import numpy as np import pandas as pd import sklearn import Code_bus_correlation # import adregionf import fun import xfun import mutationnew import test import TOPSIS666 import crossnew import traceback import statistics import variancediy zhong = 8 for zhong in [zhong]: for chu in [zhong * 5]: pass df = pd.read_excel('links.xls') links = df.to_numpy() df = pd.read_excel('stationid.xls') stationid = df.to_numpy() df = pd.read_excel('stationidwan.xls') stationid = df.to_numpy() # for chuu in range(1, 17): # for dic in range(1): # tic() # chu = 10 # zhong = 2 # 给道路起点和终点标注序列，eg从1到500， # 因为一个路口可以是好几个道路的起点或终点，所以同一路口就会有同样的标记 node = np.concatenate((links[:, :2], links[:, 2:4]), axis=0) # np.concatenate 函数会将这两个子数组沿着轴 0 连接起来; # axis 是指在数组操作时沿着哪个轴进行操作。当axis=0时，表示在第一个维度上进行拼接操作。这里就是纵轴 noi = 1 node = np.hstack((node, np.zeros((len(node), 1)))) print(node.shape[0]) for i in range(node.shape[0]): # node.shape[0] 是指 node 数组的第一维大小，即 node 数组的行数 print(i) # node[:i, 0] 表示从 node 数组的第一行到第 i-1 行的所有行的第一列构成的数组 # np.where() 函数返回一个包含下标的元组，后面的[0]就代表返回第一个元素的下标 a = np.where(node[:i, 0] == node[i, 0])[0] b = np.where(node[:i, 1] == node[i, 1])[0] c = np.intersect1d(a, b) # intersect1d 返回两个数组的交集 if c.size > 0: x = c.shape[0] y = 1 else: x, y = 0, 1 # 在 node 数组的最后添加一列全为0的列，并将添加后的新数组重新赋值给 node if x > 0 and y > 0: node[i, 2] = node[min(c), 2] # 如果c是矩阵，则min(A)是包含每一列的最小值的行向量 else: node[i, 2] = noi noi += 1 node = np.concatenate((node[:int(len(node)/2), 2].reshape(-1, 1), node[int(len(node)/2):, 2].reshape(-1, 1)), axis=1) np.savetxt('node.txt', node) # 这里的links多加了一行才能yanlinks，但这样yanlinks就不对了 links = np.hstack((links, np.zeros((len(links), 1)))) links = np.hstack((links, np.zeros((len(links), 1)))) links = np.hstack((links, np.zeros((len(links), 1)))) yanlinks = np.concatenate((node, links[:, [5,6,7,4,0,1,2,3]], np.zeros((len(links), 4))), axis=1) yanlinks[:,4] = np.arange(1, len(yanlinks)+1) road = np.arange(1, node.shape[0] + 1) adjacency = np.zeros((len(road), len(road))) #初始化分区 for i in range(len(road)): temp1 = np.where(node[:, 0] == node[i, 0])[0] # 找出第一列每个数字在第一列出现的位置 temp2 = np.where(node[:, 1] == node[i, 0])[0] # 找出第一列每个数字在第二列出现的位置 temp3 = np.where(node[:, 0] == node[i, 1])[0] # 找出第二列每个数字在第一列出现的位置 temp4 = np.where(node[:, 1] == node[i, 1])[0] # 找出第二列每个数字在第二列出现的位置 temp = np.unique(np.intersect1d(np.arange(i + 1, node.shape[0]), np.concatenate((temp1, temp2, temp3, temp4)))) if len(temp) > 0: adjacency[i, temp] = 1 adjacency[temp, i] = 1 from sklearn.cluster import KMeans N = chu # 设置聚类数目 # 利用 K-Means 算法对 yanlinks 矩阵的第 7 列和第 8 列（即经度和纬度）进行聚类， # 将样本分成 N 类，idx是一个N x 2的矩阵，其中N是聚类数目。 # idx的每一行就是一个聚类中心，其中第一列是该中心的经度，第二列是该中心的纬度。 # 在计算每个点到聚类中心的距离时，就需要用到idx的值。 cur, idx = KMeans(n_clusters=N).fit(yanlinks[:, [6, 7]]).labels_, KMeans(n_clusters=N).fit(yanlinks[:, [6, 7]]).cluster_centers_ # 计算每个点到聚类中心的距离 dis = 111000 * np.sqrt((yanlinks[:, 6] - idx[:, 0].reshape(N, 1)) ** 2 + (yanlinks[:, 7] - idx[:, 1].reshape(N, 1)) ** 2) # 找到每个点最近的聚类中心，mm是最小值，nn是最小值在向量的索引 mm, nn = np.min(dis, axis=1, keepdims=True), np.argmin(dis, axis=1) data = links[:, 4] # links第五行是路的长度 if data.size > 0: m = data.shape[0] n = 1 else: m, n = 0, 1 pattern = np.zeros((m, n)) # zeros(m,n+1)返回由零组成的m×(n+1)数组 pattern[:, 0] = data # 前n列为data中的数据 pattern = np.hstack((pattern, np.zeros((len(pattern), 1)))) center = np.zeros((N, n)) # 初始化聚类中心 pattern[:, :n] = data.reshape(-1, n) # 初始化聚类中心 for x in range(0,N): center = np.hstack((center, np.zeros((len(center), 1)))) center[x, 1] = nn[x] center[x, 0] = data[int(center[x, 1])] pattern[int(center[x, 1]), 1] = x # 初始化距离和计数 distance = np.zeros(N) num = np.zeros(N) # 初始化新的聚类中心 new_center = np.zeros((N, n)) mb = 10 while mb > 1: print(mb) for x in range(0, N - 1): # x表示当前聚类的编号 try: yisou = adjacency[np.where(pattern[:, 1] == x + 1)[0], :] bound = np.where(np.sum(yisou, axis=0) > 0)[0] yisou = np.where(pattern[:, 1] > 0)[0] bound = np.setdiff1d(bound, yisou) # bound 是一个向量，表示与聚类 x 相关的未被分配到聚类中的道路的编号。 yisou = np.where(pattern[:, 1] == x + 1)[0] # 这里的yisou表示已经被分配到的道路编号 bus = [] for y in range(len(yisou)): # 变量 y 用于遍历所有被分配到第 x 个聚类的节点，并且在每次迭代中根据索引 y 从 stationid 矩阵中获取相应的信息。 # bus=[bus;stationid(find(stationid(:,6)==yisou(y)),7)]; for yicifangwen in stationid[:, 5]: # Python不能用矩阵来和一个数值比较 if yicifangwen == yisou[y]: yicifangwendesuoying = np.where(stationid[:, 5] == yicifangwen)[0] for dengyuyisourow in yicifangwendesuoying: extendbus = stationid[dengyuyisourow, 6] bus.append(extendbus) break bouvar = np.zeros((len(bound), 2)) for adad in range(len(bound)): # if var([bus;stationid(find(stationid(:,6)==bound(y)),7)])>0这里开始 #这里result要改！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！ # result只有一个数的时候是不能算方差的 abaac = variancediy((np.concatenate([bus, stationid[stationid[:, 5] == bound[adad], 6]])).tolist()) if len(np.concatenate([bus, stationid[stationid[:, 5] == bound[adad], 6]])) > 1 and abaac > 0: # np.var(np.concatenate((bus, stationid[stationid[:, 6] == bound[adad], 6]有可能为无穷大，当这里的两个变量为空集时 # bus 和stationid[stationid[:, 6] == bound[adad]不能直接和零比较，因为他们不是数 # pattern[yisou, 0]和pattern[bound[adad], 0]不是一个数据类型 yaozhuanchenfloat = np.float64(pattern[yisou-1, 0]) # 这里没问题！！！！！！！！！！！！ bouvar[adad, 0] = variancediy((yaozhuanchenfloat, pattern[bound[adad]-1, 0]))* variancediy((np.concatenate((bus, stationid[stationid[:, 5] == bound[adad], 6]))).tolist()) else: print(type(bus)) if variancediy(bus)> 0: # if var(bus)>0%已分配道路的速度方差 # print(pattern[yisou, 0]) yaozhuanchenfloat1 = np.float64(pattern[yisou-1, 0]) # 这里没问题！！！！ bouvar[adad, 0] = variancediy((yaozhuanchenfloat1, pattern[bound[adad]-1, 0])) + variancediy(bus) else: yaozhuanchenfloat2 = np.float64(pattern[yisou-1, 0]) bouvar[adad, 0] = variancediy((yaozhuanchenfloat2, pattern[bound[adad]-1, 0])) bouvar[adad, 1] = 111000 * np.sqrt(np.sum((yanlinks[yanlinks[:, 4] == bound[adad], 6:8] - idx[x-1 , :]) ** 2)) if bouvar.shape[0] > 1: a, b = TOPSIS666(bouvar) # TOPSIS是改好的 else: b = 1 except: continue