48. 850 3,
71. 832 0,
2. 699 4) ,
Ⅳ ( 58. 631 4,
25. 675 9,
2. 987 5) , Ⅴ( 27. 7, 30. 502 5, 3. 459 2) . 第 Ⅰ 类为
上行高峰交通模式, 第 Ⅱ 类为下行高峰交通模式,
第 Ⅲ 类为午间交通前半段以下行交通为主的混合
交通模式, 第 Ⅳ 类为午间交通后半段以上行交通为
主的混合交通模式, 第 Ⅴ 类为上行交通和下行交通
的混合交通模式, 主要发生在非高峰交通时段.
图 2
某大厦交通流特征数据聚类结果
采用粒子群 K 均值聚类算法( PSOKCA) , 粒子
群聚类算法( PSOCA) 和免疫规划 K 均值聚类算法
( IEK CA ) , 分别识别电梯交通流模式的适应度变化
曲线如图 3 所示. P SOCA 算法和 PSOKCA 算法采
用相同的参数设置, 其参数值是经反复试验得到的
1141