基于改进DTW_AGNES的网约车需求量时间序列聚类研究

doi:10.3969/j.issn.1674-0696.2019.08.03

重庆交通大学学报（自然科学版） ›› 2019, Vol. 38 ›› Issue (08): 13-19.DOI: 10.3969/j.issn.1674-0696.2019.08.03

• 交通+大数据人工智能 • 上一篇下一篇

基于改进DTW_AGNES的网约车需求量时间序列聚类研究

黎新华1，李俊辉1，黎景壮2

(1. 广东交通职业技术学院轨道交通学院，广东广州 510650；2. 华南理工大学土木与交通学院，广东广州 510640)

收稿日期:2018-02-09 修回日期:2018-09-02 出版日期:2019-08-01 发布日期:2019-08-01
作者简介:黎新华（1969—），男，湖北通城人，副教授，博士，主要从事交通数据挖掘方面的研究。E-mail:372278771@qq.com。
基金资助:
国家星火计划项目(2014GA780085）;广东省交通运输厅科技项目(科技-2014-02-037)

Clustering Research on Time Series of Online Car-Hailing Demand Based on the Improved DTW_AGNES

LI Xinhua1，LI Junhui1，LI Jingzhuang2

(1. School of Rail Transit, Guangdong Communication Polytechnic, Guangzhou 510650, Guangdong, P. R. China; 2. School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510640, Guangdong, P. R. China)

Received:2018-02-09 Revised:2018-09-02 Online:2019-08-01 Published:2019-08-01

摘要/Abstract

摘要： 对网约车需求量时间序列进行聚类分析，识别不同日期需求量变化规律的相似性和差异性，以合理制定运营调度计划，为乘客提供更高水平运输服务。针对现有的欧氏距离凝聚层次聚类(Euc_AGNES)不能识别时间序列偏移、伸缩等问题和针对动态时间弯曲(DTW)距离计算时间开销大的问题，提出一种改进DTW_AGNES聚类方法，通过调整匹配路径约束范围来优化DTW的动态规划搜索范围，并使用改进后的DTW作为凝聚层次聚类(AGNES)的相似性度量方法。实验结果表明：普通DTW_AGNES聚类和改进DTW_AGNES聚类均比Euc_AGNES聚类更能识别网约车需求量时间序列变化规律，为网约车运营商制定编排调度计划提供可靠依据，且改进后的DTW_AGNES聚类运行效率比普通DTW_AGNES聚类提高了62.4%，节省了计算时间和计算资源，证明了方法的有效性。

关键词: 交通运输工程, 凝聚层次聚类, 动态时间弯曲, 时间序列, DTW_AGNES算法, 网约车

Abstract: Clustering analysis on the time series of online car-hailing demand was made to identify the similarities and differences of demand variation rules on different dates, so as to rationally formulate operational scheduling plans and provide passengers with higher level transport services. Aiming at the problem that existing Euclidean distance agglomerative hierarchical clustering (Euc_AGNES) couldnt recognize time series migration and scaling, and the problem that dynamic time warping (DTW) distance had huge time consumption in calculation, an improved DTW_AGNES clustering method was proposed. The proposed method optimized the dynamic planning search range of DTW by adjusting the constraint range of matching path and used the improved DTW as the similarity measure method of agglomerative hierarchical clustering (AGNES). The experiment results show that the ordinary DTW_AGNES clustering and the improved DTW_AGNES clustering are more able to identify the time series of online car-hailing demand than the Euc_AGNES clustering does, which provides a reliable evidence for the operators to formulate online car-hailing scheduling. Furthermore, the operation efficiency of the improved DTW_AGNES clustering is 62.4% higher than that of the ordinary DTW_AGNES clustering, which saves computing time and resources, and proves the effectiveness of the proposed method.

Key words: traffic and transportation engineering, aggregation hierarchical clustering, dynamic time warping, time series, DTW_AGNES algorithm, online car-hailing

中图分类号:

U491.1

黎新华1，李俊辉1，黎景壮2. 基于改进DTW_AGNES的网约车需求量时间序列聚类研究[J]. 重庆交通大学学报（自然科学版）, 2019, 38(08): 13-19.

LI Xinhua1，LI Junhui1，LI Jingzhuang2. Clustering Research on Time Series of Online Car-Hailing Demand Based on the Improved DTW_AGNES[J]. Journal of Chongqing Jiaotong University(Natural Science), 2019, 38(08): 13-19.

参考文献

［1］叶正国. 网络预约出租汽车的回应型法律规制［J］. 电子政务，2018(1)：39-46.
YE Zhengguo. Therespondent law rules of online car-hailing ［J］. E-Government,2018(1):39-46.
［2］唐立，邹彤，罗霞，等. 基于混合Logit模型的网约车行为研究［J］. 交通运输系统工程与信息，2018，18(1)：108-114.
TANG Li, ZHOU Tong, LUO Xia, et al. Choice behavior of taxi-hailing based on mixed-Logit model ［J］. Journal of Transportation Systems Engineering and Information
Technology, 2018,18(1): 108-114.
［3］郭瑞雪. 基于BP神经网络的网约车出行需求短时预测［D］. 北京：北京交通大学，2017：36-46.
GUO Ruixue.Short-Term Prediction on Demand of E-Hailing Trips Based on BP Neural Network ［D］.Beijing: Beijing Jiaotong University, 2017:36-46.
［4］安磊，赵书良，武永亮，等. 基于recurrent neural networks的网约车供需预测方法［J］. 计算机应用研究，2018，36(4)：2-10.
AN Lei, ZHAO Shuliang, WU Yonliang, et al. Prediction method of supplv and demand for online car based on recurrent neural networks ［J］. Application Research of
Computers , 2018,36 (4):2-10.
［5］程静，刘家骏，高勇. 基于时间序列聚类方法分析北京出租车出行量的时空特征［J］. 地球信息科学学报，2016，18(9) ：1227-1239.
CHENG Jing, LIU Jiajun, GAO Yong. Analyzing the spatio-temporal characteristics of Beijings OD trip volume based on time series clustering method［J］. Journal
of Geo-Information Science,2016,18(9) :1227-1239.
［6］梁坤，孙莉，罗建锋. 基于DTW 距离聚类的交叉口拥堵检测［J］. 大连交通大学学报, 2016, 37(4) : 5-10.
LIANG Kun, SUN Li, LUO Jianfeng. Study of detecting intersection congestion based on DTW distance clustering ［J］. Jouranl of Dalian Jiaotong University,2016,37
(4) :5-10.
［7］何晓旭. 时间序列数据挖掘若干关键问题研究［D］. 合肥：中国科学技术大学，2015：5-7.
HE Xiaoxu. Research on Key Issues in Time Series Data Mining［D］. Hefei:University of Science and Technology of China, 2015: 5-7.
［8］ LI Jing，LU Baoliang. An adaptive image Euclidean distance ［J］. Pattern Recognition, 2009,42(3) : 349-357.
［9］ BERNDT D J, CLIFFORD J. Using dynamic time warping to find patterns in time series［C］//AAAI-94 Workshop on Knowledge Discovery in Databases.
Seattle,USA:ACM,1994: 359-370.
［10］吴冕. 基于特性分析的交通流时间序列聚类［D］. 北京：北京交通大学，2015：18-20.
WU Mian. Traffic Flow Time Series Clustering Based on Feature Analysis［D］.Beijing:Beijing Jiaotong University,2015:18-20.
［11］ GILPIN S, DAVIDSON L. A flexible ILP formulation for hierarchical clustering［J］.Artificial Intelligence, 2017,244: 95-109.
［12］涂辉，刘丽，张正金. 改进DTW算法的心电信号相似性度量［J］.计算机工程与应用，2015，51(16)：215-218.
TU Hui, LIU Li, ZHANG Zhengjin. Improved DTW algorithm to measure similarity of ECG signal［J］.Computer Engineering and Applications, 2015, 51(16)：215-218.
［13］尚福华，孙达辰，吕海霞. 提高DTW 运算效率的改进算法［J］.计算机工程与设计，2010，31(15)：3518-3520.
SHANG Fuhua, SUN Dachen, LV Haixia. Improvement algorithm of improved DTW efficiency ［J］.Computer Engineering and Design,2010,31(15): 3518-3520.

[1]	李晶1,2，钟鹏1，吕靖1,2. 基于系统动力学的陆港与城市经济互动研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 1-7.
[2]	李军1，朱云升2. 三角模糊层次分析的综合评价在黄河库区船舶安全评估中的应用[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 16-22.
[3]	邓萍1,2，宋莲1，黄承锋1,2. 三峡坝区过闸船舶拥堵成本测算及对坝区货物总价值影响研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 23-30.
[4]	唐继强1, 2，钟鑫伟2，刘健1，李天瑞3. 基于时间序列季节分类模型的轨道交通客流短期预测[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 31-38.
[5]	程谦1 ，朱晓宁2 ，卢万胜3. 中长运距城际旅客出行方式选择行为模型——以高铁、民航为例[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 39-45.
[6]	连齐才1，李涵1，石小林1，闫章存2. 基于面板数据Mixed logit模型的自动驾驶选择行为分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 46-52.
[7]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[8]	李升朝，吴越，白雪萌，王玥，张海. 基于TOPSIS与灰色关联的危货车辆违规报警研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 61-66.
[9]	杨庆芳1,2,3，王立强2，郑黎黎1,2,3，孟凡运2. 一种环形交叉口交通排放及燃油消耗模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 67-73.
[10]	白翰，张康宇，王修光，燕翔，冯启龙. 合放交通流条件下城市交叉口通行能力研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 12-20.
[11]	张重阳,黄淑萍. 路网抗震可靠性及震后运输调度路径选择研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 43-51.
[12]	郭文文1，计明军2，祝慧灵3，周文杰2. 集装箱码头场桥调度优化模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 66-72.
[13]	李广儒，张新，朱庆辉. 基于Adaboost的改进Elman神经网络港口吞吐量预测方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 1-5.
[14]	孙元广1，茧敏2，金华2，陈绍宽2. 城市轨道交通列车故障救援延误计算与仿真[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 6-12.
[15]	王宏刚1,2，白朋1，邹庆茹2，赵玲1. 地铁车辆段股道运用优化模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 13-18.

基于改进DTW_AGNES的网约车需求量时间序列聚类研究

Clustering Research on Time Series of Online Car-Hailing Demand Based on the Improved DTW_AGNES

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