在居民数字肖像分类中应用PSO集成的K-means算法
Hongwei Yue1, Hejuan Zhang1, Yuqiao Dai2
1School of Marxism, Nanyang Institute of Technology, Nanyang, Henan, China.
PloS one
|August 14, 2025
概括
一个新的混合算法,粒子优化-K-means (PSO-KM),增强了对数字治理的居民数据集群. 这种方法提高了准确性和效率,为社区管理提供了更好的洞察力.
科学领域:
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
- 公共管理 公共管理
背景情况:
- 数字治理依赖于准确的居民概况,以提高行政效率.
- 传统的K-means集群面临着高维和复杂的居民数据的限制.
研究的目的:
- 引入一种新的混合算法,即粒子群集优化-K-手段 (PSO-KM),以改进居民数据集群.
- 在地方级治理中提高数字分析的准确性和计算效率.
主要方法:
- 整合粒子群集优化 (PSO) 进行全球优化,并使用K-means进行代改进.
- 使用PSO-KM对2023年起的综合居民数据进行集群中心的动态更新.
- 与传统的 (例如GA-K) 和先进的 (例如DBSCAN) 聚类方法进行比较分析.
主要成果:
- PSO-KM表现出优异的集群性能,轮得分为0.752 ± 0.021和集群间距离为1.493 ± 0.036.
- 行为数据表现出最高的分类性能 (轮值为0.184),表明动态特征的意义.
- 细分分析显示了收入水平的不同主导特征:人口 (低收入),行为 (中等收入) 和社交网络 (高收入).
结论:
- 该PSO-KM算法在为数字治理提供居民概况方面取得了重大进展.
- 从PSO-KM细分获得的见解可以为目标社区管理策略提供信息.
- 该研究强调了先进的集群技术的潜力,以完善基层数字治理实践.
