基于K均值聚类与随机森林算法的居民低碳出行意向数据挖掘

论文摘要

对居民低碳意识的形成机理进行研究,可以为交通管理者引导城市居民选择低碳出行方式提供重要依据.运用数据挖掘技术对低碳出行问卷数据进行分析;将计划行为理论框架下的15维问题视为表征居民低碳出行意愿的内在原因变量,应用K均值聚类算法对居民低碳出行意愿强度进行归类,并将所得结果作为被解释变量应用于随机森林模型中,探讨居民的社会属性特征、出行特征等对其低碳出行意愿的作用机理.结果表明:基于Silhouette指标检验及t-SNE降维,居民低碳出行意愿可划分为3类:强烈、中立、不强烈;基于重要性指标显示影响最为显著的4项因素分别是居民的职业、居住地、家庭构成、通勤时间.研究结果从多个角度为城市交通低碳化发展及管理提供政策建议.

论文目录

• 1 低碳出行意愿数据采集与分析
• 2 K均值聚类算法在居民意愿类型划分中的应用
•   2.1 低碳出行意愿数据的K均值聚类算法
•     2.1.1 基于序列比对的相似性函数定义
•       1) Levenshtein距离 （LAB）
•       2) 欧式距离 （DAB）
•     2.1.2 低碳出行意愿的K均值聚类算法实现
•   2.2 低碳出行意愿的K均值聚类结果分析
•     2.2.1 分类数的确定
•     2.2.2 聚类结果的可视化
• 3 基于随机森林的居民低碳出行意愿形成机理分析
•   3.1 变量选择
•   3.2 模型参数估计
•   3.3 随机森林模型结果分析
• 4 结语

文章来源

类型: 期刊论文

作者: 吴文静,景鹏,贾洪飞,张铭航

关键词: 低碳出行意愿,数据挖掘,均值聚类,随机森林,指标检验

来源: 华南理工大学学报(自然科学版) 2019年07期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 公路与水路运输

单位: 吉林大学交通学院,江苏大学汽车与交通工程学院

基金: 教育部人文社会科学研究项目(19YJCZH189)~~

分类号: U491

页码: 105-111

总页数: 7

文件大小: 731K

下载量: 571