201 lines
8.5 KiB
Python
201 lines
8.5 KiB
Python
|
||
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 TOPSIS
|
||
import crossnew
|
||
import traceback
|
||
import statistics
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
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
|
||
|
||
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=1:length(yisou)
|
||
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 = TOPSIS(bouvar) # TOPSIS是改好的
|
||
|
||
else:
|
||
b = 1
|
||
|
||
|
||
mb = np.sum(pattern[:, 1] == 0)
|
||
|
||
|