为加强危险货物道路运输风险源头管控,以危货运输车辆行驶轨迹数据为分析对象,研究安全、经济且符合企业自身偏好的道路运输路径优化选择问题,提出了基于偏好、上下文感知的危险货物道路运输个性化路径推荐方法。首先对危货运输车辆历...为加强危险货物道路运输风险源头管控,以危货运输车辆行驶轨迹数据为分析对象,研究安全、经济且符合企业自身偏好的道路运输路径优化选择问题,提出了基于偏好、上下文感知的危险货物道路运输个性化路径推荐方法。首先对危货运输车辆历史轨迹数据进行处理,通过提取路径安全和经济性特征学习危货运输企业的路径偏好,在此基础上,综合考虑偏好向量间的距离和方向相似性,提出了改进的K-means偏好聚类算法(improved K-means clustering algorithm based on distance and direction similarity measurement,DDM-K-means),获取了路径偏好类别;其次,依据运输任务执行的时间、天气、运距三方面信息,建立了路径上下文向量,并运用Rock聚类算法划分路径的上下文类别,与路径偏好类别共同构成路径信息;最终,基于神经协同过滤提出了危险货物道路运输路径选择优化算法(optimal route selection algorithm based on neural collaborative filtering,NCF-ORS),得到了危货运输企业对各路径类别的偏好排序,从而为企业推荐最优路径。与基线算法比较分析,结果表明危险货物道路运输个性化路径推荐方法<DDM-K-means,NCF-ORS>,平均绝对百分比误差最低。研究结果有助于挖掘车辆轨迹数据中更多的潜在信息,提升个性化路径推荐能力,可为危货运输企业的选线问题提供决策支持。展开更多
目前关于电动汽车充电路径推荐的研究大多从电动汽车与电网间的交互,以及电动汽车与交通网间的交互两个方面独立开展工作,很少将大规模电动汽车、配电网与道路交通网三方面作为一个整体开展研究,为此该文提出"车–网–路"系...目前关于电动汽车充电路径推荐的研究大多从电动汽车与电网间的交互,以及电动汽车与交通网间的交互两个方面独立开展工作,很少将大规模电动汽车、配电网与道路交通网三方面作为一个整体开展研究,为此该文提出"车–网–路"系统概念,并进行初步研究。在此基础上,对"道路交通网–配电网–大规模电动汽车"系统模型进行完善,该模型包括含有3种拓扑结构的10 k V配电网模型、基于北京市三环以内实际道路情况的道路交通网模型和以快速充电方式充电的大规模纯电动汽车(battery electric vehicle,BEV)模型,并建立配电网评价体系。基于路段权值思想和Dijkstra最短路径算法,提出一种大规模电动汽车最优充电站推荐和路径规划方法。在此基础上,利用Matlab和MATPOWER软件,对12 000辆纯电动汽车从上午6点到中午12点在路网中的行驶和充电情况进行仿真。结果表明,采用所提最优充电路径推荐策略,可一定程度上解决大规模电动汽车的充电行为带来局部道路交通拥堵以及配电网节点压降过大、线路功率损耗过多等安全、经济问题。展开更多
针对现有信任模型在推荐路径的预测及选取方面存在的问题,提出一种基于灰色-隐马尔科夫模型(grey&hidden M arkov model,G&HM M)的信任路径筛选及聚合算法.首先对推荐系统的所有推荐节点进行灰色聚类分析,过滤恶意推荐路径;引...针对现有信任模型在推荐路径的预测及选取方面存在的问题,提出一种基于灰色-隐马尔科夫模型(grey&hidden M arkov model,G&HM M)的信任路径筛选及聚合算法.首先对推荐系统的所有推荐节点进行灰色聚类分析,过滤恶意推荐路径;引入推荐接受程度衡量推荐节点的推荐可信度,然后基于灰色马尔科夫模型预测灰色推荐路径的推荐接受程度及其所在灰类状态;最后针对评价实体的观测序列构建隐马尔科夫模型,评估预测的最优推荐路径.仿真实验表明,与已有模型相比,该模型能够有效分离恶意推荐实体,提高推荐系统的有效性.展开更多
文摘为加强危险货物道路运输风险源头管控,以危货运输车辆行驶轨迹数据为分析对象,研究安全、经济且符合企业自身偏好的道路运输路径优化选择问题,提出了基于偏好、上下文感知的危险货物道路运输个性化路径推荐方法。首先对危货运输车辆历史轨迹数据进行处理,通过提取路径安全和经济性特征学习危货运输企业的路径偏好,在此基础上,综合考虑偏好向量间的距离和方向相似性,提出了改进的K-means偏好聚类算法(improved K-means clustering algorithm based on distance and direction similarity measurement,DDM-K-means),获取了路径偏好类别;其次,依据运输任务执行的时间、天气、运距三方面信息,建立了路径上下文向量,并运用Rock聚类算法划分路径的上下文类别,与路径偏好类别共同构成路径信息;最终,基于神经协同过滤提出了危险货物道路运输路径选择优化算法(optimal route selection algorithm based on neural collaborative filtering,NCF-ORS),得到了危货运输企业对各路径类别的偏好排序,从而为企业推荐最优路径。与基线算法比较分析,结果表明危险货物道路运输个性化路径推荐方法<DDM-K-means,NCF-ORS>,平均绝对百分比误差最低。研究结果有助于挖掘车辆轨迹数据中更多的潜在信息,提升个性化路径推荐能力,可为危货运输企业的选线问题提供决策支持。
文摘目前关于电动汽车充电路径推荐的研究大多从电动汽车与电网间的交互,以及电动汽车与交通网间的交互两个方面独立开展工作,很少将大规模电动汽车、配电网与道路交通网三方面作为一个整体开展研究,为此该文提出"车–网–路"系统概念,并进行初步研究。在此基础上,对"道路交通网–配电网–大规模电动汽车"系统模型进行完善,该模型包括含有3种拓扑结构的10 k V配电网模型、基于北京市三环以内实际道路情况的道路交通网模型和以快速充电方式充电的大规模纯电动汽车(battery electric vehicle,BEV)模型,并建立配电网评价体系。基于路段权值思想和Dijkstra最短路径算法,提出一种大规模电动汽车最优充电站推荐和路径规划方法。在此基础上,利用Matlab和MATPOWER软件,对12 000辆纯电动汽车从上午6点到中午12点在路网中的行驶和充电情况进行仿真。结果表明,采用所提最优充电路径推荐策略,可一定程度上解决大规模电动汽车的充电行为带来局部道路交通拥堵以及配电网节点压降过大、线路功率损耗过多等安全、经济问题。
文摘针对现有信任模型在推荐路径的预测及选取方面存在的问题,提出一种基于灰色-隐马尔科夫模型(grey&hidden M arkov model,G&HM M)的信任路径筛选及聚合算法.首先对推荐系统的所有推荐节点进行灰色聚类分析,过滤恶意推荐路径;引入推荐接受程度衡量推荐节点的推荐可信度,然后基于灰色马尔科夫模型预测灰色推荐路径的推荐接受程度及其所在灰类状态;最后针对评价实体的观测序列构建隐马尔科夫模型,评估预测的最优推荐路径.仿真实验表明,与已有模型相比,该模型能够有效分离恶意推荐实体,提高推荐系统的有效性.
