[发明专利]一种基于改进高斯混合模型聚类的车辆匹配方法

权利要求书

1.一种基于改进高斯混合模型聚类的车辆匹配方法，其特征在于，包括以下步骤：

S1，根据高斯混合模型，在地图上对大量用户订单坐标进行多次聚类；

S2，求出多次聚类的轮廓系数，选择平均轮廓系数最大所对应的聚类数k，并记为R，数据分为R类；

S3，根据每一个聚类簇，选择聚类簇的中心进行车辆配送。

2.根据权利要求1所述的基于改进高斯混合模型聚类的车辆匹配方法，其特征在于，步骤S1包括：

将由订单产生的二维物流数据抽象为高斯混合分布：

其中，β_i为第i个分模型生成的概率，且将订单数据分为k类；p(x|μ_i,C_i)为二维高斯分布概率密度函数，定义如下：

其中，n表示随机变量x的维度；

C_i为协方差矩阵；

x为二维随机变量，定义为x＝[x₁,x₂]^T，

x₁表示二维随机变量x的第一个随机变量；

x₂表示二维随机变量x的第二个随机变量；

T表示转置；

μ_i为均值向量；

表示协方差矩阵C_i的逆矩阵；

二维高斯分布完全由协方差矩阵和均值向量确定；引入隐变量p(z_j＝i)，其含义为第i个分模型生成的概率，即为β_i；样本x_j为第i个分模型生成的后验概率为p_M(z_j＝i|x_j)，根据贝叶斯公式，有：

p_M(x_j)表示x_j的高斯混合分布；

p_M(x_j|z_j＝i)为第i个分模型生成x_j的先验概率，完全由C_i和μ_i决定，即为：

p_M(x_j|z_j＝i)＝p(x_j|μ_i,C_i)

p_M(x_j)为：

β_l表示第l个分模型生成的概率；

p(x_j|μ_l,C_l)表示x_j的多维高斯分布概率密度函数；

故可以得出p_M(z_j＝i|x_j)为：

高斯混合模型将数据集划分为k类，每个样本x_j的分类ξ_j由下式决定：

由于分模型生成概率、均值向量与协方差矩阵参数是未知的，需采用最大似然估计法进行参数估计，将m个样本作为独立事件，其概率为：

将上式取对数，有：

需要采用EM算法可以得出分模型生成概率为：

均值向量为：

协方差矩阵为：

根据以上结果，对所有由订单生成的二维数据作高斯混合聚类。

3.根据权利要求1所述的基于改进高斯混合模型聚类的车辆匹配方法，其特征在于，步骤S2包括：

进行多次高斯混合模型聚类，k值的范围为[A,B]；A表示预设第一值，B表示预设第二值，A为正整数且B为大于A的正整数；根据聚类结果，计算当前单个订单二维数据到同簇内其他订单数据的平均距离d(i)，并计算当前单个订单二维数据到其他簇内所有订单数据的平均距离f(i)，求出当前订单的轮廓系数：

其中，max{}表示取最大值；

求出所有订单的轮廓系数，并取均值：

m为数据集中样本个数，k为聚类数；

选取多次高斯混合聚类结果中平均轮廓系数最大所对应的k值作为最佳聚类结果，最佳k值记为R。

4.根据权利要求1所述的基于改进高斯混合模型聚类的车辆匹配方法，其特征在于，步骤S3包括：

根据R值，得出R个聚类簇，确定R个聚类簇的中心，匹配距离簇中心最近的货车进行装载订单。