[发明专利]一种基于波动率的通勤出行模式识别方法

权利要求书

1.一种基于波动率的通勤出行模式识别方法，其特征在于，包括如下步骤：

S10:进行城市区域划分；

S11:通过城市现有的行政和功能区域划分聚类个数和聚类范围：取所有n个研究对象站点x作为聚类数据集Ω，Ω＝{x₁,x₂,x₃……x_n}；

将所有研究对象站点分别归类到k个站点区域集合Θ_i中，Θ_i＝{x_i,1,x_i,2,x_i,3……}，i∈{1,2,3,4…,k}；

S12:使用K-means算法进行聚类，随机选择聚类中心，针对聚类数据集Ω中的每个站点，计算每个站点到各个聚类中心点的影响距离确定站点x_i到哪个聚类中心的影响距离最小，就将站点x_i划分到该聚类中心的类中，输出聚类中心和各个类中的所有站点；

所述S12随机选择聚类中心的方法为：

1)从聚类数据集Ω中随机选取一个站点作为初始聚类中心C₁，通过公式(1)计算站点x_i与聚类中心点C_j的欧氏距离通过公式(2)计算站点x_i被选为下一个聚类中心点的概率P_(xi)；

其中，k是坐标参数维度，x_i,k和c_j,k分别表示站点x_i与聚类中心点C_j的第k维数据；

2)按照每一个站点x_i的P_(xi)的大小确定每一个站点的轮盘面积，再使用轮盘法选取下一个聚类中心，每次选取下一个聚类中心后将同属于一个Θ_i的x_i从轮盘中删除，依次选出k个聚类中心作为聚类中心点集Φ，Φ＝{c₁,c₂,c₃…c_t…c_k}；

所述S12中计算每个站点到各个聚类中心点的影响距离的方法为：

Ⅰ)使用公式(3)计算每个非聚类中心站点到聚类中心的欧氏距离均值S_i作为欧氏距离特征值；

使用公式(4)计算每个非聚类中心站点对研究聚类中心预设区域的所属特征值R_i；

Ⅱ)分别使用公式(5)和公式(6)对求得的S_i和R_i进行归一化计算得到S′_i和R′_i；

Ⅲ)分别使用公式(7)和公式(8)计算当前研究聚类中心S和R的熵值e_S和e_R；

其中，S_i和R_i是两个计算中间值，无实际含义，S_i和R_i分别通过公式(9)和公式(10)计算得到；

Ⅳ)分别使用公式(11)和公式(12)计算当前研究聚类中心S和R的信息熵冗余度d_S和d_R；

d_S＝1-e_S(11)；

d_R＝1-e_R(12)；

Ⅴ)分别使用公式(13)和公式(14)计算当前研究聚类中心S和R的信息熵权重w_S和w_R；

Ⅵ )重复Ⅰ)-Ⅴ)的计算过程求得k个聚类中心的信息熵权重w_S,i和w_R,i；

Ⅶ )使用K-means聚类算法进行聚类操作，使用公式(15)计算每个站点到各个聚类中心点的影响距离

S20:通勤出行模式识别；

S21:每个聚类中心和该聚类中心的所有站点构成一个研究对象区域，两个研究对象区域组成的一组研究对象区域；

对一组研究对象区域随机抽取若干个工作日的每小时客流统计数据a_i，24个小时的客流数据组成数据集Ψ，Ψ＝{a₁,a₂,a₃…a₂₄}；

S22:分别计算24-n个客流波动率s_i，检索24-n个客流波动率s_i，计数大于阈值的波动率个数q：

若q＝4且四个波动率峰值分别对应早高峰和晚高峰的起止时间点，那么这一组研究对象区域被识别为通勤出行模式。