《基于动态数据窗口的复合聚类航线优化设计》.docVIP

基于动态数据窗口的复合聚类航线优化设计 李政 陆百川 (重庆交通大学 交通运输学院，重庆 400074) 摘要：针对航运智能数据批量大、干扰强和实时性的固有特点以及传统各聚类算法的不同缺点，本文提出一种基于动态数据窗口的复合聚类方法，应用于船舶航线的优化设计，船位数据聚类中心连线光滑，线性度很好，最后通过仿真实验给出该方法的结果。 关键词：聚类分析，动态数据窗口，航线，仿真 中图分类号：U491 文献标志码：A 文章编号： Design of Route Optimization Based on Dynamic Data Window LI Zheng , LU Baichuan (School of Traffic Transportation, Chongqing Jiaotong University, Chongqing 400074, China) Abstract: Intelligent data of shipping are large, real-time and with strong interference, for these inherent characteristics, as well as shortcomings of each traditional clustering algorithm, this paper provides a fusion clustering algorithm based on dynamic data window, which can be applied in optimization design of ship routes. The clustering center line of ship position data is smooth, and with good linearity. Results of this method are given through the simulation. Key words: Cluster analysis; Dynamic Data Windows; Route; Simulation 1引言 随着国际贸易的不断繁荣和航运技术的不断发展，使得航线的日常经营运作也日益复杂化。在这样的行业背景下，如何在操作层面上优化船舶航线使其能低成本高效益的运作，成了迫切需要解决的问题。目前关于航线设计的理论已较为成熟，但是实际操作中却缺少将具体运营层面与船舶航线分配这二者充分结合起来从船舶运行的整体角度来解决问题[1]。 本文针对航海智能运输空间数据存在异常数据干扰的特点，引入区域划分的思想、将密度方法与中心计算方法相结合，提出一种基于动态数据窗口重叠移动的复合聚类方法。这种算法可以去除噪声和异常数据的影响，并解决采用单一聚类算法中计算凝聚中心点时偏差过大的问题；能避免边缘点对计算最大凝聚点的不良影响，在计算最大凝聚点时平等对待所有区域分界点，使其所做贡献一样；不受输入样本数据值的影响；而且采用该方法计算的所有凝聚中心在整个区域的中心，凝聚中心的连线光滑，效果很好。 2聚类算法 聚类（Clustering）算法是把每个分类对象称为样品，并根据对象的性质和分类的目的选定若干指标（变量），对每一个样品测出所有的指标值，将得到的结果列成一个数据矩阵，这个资料阵就是聚类分析的出发点，聚类算法的分析过程如图1所示。聚类分析作为一个富有挑战的研究领域，包含了许多方法：如划分方法、层次方法、基于密度方法、基于网格方法、基于模型方法等。本文结合我国航运的具体特点，通过寻求船舶航线在各个挂靠港口合理的安置，对船舶航线的运行进行了整体优化，增加交通的机动性、减少船舶运输对环境的影响、提高航道通行能力和交通效率。 图1 聚类算法分析过程 然而，聚类分析也存在一些缺点，比如：k- means算法可扩展性好，可以克服局部最优的问题，但是对噪声和异常数据也很敏感，只适用于聚类均值有意义的情况，而不适用于发现非凸形状的聚类或具有不同大小的聚类。基于密度方法能够发现具有任意形状的聚类，但对用户所要设置的参数敏感[2]。许多数据处理对象仅仅采用一种聚类方法很难得到理想的聚类效果，这也正是本文产生的初衷。 3基于动态数据窗口的复合聚类方法 本文针对上述几种聚类算法存在的问题，提出基于动态数据窗口的复合聚类方法。基本思路是：在整个样本空间，通过数据窗口的划分和重叠移动、密度计算和求取最大凝聚点，进行聚类分析。具体步骤是：首先将整个聚类点划分得到一系列的数据窗口；随着数据窗口的重叠移动，在每个数据窗口内寻求密度点；最后利用中心计算公式求取最大凝聚点。 3.1 数据窗口划分及重叠移动 本文数据窗口的划