مقایسه روش های میانگین کی و سی فازی برای خوشه‌بندی داده‌های رانندگی اسنپ در شهر تهران

امروزه به دلیل افزایش میزان آلایندگی‌ها، افزایش هزینه‌های حمل‌ونقل و گسترش و رقابت روزافزون صنایع خودروسازی، استخراج چرخه‌های رانندگی اهمیت روزافزونی پیدا کرده است. یکی از مهم‌ترین بخش‌های به‌دست‌آوردن چرخه‌های رانندگی، دسته‌بندی مسیر مورد آزمایش به مسیرهای مختلف است تا بتوان بر اساس آن چرخه نهایی را به دست آورد. در این مقاله، با استفاده از داده‌های جمع‌آوری‌شده از یک روز رانندگی اسنپ شهر تهران به بررسی روش‌های خوشه‌بندی میانگین کی و میانگین سی در دو نرم‌افزار آر و متلب برای تدوین چرخه رانندگی پرداخته شده است. نتایج نشان داده است که میزان و انعطاف و همچنین زمان محاسبه در این دو خوشه‌بندی با استفاده از هر دو نرم‌افزار متفاوت بوده و میانگین سی انعطاف و دقت بیشتری داشته و زمان بیشتری را صرف می‌کند. ضمنا برای انجام محاسبات، درحالی‌که میانگین کی روش موثرتری بوده و زمان کمتری برای محاسبات نیاز دارد.

comparison of k-means and fuzzy c-means clustering methods for snapp driving data in tehran

nowadays, due to the increase in pollution levels, rising transportation costs, and the expanding and increasingly competitive automotive industries, the extraction of driving cycles has gained growing importance. one of the most crucial aspects of obtaining driving cycles is the classification of the tested route into different paths to derive the final cycle based on it. in this article, using data collected from a day of snapp driving in tehran, the clustering methods of k-means and fuzzy c-means were investigated in two software environments, r and matlab, for the formulation of driving cycles. the results indicated that the flexibility and computation time in two clustering methods differed when using both types of software, and fuzzy c-means exhibited higher flexibility and accuracy but required more time durations for calculations, whereas k-means proved to be a more-efficient method and required less time for computations.