检索结果-南通市图书馆

作者：陈泽彬华南理工大学

学位级别：硕士

如今,智能交通系统已成为多功能交通信息服务中心,满足了人们爆炸性增长的出行需求,其中共享出行重新定义了人们的出行方式。行程时间预估旨在给定始发地和目的地的条件下预测所需的通行时间,是交通运输服务中最基本和最核心的组成部分... 详细信息

如今,智能交通系统已成为多功能交通信息服务中心,满足了人们爆炸性增长的出行需求,其中共享出行重新定义了人们的出行方式。行程时间预估旨在给定始发地和目的地的条件下预测所需的通行时间,是交通运输服务中最基本和最核心的组成部分之一。准确的时间预估有助于从一组候选路线中得出更好的调度方案,从而缩短乘客的等待时间,从而提升用户体验。因此,行程时间预估在交通场景决策过程中起着至关重要的作用,几乎所有的电子地图和在线叫车服务都在其应用程序中提供了行程时间预估,如谷歌地图、优步和滴滴出行平台。虽然行程时间预估经过了长时间的发展,存在大量的方法来解决该任务,在许多场景中也已有较为成熟的应用。然而,目前的行程时间预估任务仍有以下两大挑战:第一,传统的多种轨迹表示方法,存在输入类型单一,无法准确地刻画道路的局部路况的问题,如道路交叉口、交通信号灯,为进一步深入挖掘轨迹中的时空特性带来了阻碍;第二,现有的大多数方法常常将轨迹分解为路径序列进行处理,然后通过整合各路径的属性来预估行程时间,无法充分利用路网中轨迹的内在分层结构信息。为了克服以上局限性,本文研究了基于多视角轨迹表示的分层自注意力网络在行程时间预估中的应用。本文创新点总结如下:(1)首先我们通过分析各种传统轨迹表示方法的优势与不足,确定了基于地图匹配的路段序列的表示方式,从而能够确切地描述道路的局部交通状况。在此基础上,我们提出了基于多尺度时空网络的行程时间预估模型(A Deep Learning Network for Estimating the Time of Arrival,DeepETA)。我们首先通过属性特征模块生成动态路段属性嵌入向量,该向量可根据路段的上下文环境得到实际路况语义信息,使得模型能够共享相似轨迹的特征。在学习潜在表征的基础上,我们结合多尺度卷积网络层和长短时记忆网络的优势,深入挖掘复杂城市交通场景中轨迹的多尺度空间特征和时序特征依赖。(2)进一步地,针对路段序列表示无法充分利用路网分层结构信息的不足,我们提出了一种多视角轨迹表示方法,从路段、链接和道路交叉口多个视图综合利用道路网络的分层结构描述车辆行程轨迹。为了实现此目的,我们进一步设计了基于分层自注意网络的行程时间预估模型(A Hierarchical Self-Attention Network for Estimating the Time of Arrival,HierETA),用来同时刻画道路的局部交通状况和底层的道路轨迹结构。具体而言,我们提出了一种路段编码器,以获取细粒度的时空依赖关系,通过自适应的自注意力模块提高时间预估的性能。此外,相应的链接-道路交叉口编码器则用于表征由交替排列的链接和道路交叉口组成的自然道路结构。在此基础上,我们设计了基于注意力机制的分层感知解码器,通过利用不同层次的上下文特征来预估行程时间,从而权衡利用多视角轨迹的时空特征。我们在滴滴出行平台提供的两个大规模真实数据集上评估了提出的模型。实验结果表明,本文提出的算法能有效地提高ETA性能,并且在时间预估的准确性上优于现有的对比算法。实验结果从不同方面验证了我们算法的出色性能,并能够应用于实际问题。此外,我们提出的多视图轨迹表示在实践中卓有成效,为开发高效的城市道路轨迹数据挖掘模型提供了新的思路。

来源：

同方学位论文库评论

基于客户细分的互联网金融类贷后用户违约行为研究

引用

作者：罗芳华南理工大学

学位级别：硕士

随着我国经济的高速发展,传统的银行和借贷公司不能满足大众的借款需求,且借款审核门槛日益提高,我国的互联网金融企业在最近几年蓬勃发展,填补了这一空白,解决了中小企业的融资难,以及达不到银行信用评级的普通大众的资金需求。但是这... 详细信息

随着我国经济的高速发展,传统的银行和借贷公司不能满足大众的借款需求,且借款审核门槛日益提高,我国的互联网金融企业在最近几年蓬勃发展,填补了这一空白,解决了中小企业的融资难,以及达不到银行信用评级的普通大众的资金需求。但是这几年伴随着互联网金融公司规模不断扩大和客户数量急剧增多,缺少完善的用户管理体系,贷前,贷中,贷后客户的任一风险行为,都会影响整个公司的正常运转,使得资金流动性降低,公司经营的成本增加。如何有效的对借款用户细分,防止客户逾期还款,降低公司坏账率,保障公司正常经营与发展变得越来越重要。借贷这一金融行为借助互联网的发展,既具有金融的特征,又具有互联网的受众面广且数据积累多的特征,我们可以针对这两方面的特点,针对不同的受众用户,定制一套自己的营销模式或思路,建立起公司的用户管理体系。对于基数庞大的互联网金融公司,可以运用聚类的思想,将客户细分,筛选出优质客户,普通客户,贡献度高客户,忠诚客户,以及劣质客户等不同的标准,有效的控制互联网金融公司的风险,并运用到公司的用户管理中。这也是实现精细化营销和风险管理的一个重要环节。以往的研究中都只重视贷前客户的风险管理和信用评估,针对违约行为用户的研究较少,本文主要针对贷后用户,以客户关系管理(CRM)为依据,运用K-means的聚类分析对用户进行细分,用户主要包括贷后非违约客户,和违约客户。针对贷后客户的信用状况,个人状况,居民地区,收入水平,往期借贷,消费行为等不同维度,来划分客户群,将客户细分为8个客户群,针对性的提供产品,服务和营销模式。主要用RFM模型来进行分组,K-means进行聚类,确定用户个人价值,对客户细分,为企业运营者提供决策建议。针对细分的客群运用决策树模型进行违约预测,为贷前风险管理,用户信用评级提供数据支撑,从而降低公司客户逾期率,把控风险提供数据支持。

来源：

同方学位论文库评论

移动群体感知的双边隐私保护和工人选择方案研究

引用

作者：钟滢华南理工大学

学位级别：硕士

随着内置丰富传感器的移动设备的普及,移动群体感知（MCS）成为一种流行的分布式数据收集和处理模式,已被应用于多种领域。当拥有大量的有效工人时,MCS才能更好地提供便利服务。因此,工人选择是MCS的基础,而激励工人参与的设计与覆盖未... 详细信息

随着内置丰富传感器的移动设备的普及,移动群体感知（MCS）成为一种流行的分布式数据收集和处理模式,已被应用于多种领域。当拥有大量的有效工人时,MCS才能更好地提供便利服务。因此,工人选择是MCS的基础,而激励工人参与的设计与覆盖未来任务的保证是两种不同的工人选择需求。对于激励工人参与的场景,现有研究面临以下挑战:1)难以同时保护工人和任务的位置隐私,2)由于隐私与效用的相互制约,缺乏一个既保护双边隐私又激励工人参与的工人选择方案,3)保证双边位置隐私的激励方法设计也应当满足激励的理想性质。基于任务未来覆盖场景的工人选择旨在选择一组未来覆盖任务的工人,现有研究面临以下挑战:1)难以同时保护工人和任务的时空隐私,2)缺乏不影响移动预测效果的隐私保护方法,3)直接满足异构感知任务未来时空覆盖要求比较困难。针对上述两种工人选择需求场景所面临的问题,本文设计了两个移动群体感知中保护双边隐私的工人选择方案:1)针对工人选择中工人参与动力不足的问题、工人自私求利的特点和隐私保护的需求,本文提出双边隐私保护和诚实激励的工人选择方案。首先,采用了基于逆向拍卖的工人选择模型,其中利用差分隐私指数机制作为保护位置隐私的关键技术。然后设计了近似最低成本赢家选择算法（PCWS）来确定赢家,其目的是在保证任务质量要求和位置约束的前提下,近似最小化社会成本,最后采用临界报酬决策算法（CADM）来确定给予赢家的报酬。理论分析和实验表明了方案的有效性。2)针对工人选择中时空属性任务的未来覆盖需求和隐私保护的需求,本文提出双边隐私保护和移动性预测的工人选择方案。首先,使用泊松预测来计算工人对任务的覆盖概率。然后,设计一个覆盖效用函数将覆盖约束问题描述为子模优化模型,并相应地提出了一种有效的贪婪启发式近似解决算法。为解决移动性预测中时空信息的泄露问题,本文还提出基于变色龙哈希加密技术的双边隐私保护方法,由于方法的可编辑特性,可以注入混淆数据来防止更强的攻击手段,而且加密方案不会影响移动预测效果。最后,理论分析和实验显示了方案的有效性。

来源：

同方学位论文库评论

噪声环境下的数据驱动进化算法

引用

作者：林大略华南理工大学

学位级别：硕士

随着现代科技迅速发展,人们求解现实优化问题时不再只关注数学优化方法,而更加关注进化算法对于现实优化问题的可能性与有效性。作为一种基于种群的元启发式搜索方法,进化算法对优化问题的限制很少。进化算法虽然泛用性很强,但是在解决... 详细信息

随着现代科技迅速发展,人们求解现实优化问题时不再只关注数学优化方法,而更加关注进化算法对于现实优化问题的可能性与有效性。作为一种基于种群的元启发式搜索方法,进化算法对优化问题的限制很少。进化算法虽然泛用性很强,但是在解决计算密集型的优化问题时,算法优化效果仍然受到计算成本的限制。为了减少进化算法在现实优化问题中所需的计算成本,学者提出数据驱动的进化算法。数据驱动的进化算法基于优化问题中的历史数据,训练代理模型来替代评估昂贵的适应值函数,从而降低了计算成本。尽管数据驱动进化算法对计算昂贵的优化问题来说是有效的,但是在许多实际优化问题中,由于噪声的影响,我们很难保证历史数据的质量。另外,目前数据驱动进化算法的研究重心偏向于性能优秀的算法研发,对于数据驱动进化算法在噪声环境下的研究较少。因此,噪声环境下的数据驱动进化算法研究亟待补充,一方面包括对现有算法在噪声环境下的调研分析,另一方面包括适用于噪声环境下的新数据驱动进化算法的提出。为了对噪声数据下数据驱动进化算法的优化性能进行研究,本文通过调研数据驱动进化算法以及噪声环境建模方法,设计了一种通过控制噪声强度参数和概率参数以模拟不同噪声等级的噪声环境建模方法,并对现有的四种具有代表性的数据驱动进化算法在构建的不同等级噪声环境下进行了调研实验与分析。通过对调研实验结果进行分析,我们对噪声环境、基准问题和数据驱动进化算法之间的关系进行了讨论和总结。在上述工作的基础上,我们进一步提出了一种适用于噪声环境的数据驱动进化算法(Data-Driven Evolutionary Algorithm using Double-Trained Selective Ensemble,DDEADTSE)。该算法基于一种双重训练的代理模型构建方法,在两次代理模型的训练过程之间加入对噪声数据的识别策略和修复策略,减轻了噪声数据对算法的负面影响。通过实验,我们对提出的噪声数据识别策略和修复策略的有效性进行了验证,并将DDEA-DTSE与调研实验中的最优结果进行对比,验证了提出算法在噪声环境下的可行性。

来源：

同方学位论文库评论

基于动态属性图表示学习的行程时间分布估计算法

引用

作者：周万义华南理工大学

学位级别：硕士

由于现实的广泛需求和巨大的潜在利益与价值。近年来,交通预测领域引起了大量学者,研究机构和相关企业的兴趣,使得这个领域发展迅速,新技术、新方法层出不穷,取得了很多重要的进展。而在这些领域和实际交通应用中,行程时间估计是一项至... 详细信息

由于现实的广泛需求和巨大的潜在利益与价值。近年来,交通预测领域引起了大量学者,研究机构和相关企业的兴趣,使得这个领域发展迅速,新技术、新方法层出不穷,取得了很多重要的进展。而在这些领域和实际交通应用中,行程时间估计是一项至关重要的交通预测任务,提供准确可靠的行程时间估计对于日常出行辅助路线规划、指导车辆调度、缓解交通拥堵具有重要意义。给定一个交通网络G和一条路线R,行程时间估计问题的目的是综合考虑动态交通条件和道路网络的静态特征,估计给定出发时刻从该路线起点到终点需要的时间。根据上述问题描述可以看出,行程时间估计的核心任务就是对路网和实时交通状态进行高效的时空依赖建模,捕获路段之间的潜在动态相关性。考虑到一个中等城市的市区道路结点通常是数十万到上百万的级别,运用图网络对路网进行实时的建模和特征提取需要克服很多技术挑战。现有的大多数研究没有充分考虑不同路段的实时交通状态和不同区域之间的相关性以及依赖性,无法得到令人满意的估计结果。或者仅仅关注具体行程时间,而忽略了行程时间实际上是服从某个潜在分布的随机变量的事实,在有多条路线可供选择或者其它更复杂情形下无法提高更多的决策信息。为了解决这一问题,本文提出基于动态属性图表示学习的行程时间分布估计算法(RTAG),该算法以逆高斯分布建模行程时间分布。1)首先,本文将交通网络表示为一个动态属性图,结合实时交通信息、子图采样和图注意力机制,在保持较小计算复杂度的情况下,聚合了路段局部区域的实时交通状况。聚合得到的动态特征表示能够充分表达动态交通状况和路网拓扑结构的相关性,显著提高了最终的预测精度;2)然后,时空依赖学习模块通过自注意力机制建模行驶路线上任意两两路段之间的相关性,而不仅仅是上游或下游方向,该模块可以对路段之间的内部相关性进行更有效的挖掘;3)本文引入多任务分布学习模块预测潜在的行程时间分布,为路线选择和用户决策提供更丰富的参考信息。同时,本文设计了一个局部辅助任务来预测每个路段的拥堵状态,能一定程度上避免模型过拟合并提高模型泛化性能,进一步提高了模型的预测准确性;4)此外,为了定量比较预测分布和实际观测数据的拟合程度,本文还提出了概率分布评估指标PDE对其进行衡量。相比于其他对比算法,RTAG算法在北京和深圳两个超过百万路段结点和千万级轨迹数据规模的真实数据集上均取得了最优的结果。此外,为综合测试本文所提出的算法的性能,实验中对本文提出的各个关键模块做了详细的消融实验,以验证每个模块的有效性。实验结果表明,该模型能有效地提高行程时间预测的性能并取得SOTA的效果。

来源：

同方学位论文库评论

基于梯度进化策略的自适应迁移学习系统

引用

作者：张晓玲华南理工大学

学位级别：硕士

近年来,深度学习发展迅速,在理论上取得了许多突破,并且广泛应用于各个领域,例如,股票市场预测、天气预报、医学诊断、语音识别、图像分类。优化作为深度学习的重要组成部分,引起了研究学者的广泛关注。随着数据量的指数增长和模型复杂... 详细信息

近年来,深度学习发展迅速,在理论上取得了许多突破,并且广泛应用于各个领域,例如,股票市场预测、天气预报、医学诊断、语音识别、图像分类。优化作为深度学习的重要组成部分,引起了研究学者的广泛关注。随着数据量的指数增长和模型复杂性的增加,深度学习中的优化方法面临着越来越多的挑战,各个领域的研究学者们相继提出了许多改进深度学习的优化方法。目前主流的优化算法是基于梯度的,收敛速度较快。但是,当优化场景包含多个局部最优值的时候,基于梯度的方法极有可能陷入局部极值的困境。具有全局搜索能力的演化算法可以缓解陷入局部最优的问题,而且演化算法对损失函数没有严格的限制。将演化算法用于神经网络的训练这一模式,推动了神经演化领域的发展。然而,神经演化存在收敛缓慢的缺点,导致网络训练达到收敛的时间成本和计算成本增加。针对深度学习中优化方法存在的问题,在本文里,我们提出了一种新颖的混合优化算法——梯度进化策略（Evolution Strategy-Stochastic Gradient Descent,ES-SGD）,将神经演化算法和基于梯度的方法相结合,具有全局搜索能力强和快速收敛的优点。梯度进化策略在网络训练的初期采用进化策略进行全局最优的搜索,在找到目标方向即检测到进化策略算法达到饱和状态之后,自动切换到基于梯度的方法随机梯度下降法进行局部最优的极端搜索,这一切换可以改善进化策略带来的低收敛性的缺点。论文提出的算法梯度进化策略可以较好地达到全局搜索能力和收敛速度的平衡。梯度进化策略面临的最大挑战是神经网络训练带来的昂贵代价,特别是当网络结构的深度加深时,训练的成本愈发昂贵。为了解决这个问题,我们借鉴了深度迁移学习的概念,利用源域的知识增强目标域的学习能力。美中不足的是,深度迁移学习需要针对特定情况,借助专业知识设计特定的解决策略。因此,我们基于梯度进化策略提出了自适应迁移学习系统（Adaptive Transferring Learning System,ATLS）。自适应迁移学习系统根据源域和目标域的相似程度来自适应地调整迁移模块和微调模块。实验证明,本文提出的自适应迁移学习系统和梯度进化策略算法在图像分类的问题上比现有的模型和算法具有更高的有效性。

来源：

同方学位论文库评论

局部敏感哈希驱动的进化多任务优化算法

引用

作者：于拓彬华南理工大学

学位级别：硕士

进化算法是一类由生物界所引发灵感的、基于种群的元启发式算法,其包含蚁群优化算法、模拟退火算法等。随着当前科学技术的快速发展,现代社会对于算法的需求越来越高,由于进化算法具有较强的适用性及鲁棒性,其在目前受到了学术界及工业... 详细信息

进化算法是一类由生物界所引发灵感的、基于种群的元启发式算法,其包含蚁群优化算法、模拟退火算法等。随着当前科学技术的快速发展,现代社会对于算法的需求越来越高,由于进化算法具有较强的适用性及鲁棒性,其在目前受到了学术界及工业界的关注并得到了广泛应用。传统的进化算法每次都是从头开始进行搜索过程,每次仅能求解一个实际问题,但在现实生活中,各类问题很少单独存在,多个待求解的问题之间通常都存在一些联系。受到这一点的启发,有学者提出了进化多任务优化(Evolutionary Multitasking Optimization,EMTO)算法,该算法通过利用各个待求解的问题之间的相似性,从而高效地在个体之间传递遗传信息,进而加速对问题的求解,极大提高了求解效率。该领域最著名的算法就是多因素进化算法(Multifactorial Evolutionary Algorithm,MFEA)。然而,目前几乎所有的进化多任务优化算法在求解问题时,都只考虑了个体在目标空间的特性(即目标函数值),但却忽略了其在决策空间的信息。基于这一事实,本文提出的算法通过高效使用个体在决策空间和目标空间的信息,然后通过个体之间遗传信息的传递,从而提高进化多任务优化算法的效率。本文的主要工作及贡献总结如下:(1)本文对当前进化多任务优化算法所存在的优势与不足进行了分析,然后使用局部敏感哈希(Locality Sensitive Hashing,LSH)算法,生成若干个基于p-stable分布的哈希函数,接下来使用这些哈希函数将种群中的个体在决策空间的信息映射为哈希码,确保在决策空间相似的个体有较大概率被映射为同一个哈希码,而不相似的个体的哈希码则有较大概率不同,然后利用个体的哈希码来分析它们在决策空间中的分布信息。为了提高这些个体在演化过程中的探索能力,从而使其能够更快地找到最优解,本文引入了对位学习(Opposition-based Learning,OBL)策略,该策略通过在搜索空间中生成当前解的对位解,一定程度上了扩大种群中个体的搜索范围,提高了探索概率。(2)依据局部敏感哈希算法和对位学习策略,本文对MFEA进行了改进,具体来说,通过判断种群中待配对的个体的哈希码及其技能因素是否相同,本文针对性地设计了四种不同的繁殖与评估策略,然后给出了具体的算法框架,并在单目标多任务优化领域提出了LSH-MFEA。(3)为了验证算法的效率与有效性,本文在单目标多任务基准测试集上将LSHMFEA与其它算法进行了实验对比,实验结果证明了算法的效率。此外,本文还进行了消融实验与参数敏感性分析实验,探究各个模块的有效性及参数的不同取值对算法性能的影响。进一步,为了探究所提框架的泛化性,本文还将该框架拓展到了多目标多任务优化领域,通过对比试验证明了其具有良好的泛化性。

来源：

同方学位论文库评论

基于智能优化的共乘调度算法

引用

作者：张心怡华南理工大学

学位级别：硕士

近年来,随着公共交通的发展,私家车保有量不断增多,带来了交通拥堵,汽车尾气污染等问题。因此,人们提出了一种经济便捷的出行方式,共享拼车,通过具有相似行程的人共乘的方式,提高车辆的座位利用率,在一定程度上节约能源,减少尾气排放,... 详细信息

近年来,随着公共交通的发展,私家车保有量不断增多,带来了交通拥堵,汽车尾气污染等问题。因此,人们提出了一种经济便捷的出行方式,共享拼车,通过具有相似行程的人共乘的方式,提高车辆的座位利用率,在一定程度上节约能源,减少尾气排放,缓解交通拥堵。共享拼车问题是一个NP难的组合优化问题,求解复杂度高,应用场景复杂。本文讨论了静态拼车和动态拼车两种主要的拼车场景,并设计了基于智能优化的共乘调度算法以给出较优的拼车调度方案。本文首先讨论了静态拼车问题,并提出基于差分进化的静态拼车算法(Differential Evolution-based Ridesharing Algorithm,DERA)优化拼车分配方案。算法首先以集合的方式构建了一个综合考虑服务质量和成本的拼车模型,以最大化服务率和用户体验,并利用基于集合的差分进化算法(Set-based Differential Evolution,S-DE)来搜索可行解。特别地,我们根据拼车问题的特性提出跨维度变异算子,基于维度和基于个体的两级选择算子,种群多样性增强算子等,大大提高了算法在求解静态拼车问题的适应性和优化效率。在我们模拟的城市交通数据集上,我们的算法相较于对比算法在收敛性能和目标表现上要更加优化。然后本文讨论了拓展到外卖配送领域的动态拼车问题,构建了拼车匹配率和拼车效益率的多目标多约束拼车模型,并提出基于模糊计算的动态拼车算法(Fuzzy System-based Ridesharing Algorithm,FBRA)完成外卖和乘客的拼车调度。算法首次利用模糊系统进行拼车行程的实时匹配。特别地,我们设计了近似绕路距离等输入变量表征匹配行程的相似性,以提高模糊系统的匹配质量。此外,FBRA由线上和线下两个模块,线下模块利用差分进化算法(Differential Evolution,DE)训练进一步优化模糊匹配系统,线上模块通过模糊系统评估乘客或外卖与出租车的匹配度并选择最高匹配度的出租车进行匹配的方式完成实时响应。在实验上,我们模拟了北京的实时交通数据集并测试了算法的表现,实验证明我们的算法在综合表现上优于现有的算法,且在大规模数据集上也有稳定的效果。

来源：

同方学位论文库评论

数据驱动进化算法在需求响应式交通服务中的应用

引用

作者：周杰华南理工大学

学位级别：硕士

常规公交作为公共交通的重要组成部分,尽管发挥了其作用,但由于其可靠性、舒适性和服务效率的不足,已难以满足不断增长的出行需求。这些问题导致了越来越多的人选择私家车或者打车出行,一定程度上浪费了道路资源,引发了交通拥堵等问题... 详细信息

常规公交作为公共交通的重要组成部分,尽管发挥了其作用,但由于其可靠性、舒适性和服务效率的不足,已难以满足不断增长的出行需求。这些问题导致了越来越多的人选择私家车或者打车出行,一定程度上浪费了道路资源,引发了交通拥堵等问题的出现。与之相比,需求响应式公交作为一种新型公共交通方式,具有更高的服务水平、可靠性和舒适性等特点,能够满足乘客多样化和个性化的出行需求,已在全国各大城市迅速兴起。需求响应式交通路线的规划问题比一般的带时间窗口的车辆路径规划问题更加复杂,也属于NP-hard问题。近年来,解决这一类问题一般采用贪心算法以及一些元启发式算法。本文设计了两种数据驱动的需求响应式交通规划方法,依托于城市交通订单数据,能够实现需求的挖掘,差异化的资源配置,从而实现经济成本与乘客出行体验的平衡。本文针对需求响应式公交路线的规划问题,从公交运行的角度和乘客出行的角度进行考虑,构建了多目标优化问题的数学模型,基于NSGA-II算法进行改进,设计了NSGAII-RBFN和NSGA-II-GCN两种数据驱动进化算法进行求解,两种方法分别使用RBFN和GCN两种网络为所提出的模型中的一个计算代价高的目标函数构建了代理模型。在算法中,设计了局部搜索模块,在进化过程中引入乘客的历史信息作为启发式信息,对路线的部分进行重构,使得结果朝着有利的方向演化;采用分层采样的策略,根据非支配排序的级别从每代产生的新个体中进行筛选,选择出的个体使用真实函数评估并对代理模型进行更新,避免模型的预测出现过大的误差;采用隔代全局更新策略,每间隔一定代数对整个种群中的全部个体进行更新,避免代理模型误差的积累。在真实数据集上的实验结果表明,两种方法在计算时间上耗时相近且表现优秀,相比一些对比算法的平均运行时间减少了79%～89%;结果上NSGA-II-GCN的表现更优秀;总体误差上,NSGA-II-RBFN的波动范围更小。并且通过消融实验,验证了设计的启发式信息、采样、更新模型策略的有效性。本文的方法基于真实数据,可以精准地反映需求特征,可用于规划面向不同服务群体的需求响应式交通服务,可以基于城市的数据的变化,精准地对供给和需求进行匹配,为有效解决城市交通拥堵问题提供了可行的解决方案,对于推广城市公共交通的多模式出行和绿色出行具有重要的实践意义。

来源：

同方学位论文库评论

基于演化计算的自适应数据聚类方法

引用

作者：陈军贤华南理工大学

学位级别：硕士

随着科学技术的不断发展,现实生活中会有大量的数据产生和积累,这也促使人们不断去挖掘数据背后的信息和价值。聚类分析的结果能了解到数据本身的分布信息和对应的结构,从而更好地帮助人们解决实际应用中的问题。而在许多实际的应用中,... 详细信息

随着科学技术的不断发展,现实生活中会有大量的数据产生和积累,这也促使人们不断去挖掘数据背后的信息和价值。聚类分析的结果能了解到数据本身的分布信息和对应的结构,从而更好地帮助人们解决实际应用中的问题。而在许多实际的应用中,执行未知聚类数目的自动数据聚类分析是很有必要的。演化计算在处理这类任务方面有其显著的优势,但现有的演化聚类算法仍然存在一些问题。本文提出了一个全新的弹性差分演化算法（Elastic Differential Evolution,E-DE）解决自动数据聚类问题。不同于传统的演化计算方法,算法采用的是可变长度的编码方案,该方案只编码在聚类过程中生效的中心坐标,消除了编码的冗余性,从而提高算法的搜索效率。为了让种群中不同长度的个体向量可以交换学习到正确的信息,我们设计了一个两阶段的变异算子和一个基于子空间的交叉算子。变异方法首先是通过不同个体的差分信息确定聚类数目,进而通过高斯扰动确定聚类中心坐标。而交叉方法则是利用一个选定的染色体片段构建出的子空间区域交换目标向量和变异向量中的聚类信息,通过子空间交换的方式产生新的试验变量。这些演化算子以传统的差分演化算法作为基础参考,再结合聚类空间结构上的信息,产生对应的后代解决方案。特别地,个体参数向量的每一维度都是和它相关的维度交换信息,这不仅使得算法能自适应调节类数,还避免了传统演化聚类算法存在的维间学习错误的问题。我们在现实和仿真数据集下的实验结果表明,本文提出的算法性能优于现有的聚类算法。算法不仅能找到正确的聚类数目,还可以取得一个好的聚类指标适应值。通过后续的灵敏度分析,检验本文的参数设置、演化算子的设计和空类的处理,再一次证明了本文提出的算法的有效性和鲁棒性。

来源：

同方学位论文库评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：