CN107491838A - 城市轨道交通短时客流容错预测系统及方法 - Google Patents
城市轨道交通短时客流容错预测系统及方法 Download PDFInfo
- Publication number
- CN107491838A CN107491838A CN201710706237.5A CN201710706237A CN107491838A CN 107491838 A CN107491838 A CN 107491838A CN 201710706237 A CN201710706237 A CN 201710706237A CN 107491838 A CN107491838 A CN 107491838A
- Authority
- CN
- China
- Prior art keywords
- mrow
- module
- msub
- fault
- tolerant
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 127
- 238000012216 screening Methods 0.000 claims abstract description 93
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 239000012530 fluid Substances 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000007935 neutral effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/16—Error detection or correction of the data by redundancy in hardware
- G06F11/1629—Error detection by comparing the output of redundant processing systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/16—Error detection or correction of the data by redundancy in hardware
- G06F11/20—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements
- G06F11/202—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements where processing functionality is redundant
- G06F11/2035—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements where processing functionality is redundant without idle spare hardware
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种城市轨道交通短时客流容错预测系统及方法，其中，系统包括3个神经网络模块、预测故障检测模块、筛选模块和容错处理模块；本发明的有益技术效果是：提出了一种城市轨道交通短时客流容错预测系统及方法，本技术可有效提高系统稳定性和容错能力，让预测结果更为准确。
Description
技术领域
本发明涉及一种交通系统客流量预测技术，尤其涉及一种城市轨道交通短时客流容错预测系统及方法。
背景技术
现代化都市中，城市轨道交通在整个交通系统中的地位举足轻重；随着客流量的增加，城市轨道交通运营中的安全隐患也日益突显；在各类安全隐患中，最为紧迫的是因客流量巨大而造成的拥堵、踩踏，若出现此类事故，很容易就会使整个交通系统崩溃，因此，客流量的准确预测对于保证城市轨道交通的安全运营具有重要意义。
根据需求不同，客流预测可分为长期预测、中期预测、短期预测和短时预测；长期预测和中期预测的时间跨度通常以年为计量单位，一般用来辅助轨道交通线网发展、规划及车站设计等；短期预测的时间跨度通常以日、周或月为计量单位，主要用于交通状态评估；若以实时管理为目的，则需要依赖短时预测，短时预测的时间跨度通常以分钟为单位，比如未来5分钟、未来15分钟或未来30分钟，短时预测的实现是轨道交通安全控制和有序客流组织的关键。
神经网络技术因其自身特性，十分适合用来处理前述的短时客流预测问题，现有文献中，也有相关的报道。但现有技术中，基于神经网络的短时客流预测系统大多基于单一的神经网络，这种系统虽然结构简单，但其容错率较低，一旦预测过程中的某个环节出现故障，其预测值就会出现较大的偏差，甚至会出现预测错误，从而导致整个预测系统失效。
发明内容
针对背景技术中的问题，本发明提出了一种城市轨道交通短时客流容错预测系统，其创新在于：所述城市轨道交通短时客流容错预测系统包括3个神经网络模块、预测故障检测模块、筛选模块和容错处理模块；所述3个神经网络模块的目标函数各不相同；所述3个神经网络模块分别记为预测模块、监督模块Ⅰ和监督模块Ⅱ；所述预测模块的输出端分别与预测故障检测模块的输入端和筛选模块的输入端连接；所述监督模块Ⅰ的输出端分别与预测故障检测模块的输入端和筛选模块的输入端连接；所述监督模块Ⅱ的输出端分别与预测故障检测模块的输入端和筛选模块的输入端连接；所述预测故障检测模块的输出端与筛选模块的控制部连接；所述筛选模块有三个输出端，所述容错处理模块有三个输入端，筛选模块的三个输出端与容错处理模块的三个输入端一一对应地连接；由筛选模块的三个输出端和容错处理模块的三个输入端所形成的三条传输通道分别记为通道一、通道二和通道三；
所述预测模块能根据外部输入的输入向量，输出相应的输出向量Ⅰ，输出向量Ⅰ记为y1；
所述监督模块Ⅰ能根据外部输入的输入向量，输出相应的输出向量Ⅱ，输出向量Ⅱ记为y2；
所述监督模块Ⅱ能根据外部输入的输入向量，输出相应的输出向量Ⅲ，输出向量Ⅲ记为y3；
所述输入向量由客流量数据经归一化处理后得到；
y1和y2的相对误差记为e1，y1和y3的相对误差记为e2；所述预测故障检测模块能根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较：若e1和e2均大于误差阈值σ，则预测故障检测模块输出控制信号一，否则，预测故障检测模块输出控制信号二；
所述筛选模块能根据预测故障检测模块输出的信号，选择性地将y1、y2和y3输出至容错处理模块：若预测故障检测模块输出的是控制信号一，则筛选模块通过通道二将y2输出至容错处理模块，同时，筛选模块通过通道三将y3输出至容错处理模块；若预测故障检测模块输出的是控制信号二，则筛选模块通过通道一将y1输出至容错处理模块；
所述容错处理模块能根据筛选模块的输出信号生成客流量预测数据并将客流量预测数据向外输出：若筛选模块通过通道一向容错处理模块输出y1，则容错处理模块对y1进行反归一化处理，得到客流量预测数据；若筛选模块分别通过通道二和通道三向容错处理模块输出y2和y3，则容错处理模块对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据。
基于前述系统，本发明还提出了一种城市轨道交通短时客流容错预测方法，所涉及的硬件包括城市轨道交通短时客流容错预测系统；所述城市轨道交通短时客流容错预测系统如前所述；具体方法包括：
所述神经网络模块的输入层神经元数量为5个，神经网络模块的输出层神经元为1个；设定统计周期和循环周期；所述循环周期的时长为7天，所述统计周期的时长远小于循环周期的时长；按统计周期将单个循环周期划分为多个时段；将多个循环周期顺次编号，将单个循环周期所辖的多个时段顺次编号；对各个时段的客流量数据ri,j进行统计，i为循环周期的序号，j为时段的序号，ri,j表示第i个循环周期中第j个时段的客流量数据；积累了大量的客流量数据后，对客流量数据进行归一化处理，ri,j的归一化结果记为Ri,j；将Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1、Ri,j-2和Ri,j作为一个样本，其中，Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1和Ri,j-2即为输入向量，Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1和Ri,j-2与5个输入层神经元一一对应，Ri,j为训练时的输出向量，Ri,j与输出层神经元对应；循环周期和时段的序号均依次往前推移，即可生成多个样本，多个样本即形成样本库，用样本库分别对3个神经网络模块进行训练；神经网络模块训练好后，搭建出城市轨道交通短时客流容错预测系统，并将城市轨道交通短时客流容错预测系统投入运营；
运营过程中，按如下方式对客流量进行预测：
1)将相应的输入向量分别输入3个神经网络模块中，3个神经网络模块即可得到相应的y1、y2和y3；将y1、y2和y3输出至预测故障检测模块，同时，将y1、y2和y3输出至筛选模块；
2)所述预测故障检测模块根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较，若e1和e2均大于误差阈值σ，则预测故障检测模块向筛选模块输出控制信号一并进入步骤3A)，否则，预测故障检测模块向筛选模块输出控制信号二并进入步骤3B)；
3A)筛选模块通过通道二将y2输出至容错处理模块，同时，筛选模块通过通道三将y3输出至容错处理模块；进入步骤4A)；
3B)筛选模块通过通道一将y1输出至容错处理模块；进入步骤4B)；
4A)容错处理模块对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据；
4B)容错处理模块对y1进行反归一化处理，得到客流量预测数据。
本发明的原理是：基于短时客流量预测的需求特性可知，预测系统需要长期、频繁地进行预测运算，在此过程中，神经网络的部分神经元有可能出现损伤，或者预测系统本身出现故障。出现这些情况后，则会造成信息丢失，其预测结果就会偏离真实情况，甚至无法输出预测结果。因此，由单一神经网络所构成的预测系统的容错能力和稳定性都较差。
为了提高预测系统的容错能力和稳定性，本发明在预测系统中设置了3个神经网络模块，其中一个神经网络模块作为主预测器(即预测模块)，另外两个神经网络模块作为监督器(即监督模块Ⅰ和监督模块Ⅱ)；系统运行时，主预测器和监督器同时进行预测运算，然后根据三者的输出向量进行故障检测，若无故障，则根据主预测器的输出向量形成预测结果；若出现故障，则根据监督器的输出向量形成预测结果，这就可在主预测器出现故障时，立即发现问题，并将监督器及时投入使用，以提高预测系统的稳定性和容错能力。
本发明采用双监督模块的原因是：若只采用一个神经网络作为监督器，有可能出现主预测器无故障而监督器出现故障的情况，这时，故障检测环节就会出现误判；采用双监督模块后，若某一监督器出现故障(两个监督模块同时出现故障的可能性微乎其微)，由于e1和e2不能同时满足大于阀值的条件，从而就能够避免故障检测环节出现误判。
前述的系统方案和方法方案，均可与如下的优选方案进行结合来得到加权处理值y：所述加权处理值y由下式得到：
y＝w1y2+w2y3
其中，w1为对应y2的权重系数，w2为对应y3的权重系数，0＜w1＜1，0＜w2＜1，且w1+w2＝1；w1和w2均为预设值。
前述的系统方案和方法方案，均可与如下的优选方案进行结合来生成相应的e1和e2：所述e1由下式得到：
所述e2由下式得到：
前述的系统方案和方法方案，均可与如下的优选方案进行结合来搭建监督模块Ⅰ和监督模块Ⅱ：所述监督模块Ⅰ采用小波神经网络搭建，所述监督模块Ⅱ采用径向基神经网络搭建。
前述的系统方案和方法方案，均可与如下的优选方案进行结合来对监督模块Ⅰ和监督模块Ⅱ进行并行协同训练：搭建所述监督模块Ⅰ时，采用目标函数J1(n)对监督模块Ⅰ进行训练：
搭建所述监督模块Ⅱ时，采用目标函数J2(n)对监督模块Ⅱ进行训练：
其中，N为样本个数，n为样本编号，1＜n≤N；f1(n)为输出向量Ⅱ，f2(n)为输出向量Ⅲ，d(n)为期望输出向量，λ1为监督模块Ⅰ所对应的权重因子，λ2为监督模块Ⅱ所对应的权重因子，0＜λ1＜1，0＜λ2＜1，且λ1+λ2＝1，λ1和λ2均为预设值。
如前所述，所述监督模块Ⅰ和监督模块Ⅱ采用的神经网络类型不同，在现有技术中，对于类型不同的神经网络，由于网络本身的结构和性质差异较大，一般采用单独训练的方式来对单个神经网络进行独立训练。单独训练时，两个神经网络的目标函数相对独立，后期使用时，两个神经网络的预测过程也相对独立，无法对两个神经网络的精确度和差异度进行平衡，为了进一步提高预测的准确性，发明人对前述的目标函数进行了改进，在两个目标函数中分别加入了以下两个权重项：
现有技术中所采用的目标函数通常不存在上述两个权重项，权重项的加入既可以保证两个神经网络训练时的差异性，又能在训练过程中提高两个神经网络的关联度，从而改善输出精度；并且，采用上述目标函数进行训练时，可以对两个神经网络进行并行协同训练，训练过程也更为简便。
本发明的有益技术效果是：提出了一种城市轨道交通短时客流容错预测系统及方法，本技术可有效提高系统稳定性和容错能力，让预测结果更为准确。
附图说明
图1、本发明的系统原理示意图；
图中各个标记所对应的名称分别为：预测模块1-1、监督模块Ⅰ1-2和监督模块Ⅱ1-3、预测故障检测模块2、筛选模块3、容错处理模块4。
具体实施方式
一种城市轨道交通短时客流容错预测系统，其创新在于：所述城市轨道交通短时客流容错预测系统包括3个神经网络模块、预测故障检测模块2、筛选模块3和容错处理模块4；所述3个神经网络模块的目标函数各不相同；所述3个神经网络模块分别记为预测模块1-1、监督模块Ⅰ1-2和监督模块Ⅱ1-3；所述预测模块1-1的输出端分别与预测故障检测模块2的输入端和筛选模块3的输入端连接；所述监督模块Ⅰ1-2的输出端分别与预测故障检测模块2的输入端和筛选模块3的输入端连接；所述监督模块Ⅱ1-3的输出端分别与预测故障检测模块2的输入端和筛选模块3的输入端连接；所述预测故障检测模块2的输出端与筛选模块3的控制部连接；所述筛选模块3有三个输出端，所述容错处理模块4有三个输入端，筛选模块3的三个输出端与容错处理模块4的三个输入端一一对应地连接；由筛选模块3的三个输出端和容错处理模块4的三个输入端所形成的三条传输通道分别记为通道一、通道二和通道三；
所述预测模块1-1能根据外部输入的输入向量，输出相应的输出向量Ⅰ，输出向量Ⅰ记为y1；
所述监督模块Ⅰ1-2能根据外部输入的输入向量，输出相应的输出向量Ⅱ，输出向量Ⅱ记为y2；
所述监督模块Ⅱ1-3能根据外部输入的输入向量，输出相应的输出向量Ⅲ，输出向量Ⅲ记为y3；
所述输入向量由客流量数据经归一化处理后得到；
y1和y2的相对误差记为e1，y1和y3的相对误差记为e2；所述预测故障检测模块2能根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较：若e1和e2均大于误差阈值σ，则预测故障检测模块2输出控制信号一，否则，预测故障检测模块2输出控制信号二；
所述筛选模块3能根据预测故障检测模块2输出的信号，选择性地将y1、y2和y3输出至容错处理模块4：若预测故障检测模块2输出的是控制信号一，则筛选模块3通过通道二将y2输出至容错处理模块4，同时，筛选模块3通过通道三将y3输出至容错处理模块4；若预测故障检测模块2输出的是控制信号二，则筛选模块3通过通道一将y1输出至容错处理模块4；
所述容错处理模块4能根据筛选模块3的输出信号生成客流量预测数据并将客流量预测数据向外输出：若筛选模块3通过通道一向容错处理模块4输出y1，则容错处理模块4对y1进行反归一化处理，得到客流量预测数据；若筛选模块3分别通过通道二和通道三向容错处理模块4输出y2和y3，则容错处理模块4对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据。
进一步地，所述加权处理值y由下式得到：
y＝w1y2+w2y3
其中，w1为对应y2的权重系数，w2为对应y3的权重系数，0＜w1＜1，0＜w2＜1，且w1+w2＝1；w1和w2均为预设值。
进一步地，所述e1由下式得到：
所述e2由下式得到：
进一步地，所述监督模块Ⅰ1-2采用小波神经网络搭建，所述监督模块Ⅱ1-3采用径向基神经网络搭建。
进一步地，搭建所述监督模块Ⅰ1-2时，采用目标函数J1(n)对监督模块Ⅰ1-2进行协同训练：
搭建所述监督模块Ⅱ1-3时，采用目标函数J2(n)对监督模块Ⅱ1-3进行协同训练：
其中，N为样本个数，n为样本编号，1＜n≤N；f1(n)为输出向量Ⅱ，f2(n)为输出向量Ⅲ，d(n)为期望输出向量，λ1为监督模块Ⅰ1-2所对应的权重因子，λ2为监督模块Ⅱ1-3所对应的权重因子，0＜λ1＜1，0＜λ2＜1，且λ1+λ2＝1，λ1和λ2均为预设值。
一种城市轨道交通短时客流容错预测方法，所涉及的硬件包括城市轨道交通短时客流容错预测系统；所述城市轨道交通短时客流容错预测系统包括3个神经网络模块、预测故障检测模块2、筛选模块3和容错处理模块4；所述3个神经网络模块的目标函数各不相同；所述3个神经网络模块分别记为预测模块1-1、监督模块Ⅰ1-2和监督模块Ⅱ1-3；所述预测模块1-1的输出端分别与预测故障检测模块2的输入端和筛选模块3的输入端连接；所述监督模块Ⅰ1-2的输出端分别与预测故障检测模块2的输入端和筛选模块3的输入端连接；所述监督模块Ⅱ1-3的输出端分别与预测故障检测模块2的输入端和筛选模块3的输入端连接；所述预测故障检测模块2的输出端与筛选模块3的控制部连接；所述筛选模块3有三个输出端，所述容错处理模块4有三个输入端，筛选模块3的三个输出端与容错处理模块4的三个输入端一一对应地连接；由筛选模块3的三个输出端和容错处理模块4的三个输入端所形成的三条传输通道分别记为通道一、通道二和通道三；
所述预测模块1-1能根据外部输入的输入向量，输出相应的输出向量Ⅰ，输出向量Ⅰ记为y1；
所述监督模块Ⅰ1-2能根据外部输入的输入向量，输出相应的输出向量Ⅱ，输出向量Ⅱ记为y2；
所述监督模块Ⅱ1-3能根据外部输入的输入向量，输出相应的输出向量Ⅲ，输出向量Ⅲ记为y3；
所述输入向量由客流量数据经归一化处理后得到；
y1和y2的相对误差记为e1，y1和y3的相对误差记为e2；所述预测故障检测模块2能根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较，若e1和e2均大于误差阈值σ，则预测故障检测模块2输出控制信号一，否则，预测故障检测模块2输出控制信号二；
所述筛选模块3能根据预测故障检测模块2输出的信号，选择性地将y1、y2和y3输出至容错处理模块4：若预测故障检测模块2输出的是控制信号一，则筛选模块3通过通道二将y2输出至容错处理模块4，同时，筛选模块3通过通道三将y3输出至容错处理模块4；若预测故障检测模块2输出的是控制信号二，则筛选模块3通过通道一将y1输出至容错处理模块4；
所述容错处理模块4能根据筛选模块3的输出信号生成客流量预测数据并将客流量预测数据向外输出：若筛选模块3通过通道一向容错处理模块4输出y1，则容错处理模块4对y1进行反归一化处理，得到客流量预测数据；若筛选模块3分别通过通道二和通道三向容错处理模块4输出y2和y3，则容错处理模块4对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据；
其创新在于：所述方法包括：
所述神经网络模块的输入层神经元数量为5个，神经网络模块的输出层神经元为1个；设定统计周期和循环周期；所述循环周期的时长为7天，所述统计周期的时长远小于循环周期的时长；按统计周期将单个循环周期划分为多个时段；将多个循环周期顺次编号，将单个循环周期所辖的多个时段顺次编号；对各个时段的客流量数据ri,j进行统计，i为循环周期的序号，j为时段的序号，ri,j表示第i个循环周期中第j个时段的客流量数据；积累了大量的客流量数据后，对客流量数据进行归一化处理，ri,j的归一化结果记为Ri,j；将Ri-1,j-1(即前一循环周期中的第j-1时段)、Ri-1,j(即前一循环周期中的第j时段)、Ri-1,j+1(即前一循环周期中的第j+1时段)、Ri,j-1(即本循环周期中的第j-1时段)、Ri,j-2(即本循环周期中的第j-2时段)和Ri,j作为一个样本，其中，Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1和Ri,j-2即为输入向量，Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1和Ri,j-2与5个输入层神经元一一对应，Ri,j为训练时的输出向量，Ri,j与输出层神经元对应；多个样本即形成样本库，用样本库分别对3个神经网络模块进行训练；神经网络模块训练好后，搭建出城市轨道交通短时客流容错预测系统，并将城市轨道交通短时客流容错预测系统投入运营；
运营过程中，按如下方式对客流量进行预测：
1)将相应的输入向量(输入向量为五个归一化结果，若需要预测的时段的序号为k，则这五个归一化结果所对应的客流量数据所对应的时段分别为：前一循环周期中的第k-1时段、前一循环周期中的第k时段、前一循环周期中的第k+1时段、本循环周期中的第k-1时段、本循环周期中的第k-2时段)分别输入3个神经网络模块中(每个神经网络模块均需输入前述的五个归一化结果)，3个神经网络模块即可得到相应的y1、y2和y3；将y1、y2和y3输出至预测故障检测模块2，同时，将y1、y2和y3输出至筛选模块3；
2)所述预测故障检测模块2根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较，若e1和e2均大于误差阈值σ，则预测故障检测模块2向筛选模块3输出控制信号一并进入步骤3A)，否则，预测故障检测模块2向筛选模块3输出控制信号二并进入步骤3B)；
3A)筛选模块3通过通道二将y2输出至容错处理模块4，同时，筛选模块3通过通道三将y3输出至容错处理模块4；进入步骤4A)
3B)筛选模块3通过通道一将y1输出至容错处理模块4；进入步骤4B)；
4A)容错处理模块4对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据；
4B)容错处理模块4对y1进行反归一化处理，得到客流量预测数据。
得到客流量预测数据后，管理人员即可根据客流量预测数据对未来时段的运营风险进行评估，以确定是否需要启动相应的应急处理机制。
进一步地，所述加权处理值y由下式得到：
y＝w1y2+w2y3
其中，w1为对应y2的权重系数，w2为对应y3的权重系数，0＜w1＜1，0＜w2＜1，且w1+w2＝1；w1和w2均为预设值。
进一步地，所述e1由下式得到：
所述e2由下式得到：
进一步地，所述监督模块Ⅰ1-2采用小波神经网络搭建，所述监督模块Ⅱ1-3采用径向基神经网络搭建。
进一步地，搭建所述监督模块Ⅰ1-2时，采用目标函数J1(n)对监督模块Ⅰ1-2进行协同训练：
搭建所述监督模块Ⅱ(1-3)时，采用目标函数J2(n)对监督模块Ⅱ(1-3)进行协同训练：
其中，N为样本个数，n为样本编号，1＜n≤N；f1(n)为输出向量Ⅱ，f2(n)为输出向量Ⅲ，d(n)为期望输出向量，λ1为监督模块Ⅰ所对应的权重因子，λ2为监督模块Ⅱ所对应的权重因子，0＜λ1＜1，0＜λ2＜1，且λ1+λ2＝1，λ1和λ2均为预设值。
Claims (10)
1.一种城市轨道交通短时客流容错预测系统，其特征在于：所述城市轨道交通短时客流容错预测系统包括3个神经网络模块、预测故障检测模块(2)、筛选模块(3)和容错处理模块(4)；所述3个神经网络模块的目标函数各不相同；所述3个神经网络模块分别记为预测模块(1-1)、监督模块Ⅰ(1-2)和监督模块Ⅱ(1-3)；所述预测模块(1-1)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述监督模块Ⅰ(1-2)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述监督模块Ⅱ(1-3)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述预测故障检测模块(2)的输出端与筛选模块(3)的控制部连接；所述筛选模块(3)有三个输出端，所述容错处理模块(4)有三个输入端，筛选模块(3)的三个输出端与容错处理模块(4)的三个输入端一一对应地连接；由筛选模块(3)的三个输出端和容错处理模块(4)的三个输入端所形成的三条传输通道分别记为通道一、通道二和通道三；
所述预测模块(1-1)能根据外部输入的输入向量，输出相应的输出向量Ⅰ，输出向量Ⅰ记为y1；
所述监督模块Ⅰ(1-2)能根据外部输入的输入向量，输出相应的输出向量Ⅱ，输出向量Ⅱ记为y2；
所述监督模块Ⅱ(1-3)能根据外部输入的输入向量，输出相应的输出向量Ⅲ，输出向量Ⅲ记为y3；
所述输入向量由客流量数据经归一化处理后得到；
y1和y2的相对误差记为e1，y1和y3的相对误差记为e2；所述预测故障检测模块(2)能根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较：若e1和e2均大于误差阈值σ，则预测故障检测模块(2)输出控制信号一，否则，预测故障检测模块(2)输出控制信号二；
所述筛选模块(3)能根据预测故障检测模块(2)输出的信号，选择性地将y1、y2和y3输出至容错处理模块(4)：若预测故障检测模块(2)输出的是控制信号一，则筛选模块(3)通过通道二将y2输出至容错处理模块(4)，同时，筛选模块(3)通过通道三将y3输出至容错处理模块(4)；若预测故障检测模块(2)输出的是控制信号二，则筛选模块(3)通过通道一将y1输出至容错处理模块(4)；
所述容错处理模块(4)能根据筛选模块(3)的输出信号生成客流量预测数据并将客流量预测数据向外输出：若筛选模块(3)通过通道一向容错处理模块(4)输出y1，则容错处理模块(4)对y1进行反归一化处理，得到客流量预测数据；若筛选模块(3)分别通过通道二和通道三向容错处理模块(4)输出y2和y3，则容错处理模块(4)对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据。
2.根据权利要求1所述的城市轨道交通短时客流容错预测系统，其特征在于：所述加权处理值y由下式得到：
y＝w1y2+w2y3
其中，w1为对应y2的权重系数，w2为对应y3的权重系数，0＜w1＜1，0＜w2＜1，且w1+w2＝1；w1和w2均为预设值。
3.根据权利要求1或2所述的城市轨道交通短时客流容错预测系统，其特征在于：所述e1由下式得到：
<mrow>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
</mrow>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>|</mo>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
所述e2由下式得到：
<mrow>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>3</mn>
</msub>
</mrow>
<msub>
<mi>y</mi>
<mn>3</mn>
</msub>
</mfrac>
<mo>|</mo>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
<mo>.</mo>
</mrow>
4.根据权利要求1或2所述的城市轨道交通短时客流容错预测系统，其特征在于：所述监督模块Ⅰ(1-2)采用小波神经网络搭建，所述监督模块Ⅱ(1-3)采用径向基神经网络搭建。
5.根据权利要求4所述的城市轨道交通短时客流容错预测系统，其特征在于：搭建所述监督模块Ⅰ(1-2)时，采用目标函数J1(n)对监督模块Ⅰ(1-2)进行协同训练：
<mrow>
<msub>
<mi>J</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>{</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
搭建所述监督模块Ⅱ(1-3)时，采用目标函数J2(n)对监督模块Ⅱ(1-3)进行协同训练：
<mrow>
<msub>
<mi>J</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>{</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
其中，N为样本个数，n为样本编号，1＜n≤N；f1(n)为输出向量Ⅱ，f2(n)为输出向量Ⅲ，d(n)为期望输出向量，λ1为监督模块Ⅰ所对应的权重因子，λ2为监督模块Ⅱ所对应的权重因子，0＜λ1＜1，0＜λ2＜1，且λ1+λ2＝1，λ1和λ2均为预设值。
6.一种城市轨道交通短时客流容错预测方法，所涉及的硬件包括城市轨道交通短时客流容错预测系统；所述城市轨道交通短时客流容错预测系统包括3个神经网络模块、预测故障检测模块(2)、筛选模块(3)和容错处理模块(4)；所述3个神经网络模块的目标函数各不相同；所述3个神经网络模块分别记为预测模块(1-1)、监督模块Ⅰ(1-2)和监督模块Ⅱ(1-3)；所述预测模块(1-1)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述监督模块Ⅰ(1-2)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述监督模块Ⅱ(1-3)的输出端分别与预测故障检测模块(2)的输入端和筛选模块(3)的输入端连接；所述预测故障检测模块(2)的输出端与筛选模块(3)的控制部连接；所述筛选模块(3)有三个输出端，所述容错处理模块(4)有三个输入端，筛选模块(3)的三个输出端与容错处理模块(4)的三个输入端一一对应地连接；由筛选模块(3)的三个输出端和容错处理模块(4)的三个输入端所形成的三条传输通道分别记为通道一、通道二和通道三；
所述预测模块(1-1)能根据外部输入的输入向量，输出相应的输出向量Ⅰ，输出向量Ⅰ记为y1；
所述监督模块Ⅰ(1-2)能根据外部输入的输入向量，输出相应的输出向量Ⅱ，输出向量Ⅱ记为y2；
所述监督模块Ⅱ(1-3)能根据外部输入的输入向量，输出相应的输出向量Ⅲ，输出向量Ⅲ记为y3；
所述输入向量由客流量数据经归一化处理后得到；
y1和y2的相对误差记为e1，y1和y3的相对误差记为e2；所述预测故障检测模块(2)能根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较，若e1和e2均大于误差阈值σ，则预测故障检测模块(2)输出控制信号一，否则，预测故障检测模块(2)输出控制信号二；
所述筛选模块(3)能根据预测故障检测模块(2)输出的信号，选择性地将y1、y2和y3输出至容错处理模块(4)：若预测故障检测模块(2)输出的是控制信号一，则筛选模块(3)通过通道二将y2输出至容错处理模块(4)，同时，筛选模块(3)通过通道三将y3输出至容错处理模块(4)；若预测故障检测模块(2)输出的是控制信号二，则筛选模块(3)通过通道一将y1输出至容错处理模块(4)；
所述容错处理模块(4)能根据筛选模块(3)的输出信号生成客流量预测数据并将客流量预测数据向外输出：若筛选模块(3)通过通道一向容错处理模块(4)输出y1，则容错处理模块(4)对y1进行反归一化处理，得到客流量预测数据；若筛选模块(3)分别通过通道二和通道三向容错处理模块(4)输出y2和y3，则容错处理模块(4)对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据；
其特征在于：所述方法包括：
所述神经网络模块的输入层神经元数量为5个，神经网络模块的输出层神经元为1个；设定统计周期和循环周期；所述循环周期的时长为7天，所述统计周期的时长远小于循环周期的时长；按统计周期将单个循环周期划分为多个时段；将多个循环周期顺次编号，将单个循环周期所辖的多个时段顺次编号；对各个时段的客流量数据ri,j进行统计，i为循环周期的序号，j为时段的序号，ri,j表示第i个循环周期中第j个时段的客流量数据；积累了大量的客流量数据后，对客流量数据进行归一化处理，ri,j的归一化结果记为Ri,j；将Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1、Ri,j-2和Ri,j作为一个样本，其中，Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1和Ri,j-2即为输入向量，Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1和Ri,j-2与5个输入层神经元一一对应，Ri,j为训练时的输出向量，Ri,j与输出层神经元对应；多个样本即形成样本库，用样本库分别对3个神经网络模块进行训练；神经网络模块训练好后，搭建出城市轨道交通短时客流容错预测系统，并将城市轨道交通短时客流容错预测系统投入运营；
运营过程中，按如下方式对客流量进行预测：
1)将相应的输入向量分别输入3个神经网络模块中，3个神经网络模块即可得到相应的y1、y2和y3；将y1、y2和y3输出至预测故障检测模块(2)，同时，将y1、y2和y3输出至筛选模块(3)；
2)所述预测故障检测模块(2)根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较，若e1和e2均大于误差阈值σ，则预测故障检测模块(2)向筛选模块(3)输出控制信号一并进入步骤3A)，否则，预测故障检测模块(2)向筛选模块(3)输出控制信号二并进入步骤3B)；
3A)筛选模块(3)通过通道二将y2输出至容错处理模块(4)，同时，筛选模块(3)通过通道三将y3输出至容错处理模块(4)；进入步骤4A)
3B)筛选模块(3)通过通道一将y1输出至容错处理模块(4)；进入步骤4B)；
4A)容错处理模块(4)对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据；
4B)容错处理模块(4)对y1进行反归一化处理，得到客流量预测数据。
7.根据权利要求6所述的城市轨道交通短时客流容错预测方法，其特征在于：所述加权处理值y由下式得到：
y＝w1y2+w2y3
其中，w1为对应y2的权重系数，w2为对应y3的权重系数，0＜w1＜1，0＜w2＜1，且w1+w2＝1；w1和w2均为预设值。
8.根据权利要求6或7所述的城市轨道交通短时客流容错预测方法，其特征在于：所述e1由下式得到：
<mrow>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
</mrow>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>|</mo>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
所述e2由下式得到：
<mrow>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>3</mn>
</msub>
</mrow>
<msub>
<mi>y</mi>
<mn>3</mn>
</msub>
</mfrac>
<mo>|</mo>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
<mo>.</mo>
</mrow>
9.根据权利要求6或7所述的城市轨道交通短时客流容错预测方法，其特征在于：所述监督模块Ⅰ(1-2)采用小波神经网络搭建，所述监督模块Ⅱ(1-3)采用径向基神经网络搭建。
10.根据权利要求9所述的城市轨道交通短时客流容错预测方法，其特征在于：搭建所述监督模块Ⅰ(1-2)时，采用目标函数J1(n)对监督模块Ⅰ(1-2)进行训练：
<mrow>
<msub>
<mi>J</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>{</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
搭建所述监督模块Ⅱ(1-3)时，采用目标函数J2(n)对监督模块Ⅱ(1-3)进行训练：
<mrow>
<msub>
<mi>J</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>{</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
其中，N为样本个数，n为样本编号，1＜n≤N；f1(n)为输出向量Ⅱ，f2(n)为输出向量Ⅲ，d(n)为期望输出向量，λ1为监督模块Ⅰ所对应的权重因子，λ2为监督模块Ⅱ所对应的权重因子，0＜λ1＜1，0＜λ2＜1，且λ1+λ2＝1，λ1和λ2均为预设值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710706237.5A CN107491838B (zh) | 2017-08-17 | 2017-08-17 | 城市轨道交通短时客流容错预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710706237.5A CN107491838B (zh) | 2017-08-17 | 2017-08-17 | 城市轨道交通短时客流容错预测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107491838A true CN107491838A (zh) | 2017-12-19 |
| CN107491838B CN107491838B (zh) | 2020-06-05 |
Family
ID=60646350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710706237.5A Active CN107491838B (zh) | 2017-08-17 | 2017-08-17 | 城市轨道交通短时客流容错预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107491838B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108399744A (zh) * | 2018-02-24 | 2018-08-14 | 上海理工大学 | 基于灰色小波神经网络的短时交通流预测方法 |
| CN109299825A (zh) * | 2018-09-26 | 2019-02-01 | 重庆英传智能科技研究院有限公司 | 一种基于轨道交通实时客流的预测方法及预测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070185823A1 (en) * | 2005-07-28 | 2007-08-09 | Dingguo Chen | Load prediction based on-line and off-line training of neural networks |
| CN101825622A (zh) * | 2010-04-02 | 2010-09-08 | 浙江浙大中控信息技术有限公司 | 一种水质预测方法和装置 |
| CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
| CN103023065A (zh) * | 2012-11-20 | 2013-04-03 | 广东工业大学 | 一种基于相对误差熵值法的风电短期功率预测方法 |
| CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
| CN104732304A (zh) * | 2015-04-15 | 2015-06-24 | 河南理工大学 | 基于灰色人工神经网络组合模型导水裂隙带高度预测方法 |
-
2017
- 2017-08-17 CN CN201710706237.5A patent/CN107491838B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070185823A1 (en) * | 2005-07-28 | 2007-08-09 | Dingguo Chen | Load prediction based on-line and off-line training of neural networks |
| CN101825622A (zh) * | 2010-04-02 | 2010-09-08 | 浙江浙大中控信息技术有限公司 | 一种水质预测方法和装置 |
| CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
| CN103023065A (zh) * | 2012-11-20 | 2013-04-03 | 广东工业大学 | 一种基于相对误差熵值法的风电短期功率预测方法 |
| CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
| CN104732304A (zh) * | 2015-04-15 | 2015-06-24 | 河南理工大学 | 基于灰色人工神经网络组合模型导水裂隙带高度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张昭昭: "模块化神经网络结构自组织设计方法", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 章颖: "混合不确定性模块化神经网络与高校效益预测的研究", 《中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108399744A (zh) * | 2018-02-24 | 2018-08-14 | 上海理工大学 | 基于灰色小波神经网络的短时交通流预测方法 |
| CN109299825A (zh) * | 2018-09-26 | 2019-02-01 | 重庆英传智能科技研究院有限公司 | 一种基于轨道交通实时客流的预测方法及预测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107491838B (zh) | 2020-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106548645B (zh) | 基于深度学习的车辆路径寻优方法及系统 | |
| CN103793853B (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
| CN103557884B (zh) | 一种输电线路杆塔监控的多传感器数据融合预警方法 | |
| CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
| CN108876184A (zh) | 一种高速铁路隧道运营期的安全风险评价及预警方法 | |
| CN104376716B (zh) | 一种基于贝叶斯网络模型的公交时刻表动态生成方法 | |
| Han et al. | Intelligent decision model of road maintenance based on improved weight random forest algorithm | |
| CN108285071A (zh) | 一种基于贝叶斯网络的电梯健康诊断方法 | |
| CN106772695B (zh) | 一种融合多测风站实测数据的铁路沿线风速预测方法 | |
| CN104298881B (zh) | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 | |
| CN108764601A (zh) | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 | |
| CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
| CN105095963A (zh) | 一种精确诊断与预测风洞设备故障的方法 | |
| CN111598352A (zh) | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 | |
| CN107563122A (zh) | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 | |
| CN103714382B (zh) | 一种城轨列车安全检测传感网可靠性多指标综合评估方法 | |
| CN107067129A (zh) | 基于网格的铁路工务设备风险事件可能性获取方法及系统 | |
| CN104732286A (zh) | 一种城市轨道交通车站安全态势感知方法 | |
| Wang et al. | Design and implementation of early warning system based on educational big data | |
| CN104536970B (zh) | 遥信数据设备故障判断与分类系统及方法 | |
| Padiath et al. | Prediction of traffic density for congestion analysis under Indian traffic conditions | |
| CN109782124A (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 | |
| CN104318717A (zh) | 一种历史数据短缺条件下的暴雨泥石流预警方法 | |
| CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
| CN107491838A (zh) | 城市轨道交通短时客流容错预测系统及方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: No. 1, Fuxing Avenue, Shuang Fu town, Jiangjin District, Chongqing Applicant after: chongqing jiaotong university Address before: 400074 Chongqing Nan'an District University Avenue, No. 66 Applicant before: chongqing jiaotong university |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201229 Address after: 256600 sangwang Road, Weiji Town, Binzhou City, Shandong Province Patentee after: Binzhou Xilong building materials Co.,Ltd. Address before: No. 1, Fuxing Avenue, Shuang Fu town, Jiangjin District, Chongqing Patentee before: CHONGQING JIAOTONG University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210508 Address after: 102200 423, 4 / F, block a, Xinhua future city building, 175 Litang Road, Changping District, Beijing Patentee after: Li Qiannan Address before: 256600 sangwang Road, Weiji Town, Binzhou City, Shandong Province Patentee before: Binzhou Xilong building materials Co.,Ltd. |
|
| TR01 | Transfer of patent right |