付文華，白 竹，張 蕾，王世鐸

（沈陽(yáng)建筑大學(xué) 交通與測(cè)繪工程學(xué)院，遼寧 沈陽(yáng) 110168）

0 引言

近年來(lái)，網(wǎng)約車(chē)行業(yè)發(fā)展較快，相比于傳統(tǒng)出租車(chē)，網(wǎng)約車(chē)服務(wù)更方便、快捷，但同樣存在供需不均衡問(wèn)題。對(duì)網(wǎng)約車(chē)需求聚類(lèi)可以觸發(fā)供給方的前瞻性調(diào)度行為，選擇恰當(dāng)?shù)木垲?lèi)算法提取和深入挖掘網(wǎng)約車(chē)訂單數(shù)據(jù)的特征，將隱藏的時(shí)間需求分布交互性特征顯性表達(dá)出來(lái)，有助于平衡供需關(guān)系，合理調(diào)度區(qū)域運(yùn)力資源，更好地為乘客服務(wù)。

針對(duì)網(wǎng)約車(chē)需求，國(guó)內(nèi)外學(xué)者多從數(shù)據(jù)挖掘角度研究其特征。張政等以網(wǎng)約車(chē)數(shù)據(jù)集為依據(jù)，提出了基于主題模型的出行需求識(shí)別方法，可較好地識(shí)別不同時(shí)間窗口下區(qū)域出行需求特征[1]。龍雪琴等以成都市網(wǎng)約車(chē)訂單為基礎(chǔ)，分析了工作日與非工作日網(wǎng)約車(chē)上下客的空間分布，證實(shí)網(wǎng)約車(chē)上下客熱點(diǎn)具有明顯的區(qū)域分布特性，且下客熱點(diǎn)更為集中[2]。周夢(mèng)杰等基于訂單數(shù)據(jù)將居民出行的時(shí)間序列分解為空間模態(tài)和時(shí)間系數(shù)兩部分，以挖掘乘客的出行特征[3]。Tang 等基于GPS 軌跡數(shù)據(jù)對(duì)出租車(chē)OD 點(diǎn)進(jìn)行聚類(lèi)分析，可有效識(shí)別出行熱點(diǎn)區(qū)域[4]。He 通過(guò)網(wǎng)約車(chē)運(yùn)營(yíng)數(shù)據(jù)識(shí)別網(wǎng)約車(chē)的時(shí)空變化特征，證實(shí)網(wǎng)約車(chē)需求在不同時(shí)段內(nèi)具有較強(qiáng)的規(guī)律性[5]。況東鈺基于網(wǎng)約車(chē)數(shù)據(jù)對(duì)網(wǎng)約車(chē)需求進(jìn)行時(shí)序分析，并識(shí)別了不同日期屬性下需求量的變化規(guī)律[6]。

針對(duì)網(wǎng)約車(chē)時(shí)空聚類(lèi)算法，現(xiàn)有研究多集中于聚類(lèi)算法改進(jìn)上。黎新華等提出一種將改進(jìn)動(dòng)態(tài)時(shí)間彎曲距離作為凝聚層次聚類(lèi)相似性度量的聚類(lèi)方法，相對(duì)于歐氏距離凝聚層次聚類(lèi)而言，該算法能更好地識(shí)別網(wǎng)約車(chē)的時(shí)間需求變化特征[7]。林基艷等采用基于密度的聚類(lèi)算法（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）挖掘車(chē)輛行駛軌跡數(shù)據(jù)[8]，但該算法的參數(shù)選擇對(duì)軌跡影響較大?；诖?，孫立山等引入K-距離曲線(xiàn)對(duì)該算法進(jìn)行改進(jìn)并挖掘載客熱點(diǎn)，提高了聚類(lèi)精度[9]。Chen 等以網(wǎng)約車(chē)訂單的初始經(jīng)緯度作為特征值進(jìn)行K-均值聚類(lèi)，并以此進(jìn)行區(qū)域劃分[10]。崔宇超等采用K-均值（K-means）聚類(lèi)方法對(duì)兩類(lèi)網(wǎng)約車(chē)訂單數(shù)據(jù)進(jìn)行聚類(lèi)分析，發(fā)現(xiàn)兩類(lèi)乘客的出行需求呈相似特征[11]。但K-means 的聚類(lèi)中心是隨機(jī)選擇的，易選到孤立點(diǎn)或選擇的初始聚類(lèi)中心距離較小，且K值較難確定，易導(dǎo)致聚類(lèi)結(jié)果不穩(wěn)定。Jian 等針對(duì)K-means 算法的缺陷進(jìn)行改進(jìn)，發(fā)現(xiàn)改進(jìn)算法在出租車(chē)熱需求方面具有更好的聚類(lèi)效果[12]。除上述網(wǎng)約車(chē)聚類(lèi)領(lǐng)域外，K-means 算法亦廣泛應(yīng)用在公交客流預(yù)測(cè)[13]、交通流時(shí)間序列預(yù)測(cè)[14]等其他交通預(yù)測(cè)領(lǐng)域中。

綜上，現(xiàn)有網(wǎng)約車(chē)數(shù)據(jù)挖掘研究多集中在空間聚類(lèi)領(lǐng)域，對(duì)網(wǎng)約車(chē)需求進(jìn)行時(shí)間聚類(lèi)分析的文獻(xiàn)較少，且以往研究?jī)H對(duì)一種數(shù)據(jù)模式的網(wǎng)約車(chē)需求變化特征進(jìn)行分析，并未對(duì)不同數(shù)據(jù)模式的需求量變化規(guī)律的相似性和差異性進(jìn)行挖掘。在聚類(lèi)方法領(lǐng)域，研究重點(diǎn)主要集中在算法改進(jìn)上，其中K-means 算法因其良好的聚類(lèi)性能已被廣泛應(yīng)用，但該算法的聚類(lèi)中心是隨機(jī)選取的，且K值較難確定，易導(dǎo)致聚類(lèi)結(jié)果不穩(wěn)定。因此，本文將通過(guò)改進(jìn)粒子群算法優(yōu)化K-means 的初始聚類(lèi)中心，并從時(shí)段特征和日特征兩個(gè)角度對(duì)網(wǎng)約車(chē)需求數(shù)據(jù)進(jìn)行聚類(lèi)分析，以挖掘不同數(shù)據(jù)模式下網(wǎng)約車(chē)需求的變化規(guī)律，為網(wǎng)約車(chē)運(yùn)營(yíng)調(diào)度提供參考依據(jù)。

1 網(wǎng)約車(chē)需求分布特征

獲取蓋亞數(shù)據(jù)開(kāi)放計(jì)劃[15]中?？谑?017 年5月22 日—6 月4 日共兩周的網(wǎng)約車(chē)訂單數(shù)據(jù)，分析網(wǎng)約車(chē)需求在一周內(nèi)的分布特征，如圖1所示。選取2017 年5 月22 日—5 月28 日一周的網(wǎng)約車(chē)數(shù)據(jù)，并將24h以10min為間隔，均勻劃分為144個(gè)時(shí)間序列，分析工作日和非工作日的網(wǎng)約車(chē)需求分布特征，如圖2 所示。由于多數(shù)樣本的需求變化特征具有高度相似性，因此隨機(jī)選取兩周的樣本數(shù)據(jù)，以分析網(wǎng)約車(chē)需求整體分布特征。

圖2 網(wǎng)約車(chē)需求時(shí)段分布

由圖1 可看出，網(wǎng)約車(chē)需求與星期屬性有較大關(guān)系。網(wǎng)約車(chē)需求在一周的變化趨勢(shì)為：周一至周三（5月22日—5月24日、5月29日—5月31日）網(wǎng)約車(chē)需求量較平穩(wěn)，變化不明顯；周四至周六（5 月25 日—5 月27 日、6 月1 日—6 月3 日）需求開(kāi)始增加；周日開(kāi)始下降。在一周中，非工作日的網(wǎng)約車(chē)需求顯著高于工作日；在工作日中，周二（5 月23 日、5 月30 日）需求量較低，周四和周五（5 月25 日—5 月26 日和6 月1 日—6月2日）的需求量較高。在非工作日中，周六（5月27日、6月3日）的需求量略高于周日（5月28日、6月4日）的需求量。

由圖2 可看出，工作日與非工作日的網(wǎng)約車(chē)需求時(shí)間分布存在較大差異，其中，工作日的時(shí)間序列分布具有較高相似性，且網(wǎng)約車(chē)需求變化幅度較大。工作日網(wǎng)約車(chē)需求一天內(nèi)有4 個(gè)峰值，分別出現(xiàn)在早高峰時(shí)段8：20—8：30、午高峰時(shí)段11：50—12：00 和14：20—14：30、晚高峰時(shí)段17：20—18：00；非工作日網(wǎng)約車(chē)需求一天內(nèi)有2 個(gè)峰值：一個(gè)較小的峰值和一個(gè)較大的峰值，這2 個(gè)峰值分別出現(xiàn)在18: 10 左右和21：30左右。

因此，如何識(shí)別不同數(shù)據(jù)模式下網(wǎng)約車(chē)需求時(shí)間序列變化的相似性與差異性，對(duì)挖掘網(wǎng)約車(chē)時(shí)間需求特征具有重要意義。

2 IDWPSO-K-means算法

K-means 是一種無(wú)監(jiān)督聚類(lèi)，可根據(jù)樣本點(diǎn)的特征劃分?jǐn)?shù)據(jù)集，使得樣本的多維分量在同組內(nèi)相似，而在不同組之間相異，因此可以較好地識(shí)別不同時(shí)段和日期內(nèi)網(wǎng)約車(chē)需求量時(shí)間序列變化的相似性和差異性。但由于K-means 聚類(lèi)中心是隨機(jī)選擇的，易選到孤立點(diǎn)或選擇的初始聚類(lèi)中心距離較小，因此本文采用粒子群優(yōu)化（Particle Swarm Optimization,PSO）算法優(yōu)化K-means 的初始聚類(lèi)中心?？紤]到傳統(tǒng)的PSO 算法存在早熟收斂等缺陷，不少學(xué)者對(duì)其進(jìn)行了改進(jìn)。其中，胡堂清等提出的動(dòng)態(tài)調(diào)整慣性權(quán)重的改進(jìn)粒子群算法（Hybrid Particle Swarm Optimization with Dynamic Adjustment of Inertial Weigh,IDWPSO）[16]，改進(jìn)策略相對(duì)簡(jiǎn)單、收斂速度更快，具有較好的尋優(yōu)性能。因此，本文采用該算法優(yōu)化K-means的初始聚類(lèi)中心。

2.1 K-means算法

MacQueen 于1967 年提出了K-means 聚類(lèi)算法，用于處理數(shù)據(jù)挖掘中聚類(lèi)相關(guān)問(wèn)題[17]，其可將含有n個(gè)樣本的集合x(chóng)={x1,x2,…,xn}，劃分成k個(gè)類(lèi)簇ω1,ω2,…,ωk。算法的聚類(lèi)步驟如下：

（1）確定需要生成的簇?cái)?shù)k：從樣本中抽取k個(gè)樣本點(diǎn)作為k個(gè)原始聚類(lèi)簇中心c1,c2,…,ck，即將x={x1,x2,…,xn}劃分為k個(gè)類(lèi)簇：ω1,ω2,…,ωk，其中

（2）計(jì)算非簇中心點(diǎn)xi與簇中心ci間的歐氏距離d[18]；

（3）根據(jù)歐氏距離矩陣，分配非初始簇中心樣本點(diǎn)至距離最近的簇中心樣本點(diǎn)所在的類(lèi)；

（4）根據(jù)式（2）計(jì)算各類(lèi)簇內(nèi)樣本的均值，并將該值作為新聚類(lèi)中心[18]；

式（2）中：mi是簇i的中心；Ci是簇i的樣本數(shù)目。

（5）重復(fù)步驟（2）～步驟（4），直至各類(lèi)簇的樣本點(diǎn)不再變化，迭代結(jié)束。此時(shí)輸出的結(jié)果即為K-means聚類(lèi)的最終結(jié)果。

2.2 IDWPSO算法

IDWPSO 主要在慣性權(quán)重和更新粒子位置兩方面進(jìn)行改進(jìn)，具體如下。

（1）改進(jìn)慣性權(quán)重

慣性權(quán)重ω通過(guò)指數(shù)函數(shù)控制，當(dāng)?shù)螖?shù)增加時(shí)，非線(xiàn)性減小，利用Matlab 中的betarnd 函數(shù)生成符合貝塔分布的隨機(jī)數(shù)，以增強(qiáng)算法后期的全局搜索能力，其表達(dá)式為[16]：

式（3）中：t為當(dāng)前迭代次數(shù)；tmax是最大迭代次數(shù)；ωmax,ωmin分別為慣性權(quán)重的初值和終值；σ為慣性調(diào)整因子，取0.1；B(p,q)為貝塔函數(shù)。等號(hào)右側(cè)第1 項(xiàng)與第2 項(xiàng)通過(guò)指數(shù)函數(shù)改變，算法前期慣性權(quán)重較大，隨著迭代次數(shù)增加非線(xiàn)性遞減。第3 項(xiàng)利用貝塔分布對(duì)ω的整體取值分布進(jìn)行調(diào)整。

（2）粒子位置更新

引入差分進(jìn)化操作更新粒子位置，以避免迭代后期種群多樣性下降。其具體步驟為：初始化、變異、交叉和選擇，通過(guò)變異與交叉操作更新粒子位置。位置更新計(jì)算式[16]為：

該算法的具體步驟如下：

①初始化種群參數(shù)；

②計(jì)算各粒子的適應(yīng)度值；

③比較粒子個(gè)體適應(yīng)度與群體最優(yōu)值，選擇更優(yōu)者作為群體最優(yōu)值；

④按式（3）計(jì)算慣性權(quán)重ω，并更新粒子速度；

⑤若rand ＜CR，采用交叉算子更新粒子位置，否則用PSO算法進(jìn)行更新；

⑥當(dāng)達(dá)到終止條件時(shí)，輸出最優(yōu)解，否則轉(zhuǎn)至步驟②。

2.3 IDWPSO-K-means算法

據(jù)此，本文通過(guò)IDWPSO 算法優(yōu)化K-means初始聚類(lèi)中心的步驟如下。

（1）種群初始化，主要包含以下初始設(shè)置。

①設(shè)定粒子位置的最小值向量Zmin和最大值向量Zmax（其中Zmin和Zmax是依據(jù)所有樣本點(diǎn)的各維分量的最小值和最大值所構(gòu)成的向量而定），并設(shè)定粒子速度最大值Vmax。

②將數(shù)據(jù)集x中的n個(gè)樣本點(diǎn)在k個(gè)簇中隨機(jī)分配，按K-means 算法，根據(jù)式（2）計(jì)算k簇內(nèi)的樣本均值，將這k個(gè)均值作為聚類(lèi)中心并以此構(gòu)成一個(gè)粒子，不斷重復(fù)該過(guò)程，直至生成m個(gè)粒子。設(shè)這m個(gè)粒子為，其中為粒子i的位置，是第i個(gè)粒子的第j個(gè)聚類(lèi)中心（i=1,2,…,m;j=1,2,…,k）。

③原始m個(gè)粒子的適應(yīng)度函數(shù)fitness[19]為：

式（5）中：fitness(Xi)為第i個(gè)粒子的適應(yīng)度函數(shù)，其值越小，聚類(lèi)質(zhì)量越好。

④將粒子i的最優(yōu)適應(yīng)度Pbestfitness(i)的初值設(shè)為fitness(Xi(0))，最優(yōu)位置Pxbesti的初值設(shè)為，i=1,2,…,m。

⑤將所有粒子中Pbestfitness(i)的最小者賦值在全局最優(yōu)適應(yīng)度Gbestfitness(i)上，將下標(biāo)記為I，此時(shí)該粒子的對(duì)應(yīng)位置PxbestI為全局最優(yōu)位置Gxbest。

（2）生成下一代粒子群，根據(jù)式（6）～式（7）更新粒子i(i=1,2,…,m)的速度與位置，速度值在[-Vmax,Vmax]內(nèi)，當(dāng)rand ＜CR時(shí)，粒子位置更新算法采用式（4）中的交叉算子法，否則采用式（7）標(biāo)準(zhǔn)粒子群進(jìn)行位置更新。

式（6）～式（7）中：ω為改進(jìn)慣性權(quán)重，其計(jì)算方法如式（3）所示，可以權(quán)衡局部和全局最優(yōu)能力；r1和r2為獨(dú)立的隨機(jī)變量，取值在(0,1)區(qū)間；c1和c2為加速系數(shù)，用來(lái)控制迭代步長(zhǎng)，一般取值2.0[20]。

（5）找到所有粒子中最優(yōu)適應(yīng)度Pbestfitness(i)最小的值，作為全局最優(yōu)適應(yīng)度Gbestfitness(i)的值，并將該粒子的最優(yōu)位置賦為全局最優(yōu)位置Gxbest。

（6）若全局最優(yōu)位置Gxbest在多次迭代后仍未變化，則退出迭代，轉(zhuǎn)到（9）；否則繼續(xù)運(yùn)算。

（7）按式（8）降低慣性權(quán)重ω值[20]，式中參數(shù)含義同前。

（8）重復(fù)步驟（2）～步驟（7），直至迭代終止，轉(zhuǎn)到步驟（9）。

（9）將粒子群全局最優(yōu)位置Gxbest作為Kmeans 的聚類(lèi)中心進(jìn)行聚類(lèi)，即重復(fù)執(zhí)行以下幾個(gè)步驟。

①將數(shù)據(jù)集x中樣本點(diǎn)分配到離k個(gè)聚類(lèi)中心Gxbest1,Gxbest2,…,Gxbestk最近的簇。

②重新計(jì)算k個(gè)簇中心。

③重復(fù)以上兩步，直到k個(gè)簇中心無(wú)變化，或樣本點(diǎn)未被重新分配，則迭代結(jié)束，轉(zhuǎn)到步驟（10）。

（10）輸出k個(gè)聚類(lèi)中心，以及x的劃分。

由于K-means 算法的難點(diǎn)在于事先確定類(lèi)數(shù)k，因此本文預(yù)先設(shè)置多個(gè)k值，選取戴維森堡丁指數(shù)（Davies Bouldin Index,DBI）和標(biāo)準(zhǔn)偏差指數(shù)（Standard Deviation Based Index,STDI）[21]檢驗(yàn)各k值下的聚類(lèi)有效性，計(jì)算公式見(jiàn)式（9）和式（10），從而確定本文算法的聚類(lèi)數(shù)目。

式（9）中：Sp和Sq為第p類(lèi)和第q類(lèi)內(nèi)的元素與質(zhì)心的標(biāo)準(zhǔn)差；Dpq為第p類(lèi)和第q類(lèi)質(zhì)心間的歐氏距離；其他參數(shù)含義同前。式中括號(hào)內(nèi)分子越小則類(lèi)內(nèi)元素相似度越大，分母越大則各聚類(lèi)間相似度越小。因此，DBI值越小，聚類(lèi)結(jié)果越有效。

式（10）中：cp是類(lèi)p的質(zhì)心；是所有樣本的質(zhì)心；xμ是類(lèi)p的第μ個(gè)樣本；np是類(lèi)p的樣本數(shù)，k為類(lèi)簇?cái)?shù)。式中的分子表示各類(lèi)之間的方差，分子越大，則各聚類(lèi)間相似度越??；分母表示各類(lèi)內(nèi)的方差之和，分母越小，則類(lèi)內(nèi)元素相似度越大。因此，STDI值越大，聚類(lèi)結(jié)果越有效。

3 實(shí)例分析

本文選取蓋亞數(shù)據(jù)開(kāi)放計(jì)劃中?？谑?017年5 月22 日（周一）至7 月21 日（周五）兩個(gè)月的網(wǎng)約車(chē)訂單數(shù)據(jù)進(jìn)行分析，由于網(wǎng)約車(chē)需求變化特征不僅與一日內(nèi)的時(shí)段有關(guān)，也與星期的變化有關(guān)，因此本文分別從時(shí)段和星期兩個(gè)不同角度對(duì)網(wǎng)約車(chē)訂單數(shù)據(jù)進(jìn)行聚類(lèi)分析，借助Matlab R2019a，基于IDWPSO-K-means 算法聚類(lèi)分析網(wǎng)約車(chē)需求總量的時(shí)段特征和日特征。

3.1 基于時(shí)段特征的網(wǎng)約車(chē)需求聚類(lèi)分析

本文將單個(gè)調(diào)查日按10min間隔共劃分為144個(gè)時(shí)間序列，調(diào)查日總計(jì)61d，因此本文聚類(lèi)算法的數(shù)據(jù)處理對(duì)象共144（個(gè)/d）×61（d）=8784（個(gè)）。當(dāng)聚類(lèi)數(shù)目為2～10時(shí)，其DBI和STDI見(jiàn)表1。

表1 基于時(shí)段特征的IDWPSO-K-means聚類(lèi)檢驗(yàn)系數(shù)

由表1 可看出，當(dāng)聚類(lèi)數(shù)目為2 時(shí)，DBI=0.4167,STDI=3.1291，同時(shí)達(dá)到最優(yōu)，因此基于時(shí)段特征合適的聚類(lèi)數(shù)目為2，聚類(lèi)結(jié)果如表2所示。

表2 基于時(shí)段特征的IDWPSO-K-means聚類(lèi)結(jié)果

由表2可看出，IDWPSO-K-means算法將144個(gè)時(shí)段的需求量分為2 類(lèi)，0：00—7：20 和23：20—23：50 均處于網(wǎng)約車(chē)需求較低的時(shí)段，7：30—23：10 網(wǎng)約車(chē)需求較高，與日常經(jīng)驗(yàn)相似，分類(lèi)較為合理。

3.2 基于日特征的網(wǎng)約車(chē)需求聚類(lèi)分析

基于日特征聚類(lèi)的數(shù)據(jù)模式與基于時(shí)段特征聚類(lèi)相反，是對(duì)144 個(gè)時(shí)段中每個(gè)時(shí)段61d 的需求量進(jìn)行聚類(lèi)，觀(guān)察同一時(shí)段每天需求量的變化情況。此處采用9：00—9：10的時(shí)段數(shù)據(jù)進(jìn)行日特征聚類(lèi)，聚類(lèi)數(shù)目同樣取2～10時(shí)，DBI和STDI如表3所示。

表3 基于日特征的IDWPSO-K-means聚類(lèi)檢驗(yàn)系數(shù)

由表3 可看出，當(dāng)聚類(lèi)數(shù)目為4 時(shí)，DBI 和STDI同時(shí)達(dá)到最優(yōu)，因此基于日特征合適的聚類(lèi)數(shù)目為4。當(dāng)k=4時(shí)，聚類(lèi)結(jié)果如表4所示。

表4 基于日特征的IDWPSO-K-means聚類(lèi)結(jié)果

由表4 可知，IDWPSO-K-means 算法能較好地區(qū)分需求量不同的日期，同一時(shí)段中大部分周一至周三的需求量聚為穩(wěn)定的一類(lèi)、周五至周六大致聚為穩(wěn)定的一類(lèi)，與日常經(jīng)驗(yàn)較為相似，工作日的出行需求略低于非工作日的出行需求，分類(lèi)較為合理。個(gè)類(lèi)別中將工作日和非工作日分為一類(lèi)的原因是，個(gè)別工作日的網(wǎng)約車(chē)需求過(guò)高，與非工作日需求接近；或非工作日的需求量較低，與工作日的需求量接近，被看作異常的工作日或非工作日。

3.3 對(duì)比分析

為驗(yàn)證本文算法聚類(lèi)效果的有效性，選用聚類(lèi)誤差平方和和迭代次數(shù)作為聚類(lèi)評(píng)價(jià)指標(biāo)，并與K-means 算法和PSO-K-means 算法進(jìn)行對(duì)比。誤差平方和s的計(jì)算公式[18]為

式（11）中：xi為樣本點(diǎn)；ci為聚類(lèi)中心；ωi為第i個(gè)樣本集合；k為類(lèi)簇?cái)?shù)。

3.3.1 基于時(shí)段特征聚類(lèi)的對(duì)比分析

根據(jù)式（11）計(jì)算當(dāng)聚類(lèi)數(shù)目為2～10時(shí)，基于時(shí)段特征聚類(lèi)的3 種算法的誤差平方和，結(jié)果如表5所示，迭代次數(shù)如表6所示。

表5 基于時(shí)段特征聚類(lèi)的3種算法的誤差平方和

表6 基于時(shí)段特征聚類(lèi)的3種算法的迭代次數(shù)

由表5 可看出，PSO-K-means 算法和IDWPSO-K-means 算法聚類(lèi)結(jié)果的誤差平方和在任意聚類(lèi)數(shù)目下，均小于K-means 算法。當(dāng)k=2 時(shí)，IDWPSO-K-means 算法和PSO-K-means 算法得到了相同的聚類(lèi)中心和聚類(lèi)數(shù)目，因此，誤差平方和相等。僅當(dāng)k=3 時(shí)，IDWPSO-K-means 誤差平方和略大于PSO-K-means 算法。當(dāng)k=4～10 時(shí)，IDWPSO-K-means 算法的誤差平方和小于PSOK-means算法。

由表6 可看出，IDWPSO-K-means 算法和PSO-K-means 算法在聚類(lèi)數(shù)目為8 時(shí)，迭代次數(shù)略高于K-means 算法；在聚類(lèi)數(shù)目為6 時(shí)，IDWPSO-K-means 算法迭代次數(shù)略高于PSO-K-means算法，但低于K-means 算法；當(dāng)聚類(lèi)數(shù)目為2～5、7、9～10 時(shí)，IDWPSO-K-means 算法均有最小的迭代次數(shù)。

3.3.2 基于日特征聚類(lèi)的對(duì)比分析

比較基于日特征聚類(lèi)的3 種算法聚類(lèi)結(jié)果的誤差平方和及迭代次數(shù)，如表7和表8所示。

表7 基于日特征聚類(lèi)的3種算法的誤差平方和

表8 基于日特征聚類(lèi)的3種算法的迭代次數(shù)

由表7 可看出，PSO-K-means 算法和IDWPSO-K-means 算法的誤差平方和均小于K-means算法。當(dāng)k=8～10時(shí)，IDWPSO-K-means 算法的誤差平方和略大于PSO-K-means 算法；當(dāng)k=2～7時(shí)，IDWPSO-K-means 算法誤差平方和小于PSO-K-means算法。

由表8 可看出，IDWPSO-K-means 算法按日特征聚類(lèi)時(shí)，當(dāng)聚類(lèi)數(shù)目為9 時(shí)，其迭代次數(shù)略高于PSO-K-means 算法，但當(dāng)聚類(lèi)數(shù)目為2～8 和10 時(shí)，IDWPSO-K-means 算法的迭代次數(shù)低于或等于PSO-K-means算法。

由此可看出，無(wú)論是基于時(shí)段特征還是日特征對(duì)網(wǎng)約車(chē)需求進(jìn)行聚類(lèi)，本文提出的IDWPSOK-means 算法的聚類(lèi)效果均最優(yōu)，驗(yàn)證了本文算法的有效性。

3.4 基于聚類(lèi)結(jié)果的對(duì)策建議

基于時(shí)段特征考慮，IDWPSO-K-means 算法將144 個(gè)時(shí)間序列聚為2 類(lèi)，較好地識(shí)別出了不同時(shí)段內(nèi)網(wǎng)約車(chē)需求的規(guī)律性；聚類(lèi)結(jié)果較好區(qū)分了網(wǎng)約車(chē)需求量的時(shí)間變化階段，網(wǎng)約車(chē)運(yùn)營(yíng)商可基于此優(yōu)化資源配置，實(shí)現(xiàn)運(yùn)力的合理調(diào)度。當(dāng)網(wǎng)約車(chē)需求量處于高峰時(shí)段時(shí)，運(yùn)營(yíng)商需增加車(chē)輛供給，以滿(mǎn)足乘客的出行需求；當(dāng)處于需求量低峰階段時(shí)，運(yùn)營(yíng)商可適當(dāng)降低車(chē)輛供給，以壓縮成本支出，避免運(yùn)力浪費(fèi)，實(shí)現(xiàn)供需均衡。

基于日特征考慮，IDWPSO-K-means 算法將不同日期的需求量聚為4 類(lèi)，其中，同一時(shí)段內(nèi)大部分周一至周三被聚為穩(wěn)定的一類(lèi)（標(biāo)簽1），周五至周六被聚為穩(wěn)定的一類(lèi)（標(biāo)簽3），周日被聚為一類(lèi)（標(biāo)簽4）。相同類(lèi)別的網(wǎng)約車(chē)需求變化趨勢(shì)具有較高相似性，網(wǎng)約車(chē)運(yùn)行商可依據(jù)不同類(lèi)別下的交通需求，合理規(guī)劃網(wǎng)約車(chē)運(yùn)營(yíng)調(diào)度方案，實(shí)現(xiàn)合理的資源配置。針對(duì)個(gè)別星期屬性在多類(lèi)標(biāo)簽出現(xiàn)的情況，將其歸為異常類(lèi)別，如周四均勻出現(xiàn)在標(biāo)簽1與標(biāo)簽2中、周五出現(xiàn)在多類(lèi)標(biāo)簽中等，運(yùn)營(yíng)商需探查網(wǎng)約車(chē)需求量在該日突變的主要原因，確定是由于調(diào)度決策失誤、供需不均衡等內(nèi)在因素造成，還是由于天氣、大型活動(dòng)等外在因素導(dǎo)致，以提升對(duì)異常需求量的處理水平。

4 結(jié)語(yǔ)

本文首先對(duì)網(wǎng)約車(chē)訂單數(shù)據(jù)進(jìn)行了預(yù)處理，分析了網(wǎng)約車(chē)需求量的時(shí)段和日分布特征。然后針對(duì)K-means 算法的不足，提出了一種動(dòng)態(tài)調(diào)整慣性權(quán)重的粒子群優(yōu)化（IDWPSO-K-means）聚類(lèi)算法來(lái)優(yōu)化K-means 的初始聚類(lèi)中心。最后基于該算法考慮兩種不同的數(shù)據(jù)模式（時(shí)段特征和日特征）對(duì)海口市的網(wǎng)約車(chē)需求數(shù)據(jù)進(jìn)行聚類(lèi)分析。結(jié)果表明，基于時(shí)段特征的網(wǎng)約車(chē)需求量聚為2 類(lèi)，基于日特征的網(wǎng)約車(chē)需求量聚為4 類(lèi)，相同類(lèi)別的網(wǎng)約車(chē)需求變化趨勢(shì)具有較高的相似性。與K-means 算法和PSO-K-means 算法相比，IDWPSO-K-means 算法的誤差平方和和迭代次數(shù)2 個(gè)指標(biāo)的值均更優(yōu)，能更好地識(shí)別出需求量時(shí)變特征，為網(wǎng)約車(chē)實(shí)時(shí)調(diào)度和規(guī)劃提供依據(jù)。但本文僅針對(duì)網(wǎng)約車(chē)時(shí)間序列進(jìn)行了聚類(lèi)研究，尚未對(duì)城市傳統(tǒng)出租車(chē)需求展開(kāi)研究，未來(lái)可綜合挖掘不同時(shí)段和日期內(nèi)網(wǎng)約車(chē)與傳統(tǒng)出租車(chē)的需求變化規(guī)律，有助于更好地提升城市運(yùn)輸服務(wù)水平。