CN114912854B - 地铁列车运行调整方法、装置、电子设备及存储介质 - Google Patents

地铁列车运行调整方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114912854B
CN114912854B CN202210839166.7A CN202210839166A CN114912854B CN 114912854 B CN114912854 B CN 114912854B CN 202210839166 A CN202210839166 A CN 202210839166A CN 114912854 B CN114912854 B CN 114912854B
Authority
CN
China
Prior art keywords
passenger flow
information
target
time period
historical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210839166.7A
Other languages
English (en)
Other versions
CN114912854A (zh
Inventor
杜晓瑞
王紫成
何富君
耿鹏
李金壑
孙鹏远
闫博
刘睿冉
徐硕
李俊松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CRSC Urban Rail Transit Technology Co Ltd
Original Assignee
CRSC Urban Rail Transit Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CRSC Urban Rail Transit Technology Co Ltd filed Critical CRSC Urban Rail Transit Technology Co Ltd
Priority to CN202210839166.7A priority Critical patent/CN114912854B/zh
Publication of CN114912854A publication Critical patent/CN114912854A/zh
Application granted granted Critical
Publication of CN114912854B publication Critical patent/CN114912854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/10—Operations, e.g. scheduling or time tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06314—Calendaring for a resource
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Mechanical Engineering (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种地铁列车运行调整方法、装置、电子设备及存储介质，涉及轨道交通技术领域，该方法包括：根据目标站点在目标时段的相邻时间客流信息、历史同期客流信息和目标站点在目标时段的社会环境影响信息，确定所述目标站点在目标时段的客流相关数据；将所述目标站点在目标时间段的客流相关数据输入训练好的反向传播神经网络，输出目标站点在目标时间段的预测客流信息；基于客流变化响应案例库和K均值聚类算法对所述预测客流信息和所述社会环境影响信息进行分类，得到目标站点在目标时段的列车运行调整方案。

Description

地铁列车运行调整方法、装置、电子设备及存储介质
技术领域
本发明涉及轨道交通技术领域，尤其涉及一种地铁列车运行调整方法、装置、电子设备及存储介质。
背景技术
近年来，随着交通运输基础设施建设的大力推进，城市轨道交通建设进入快速发展阶段，作为城市公共交通***的重要组成部分，地铁凭借运量大、速度快、效率高的优点，成为城市居民出行首选的交通方式之一。但随着大规模的地铁路网建设、地铁客运量的增长以及各类突发事件的影响，短时客流突变等现象成为地铁运营部门亟待解决的关键问题，其问题核心在于工作人员未能准确感知客流变化及时响应。
因此，如何更好的感知客流变化，进行地铁列车运行调整已经成为业界亟待解决的问题。
发明内容
本发明提供一种地铁列车运行调整方法、装置、电子设备及存储介质，用以解决现有技术中难以有效感知客流变化，进行地铁列车运行调整的缺陷。
本发明提供一种地铁列车运行调整方法，包括：
根据目标站点在目标时段的相邻时间客流信息、历史同期客流信息和目标站点在目标时段的社会环境影响信息，确定所述目标站点在目标时段的客流相关数据，其中，所述社会环境影响信息包括：节假日信息、大型活动信息、天气信息和紧急事件信息；
将所述目标站点在目标时间段的客流相关数据输入训练好的反向传播神经网络，输出目标站点在目标时间段的预测客流信息；
基于客流变化响应案例库和K均值聚类算法对所述预测客流信息和所述社会环境影响信息进行分类，得到目标站点在目标时段的列车运行调整方案，其中，所述客流变化响应案例库中目标站点的每个客流变化响应案例均包括历史社会环境影响信息、历史客流数据和历史列车运行调整方案。
根据本发明提供的一种地铁列车运行调整方法，在所述将目标时间段的客流相关数据输入训练好的反向传播神经网络之前，还包括：
构建所述目标站点的初始客流相关数据样本，其中，所述初始客流相关数据样本包括：历史早晚高峰-平峰-低峰划分数据、历史节假日信息、历史大型活动信息、历史天气信息和历史紧急事件数据；
对所述初始客流相关数据样本进行数据预处理，得到客流相关数据样本。
根据本发明提供的一种地铁列车运行调整方法，在所述得到客流相关数据样本之后，还包括：
获取每个所述客流相关数据样本对应的客流数据标签；
将每个所述客流相关数据样本和所述客流数据标签的组合作为一个训练样本，获得多个训练样本，利用所述多个训练样本对预设神经网络进行训练。
根据本发明提供的一种地铁列车运行调整方法，利用所述多个训练样本对预设神经网络进行训练，包括：
对于任意一个训练样本，将所述训练样本输入至所述预设神经网络，输出所述训练样本对应的预测客流数据；
利用预设损失函数根据所述训练样本对应的预测客流数据和所述训练样本中的客流数据标签计算损失值；
若所述损失值小于预设阈值，则所述预设神经网络训练完成，得到训练好的反向传播神经网络。
根据本发明提供的一种地铁列车运行调整方法，在所述输出目标站点在目标时间段的预测客流信息以后，还包括：
基于所述预测客流信息构建时间步长为15min样本大小为10的相邻时段客流信息时间序列；
基于曼－肯德尔检验法对所述客流信息序列进行分析，得到所述目标站点在目标时间段的客流变化趋势信息；
基于所述客流变化趋势信息生成列车运行调整提示信息。
本发明还提供一种地铁列车运行调整装置，包括：
确定模块，用于根据目标站点在目标时段的相邻时间客流信息、历史同期客流信息和目标站点在目标时段的社会环境影响信息，确定所述目标站点在目标时段的客流相关数据，其中，所述社会环境影响信息包括：节假日信息、大型活动信息、天气信息和紧急事件信息中的至少一项；
输出模块，用于将所述目标站点在目标时间段的客流相关数据输入训练好的反向传播神经网络，输出目标站点在目标时间段的预测客流信息；
调整模块，用于基于客流变化响应案例库和K均值聚类算法对所述预测客流信息和所述社会环境影响信息进行分类，得到目标站点在目标时段的列车运行调整方案，其中，所述客流变化响应案例库中目标站点的每个客流变化响应案例均包括历史社会环境影响信息、历史客流数据和历史列车运行调整方案。
根据本发明提供的地铁列车运行调整装置，所述装置还包括：
构建模块，用于构建所述目标站点的初始客流相关数据样本，其中，所述初始客流相关数据样本包括：历史早晚高峰-平峰-低峰划分数据、历史节假日信息、历史大型活动信息、历史天气信息和历史紧急事件数据；
预处理模块，用于对所述初始客流相关数据样本进行数据预处理，得到客流相关数据样本。
根据本发明提供的地铁列车运行调整装置，所述装置还包括：
获取模块，用于获取每个所述客流相关数据样本对应的客流数据标签；
训练模块，用于将每个所述客流相关数据样本和所述客流数据标签的组合作为一个训练样本，获得多个训练样本，利用所述多个训练样本对预设神经网络进行训练。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述地铁列车运行调整方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述地铁列车运行调整方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述地铁列车运行调整方法。
本发明提供的一种地铁列车运行调整方法、装置、电子设备及存储介质，通过充分考虑早晚高峰、节假日、大型活动、恶劣天气、紧急事件等影响因子构建的目标站点在目标时间段的客流相关数据，通过训练好的反向传播神经网络确定目标时间段的预测客流信息，能够有效的实现客流变化感知和预测，并根据该预测客流信息进一步结合K均值聚类算法来确定目标站点在目标时段的列车运行调整方案，本申请实施例采用科学有效的分析方法挖掘客流数据，精准掌握客流变化，通过合理的运营组织，高效的管理与决策，保证城市轨道交通***良好运转，同时可以为城市轨道交通运营组织设计提供重要参考依据，有利于提高城市轨道交通***运能，提升运营效率，提升乘客服务水平，降低运营成本。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的地铁列车运行调整方法；
图2为本申请实施例提供的反向传播神经网络结构示意图；
图3为本申请实施例提供的地铁列车运行调整装置结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本申请实施例提供的地铁列车运行调整方法，包括：
步骤110，根据目标站点在目标时段的相邻时间客流信息、历史同期客流信息和目标站点在目标时段的社会环境影响信息，确定所述目标站点在目标时段的客流相关数据，其中，所述社会环境影响信息包括：节假日信息、大型活动信息、天气信息和紧急事件信息；
具体地，本申请实施例中，由于每个地铁站点的客流量差异较大，需要针对于每个目标站点的具体情况来进行地铁列车运行调整分析，因此本申请实施例中所描述的目标站点具体可以是指需要进行地铁运行调整的地铁站点。
本申请实施例中所描述的目标时刻，可以是未来还未发生的某个时间段，即该目标时刻具体可以是指希望进行预测的目标时刻。
本申请实施例中所描述的相邻时间客流信息具体可以是指与目标时段相邻的时间段的客流信息，其具体可以是早于目标时段且与目标相邻的时间段的客流信息，例如，目标时段为本周一11:00-12:00这个时间段，此时相邻时间客流信息可以是在本周一10：00-11:00这个时间段内的客流信息。
在一些实施例中，由于目标时间段是未来的时间段，因此相邻时间客流信息可以是指当前时间段的客流信息。
本申请实施例中所描述的历史同期客流信息，具体可以是历史数据中，同样处于目标时段的客流信息，例如，若目标时段为本周一11:00-12:00这个时间段，此时历史同期客流信息可以是上周一11:00-12:00这个时间段的客流信息。
本申请实施例中所描述的社会环境影响信息具体可以是指会影响地铁客流变化的因素，其具体可以包括可预见性的早晚高峰、节假日、大型活动等，还包括不可预见的恶劣天气、紧急事件等；对应地，本申请中的社会环境影响信息会包括节假日信息、大型活动信息、天气信息和紧急事件信息。
本申请实施例中所描述的客流相关数据是指目标时间段内的相邻时间客流信息、历史同期客流信息和社会环境影响信息组成的数据组。
本申请实施例中通过多种数据因素的考虑，从而能更准确的实现对于客流的预测。
步骤120，将所述目标站点在目标时间段的客流相关数据输入训练好的反向传播神经网络，输出目标站点在目标时间段的预测客流信息；
具体地，本申请实施例中所描述的训练好的反向传播神经网络是基于携带有客流数据标签的客流相关数据样本训练得到的，该客流数据标签标记了该客流相关数据样本对应的实际客流人数，该客流相关数据样本中包括了目标站点、历史早晚高峰-平峰-低峰划分数据、历史节假日信息、历史大型活动信息、历史天气信息和历史紧急事件数据。
本申请实施例中训练好的反向传播神经网络可以在输入目标时间段的客流相关数据之后，输出目标时间段的预测客流信息。
在本申请实施例中通过训练好的反向传播神经网络可以有效预测目标站点在目标时间段的预测客流信息，然后根据该预测客流信息进一步进行列车运行调整方案的确定。
步骤130，基于客流变化响应案例库和K均值聚类算法对所述预测客流信息和所述社会环境影响信息进行分类，得到目标站点在目标时段的列车运行调整方案，其中，所述客流变化响应案例库中目标站点的每个客流变化响应案例均包括历史社会环境影响信息、历史客流数据和历史列车运行调整方案。
本申请实施例中所描述的客流变化响应案例库可以是根据历史数据建立的案例库，该案例库中包括多个客流变化响应案例，且每个客流变化响应案例均对应一个历史事件，其包括历史社会环境影响信息、历史客流数据和历史列车运行调整方案，其具体可以涵盖：历史客流信息、历史早晚高峰-平峰-低峰信息、历史节假日信息、历史大型活动信息、历史天气信息、历史紧急事件信息、历史动态管控措施、历史车站信息、历史线路信息。
本申请实施例中所描述的客流变化响应案例的表现形式可以如下表1所示：
表1
Figure 345343DEST_PATH_IMAGE001
本申请实施例中，在获取预测客流信息和其对应的社会环境影响信息之后，可以将其作为一组待分类数据，根据该待分类数据与客流变化响应案例库中的各个客流变化响应案例进行聚类运算，该聚类运算的过程如下所示：
Step 1：初始化
Figure 957590DEST_PATH_IMAGE002
个聚类中心；
Step 2：计算每个数据与各个聚类中心之间的距离，并将其分配给距离最近的聚类中心；
Step 3：聚类划分结束后，重新计算聚类中心，返回Step 2中，不断重复上述步骤， 直至达到迭代终止条件，迭代终止条件为达到规定的误差或者迭代达到最大迭代次数，对 于样本
Figure 917587DEST_PATH_IMAGE003
，其目标函数如下，其中，
Figure 7902DEST_PATH_IMAGE004
为第k个聚类中心；m表示聚类数；
Figure 2534DEST_PATH_IMAGE005
表示
Figure 254524DEST_PATH_IMAGE006
与
Figure 979115DEST_PATH_IMAGE007
之间的距离，这里采用欧式距离；
Figure 607543DEST_PATH_IMAGE008
Figure 456681DEST_PATH_IMAGE009
在本申请实施例中，通过K均值聚类算法的聚类运算，可以有效匹配目标站点在目标时段的列车运行调整方案，本申请实施例中的列车运行调整方案可以包括：列车编组方案调整、行车密度调整、列车交路调整、停站方案调整。
在本申请实施例中，通过充分考虑早晚高峰、节假日、大型活动、恶劣天气、紧急事件等影响因子构建的目标站点在目标时间段的客流相关数据，通过训练好的反向传播神经网络确定目标时间段的预测客流信息，能够有效的实现客流变化感知和预测，并根据该预测客流信息进一步结合K均值聚类算法来确定目标站点在目标时段的列车运行调整方案，本申请实施例采用科学有效的分析方法挖掘客流数据，精准掌握客流变化，通过合理的运营组织，高效的管理与决策，保证城市轨道交通***良好运转，同时可以为城市轨道交通运营组织设计提供重要参考依据，有利于提高城市轨道交通***运能，提升运营效率，提升乘客服务水平，降低运营成本。
可选地，在所述将所述目标时间段的客流相关数据输入训练好的反向传播神经网络之前，还包括：
构建所述目标站点的初始客流相关数据样本，其中，所述初始客流相关数据样本包括：历史早晚高峰-平峰-低峰划分数据、历史节假日信息、历史大型活动信息、历史天气信息和历史紧急事件数据；
对所述初始客流相关数据样本进行数据预处理，得到客流相关数据样本。
具体地，本申请实施例中，在构建每个构建所述目标站点的初始客流相关数据样本，具体是根据历史数据中各个时间段对应的目标站点、历史早晚高峰-平峰-低峰划分数据、历史节假日信息、历史大型活动信息、历史天气信息和历史紧急事件数据来进行构建。
在本申请实施例中，在完成初始客流相关数据样本之后，可以进一步对初始客流相关数据样本进行数据预处理，可以利用3σ准则或单变量箱型图进行坏值检验识别离群点，提示分析人员对异常值、缺失值进行修正，或自动对异常数据进行均值修正，从而得到数据预处理后的客流相关数据样本。
在本申请实施例中，在获取客流相关数据样本后，还会获取客流数据标签，该客流数据标签是指该客流相关数据样本对应的时间段的实际客流数据。
在获取客流相关数据样本后，还会对设置各个影响因素的影响权重，例如设置工作日平峰的权重为0；早晚高峰的权重为1；周末的权重为0.5，非节假日的权重为0；国庆节和劳动节的权重为1；其他节假日的权重为0.5；将大型活动的权重设置为1；将中/大/暴雨、中/大雪的权重设置为1，将晴、多云、阴的权重设置为0，将其它天气的权重设置为0.5；将紧急事件的权重设置为1，在完成各项权重的设置后，会最终得到客流相关数据样本。
在本申请实施例中，通过构建具备历史早晚高峰-平峰-低峰划分数据、历史节假日信息、历史大型活动信息、历史天气信息和历史紧急事件数据等多种影响因素的初始客流相关数据样本的构建，能够有效帮助后续反向传播神经网络的构建。
可选地，在所述得到客流相关数据样本之后，还包括：
获取每个所述客流相关数据样本对应的客流数据标签；
将每个所述客流相关数据样本和所述客流数据标签的组合作为一个训练样本，获得多个训练样本，利用所述多个训练样本对预设神经网络进行训练。
本申请实施例中，在确定客流相关数据样本之后，还需要该客流相关数据样本对应的实际客流数据，并将该实际客流数据作为客流数据标签。
将每个所述客流相关数据样本和所述客流数据标签的组合作为一个训练样本。
在一些实施例中，该训练样本可以是一个输入特征矩阵，该矩阵如下表2所示：
表2
Figure 879572DEST_PATH_IMAGE010
图2为本申请实施例提供的反向传播神经网络结构示意图，如图2所示，该反向传播神经网络包括输入层、隐藏层和输出层，在本申请实施例中可以预先设计该反向传播神经网络，其具体可以设计：隐层数量、神经元个数、步长、传递函数、学习函数、训练函数、性能函数等。
在本申请实施例中，该预设神经网络可以是反向传播神经网络，在完成反向传播神经网络构建后，可以获取多个训练样本，并通过多个训练样本对该预设神经网络进行训练。
在本申请实施例中，通过获取各个客流相关数据样本对应的客流数据标签，从而将其整体作为一个训练样本，能够有效训练处实现客流预测反向传播神经网络。
可选地，利用所述多个训练样本对预设神经网络进行训练，包括：
对于任意一个训练样本，将所述训练样本输入至所述预设神经网络，输出所述训练样本对应的预测客流数据；
利用预设损失函数根据所述训练样本对应的预测客流数据和所述训练样本中的客流数据标签计算损失值；
若所述损失值小于预设阈值，则所述预设神经网络训练完成，得到训练好的反向传播神经网络。
具体地，本申请实施例中所描述的损失函数可以是平均绝对误差（Mean AbsoluteError，MAE）、均方根误差（Root Mean Square Error，RMSE），基于训练样本不断调整模型结构寻找最优参数以获得满意的误差效果，确定最终网络结构及选择参数，从而完成模型训练。
本申请实施例中将训练样本输入至所述预设神经网络，输出所述训练样本对应的预测客流数据，然后利用预设损失函数根据所述训练样本对应的预测客流数据和所述训练样本中的客流数据标签计算损失值。
在本申请实施例中，在损失值小于预设阈值的情况下，则说明预设神经网络已经取得较好的训练效果，此时预设神经网络训练完成，可以得到训练好的反向传播神经网络，该预设阈值可以是预先设定的。
在本申请实施例中，通过根据多个训练样本对预设神经网络进行训练，能够得到有效综合多种因素进行客流预测的训练好的反向传播神经网络。
可选地，在所述输出目标站点在目标时间段的预测客流信息以后，还包括：
基于所述预测客流信息构建时间步长为15min样本大小为10的相邻时段客流信息时间序列；
基于曼－肯德尔检验法对所述客流信息序列进行分析，得到所述目标站点在目标时间段的客流变化趋势信息；
基于所述客流变化趋势信息生成列车运行调整提示信息。
具体地，在本申请实施例中，获取预测客流信息后，会根据该预测客流信息构建实时客流信息序列 ，利用Mann-Kendall检验序列趋势判断实时客流变化，计算过程如下：
定义M-K检验的原假设为
Figure 79740DEST_PATH_IMAGE011
：
Figure 511859DEST_PATH_IMAGE012
为独立同分布
Figure 215504DEST_PATH_IMAGE013
的随机变量样本，备择假设为
Figure 809296DEST_PATH_IMAGE014
：
Figure 496760DEST_PATH_IMAGE015
和
Figure 466990DEST_PATH_IMAGE016
的分布是不相同的，
Figure 290721DEST_PATH_IMAGE017
，备择假设
Figure 320994DEST_PATH_IMAGE018
是双边检验。
定义检验统计量S，当
Figure 230175DEST_PATH_IMAGE019
中的样本个数大于8时，检验统计量S服从正态分布
Figure 4096DEST_PATH_IMAGE020
，式中，
Figure 666022DEST_PATH_IMAGE021
表示符号函数，S表示检验统计量，
基于检验统计量S，计算M-K检验的标准正态统计量Z，M-K检验为双边检验，在显著 水平
Figure 617928DEST_PATH_IMAGE022
下，若
Figure 263673DEST_PATH_IMAGE023
，则拒绝原假设
Figure 326438DEST_PATH_IMAGE024
，即实时客流信息序列按照某种趋势发展，其中，
Figure 374029DEST_PATH_IMAGE025
表示上升趋势，
Figure 231258DEST_PATH_IMAGE026
表示下降趋势。
结合预测客流数据，可以通过设定趋势检验阈值和客流预测阈值进行客流增长预警，多方位综合分析客流变化，生成列车运行调整提示信息。
其中，
Figure 364299DEST_PATH_IMAGE027
Figure 230755DEST_PATH_IMAGE028
其中，
Figure 132852DEST_PATH_IMAGE029
为符号函数，
Figure 426561DEST_PATH_IMAGE030
为检验统计量，
Figure 515740DEST_PATH_IMAGE031
为待检验样本大小，
Figure 185886DEST_PATH_IMAGE032
为标准正态统 计量。
在本申请实施例中，通过曼－肯德尔检验法对所述客流信息序列进行分析，能够有效进一步判断客流的变化趋势，进而有效根据该变化趋势生成列车运行调整提示信息，帮助运营人员更好的进行列车运行调整。
下面对本发明提供的地铁列车运行调整装置进行描述，下文描述的地铁列车运行调整装置与上文描述的地铁列车运行调整方法可相互对应参照。
图3为本申请实施例提供的地铁列车运行调整装置结构示意图，如图3所示，包括：确定模块310、输出模块320和调整模块330；
其中，确定模块310用于根据目标站点在目标时段的相邻时间客流信息、历史同期客流信息和目标站点在目标时段的社会环境影响信息，确定所述目标站点在目标时段的客流相关数据，其中，所述社会环境影响信息包括：节假日信息、大型活动信息、天气信息和紧急事件信息；
其中，输出模块320用于将所述目标站点在目标时间段的客流相关数据输入训练好的反向传播神经网络，输出目标站点在目标时间段的预测客流信息；
其中，调整模块330用于基于客流变化响应案例库和K均值聚类算法对所述预测客流信息和所述社会环境影响信息进行分类，得到目标站点在目标时段的列车运行调整方案，其中，所述客流变化响应案例库中目标站点的每个客流变化响应案例均包括历史社会环境影响信息、历史客流数据和历史列车运行调整方案。
可选地，所述装置还包括：
构建模块，用于构建所述目标站点的初始客流相关数据样本，其中，所述初始客流相关数据样本包括：历史早晚高峰-平峰-低峰划分数据、历史节假日信息、历史大型活动信息、历史天气信息和历史紧急事件数据；
预处理模块，用于对所述初始客流相关数据样本进行数据预处理，得到客流相关数据样本。
可选地，所述装置还包括：
获取模块，用于获取每个所述客流相关数据样本对应的客流数据标签；
训练模块，用于将每个所述客流相关数据样本和所述客流数据标签的组合作为一个训练样本，获得多个训练样本，利用所述多个训练样本对预设神经网络进行训练。
在本申请实施例中，通过充分考虑早晚高峰、节假日、大型活动、恶劣天气、紧急事件等影响因子构建的目标站点在目标时间段的客流相关数据，通过训练好的反向传播神经网络确定目标时间段的预测客流信息，能够有效的实现客流变化感知和预测，并根据该预测客流信息进一步结合K均值聚类算法来确定目标站点在目标时段的列车运行调整方案，本申请实施例采用科学有效的分析方法挖掘客流数据，精准掌握客流变化，通过合理的运营组织，高效的管理与决策，保证城市轨道交通***良好运转，同时可以为城市轨道交通运营组织设计提供重要参考依据，有利于提高城市轨道交通***运能，提升运营效率，提升乘客服务水平，降低运营成本。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行地铁列车运行调整方法，该方法包括：根据目标站点在目标时段的相邻时间客流信息、历史同期客流信息和目标站点在目标时段的社会环境影响信息，确定所述目标站点在目标时段的客流相关数据，其中，所述社会环境影响信息包括：节假日信息、大型活动信息、天气信息和紧急事件信息；将所述目标站点在目标时间段的客流相关数据输入训练好的反向传播神经网络，输出目标站点在目标时间段的预测客流信息；基于客流变化响应案例库和K均值聚类算法对所述预测客流信息和所述社会环境影响信息进行分类，得到目标站点在目标时段的列车运行调整方案，其中，所述客流变化响应案例库中目标站点的每个客流变化响应案例均包括历史社会环境影响信息、历史客流数据和历史列车运行调整方案。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的地铁列车运行调整方法，该方法包括：根据目标站点在目标时段的相邻时间客流信息、历史同期客流信息和目标站点在目标时段的社会环境影响信息，确定所述目标站点在目标时段的客流相关数据，其中，所述社会环境影响信息包括：节假日信息、大型活动信息、天气信息和紧急事件信息；将所述目标站点在目标时间段的客流相关数据输入训练好的反向传播神经网络，输出目标站点在目标时间段的预测客流信息；基于客流变化响应案例库和K均值聚类算法对所述预测客流信息和所述社会环境影响信息进行分类，得到目标站点在目标时段的列车运行调整方案，其中，所述客流变化响应案例库中目标站点的每个客流变化响应案例均包括历史社会环境影响信息、历史客流数据和历史列车运行调整方案。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的地铁列车运行调整方法，该方法包括：根据目标站点在目标时段的相邻时间客流信息、历史同期客流信息和目标站点在目标时段的社会环境影响信息，确定所述目标站点在目标时段的客流相关数据，其中，所述社会环境影响信息包括：节假日信息、大型活动信息、天气信息和紧急事件信息；将所述目标站点在目标时间段的客流相关数据输入训练好的反向传播神经网络，输出目标站点在目标时间段的预测客流信息；基于客流变化响应案例库和K均值聚类算法对所述预测客流信息和所述社会环境影响信息进行分类，得到目标站点在目标时段的列车运行调整方案，其中，所述客流变化响应案例库中目标站点的每个客流变化响应案例均包括历史社会环境影响信息、历史客流数据和历史列车运行调整方案。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种地铁列车运行调整方法，其特征在于，包括：
根据目标站点在目标时段的相邻时间客流信息、历史同期客流信息和目标站点在目标时段的社会环境影响信息，确定所述目标站点在目标时段的客流相关数据，其中，所述社会环境影响信息包括：节假日信息、大型活动信息、天气信息和紧急事件信息；
将所述目标站点在目标时段的客流相关数据输入训练好的反向传播神经网络，输出目标站点在目标时段的预测客流信息；
基于客流变化响应案例库和K均值聚类算法对所述预测客流信息和所述社会环境影响信息进行分类，得到目标站点在目标时段的列车运行调整方案，其中，所述客流变化响应案例库中目标站点的每个客流变化响应案例均包括历史社会环境影响信息、历史客流数据和历史列车运行调整方案；
其中，在所述输出目标站点在目标时段的预测客流信息以后，还包括：
基于所述预测客流信息构建客流信息序列；
基于曼－肯德尔检验法对所述客流信息序列进行分析，得到所述目标站点在目标时段的实时客流变化趋势信息；
基于所述客流变化趋势信息生成列车运行调整提示信息；
其中，目标时段为未来还未发生的时间段。
2.根据权利要求1所述的地铁列车运行调整方法，其特征在于，在将所述目标时段的客流相关数据输入训练好的反向传播神经网络之前，还包括：
构建所述目标站点的初始客流相关数据样本，其中，所述初始客流相关数据样本包括：历史早晚高峰-平峰-低峰划分数据、历史节假日信息、历史大型活动信息、历史天气信息和历史紧急事件数据；
对所述初始客流相关数据样本进行数据预处理，得到客流相关数据样本。
3.根据权利要求2所述的地铁列车运行调整方法，其特征在于，在所述得到客流相关数据样本之后，还包括：
获取每个所述客流相关数据样本对应的客流数据标签；
将每个所述客流相关数据样本和所述客流数据标签的组合作为一个训练样本，获得多个训练样本，利用所述多个训练样本对预设神经网络进行训练。
4.根据权利要求3所述的地铁列车运行调整方法，其特征在于，利用所述多个训练样本对预设神经网络进行训练，包括：
对于任意一个训练样本，将所述训练样本输入至所述预设神经网络，输出所述训练样本对应的预测客流数据；
利用预设损失函数根据所述训练样本对应的预测客流数据和所述训练样本中的客流数据标签计算损失值；
若所述损失值小于预设阈值，则所述预设神经网络训练完成，得到训练好的反向传播神经网络。
5.一种地铁列车运行调整装置，其特征在于，包括：
确定模块，用于根据目标站点在目标时段的相邻时间客流信息、历史同期客流信息和目标站点在目标时段的社会环境影响信息，确定所述目标站点在目标时段的客流相关数据，其中，所述社会环境影响信息包括：节假日信息、大型活动信息、天气信息和紧急事件信息；
输出模块，用于将所述目标站点在目标时段的客流相关数据输入训练好的反向传播神经网络，输出目标站点在目标时段的预测客流信息；
调整模块，用于基于客流变化响应案例库和K均值聚类算法对所述预测客流信息和所述社会环境影响信息进行分类，得到目标站点在目标时段的列车运行调整方案，其中，所述客流变化响应案例库中目标站点的每个客流变化响应案例均包括历史社会环境影响信息、历史客流数据和历史列车运行调整方案；
其中，所述装置还用于：
基于所述预测客流信息构建客流信息序列；
基于曼－肯德尔检验法对所述客流信息序列进行分析，得到所述目标站点在目标时段的实时客流变化趋势信息；
其中，目标时段为未来还未发生的时间段。
6.根据权利要求5所述的地铁列车运行调整装置，其特征在于，所述装置还包括：
构建模块，用于构建所述目标站点的初始客流相关数据样本，其中，所述初始客流相关数据样本包括：历史早晚高峰-平峰-低峰划分数据、历史节假日信息、历史大型活动信息、历史天气信息和历史紧急事件数据；
预处理模块，用于对所述初始客流相关数据样本进行数据预处理，得到客流相关数据样本。
7.根据权利要求6所述的地铁列车运行调整装置，其特征在于，所述装置还包括：
获取模块，用于获取每个所述客流相关数据样本对应的客流数据标签；
训练模块，用于将每个所述客流相关数据样本和所述客流数据标签的组合作为一个训练样本，获得多个训练样本，利用所述多个训练样本对预设神经网络进行训练。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述地铁列车运行调整方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述地铁列车运行调整方法。
CN202210839166.7A 2022-07-18 2022-07-18 地铁列车运行调整方法、装置、电子设备及存储介质 Active CN114912854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210839166.7A CN114912854B (zh) 2022-07-18 2022-07-18 地铁列车运行调整方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210839166.7A CN114912854B (zh) 2022-07-18 2022-07-18 地铁列车运行调整方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114912854A CN114912854A (zh) 2022-08-16
CN114912854B true CN114912854B (zh) 2022-11-29

Family

ID=82772507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210839166.7A Active CN114912854B (zh) 2022-07-18 2022-07-18 地铁列车运行调整方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114912854B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116665798A (zh) * 2023-04-27 2023-08-29 海南大学 一种空气污染趋势预警方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111444933A (zh) * 2019-11-26 2020-07-24 北京邮电大学 一种对象分类方法及装置
CN111476449A (zh) * 2019-10-09 2020-07-31 北京交通大学 一种基于改进k均值聚类算法的地铁车站运营时段划分方法
CN111858672A (zh) * 2020-07-16 2020-10-30 昆明理工大学 一种改进的knn案例推理检索算法
CN112288197A (zh) * 2020-12-28 2021-01-29 盛威时代科技集团有限公司 一种站点车辆智能调度方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170068755A1 (en) * 2015-09-07 2017-03-09 Sap Se Transportation schedule evaluation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476449A (zh) * 2019-10-09 2020-07-31 北京交通大学 一种基于改进k均值聚类算法的地铁车站运营时段划分方法
CN111444933A (zh) * 2019-11-26 2020-07-24 北京邮电大学 一种对象分类方法及装置
CN111858672A (zh) * 2020-07-16 2020-10-30 昆明理工大学 一种改进的knn案例推理检索算法
CN112288197A (zh) * 2020-12-28 2021-01-29 盛威时代科技集团有限公司 一种站点车辆智能调度方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"一种改进的基于案例推理的建模算法";万碧君 等;<华东理工大学学报（自然科学版）>;20141031;第40卷(第5期);第107-111页 *

Also Published As

Publication number Publication date
CN114912854A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN107844848A (zh) 一种区域人流量预测方法及***
CN109492857A (zh) 一种配电网故障风险等级预测方法和装置
CN108154244A (zh) 地产电力设备的运维方法、装置和***
WO2020098728A1 (zh) 集群负荷预测方法、装置及存储介质
CN111539585B (zh) 一种基于随机森林的电力客户诉求敏感度监督及预警方法
CN116186548B (zh) 电力负荷预测模型训练方法及电力负荷预测方法
CN114912854B (zh) 地铁列车运行调整方法、装置、电子设备及存储介质
CN110445939A (zh) 容量资源的预测方法及装置
CN111680712B (zh) 基于日内相似时刻的变压器油温预测方法、装置及***
CN113706291A (zh) 欺诈风险预测方法、装置、设备及存储介质
Zekić-Sušac et al. Cluster analysis and artificial neural networks in predicting energy efficiency of public buildings as a cost-saving approach
Dong Combining unsupervised and supervised learning for asset class failure prediction in power systems
CN115526258A (zh) 基于Spearman相关系数特征提取的电力***暂稳评估方法
Zou et al. Research on assessment methods for urban public transport development in China
CN103942251A (zh) 基于多种质控方法的高空气象资料入库方法和入库***
Zheng et al. Improved iterative prediction for multiple stop arrival time using a support vector machine
WO2021130298A1 (en) System, apparatus and method for managing energy consumption at a technical installation
CN114463978B (zh) 一种基于轨道交通信息处理终端的数据监测方法
CN116415724A (zh) 一种光伏电站运维检修时间的预测方法及装置
CN113780682A (zh) 基于故障标志物的轨道交通***业务故障预测方法
CN113011512A (zh) 基于rbf神经网络模型的交通生成预测方法及***
Siaminamini et al. Generating a risk profile for car insurance policyholders: A deep learning conceptual model
CN111612302A (zh) 一种集团级数据管理方法和设备
Jiang Short‐Term Traffic Prediction of the Urban Road Network based on the Intelligent Transportation System

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant