6, 43.46, 41.56, 33.09, 37.35, 43.77, 44.74, 52.25, 53.74, 37.21, 24.92, 16.35, 12.81, 8. 97, 5. 59] (7) 分9类的结果： 0 [0.4, 0.28, 0.21, 0.19, 0.24, 1.68, 7.91, 9.61, 8.94, 4.61, 3.97, 5.14, 4.03, 4.12, 4.81, 4.61, 7.94, 33.67, 10.98, 3.36, 2.39, 1.96, 1.11, 0.64] 1 [0. 46, 0. 23, 0. 12, 0. 13, 0. 2, 0. 4, 1. 27, 7. 23, 47. 54, 7. 33, 4. 07, 4. 07, 3.94, 4.15, 5.03, 4.15, 5.42, 13.47, 11.16, 4.21, 3.05, 2.76, 1.64, 0.77] 2 [1.95, 1.26, 0.94, 0.68, 0.64, 1.31, 3.5, 8.19, 14.31, 18.12, 16.31, 14.97, 11.26, 13.12, 15.67, 15.65, 15.07, 13.12, 9.83, 6.24, 5.04, 4.82, 3.94, 2.88] 3 [1.94, 1.33, 1.07, 0.92, 1.06, 2.86, 6.11, 4.76, 4.51, 3.52, 3.3, 3.45, 3. 29, 3. 71, 3. 82, 3. 75, 4. 17, 5. 69, 8. 94, 6. 89, 6. 25, 5. 72, 4. 19, 2. 74] 4 [1.08, 0.61, 0.43, 0.44, 0.58, 1.53, 12.61, 86.0, 20.76, 9.93, 8.76, 11.81, 8.04, 10.63, 11.14, 9.16, 15.98, 37.09, 24.7, 10.95, 8.54, 6.63, 3.01, 1. 65] 5 [0.32, 0.18, 0.1, 0.08, 0.19, 0.42, 3.43, 33.94, 7.42, 3.26, 2.93, 3. 43, 2. 67, 3. 23, 3. 68, 3. 18, 4. 77, 9. 37, 8. 41, 3. 34, 2. 45, 2. 08, 1. 2, 0. 55] 6 [0. 45, 0. 28, 0. 22, 0. 16, 0. 17, 0. 4, 1. 18, 3. 48, 6. 92, 7. 62, 6. 59, 5. 86, 4.54, 5.23, 6.27, 6.15, 6.31, 5.78, 4.05, 2.21, 1.72, 1.56, 1.1, 0.67] 7 [3. 49, 2. 56, 2. 24, 1. 79, 2. 47, 10. 46, 25. 26, 38. 06, 53. 0, 52. 87, 48. 14, 46.37, 36.24, 40.75, 47.71, 49.47, 57.64, 57.63, 40.33, 27.89, 17.52, 13.11, 8. 72, 5. 16] 8 [9.13, 6.66, 5.12, 4.14, 3.89, 6.31, 11.39, 14.01, 17.48, 18.1, 17.18, 16.06, 15.11, 16.36, 17.11, 17.13, 16.57, 16.92, 15.54, 13.1, 13.16, 14.87, 14.81, 12.2] (8) 分10类的结果： 0 [0. 35, 0. 25, 0. 18, 0. 17, 0. 22, 1. 33, 6. 59, 9. 93, 9. 18, 4. 34, 3. 6, 4. 75, 3.66, 3.78, 4.39, 4.21, 7.39, 33.42, 9.91, 2.91, 2.17, 1.76, 0.98, 0.56] 1 [0.46, 0.22, 0.12, 0.13, 0.21, 0.4, 1.23, 7.25, 47.89, 7.18, 3.98, 4.0, 3.83, 4.08, 4.99, 4.11, 5.37, 13.35, 11.21, 4.22, 3.04, 2.74, 1.6, 0.75] 2 [1.18, 0.77, 0.56, 0.41, 0.45, 1.16, 3.21, 7.45, 13.11, 17.01, 15.27, 13.95, 10.34, 11.96, 14.34, 14.25, 13.76, 12.05, 9.04, 5.52, 4.13, 3.66, 2.67, 1.78] 3 [1.75, 1.2, 0.99, 0.89, 1.07, 3.13, 6.84, 4.91, 4.38, 3.31, 3.07, 3.25, 3. 1, 3. 45, 3. 53, 3. 47, 3. 97, 5. 62, 9. 25, 7. 03, 6. 23, 5. 55, 3. 87, 2. 44] 4 [1.23, 0.58, 0.46, 0.47, 0.63, 1.5, 11.25, 89.25, 21.04, 9.73, 8.66, 11.4, 7.86, 10.39, 11.13, 9.17, 15.9, 37.91, 24.52, 10.67, 8.55, 6.72, 3.05, 1.8] 5 [0. 3, 0. 18, 0. 1, 0. 08, 0. 19, 0. 42, 3. 51, 34. 38, 7. 45, 3. 28, 2. 94, 3. 45, 2.68, 3.26, 3.73, 3.19, 4.81, 9.31, 8.54, 3.4, 2.45, 2.08, 1.19, 0.53] 6 [0.48, 0.31, 0.23, 0.17, 0.18, 0.39, 1.15, 3.47, 6.77, 7.26, 6.29, 5.62, 4.43, 5.07, 6.06, 5.95, 6.11, 5.66, 4.04, 2.23, 1.78, 1.65, 1.18, 0.73] 7 [5. 0, 3. 78, 2. 96, 2. 54, 3. 03, 9. 14, 19. 26, 20. 27, 26. 4, 27. 34, 25. 3, 25.15, 21.25, 24.11, 25.99, 26.42, 30.12, 30.95, 23.53, 15.94, 12.27, 11.64, 9. 35, 6. 78] 8 [9.15, 6.55, 5.02, 3.94, 3.48, 4.43, 7.79, 11.53, 15.14, 16.08, 15.24, 13.84, 13.01, 14.1, 15.03, 15.03, 13.7, 13.64, 12.9, 11.5, 12.28, 14.33, 14.81, 12.37] 9 [3.05, 2.08, 1.59, 1.02, 1.03, 9.72, 28.99, 58.97, 83.8, 81.09, 73.08, 67.87, 50.19, 57.18, 70.52, 71.7, 80.44, 81.04, 58.85, 39.64, 24.97, 16.2, 10. 13, 5. 26] 本发明提出了最大最小距离准则，即计算每组聚类中心组中各中心点之间的欧氏距 离，并取每组距离组中的最小距离进行比较。距离组如下表表一所示： 表一
【主权项】
1. 一种基于出行时间特征的机动车聚类方法，该方法包括下列顺序的步骤： (1) 从智能化交通卡口的分布式数据库中提取车辆的卡口通行信息； (2) 统计每辆车在一天中的每个小时段的过卡口的次数，得到车辆的时间特征向量； (3) 采用最大最小距离准则确定最佳聚类中心个数k ; (4 )通过MapReduce算法编写KMeans聚类算法，将最佳聚类中心个数k代入KMeans聚 类算法中，使用KMeans聚类算法对车辆的时间特征向量进行聚类分析，得到聚类结果； (5)根据聚类结果进行车辆行为分析。
2. 根据权利要求1所述的基于出行时间特征的机动车聚类方法，其特征在于：利用 Apache Pheonix中间件提取智能化交通卡口的分布式数据库中的数据，对数据进行结构 化，对结构化以后的数据建立索引。
3. 根据权利要求1所述的基于出行时间特征的机动车聚类方法，其特征在于：根据 MapReduce算法统计车辆在一天中每个小时段过卡口次数，得到车辆的时间特征向量，即 24维向量V t。
4. 根据权利要求1所述的基于出行时间特征的机动车聚类方法，其特征在于：所述最 大最小距离准则包括以下步骤： (1) 先令聚类中心个数为3,对车辆的时间特征向量进行聚类，得到3组聚类，对每组聚 类求平均值，该平均值即为该组聚类的聚类中心，计算三组聚类的聚类中心之间的距离，并 取其中最小距离作为聚类中心个数为3时的MMD值；同理，求得聚类中心个数为4、5、6、7、 8、9、10所对应MMD值； (2) 取MMD值最大的聚类中心个数为最佳聚类中心个数k。
5. 根据权利要求4所述的基于出行时间特征的机动车聚类方法，其特征在于：所述聚 类中心之间的距离为24维空间中两点之间的欧氏距离。
【专利摘要】本发明涉及一种基于出行时间特征的机动车聚类方法，包括：从智能化交通卡口的分布式数据库中提取车辆的卡口通行信息；统计每辆车在一天中的每个小时段的过卡口的次数，得到车辆的时间特征向量；采用最大最小距离准则确定最佳聚类中心个数k；通过MapReduce算法编写KMeans聚类算法，将最佳聚类中心个数k代入KMeans聚类算法中，使用KMeans聚类算法对车辆的时间特征向量进行聚类分析，得到聚类结果；根据聚类结果进行车辆行为分析。本方法通过对车辆的划分，有效了解机动车的行为特征，按照出行规律对车辆进行聚类快速获取车辆信息，为本地区机动车交通量进行科学的评估，对未来道路交通通行情况的预测提供参考依据，同时也为公安交警部门排查嫌疑车辆提供参考依据。
【IPC分类】G06F17-30, G08G1-01
【公开号】CN104750800
【申请号】CN201510129468
【发明人】刘春珲, 王佐成, 王汉林, 周春寅, 范联伟, 张跃, 王卫
【申请人】安徽四创电子股份有限公司
【公开日】2015年7月1日
【申请日】2015年3月24日