基于无监督学习的交通网络拓扑分类
机器学习
2023-11-27 v1
摘要
随着城市化进程加快，交通在城市发展中扮演着日益关键的角色。关于交通系统建模、优化、仿真与数据分析的研究数量不断上升。其中许多研究利用交通测试网络来表示城市地区的真实交通系统，以检验其所提方法的有效性。这些网络在拓扑结构上各具特征，使其针对不同研究目标的应用有所区别。尽管它们在研究中被广泛使用，但缺乏基于拓扑特征对这些网络进行分类的综合性研究。本研究旨在填补这一空白，采用无监督学习方法，特别是聚类。我们提出了一个评估多种拓扑网络特征的综合性框架。此外，我们采用两种降维技术，即主成分分析（PCA）和等距特征映射（ISOMAP），以减少高度相关特征的重叠并增强后续分类结果的可解释性。随后我们利用两种聚类算法，K-means 和 HDBSCAN，对 14 个交通网络进行分类。PCA 方法结合 K-means 聚类方案以 0.510 的轮廓系数优于其他方案，将交通网络划分为五个簇。我们还对所得分类进行了详细讨论。
引用
@article{arxiv.2311.13887,
title = {Unsupervised Learning for Topological Classification of Transportation Networks},
author = {Sina Sabzekar and Mohammad Reza Valipour Malakshah and Zahra Amini},
journal= {arXiv preprint arXiv:2311.13887},
year = {2023}
}