基于聚类算法的交通网络节点重要性评价方法研究.pdf

节选段落一：
3 基于K-means算法和随机森林加权
的改进FCM算法
不同于传统的聚类算法是一种硬划分，严格地
将某个样本划分到某一类中去，模糊聚类是一种软
划分，通过表达样本隶属于各个类别的程度，来描述
82
样本对于类别的不确定性。在交通网络中，同一
类节点的属性（介数、交通量、PageRank值等）具有
一定的相似性，但对于节点重要性的描述多是“关
键”“重要”或者是“不重要”等模糊性表达，研究者
难以对其进行明确的界定，使得节点重要性程度
的划分存在模糊性。因此，模糊聚类更适用于解决
这类软划分问题，能够更客观地刻画出节点重要性
程度[11-13]。


节选段落二：
初始
聚类中心选取得是否恰当直接影响算法迭代次数的
多少和计算时间的长短，并且，不恰当的初始聚类中
心容易导致算法陷入局部最优解[15]。
K-means算法，是得到了最为广泛使用的聚类
算法。它是一种迭代优化算法，收敛速度极快[16]，可
以得到与 FCM算法相近的聚类中心。因此，将
K-means算法得到的聚类中心作为FCM算法的初
始聚类中心，不仅可以大大减少迭代次数，还能降低
算法陷入局部最优解的可能性。


节选段落三：
4.1.4 改进FCM算法应用结果
本文将节点重要性分为 5个级别：“关键”“重
要”“较为重要”“普通”“不重要”，故聚类类数取5，各
类分别对应一个重要性级别。根据样本数据的性
质，选取模糊指数 m = 2 ，迭代终止阈值 ε = 0.001 。
将实验数据输入到改进FCM算法中，算法结果见
图4。
由于聚类只能将具有相似属性的事物聚为一
类，而不能给出类与类之间的等级关系，因此本文以
节点交通量大小作为类的重要性级别的确定依据。
对算法结果进行统计，得到表 2。