現(xiàn)有的汽車客運(yùn)服務(wù)存在信息資源整合不完善,管理思想老舊等問(wèn)題,導(dǎo)致客運(yùn)服務(wù)不適應(yīng)市場(chǎng)。乘客的出行受現(xiàn)有的城際汽車客運(yùn)的局限性因素影響,致使其出行體驗(yàn)較差。汽運(yùn)客車的訂單調(diào)度方式直接影響客運(yùn)服務(wù)的質(zhì)量,當(dāng)前的調(diào)度方式是采用多名調(diào)度人員人工調(diào)度,其調(diào)度方式需要投入大量的人力資源、時(shí)間成本高、調(diào)度效率低,同時(shí)還需要工作人員有較多訂單調(diào)度經(jīng)驗(yàn),無(wú)法保證調(diào)度結(jié)果的準(zhǔn)確性和合理性。在這樣的形勢(shì)下,如何提高汽運(yùn)客車訂單調(diào)度的效率,成為提升乘客服務(wù)體驗(yàn)的關(guān)鍵一環(huán)。實(shí)踐證明,利用高效的智能調(diào)度算法可顯著提升訂單調(diào)度的質(zhì)量,有利于改善用戶體驗(yàn),提高汽運(yùn)公司的運(yùn)營(yíng)效率,使客運(yùn)資源得以更加合理的利用。本文結(jié)合數(shù)據(jù)挖掘中的聚類分析方法和專家規(guī)則的組合優(yōu)化方法,提出了汽車客運(yùn)的一種智能調(diào)度算法。通過(guò)借鑒網(wǎng)約車平臺(tái)的調(diào)度模式,把小巴車代替大巴車的出行模式融入汽車客運(yùn)服務(wù),對(duì)用戶多樣化的需求進(jìn)行分析,建立合理的多維度（乘客人數(shù)、出發(fā)時(shí)間、發(fā)車點(diǎn)地址）車輛資源自動(dòng)派單服務(wù)模型,主要包括增量調(diào)度和全局調(diào)度兩個(gè)模塊,分別實(shí)現(xiàn)對(duì)新進(jìn)訂單的預(yù)處理和訂單組全局優(yōu)化處理。根據(jù)訂單的多維度屬性和實(shí)際發(fā)車情況所設(shè)的約束條件,基于Can... 

【文章來(lái)源】：山西大學(xué)山西省

【文章頁(yè)數(shù)】：53 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

三個(gè)最

腫椋?緯啥┑サ拇�。最汗a諍獻(xiàn)?夜嬖虻淖楹嫌嘔?椒ǘ遠(yuǎn)┑ゴ亟?寫?恚??成合理的訂單組合方案（全局調(diào)度），從而實(shí)現(xiàn)自動(dòng)調(diào)度客運(yùn)訂單的目的。3.2Canopy-Kmeans算法3.2.1Canopy-Kmeans算法的基本思路Canopy-Kmeans算法是對(duì)K均值算法的一種改進(jìn)算法，其算法分為兩個(gè)基本階段。第一階段使用Canopy算法對(duì)數(shù)據(jù)集合進(jìn)行預(yù)處理，可以快速的將數(shù)據(jù)按距離劃分到一個(gè)Canopy子集中[55]。數(shù)據(jù)中的所有對(duì)象全部歸為各個(gè)Canopy中。第二階段則使用所得到的Canopy中心點(diǎn)作為K-means算法的K值和初始質(zhì)心點(diǎn)。算法流程如圖3.1所示。圖3.1Canopy-Kmeans算法流程K-means迭代Canopy中心點(diǎn)生成數(shù)據(jù)集劃分K值及中心點(diǎn)標(biāo)注聚類劃分聚類結(jié)果生成

腫椋?緯啥┑サ拇�。最汗a諍獻(xiàn)?夜嬖虻淖楹嫌嘔?椒ǘ遠(yuǎn)┑ゴ亟?寫?恚??成合理的訂單組合方案（全局調(diào)度），從而實(shí)現(xiàn)自動(dòng)調(diào)度客運(yùn)訂單的目的。3.2Canopy-Kmeans算法3.2.1Canopy-Kmeans算法的基本思路Canopy-Kmeans算法是對(duì)K均值算法的一種改進(jìn)算法，其算法分為兩個(gè)基本階段。第一階段使用Canopy算法對(duì)數(shù)據(jù)集合進(jìn)行預(yù)處理，可以快速的將數(shù)據(jù)按距離劃分到一個(gè)Canopy子集中[55]。數(shù)據(jù)中的所有對(duì)象全部歸為各個(gè)Canopy中。第二階段則使用所得到的Canopy中心點(diǎn)作為K-means算法的K值和初始質(zhì)心點(diǎn)。算法流程如圖3.1所示。圖3.1Canopy-Kmeans算法流程K-means迭代Canopy中心點(diǎn)生成數(shù)據(jù)集劃分K值及中心點(diǎn)標(biāo)注聚類劃分聚類結(jié)果生成

【參考文獻(xiàn)】：
期刊論文
[1]基于數(shù)據(jù)挖掘理論的心血管疾病預(yù)警方法建模[J]. 白賀伊.  信息技術(shù). 2020(02)
[2]人工智能與數(shù)據(jù)挖掘技術(shù)在金融市場(chǎng)中的應(yīng)用[J]. 王娟,姚雪筠.  電子商務(wù). 2020(02)
[3]基于聚類分析和層次分析法的湖南省水生態(tài)文明評(píng)價(jià)指標(biāo)體系構(gòu)建[J]. 山紅翠,盛東,徐幸儀.  水資源開(kāi)發(fā)與管理. 2020(01)
[4]基于聚類分析的艦船沖擊環(huán)境區(qū)域劃分方法[J]. 張春輝,張磊,趙海江,胡易舟,李海濤.  中國(guó)艦船研究. 2020(05)
[5]數(shù)據(jù)挖掘技術(shù)在軟件工程中的應(yīng)用[J]. 楊品軍.  電子技術(shù)與軟件工程. 2020(01)
[6]基于PSO-KMeans算法的MATLAB（GUI）圖像分割系統(tǒng)平臺(tái)開(kāi)發(fā)應(yīng)用[J]. 陳興志,樂(lè)文濤,王代文,黃飛翔,劉乃瑤.  國(guó)外測(cè)井技術(shù). 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]最近鄰優(yōu)化的k-means聚類算法[J]. 林濤,趙璨.  計(jì)算機(jī)科學(xué). 2019(S2)
[9]分布式MVC-Kmeans算法設(shè)計(jì)與實(shí)現(xiàn)[J]. 汪晶,鄒學(xué)玉,喻維明,孫詠.  長(zhǎng)江大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[10]汽運(yùn)物流供應(yīng)鏈的構(gòu)建和應(yīng)用研究[J]. 李佳民,林溫建.  中國(guó)物流與采購(gòu). 2019(10)

博士論文
[1]基于數(shù)據(jù)挖掘的道路交通事故分析研究[D]. 孫軼軒.北京交通大學(xué) 2014
[2]聚類分析中的相似性度量及其應(yīng)用研究[D]. 白雪.北京交通大學(xué) 2012

碩士論文
[1]基于JSON的互聯(lián)網(wǎng)異構(gòu)數(shù)據(jù)整合的應(yīng)用研究[D]. 朱峰.南京郵電大學(xué) 2016
[2]多語(yǔ)言社會(huì)化標(biāo)簽聚類及可視化研究[D]. 顧曉雪.南京理工大學(xué) 2015
[3]基于Map-Reduce并行聚類算法的研究[D]. 于春深.西安電子科技大學(xué) 2012
[4]基于紋理分類的圖像檢索技術(shù)研究[D]. 馬媛媛.河南理工大學(xué) 2010
[5]基于Voronoi的平面數(shù)據(jù)的聚類分析[D]. 向佐勇.湘潭大學(xué) 2009
[6]基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)的研究與設(shè)計(jì)[D]. 張里.重慶大學(xué) 2008
[7]聚類分析在圖像分類中的應(yīng)用研究[D]. 郝永寬.內(nèi)蒙古科技大學(xué) 2008
[8]關(guān)聯(lián)挖掘在科研管理系統(tǒng)中的應(yīng)用研究[D]. 于帥.大連海事大學(xué) 2007
[9]基于多Agent的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)的研究[D]. 雷雁.南京信息工程大學(xué) 2005



本文編號(hào)：3483715