《表1 司机聚类准确性示例》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于网络社团划分方法的多维数据聚类研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

其中:ni为司机i行驶的总趟数；Cl为分类结果；nicl为第Cl类中该司机的行车趟数；max{nicl}表示该司机行驶记录最多的趟数聚到某类中的数量。理想状态下，单个司机的驾驶记录都会分到一个类中，那么max{nicl}/ni=1；m为司机总数。最终对所有司机的分类准确性计算均值，得到平均分类准确性，司机聚类准确性示例如表1所示。从表1可得，司机1仅驾驶了车1，这三趟驾驶行为差异较小，均被分到类1中，那么该司机的分类准确性为100%。司机2驾驶过车2和车3，驾驶两辆车行为差异不大，司机2的所有记录都分到了类2，分类准确性为100%。司机3驾驶过车4和车5，驾驶车4的三趟记录分到了类1，驾驶车5的两趟记录分到了类2，分类准确性为3/5×100%=60%。最终得到的3个司机的平均分类准确性为（100%+100%+60%）/3=86.67%。为了对比上述方法的优缺点，本文设置聚类簇的个数为3，采用K-means算法对划分好的趟数据进行聚类分析，得到K-means算法的结果。根据同样的分类准确性验证方法，验算K-means算法计算的平均准确性为75%，而Blondel算法在阈值确定的情况下准确率为92.5%，相比K-means算法准确率明显提高。