遗传聚类算法在出行行为分析中的应用

"基于遗传聚类算法的出行行为分析.pdf" 这篇论文主要研究的是如何利用遗传聚类算法来改进出行行为的分析方法。传统的K中心点聚类算法在处理分类数据时存在一定的局限性，例如易受孤立点影响，且可能陷入局部最优。遗传算法则以其优秀的自组织、自适应和自学习特性，为解决这些问题提供了新的可能性。 论文提出了一种基于遗传聚类算法的出行行为分析方法。在这个方法中，研究者采用了整数编码的方式，用于表示和处理活动模式。他们通过计算活动模式之间的匹配度来衡量模式对象之间的差异，以此作为相异度的度量标准。适应度函数被定义为各活动模式与最近聚类中心点之间的相异度总和，这一设计有助于寻找更优的聚类结构。 论文进一步探讨了如何将K中心点聚类与遗传算法相结合，以完成分类对象的聚类分析。通过对算法在不同数据量和参数设置下的仿真结果进行比较，作者们得出了关键参数的推荐值，以优化算法性能。这种方法的优势在于，它不仅能有效地处理孤立点，避免局部最优，还能加快算法的收敛速度，降低计算成本，从而更高效地解决分类数据的聚类问题。 关键词包括聚类分析、遗传算法、K中心点聚类和活动模式，表明该研究主要关注的是数据挖掘中的聚类技术，并将其应用于出行行为的建模和理解。研究背景可能涉及交通运输系统规划与管理，特别是如何通过先进的算法来改善城市交通管理和出行预测。 这篇论文是在2008年发表的，由鲜于建川和隽志才两位学者共同完成，他们分别在上海交通大学安泰经济与管理学院从事运输系统规划与管理以及交通运输系统规划的研究。研究得到了国家自然科学基金和国家“863”计划的资助，这显示了其在学术领域的重要性和实际应用价值。 这篇论文为出行行为分析提供了一个创新的工具，利用遗传聚类算法克服了传统聚类方法的局限，对于优化交通规划、提高城市交通效率具有重要意义。