CN108647832B - 一种基于神经网络的地铁运行间隔时间控制算法 - Google Patents

一种基于神经网络的地铁运行间隔时间控制算法 Download PDF

Info

Publication number
CN108647832B
CN108647832B CN201810478422.8A CN201810478422A CN108647832B CN 108647832 B CN108647832 B CN 108647832B CN 201810478422 A CN201810478422 A CN 201810478422A CN 108647832 B CN108647832 B CN 108647832B
Authority
CN
China
Prior art keywords
time
subway
neural network
people
flow
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.)
Expired - Fee Related
Application number
CN201810478422.8A
Other languages
English (en)
Other versions
CN108647832A (zh
Inventor
魏丹
王殿超
张忠洋
高伟江
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.)
Liaoning University of Technology
Original Assignee
Liaoning University of Technology
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 Liaoning University of Technology filed Critical Liaoning University of Technology
Priority to CN201810478422.8A priority Critical patent/CN108647832B/zh
Publication of CN108647832A publication Critical patent/CN108647832A/zh
Application granted granted Critical
Publication of CN108647832B publication Critical patent/CN108647832B/zh
Expired - Fee Related 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
    • G06Q10/04—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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于神经网络的地铁运行间隔时间控制算法，包括：将全天按照相同的时间间隔划分为多个目标时间段；获取当前的系统时间；确定所述系统时间对应的目标时间段；把目标时间段的人流通过量、滞留时间和人流量变化指标作为输入变量的输入层，构建为第一神经网络，在第一神经网络中对滞留时间进行解析，获得表示地铁运行控制策略的向量群，以及所述表示地铁运行策略的向量群作为控制策略输出，采用神经网络算法实时控制地铁发车间隔、车速和停车时间，有效缓解地铁拥堵问题。

Description

一种基于神经网络的地铁运行间隔时间控制算法
技术领域
本发明涉及动态交通控制领域，尤其涉及一种基于神经网络的地铁运行间隔时间控制算法。
背景技术
地铁作为市民出行重要的交通工具，地铁人多拥挤很容易造成危险，客地铁安全门被夹身亡事件，地铁安全问题也引起了人们的注意，上下班高峰期地铁拥堵，经常会有乘客到站无法挤下车，站外乘客无法上车以及老人、孕妇、婴儿手推车在拥挤的车厢内遭遇无处可坐甚至无处可站的现象发生，安全问题不容忽视。因此，对于缓解地铁拥堵现状，合理有效的根据人流量分配地铁运行间隔，进而提高乘客满意度势在必行。
发明内容
本发明设计开发了一种基于神经网络的地铁运行间隔时间控制算法，采用神经网络算法实时控制地铁发车间隔、车速和停车时间，有效缓解地铁拥堵问题。
本发明提供的技术方案为：
一种基于神经网络的地铁运行间隔时间控制算法，包括：
将全天按照相同的时间间隔划分为多个目标时间段；
获取当前的系统时间；
确定所述系统时间对应的目标时间段；
获取检票闸机在所述目标时间段的人流通过量，检测人流行进速度、结合当前地铁运行间隔时间，估算滞留时间；
根据所述历史人流量预估检票闸机的当前人流通过量，以及每天对应的权值，获取检票闸机在目标历史时间内的历史人流通过量的加权和；
根据所述加权和预估检票闸机的下一时间段人流通过量，得到人流量变化指标；
把目标时间段的人流通过量、滞留时间和人流量变化指标作为输入变量的输入层，构建为第一神经网络，在第一神经网络中对滞留时间进行解析，获得表示地铁运行控制策略的向量群，以及
所述表示地铁运行策略的向量群作为控制策略输出。
优选的是，所述第一神经网络为三层BP神经网络模型，依次对输入层变量进行规格化，确定三层神经网络的输入层向量X＝{x1,x2,x3}；其中，x1为当前人流通过量系数，x2为滞留时间系数，x3为人流量变化指标系数；所述输入层向量映射到中间层，所述中间层向量为Y＝{y1,y2,y3,y4…ym}，m为节点个数；输出层向量O＝{o1,o2,o3}，其中，o1为地铁运行间隔系数，o2为地铁运行速度系数，o3为停车时间系数。
优选的是，所述输入层向量利用如下公式格式化
Figure BDA0001665094840000021
其中，xj为输入层向量中的参数，Yj分别为测量参数T、Qd、Qa，j＝1,2,3；Qd为当前人流通过量；T为滞留时间；Qa为人流量变化指标；Yjmax和Yjmin分别为相应测量参数中的最大值和最小值。
优选的是，所述中间层节点个数计算公式为：
Figure BDA0001665094840000022
其中，m为中间层节点个数，n为输入层节点个数，p为输出层节点个数。
优选的是，所述地铁运行控制策略满足公式：
Mt＝o1·Mto
Mg＝o2·Mgo
Mp＝o3·Mpo
其中，Mt为地铁运行间隔调整时长，Mto为常规地铁运行间隔时长，Mg为地铁运行调整速度，Mgo为常规地铁运行速度，Mp为地铁停车时间调整时长，Mpo为常规地铁停车时长。
优选的是，所述滞留时间的估算公式为：
Figure BDA0001665094840000031
其中，T为滞留时间，L为检票闸机与地铁乘车口的距离；vs为人流行进速度，
Figure BDA0001665094840000032
为与车厢长度相关的常数，
Figure BDA0001665094840000033
Lc为单节车厢长度，n为车厢节数，为正整数，K为阻挠系数，B为车载系数，va为地铁行进速度，as为地铁车辆行进加速度，ts为地铁延迟时间系数。
优选的是，下一时间段人流通过量的估算公式为：
Figure BDA0001665094840000034
其中，Q′d为下一时段人流通过量，qi为该时间段的历史人流通过量，
Figure BDA0001665094840000038
为历史人流量的均值，m为历史人流量取值天数，为正整数，Qd为当前人流通过量，xi为人流通过量的加权值，
Figure BDA0001665094840000035
ki为第i天历史人流量对用的星期数值，λ为常数，其数值为0.364。
优选的是，所述人流量变化指标计算公式为：
Figure BDA0001665094840000036
其中，Q′d为下一时段人流通过量，
Figure BDA0001665094840000037
为全天时段人流通过量平均值，ω为比例系数，其数值为2.94。
优选的是，所述时间间隔为20-25分钟。
本发明所述的有益效果
附图说明
图1为本发明所述的基于神经网络的地铁运行间隔时间控制算法的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1所示，本发明提供的基于神经网络的地铁运行间隔时间控制算法，包括：
步骤S110、将全天按照相同的时间间隔划分为多个目标时间段，其中时间间隔设定为20-25分钟；获取当前的系统时间，确定系统时间对应的目标时间段；例按照时间间隔20分钟划分，将全天24小时划分为72个时间段，假定当前的系统时间为上午9点35分，则对应的目标时间段为第29个时间段。
步骤S120、获取检票闸机在目标时间段的人流通过量，检测人流行进速度、结合当前地铁运行间隔时间，估算滞留时间；
Figure BDA0001665094840000041
其中，T为滞留时间，L为检票闸机与地铁乘车口的距离；vs为人流行进速度，
Figure BDA0001665094840000042
为与车厢长度相关的常数，
Figure BDA0001665094840000043
Lc为单节车厢长度，n为车厢节数，为正整数，K为阻挠系数，为0.258，B为车载系数，数值为1.25，va为地铁行进速度，as为地铁车辆行进加速度，ts为地铁延迟时间系数，数值为0.15。
步骤S130、根据历史人流量预估检票闸机的当前人流通过量，以及每天对应的权值，获取检票闸机在目标历史时间内的历史人流通过量的加权和；根据加权和预估检票闸机的下一时间段人流通过量，
下一时间段人流通过量的估算公式为：
Figure BDA0001665094840000051
其中，Q′d为下一时段人流通过量，qi为该时间段的历史人流通过量，
Figure BDA0001665094840000052
为历史人流量的均值，m为历史人流量取值天数，为正整数，Qd为当前人流通过量，xi为人流通过量的加权值，
Figure BDA0001665094840000053
ki为第i天历史人流量对用的星期数值，λ为常数，其数值为0.364。
步骤S140、得到人流量变化指标；
Figure BDA0001665094840000054
其中，Q′d为下一时段人流通过量，
Figure BDA0001665094840000056
为全天时段人流通过量平均值，ω为比例系数，其数值为2.94。
把目标时间段的人流通过量、滞留时间和人流量变化指标作为输入变量的输入层，构建为第一神经网络，在第一神经网络中对滞留时间进行解析，获得表示地铁运行控制策略的向量群，以及
所述表示地铁运行策略的向量群作为控制策略输出。
第一神经网络为三层BP神经网络模型，依次对输入层变量进行规格化，确定三层神经网络的输入层向量X＝{x1,x2,x3}；其中，x1为当前人流通过量系数，x2为滞留时间系数，x3为人流量变化指标系数；输入层向量映射到中间层，中间层向量为Y＝{y1,y2,y3,y4…ym}，m为节点个数；输出层向量O＝{o1,o2,o3}，其中，o1为地铁运行间隔系数，o2为地铁运行速度系数，o3为停车时间系数。
利用如下公式格式化
Figure BDA0001665094840000055
其中，xj为输入层向量中的参数，Yj分别为测量参数T、Qd、Qa，j＝1,2,3；Qd为当前人流通过量；T为滞留时间；Qa为人流量变化指标；Yjmax和Yjmin分别为相应测量参数中的最大值和最小值。
中间层节点个数计算公式为：
Figure BDA0001665094840000061
其中，m为中间层节点个数，n为输入层节点个数，p为输出层节点个数。
地铁运行控制策略满足公式：
Mt＝o1·Mto
Mg＝o2·Mgo
Mp＝o3·Mpo
其中，Mt为地铁运行间隔调整时长，Mto为常规地铁运行间隔时长，Mg为地铁运行调整速度，Mgo为常规地铁运行速度，Mp为地铁停车时间调整时长，Mpo为常规地铁停车时长。
实施以基于神经网络的地铁运行间隔时间控制算法的具体工作过程为例，作进一步说明。
步骤一、建立BP神经网络模型：
本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，
Figure BDA0001665094840000062
其中，m为中间层节点个数，n为输入层节点个数，p为输出层节点个数；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。
该网络的数学模型为：
输入层向量：x＝(x1，x2，…，xn)T
中间层向量：y＝(y1，y2，…，ym)T
输出层向量：z＝(z1,z2,…,zp)T
本发明中，输入层节点数为n＝3，输出层节点数为p＝3；隐藏层节点数m由下式估算得出：
Figure BDA0001665094840000063
按照时间段，输入的3个参数为，x1为当前人流通过量系数，x2为滞留时间系数，x3为人流量变化指标系数；
由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入神经网络之前，需要将数据规格化为0-1之间的数。
具体而言，对于T滞留时间，进行规格化后，得到滞留时间系数x1：
Figure BDA0001665094840000071
其中，Tmin和Tmax分别为时间段内的最短时间和最长时间。
同样的，对于目标时段人流通过量Qd；进行规格化后，得到当前人流通过量系数x2：
Figure BDA0001665094840000072
其中，Qdmin和Qdmax分别为目标时段历史人流通过量的最小值和最大值。
同样的，对于人流量变化指标Qa，进行规格化后，得到人流量变化指标系数x3：
Figure BDA0001665094840000073
其中，Qa_min和Qa_max分别为人流量变化指标的最小值和最大值。
输出信号的3个参数分别表示为：，o1为地铁运行间隔系数，o2为地铁运行速度系数，o3为停车时间系数；
地铁运行间隔系数o1表示为下一目标时间段中的地铁运行间隔时间与当前目标时间段中设定的地铁运行间隔之比，即在第i个时间段中，设定的地铁运行间隔时长为为Mt，通过BP神经网络输出第i个时间段的调节开度调节系数O1 i后，控制第i+1个时间段中地铁运行间隔时间为为Mto，使其满足
Figure BDA0001665094840000074
地铁运行速度系数o2表示为下一个时间段中的地铁运行速度与当前时间段中设定的地铁运行速度之比，即在第i个时间段中，设定的地铁运行速度为为Mg，通过BP神经网络输出第i个时间段的调节开度调节系数O2 i后，控制第i+1个时间段中地铁运行速度为Mgo，使其满足
Figure BDA0001665094840000075
停车时间系数o3表示为下一个时间段中的停车时长与当前时间段中设定的停车时长之比，即在第i个时间段中，设定的左停车时长为Mp，通过BP神经网络输出第i个时间段的调节开度调节系数O3 i后，控制第i+1个时间段中停车时长为Mpo，使其满足
Figure BDA0001665094840000081
步骤二：进行BP神经网络的训练：
建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值wij，隐层节点j和输出层节点k之间的连接权值wjk，隐层节点j的阈值θj，输出层节点k的阈值wij、wjk、θj、θk均为-1到1之间的随机数。
在训练过程中，不断修正wij和wjk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。
如表1所示，给定了一组训练样本以及训练过程中各节点的值。
表1训练过程各节点值
Figure BDA0001665094840000082
步骤三、采集数据运行参数输入神经网络得到调控系数；
训练好的人工神经网络固化在控制器芯片之中，使硬件电路具备预测和智能决策功能，从而形成智能硬件。智能硬件加电启动后同时，获取检票闸机在所述目标时间段的人流通过量，检测人流行进速度、结合当前地铁运行间隔时间，估算滞留时间；
根据所述历史人流量预估检票闸机的当前人流通过量，以及每天对应的权值，获取检票闸机在目标历史时间内的历史人流通过量的加权和；
根据所述加权和预估检票闸机的下一时间段人流通过量，得到人流量变化指标；通过将上述参数规格化，得到BP神经网络的初始输入向量
Figure BDA0001665094840000091
通过BP神经网络的运算得到初始输出向量
Figure BDA0001665094840000092
步骤四：得到初始输出向量
Figure BDA0001665094840000093
后，即可进转向灯时长调控，使下一个时间段地铁运行间隔，地铁运行速度，停车时间，分别为：
Figure BDA0001665094840000094
Figure BDA0001665094840000095
Figure BDA0001665094840000096
通过进行规格化得到第i个时间段的输入向量
Figure BDA0001665094840000097
通过BP神经网络的运算得到第i个时间段的输出向量
Figure BDA0001665094840000098
使第i+1个时间段时地铁运行间隔，地铁运行速度，停车时间分别为：
Figure BDA0001665094840000099
Figure BDA00016650948400000910
Figure BDA00016650948400000911
通过上述设置，采用神经网络算法实时控制地铁发车间隔、车速和停车时间，具有自学习和预测功能，使其具有良好的实用性和调整的准确性，有效解决潮汐车流现象的拥堵问题。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种基于神经网络的地铁运行间隔时间控制方法，其特征在于，包括：
将全天按照相同的时间间隔划分为多个目标时间段；
获取当前的系统时间；
确定所述系统时间对应的目标时间段；
获取检票闸机在所述目标时间段的人流通过量，检测人流行进速度、结合当前地铁运行间隔时间，估算滞留时间；
根据历史人流量预估检票闸机的当前人流通过量，以及每天对应的权值，获取检票闸机在目标历史时间内的历史人流通过量的加权和；
根据所述加权和预估检票闸机的下一时间段人流通过量，得到人流量变化指标；
把目标时间段的人流通过量、滞留时间和人流量变化指标作为输入变量的输入层，构建为第一神经网络，在第一神经网络中对滞留时间进行解析，获得表示地铁运行控制策略的向量群，以及
所述表示地铁运行策略的向量群作为控制策略输出；
所述第一神经网络为三层BP神经网络模型，依次对输入层变量进行规格化，确定三层神经网络的输入层向量X＝{x1,x2,x3}；其中，x1为当前人流通过量系数，x2为滞留时间系数，x3为人流量变化指标系数；所述输入层向量映射到中间层，所述中间层向量为Y＝{y1,y2,y3,y4…ym}，m为节点个数；输出层向量O＝{o1,o2,o3}，其中，o1为地铁运行间隔系数，o2为地铁运行速度系数，o3为停车时间系数；
所述滞留时间的估算公式为：
Figure FDA0002547105020000011
其中，T为滞留时间，L为检票闸机与地铁乘车口的距离；vs为人流行进速度，
Figure FDA0002547105020000021
为与车厢长度相关的常数，
Figure FDA0002547105020000022
Lc为单节车厢长度，n为车厢节数，为正整数，K为阻挠系数，B为车载系数，va为地铁行进速度，as为地铁车辆行进加速度，ts为地铁延迟时间系数。
2.根据权利要求1所述的基于神经网络的地铁运行间隔时间控制方法，其特征在于，所述输入层向量利用如下公式格式化
Figure FDA0002547105020000023
其中，xj为输入层向量中的参数，Yj分别为测量参数T、Qd、Qa，j＝1,2,3；Qd为当前人流通过量；T为滞留时间；Qa为人流量变化指标；Yjmax和Yjmin分别为相应测量参数中的最大值和最小值。
3.根据权利要求2所述的基于神经网络的地铁运行间隔时间控制方法，其特征在于，所述中间层节点个数计算公式为：
Figure FDA0002547105020000024
其中，a为中间层节点个数，n为输入层节点个数，p为输出层节点个数。
4.根据权利要求3所述的基于神经网络的地铁运行间隔时间控制方法，其特征在于，所述地铁运行控制策略满足公式：
Mt＝o1·Mto
Mg＝o2·Mgo
Mp＝o3·Mpo
其中，Mt为地铁运行间隔调整时长，Mto为常规地铁运行间隔时长，Mg为地铁运行调整速度，Mgo为常规地铁运行速度，Mp为地铁停车时间调整时长，Mpo为常规地铁停车时长。
5.根据权利要求4所述的基于神经网络的地铁运行间隔时间控制方法，其特征在于，下一时间段人流通过量的估算公式为：
Figure FDA0002547105020000025
其中，Q′d为下一时段人流通过量，qi为该时间段的历史人流通过量，
Figure FDA0002547105020000031
为历史人流量的均值，b为历史人流量取值天数，为正整数，Qd为当前人流通过量，xi为人流通过量的加权值，
Figure FDA0002547105020000032
ki为第i天历史人流量对应的星期数值，λ为常数，其数值为0.364。
6.根据权利要求5所述的基于神经网络的地铁运行间隔时间控制方法，其特征在于，所述人流量变化指标计算公式为：
Figure FDA0002547105020000033
其中，Q′d为下一时段人流通过量，
Figure FDA0002547105020000034
为全天时段人流通过量平均值，ω为比例系数，其数值为2.94。
7.根据权利要求1所述的基于神经网络的地铁运行间隔时间控制方法，其特征在于，所述时间间隔为20-25分钟。
CN201810478422.8A 2018-05-18 2018-05-18 一种基于神经网络的地铁运行间隔时间控制算法 Expired - Fee Related CN108647832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810478422.8A CN108647832B (zh) 2018-05-18 2018-05-18 一种基于神经网络的地铁运行间隔时间控制算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810478422.8A CN108647832B (zh) 2018-05-18 2018-05-18 一种基于神经网络的地铁运行间隔时间控制算法

Publications (2)

Publication Number Publication Date
CN108647832A CN108647832A (zh) 2018-10-12
CN108647832B true CN108647832B (zh) 2020-08-04

Family

ID=63756714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810478422.8A Expired - Fee Related CN108647832B (zh) 2018-05-18 2018-05-18 一种基于神经网络的地铁运行间隔时间控制算法

Country Status (1)

Country Link
CN (1) CN108647832B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112441084B (zh) * 2019-08-29 2022-03-18 比亚迪股份有限公司 列车停靠时长的确定方法、装置、车辆及电子设备
CN110688982B (zh) * 2019-10-14 2022-07-01 重庆邮电大学 基于目标检测技术和aco-bp算法的智能轨道交通时间控制方法
CN117592790B (zh) * 2024-01-19 2024-04-09 全民认证科技（杭州）有限公司 一种区域告警方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063109A (zh) * 2010-11-29 2011-05-18 株洲南车时代电气股份有限公司 一种基于神经网络的地铁列车故障诊断装置及其方法
CN102831478A (zh) * 2012-08-05 2012-12-19 珠海派诺科技股份有限公司 一种基于bp神经网络的地铁能耗综合预测方法
CN106650976A (zh) * 2015-10-29 2017-05-10 深圳市综合交通运行指挥中心 出行分析预测方法及系统、基于ic卡的出行分析预测方法及系统
CN106960261A (zh) * 2017-03-27 2017-07-18 重庆邮电大学 一种基于轨道ic卡和手机信令数据的轨道交通客流预测方法
CN107169555A (zh) * 2017-06-30 2017-09-15 广东欧珀移动通信有限公司 一种闸机提示方法、装置、存储介质和终端
CN107688873A (zh) * 2017-08-29 2018-02-13 南京轨道交通系统工程有限公司 基于大数据分析的地铁客流预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITUD20050152A1 (it) * 2005-09-23 2007-03-24 Neuricam Spa Dispositivo elettro-ottico per il conteggio di persone,od altro,basato su visione stereoscopica,e relativo procedimento

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063109A (zh) * 2010-11-29 2011-05-18 株洲南车时代电气股份有限公司 一种基于神经网络的地铁列车故障诊断装置及其方法
CN102831478A (zh) * 2012-08-05 2012-12-19 珠海派诺科技股份有限公司 一种基于bp神经网络的地铁能耗综合预测方法
CN106650976A (zh) * 2015-10-29 2017-05-10 深圳市综合交通运行指挥中心 出行分析预测方法及系统、基于ic卡的出行分析预测方法及系统
CN106960261A (zh) * 2017-03-27 2017-07-18 重庆邮电大学 一种基于轨道ic卡和手机信令数据的轨道交通客流预测方法
CN107169555A (zh) * 2017-06-30 2017-09-15 广东欧珀移动通信有限公司 一种闸机提示方法、装置、存储介质和终端
CN107688873A (zh) * 2017-08-29 2018-02-13 南京轨道交通系统工程有限公司 基于大数据分析的地铁客流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于模糊神经网络的正则化学习一种基于模糊神经网络的正则化学习一种基于模糊神经网络的正则化学习算法的地铁列车运行控制;吴桂云 等;《计算机工程与应用》;20040229;第201-204页 *
基于模糊神经网络的城市轨道交通行车间隔时间优化研究;肖枫;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140315(第3期);第C033-115页 *

Also Published As

Publication number Publication date
CN108647832A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
CN108647832B (zh) 一种基于神经网络的地铁运行间隔时间控制算法
CN108492555B (zh) 一种城市路网交通状态评价方法及装置
CN105225500B (zh) 一种交通控制辅助决策方法及装置
JP3414843B2 (ja) 交通手段制御装置
Murat Comparison of fuzzy logic and artificial neural networks approaches in vehicle delay modeling
CN108289203B (zh) 一种用于轨道交通的视频监控系统
US20210354731A1 (en) Method and system for identifying traveling backward passengers and boarding trains in rail transit
CN107194491A (zh) 一种基于公交客流和站间行程时间预测的动态调度方法
CN108399763A (zh) 一种基于神经网络的交叉路口交通信号灯控制算法
CN111063204B (zh) 一种基于收费站流量的高速公路车速预测模型训练方法
CN110084397B (zh) 一种地铁直达线路规划方法
KR101742043B1 (ko) 교통수단분담 예측 장치, 방법 및 교통수단분담 예측을 위한 프로그램을 저장하는 저장매체
CN113762473B (zh) 一种基于多时空图的复杂场景行车风险预测方法
CN108267123A (zh) 一种基于边界框和距离预测的双流车载行人车辆预测方法
Yen et al. Proactive car-following using deep-reinforcement learning
CN114037158A (zh) 一种基于od路径的客流预测方法及应用方法
WO2023115899A1 (zh) 一种自动驾驶车辆的自主超车方法和系统
CN110111573A (zh) 一种基于物联网的拥堵车辆综合调度方法
Babojelić et al. Modelling of driver and pedestrian behaviour–a historical review
JP4910432B2 (ja) 車両混雑状況予測システム及び方法、プログラム
JP3212241B2 (ja) 交通流予測装置
Seriani et al. Exploring the effect of train design features on the boarding and alighting time by Laboratory Experiments
CN116229305A (zh) 一种基于视频识别的地铁车站流线拥堵状态实时评价方法
CN110154893A (zh) 一种基于驾驶员特性的汽车安全驾驶预警方法
Malvezzi et al. Train speed and position evaluation using wheel velocity measurements

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200804

Termination date: 20210518

CF01 Termination of patent right due to non-payment of annual fee