典型文献
基于IDWPSO-K-means聚类的网约车需求量时变特征分析
文献摘要：
为提高网约车运输服务水平并制定合理的运营调度计划,采用聚类分析法识别不同时段和日期内网约车需求量的变化规律.针对现有的K均值(K-means)算法存在初始聚类中心随机设置的不足,提出一种动态调整惯性权重的粒子群优化K-means算法(Hybrid Particle Swarm Optimization K-means with Dynamic Adjustment of Inertial Weight,IDWPSO-K-means)来优化初始聚类中心,而后基于时段特征和日特征对网约车需求进行聚类分析,并与K-means算法及粒子群优化K均值算法(Particle Swarm Optimization K-means,PSO-K-means)进行对比分析.结果表明:IDWPSO-K-means聚类算法可有效识别不同数据模式下网约车需求量时间序列变化的相似性,基于时段特征将网约车需求量聚为2类,基于日特征将网约车需求量聚为4类;相比于PSO-K-means算法和K-means算法,IDWPSO-K-means算法的误差平方和与迭代次数这两个聚类评价指标值均更优,且IDWPSO-K-means聚类算法基于时段特征和日特征的误差平方和分别比PSO-K-means聚类算法减小了1.63％和10.93％,证明该方法可更好地识别网约车需求时变特征.
文献关键词：
城市交通;网约车;需求特征;IDWPSO-K-means算法;聚类分析
中图分类号：
作者姓名：
付文华;白竹;张蕾;王世铎
作者机构：
沈阳建筑大学交通与测绘工程学院,辽宁沈阳110168
文献出处：
引用格式：
[1]付文华;白竹;张蕾;王世铎-.基于IDWPSO-K-means聚类的网约车需求量时变特征分析)[J].交通运输研究,2022(03):76-84,93
A类：
IDWPSO
B类：
means,网约车,时变特征,车运输,运输服务,运营调度,调度计划,聚类分析法,不同时段,内网,初始聚类中心,惯性权重,粒子群优化,Hybrid,Particle,Swarm,Optimization,Dynamic,Adjustment,Inertial,Weight,聚类算法,数据模式,下网,平方和,迭代次数,聚类评价指标,指标值,城市交通,需求特征
AB值：
0.299836
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
