基于Canopy-Kmeans算法的汽车客运订单调度研究
发布时间：2021-11-08 12:40
现有的汽车客运服务存在信息资源整合不完善,管理思想老旧等问题,导致客运服务不适应市场。乘客的出行受现有的城际汽车客运的局限性因素影响,致使其出行体验较差。汽运客车的订单调度方式直接影响客运服务的质量,当前的调度方式是采用多名调度人员人工调度,其调度方式需要投入大量的人力资源、时间成本高、调度效率低,同时还需要工作人员有较多订单调度经验,无法保证调度结果的准确性和合理性。在这样的形势下,如何提高汽运客车订单调度的效率,成为提升乘客服务体验的关键一环。实践证明,利用高效的智能调度算法可显著提升订单调度的质量,有利于改善用户体验,提高汽运公司的运营效率,使客运资源得以更加合理的利用。本文结合数据挖掘中的聚类分析方法和专家规则的组合优化方法,提出了汽车客运的一种智能调度算法。通过借鉴网约车平台的调度模式,把小巴车代替大巴车的出行模式融入汽车客运服务,对用户多样化的需求进行分析,建立合理的多维度（乘客人数、出发时间、发车点地址）车辆资源自动派单服务模型,主要包括增量调度和全局调度两个模块,分别实现对新进订单的预处理和订单组全局优化处理。根据订单的多维度属性和实际发车情况所设的约束条件,基于Can...
【文章来源】：山西大学山西省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
三个最
肿椋?纬啥┑サ拇亍Ｗ詈笕诤献?夜嬖虻淖楹嫌呕?椒ǘ远┑ゴ亟?写?恚??成合理的订单组合方案（全局调度），从而实现自动调度客运订单的目的。3.2Canopy-Kmeans算法3.2.1Canopy-Kmeans算法的基本思路Canopy-Kmeans算法是对K均值算法的一种改进算法，其算法分为两个基本阶段。第一阶段使用Canopy算法对数据集合进行预处理，可以快速的将数据按距离划分到一个Canopy子集中[55]。数据中的所有对象全部归为各个Canopy中。第二阶段则使用所得到的Canopy中心点作为K-means算法的K值和初始质心点。算法流程如图3.1所示。图3.1Canopy-Kmeans算法流程K-means迭代Canopy中心点生成数据集划分K值及中心点标注聚类划分聚类结果生成
肿椋?纬啥┑サ拇亍Ｗ詈笕诤献?夜嬖虻淖楹嫌呕?椒ǘ远┑ゴ亟?写?恚??成合理的订单组合方案（全局调度），从而实现自动调度客运订单的目的。3.2Canopy-Kmeans算法3.2.1Canopy-Kmeans算法的基本思路Canopy-Kmeans算法是对K均值算法的一种改进算法，其算法分为两个基本阶段。第一阶段使用Canopy算法对数据集合进行预处理，可以快速的将数据按距离划分到一个Canopy子集中[55]。数据中的所有对象全部归为各个Canopy中。第二阶段则使用所得到的Canopy中心点作为K-means算法的K值和初始质心点。算法流程如图3.1所示。图3.1Canopy-Kmeans算法流程K-means迭代Canopy中心点生成数据集划分K值及中心点标注聚类划分聚类结果生成
【参考文献】：
期刊论文
[1]基于数据挖掘理论的心血管疾病预警方法建模[J]. 白贺伊. 信息技术. 2020(02)
[2]人工智能与数据挖掘技术在金融市场中的应用[J]. 王娟,姚雪筠. 电子商务. 2020(02)
[3]基于聚类分析和层次分析法的湖南省水生态文明评价指标体系构建[J]. 山红翠,盛东,徐幸仪. 水资源开发与管理. 2020(01)
[4]基于聚类分析的舰船冲击环境区域划分方法[J]. 张春辉,张磊,赵海江,胡易舟,李海涛. 中国舰船研究. 2020(05)
[5]数据挖掘技术在软件工程中的应用[J]. 杨品军. 电子技术与软件工程. 2020(01)
[6]基于PSO-KMeans算法的MATLAB（GUI）图像分割系统平台开发应用[J]. 陈兴志,乐文涛,王代文,黄飞翔,刘乃瑶. 国外测井技术. 2019(06)
[7]Analysis of users’ electricity consumption behavior based on ensemble clustering[J]. Qi Zhao,Haolin Li,Xinying Wang,Tianjiao Pu,Jiye Wang. Global Energy Interconnection. 2019(06)
[8]最近邻优化的k-means聚类算法[J]. 林涛,赵璨. 计算机科学. 2019(S2)
[9]分布式MVC-Kmeans算法设计与实现[J]. 汪晶,邹学玉,喻维明,孙咏. 长江大学学报(自然科学版). 2019(06)
[10]汽运物流供应链的构建和应用研究[J]. 李佳民,林温建. 中国物流与采购. 2019(10)
博士论文
[1]基于数据挖掘的道路交通事故分析研究[D]. 孙轶轩.北京交通大学 2014
[2]聚类分析中的相似性度量及其应用研究[D]. 白雪.北京交通大学 2012
硕士论文
[1]基于JSON的互联网异构数据整合的应用研究[D]. 朱峰.南京邮电大学 2016
[2]多语言社会化标签聚类及可视化研究[D]. 顾晓雪.南京理工大学 2015
[3]基于Map-Reduce并行聚类算法的研究[D]. 于春深.西安电子科技大学 2012
[4]基于纹理分类的图像检索技术研究[D]. 马媛媛.河南理工大学 2010
[5]基于Voronoi的平面数据的聚类分析[D]. 向佐勇.湘潭大学 2009
[6]基于数据挖掘的网络入侵检测系统的研究与设计[D]. 张里.重庆大学 2008
[7]聚类分析在图像分类中的应用研究[D]. 郝永宽.内蒙古科技大学 2008
[8]关联挖掘在科研管理系统中的应用研究[D]. 于帅.大连海事大学 2007
[9]基于多Agent的网络入侵检测系统的研究[D]. 雷雁.南京信息工程大学 2005
本文编号：3483715
【文章来源】：山西大学山西省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
三个最
肿椋?纬啥┑サ拇亍Ｗ詈笕诤献?夜嬖虻淖楹嫌呕?椒ǘ远┑ゴ亟?写?恚??成合理的订单组合方案（全局调度），从而实现自动调度客运订单的目的。3.2Canopy-Kmeans算法3.2.1Canopy-Kmeans算法的基本思路Canopy-Kmeans算法是对K均值算法的一种改进算法，其算法分为两个基本阶段。第一阶段使用Canopy算法对数据集合进行预处理，可以快速的将数据按距离划分到一个Canopy子集中[55]。数据中的所有对象全部归为各个Canopy中。第二阶段则使用所得到的Canopy中心点作为K-means算法的K值和初始质心点。算法流程如图3.1所示。图3.1Canopy-Kmeans算法流程K-means迭代Canopy中心点生成数据集划分K值及中心点标注聚类划分聚类结果生成
肿椋?纬啥┑サ拇亍Ｗ詈笕诤献?夜嬖虻淖楹嫌呕?椒ǘ远┑ゴ亟?写?恚??成合理的订单组合方案（全局调度），从而实现自动调度客运订单的目的。3.2Canopy-Kmeans算法3.2.1Canopy-Kmeans算法的基本思路Canopy-Kmeans算法是对K均值算法的一种改进算法，其算法分为两个基本阶段。第一阶段使用Canopy算法对数据集合进行预处理，可以快速的将数据按距离划分到一个Canopy子集中[55]。数据中的所有对象全部归为各个Canopy中。第二阶段则使用所得到的Canopy中心点作为K-means算法的K值和初始质心点。算法流程如图3.1所示。图3.1Canopy-Kmeans算法流程K-means迭代Canopy中心点生成数据集划分K值及中心点标注聚类划分聚类结果生成
【参考文献】：
期刊论文
[1]基于数据挖掘理论的心血管疾病预警方法建模[J]. 白贺伊. 信息技术. 2020(02)
[2]人工智能与数据挖掘技术在金融市场中的应用[J]. 王娟,姚雪筠. 电子商务. 2020(02)
[3]基于聚类分析和层次分析法的湖南省水生态文明评价指标体系构建[J]. 山红翠,盛东,徐幸仪. 水资源开发与管理. 2020(01)
[4]基于聚类分析的舰船冲击环境区域划分方法[J]. 张春辉,张磊,赵海江,胡易舟,李海涛. 中国舰船研究. 2020(05)
[5]数据挖掘技术在软件工程中的应用[J]. 杨品军. 电子技术与软件工程. 2020(01)
[6]基于PSO-KMeans算法的MATLAB（GUI）图像分割系统平台开发应用[J]. 陈兴志,乐文涛,王代文,黄飞翔,刘乃瑶. 国外测井技术. 2019(06)
[7]Analysis of users’ electricity consumption behavior based on ensemble clustering[J]. Qi Zhao,Haolin Li,Xinying Wang,Tianjiao Pu,Jiye Wang. Global Energy Interconnection. 2019(06)
[8]最近邻优化的k-means聚类算法[J]. 林涛,赵璨. 计算机科学. 2019(S2)
[9]分布式MVC-Kmeans算法设计与实现[J]. 汪晶,邹学玉,喻维明,孙咏. 长江大学学报(自然科学版). 2019(06)
[10]汽运物流供应链的构建和应用研究[J]. 李佳民,林温建. 中国物流与采购. 2019(10)
博士论文
[1]基于数据挖掘的道路交通事故分析研究[D]. 孙轶轩.北京交通大学 2014
[2]聚类分析中的相似性度量及其应用研究[D]. 白雪.北京交通大学 2012
硕士论文
[1]基于JSON的互联网异构数据整合的应用研究[D]. 朱峰.南京邮电大学 2016
[2]多语言社会化标签聚类及可视化研究[D]. 顾晓雪.南京理工大学 2015
[3]基于Map-Reduce并行聚类算法的研究[D]. 于春深.西安电子科技大学 2012
[4]基于纹理分类的图像检索技术研究[D]. 马媛媛.河南理工大学 2010
[5]基于Voronoi的平面数据的聚类分析[D]. 向佐勇.湘潭大学 2009
[6]基于数据挖掘的网络入侵检测系统的研究与设计[D]. 张里.重庆大学 2008
[7]聚类分析在图像分类中的应用研究[D]. 郝永宽.内蒙古科技大学 2008
[8]关联挖掘在科研管理系统中的应用研究[D]. 于帅.大连海事大学 2007
[9]基于多Agent的网络入侵检测系统的研究[D]. 雷雁.南京信息工程大学 2005
本文编号：3483715
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3483715.html
