CN109447498B - 一种轨道交通系统成本关联多域影响要素大数据驱动分析方法 - Google Patents

一种轨道交通系统成本关联多域影响要素大数据驱动分析方法 Download PDF

Info

Publication number
CN109447498B
CN109447498B CN201811327728.XA CN201811327728A CN109447498B CN 109447498 B CN109447498 B CN 109447498B CN 201811327728 A CN201811327728 A CN 201811327728A CN 109447498 B CN109447498 B CN 109447498B
Authority
CN
China
Prior art keywords
cost
domain
stage
sub
performance
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
CN201811327728.XA
Other languages
English (en)
Other versions
CN109447498A (zh
Inventor
刘辉
赖森华
高广军
徐刚
尹恒鑫
李燕飞
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.)
Central South University
CRRC Qingdao Sifang Co Ltd
Original Assignee
Central South University
CRRC Qingdao Sifang 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 Central South University, CRRC Qingdao Sifang Co Ltd filed Critical Central South University
Priority to CN201811327728.XA priority Critical patent/CN109447498B/zh
Publication of CN109447498A publication Critical patent/CN109447498A/zh
Application granted granted Critical
Publication of CN109447498B publication Critical patent/CN109447498B/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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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

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

Abstract

本发明提供了一种轨道交通系统成本关联多域影响要素大数据驱动分析方法，建立基于安全域、性能域和环境域的LCC分析模型，构建影响要素驱动数据，分析轨道交通系统成本影响要素对安全、性能、环境以及全生命周期成本的影响度，得到安全域强相关要素、性能域强相关要素、环境域强相关要素和全生命周期成本敏感要素，获取轨道交通系统成本优化重点关注对象，对轨道交通系统全生命成本进一步优化具有重要意义。

Description

一种轨道交通系统成本关联多域影响要素大数据驱动分析 方法
技术领域
本发明涉及一种轨道交通系统成本关联多域影响要素大数据驱动分析方法。
背景技术
轨道交通系统发展迅速，具有成本高、技术复杂和周期长的特点，世界各国绝大多数轨道交通系统的建设运营都依赖于政府的巨额补贴。研究轨道交通系统全生命周期成本，降低不必要费用对轨道交通系统的发展的必经之路。
目前，轨道交通系统全生命周期各阶段联系较为松散，轨道交通系统全生命周期成本要素组成复杂，成本要素繁多且要素之间存在复杂的交互关系，分析轨道交通系统成本影响要素与安全、性能、环境以及全生命周期成本的关系能为进一步优化轨道交通系统全生命周期成本提供理论基础。
发明内容
本发明提供了一种轨道交通系统成本关联多域影响要素大数据驱动分析方法，建立基于安全域、性能域和环境域的LCC分析模型，构建影响要素驱动数据，获取轨道交通系统成本优化重点关注对象。
一种轨道交通系统成本关联多域影响要素大数据驱动分析方法，包括以下几个步骤：
步骤1：分解轨道交通系统全生命周期成本，得到阶段成本要素层、阶段子成本要素层和年度子成本要素层；
轨道交通系统全生命周期成本是指轨道交通系统从决策设计开始一直到系统报废整个期间的成本总和；
步骤2：获取N条轨道交通系统线路的年度子成本要素层历史数据；
步骤3：计算N条线路在不同阶段年限组合情况下的轨道交通系统全生命周期成本；
步骤4：计算N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce；
步骤5：建立基于安全域、性能域和环境域的LCC分析模型；
步骤6：建立基于安全域、性能域和环境域的LCC分析模型的影响要素驱动数据；
所述影响要素驱动数据中每个元素称为影响要素，由决策设计阶段年限T1，施工建设阶段年限T2、运营维护阶段年限T3和线路中值数据组成；
步骤7：获取安全域强相关要素、性能域强相关要素和环境域强相关要素；
步骤7.1：设定影响要素驱动数据变化范围；
步骤7.2：依次单一改变影响要素驱动数据中影响要素的值；
所述影响要素驱动数据表示为[a1，a2，…，aq，…，aQ]，依次对a1～aq中的每个值在设定变化范围内等差变化为100组值；对于任意影响要素aq，将aq在设定变化范围内等差变化为100组值，其他影响要素值保持不变，得到100组aq的影响要素驱动数据；
步骤7.3：通过步骤4，计算出每个影响要素在设定变化范围内变化引起的安全域指标、性能域指标和环境域指标的变化值，计算变化值对于原始影响要素驱动数据输出值的变化幅度，依据影响要素引起的安全域指标、性能域指标和环境域指标的变化幅度大小，对影响要素进行排序；
步骤7.4：设置强相关阈值，将引起安全域指标、性能域指标和环境域指标变化幅度大于强相关阈值的影响要素作为强相关要素，得到安全域强相关要素、性能域强相关要素和环境域强相关要素；
步骤8：获取全生命周期成本敏感要素；
步骤8.1：依次将步骤7.3得到的每个影响要素在设定变化范围变化引起的安全域指标、性能域指标和环境域指标的变化值，输入到基于安全域、性能域和环境域的LCC分析模型；
所述安全域指标、性能域指标和环境域指标的变化值对于每个影响要素存在100组变化值，将100组变化值输入到基于安全域、性能域和环境域的LCC分析模型，输出得到100组全生命周期成本变化值；
步骤8.2：计算每个影响要素间接引起的全生命周期成本变化值相对原始影响要素驱动数据输出的全生命周期成本值的变化幅度，依据变化幅度大小，对影响要素进行排序；
步骤8.3：设置敏感阈值，将引起全生命周期成本变化幅度大于敏感阈值的影响要素作为全生命周期成本敏感要素。
进一步地，所述阶段成本要素层为第一层成本分解层，由决策设计阶段成本、施工建设阶段成本、运营维护阶段成本和报废回收阶段成本共4个阶段成本构成；
所述阶段子成本要素层为第二层成本分解层，由n1个决策设计阶段子成本、n2个施工建设阶段子成本、n3个运营维护阶段子成本和n4个报废回收阶段子成本构成；
所述年度子成本要素层为第三层成本分解层，由T1*n1个决策设计阶段年度子成本、T2*n2个施工建设阶段年度子成本、T3*n3个运营维护阶段年度子成本和T3*n4个报废回收阶段年度子成本构成；
所述T1为决策设计阶段年限，T2为施工建设阶段年限，T3为运营维护阶段年限，报废回收阶段和运营维护阶段属于同一时间年限。
进一步地，所述n1个决策设计阶段子成本指的是按照轨道交通系统设计方案中的各项要求和指标完成的决策设计过程中使用的成本，至少包括勘察设计成本、可行性研究成本、前期规划成本；
所述n2个施工建设阶段子成本指的是轨道交通系统在施工建设过程中使用在设备购置、车辆购置和建筑施工的成本，至少包括设备购置成本、车辆购置成本、建筑工程成本、安装工程成本；
所述n3个运营维护阶段子成本指的是轨道交通系统在运营期间使用在电力、运营管理、维修、装备更新的成本，至少包括车辆维护维修成本、供电维护维修成本、通信维护维修成本、公务维护维修成本、员工工资福利成本；
所述n4个报废回收阶段子成本指的是轨道交通系统在持续运营的过程中，车辆行驶的安全得不到保证或达不到预期的经济目标时，需要对轨道上的土建工程以及运营设备采取废除过程中所使用的成本，至少包括设备报废成本、车辆报废成本、车站报废成本。
进一步地，所述不同阶段年限组合是指设置轨道交通系统线路的决策设计阶段年限T1遍历[1，5]，施工建设阶段年限T2遍历[2，10]，运营维护阶段年限T3遍历[30，150]时不同T1、T2和T3的组合。
进一步地，所述轨道交通系统全生命周期成本计算公式为：
Figure BDA0001859175410000031
其中，
Figure BDA0001859175410000032
为轨道交通系统全生命周期成本，Cjc为决策设计阶段成本，Csg为施工建设阶段成本，Cyy为运营维护阶段成本，Cbf为报废回收阶段成本，T1为决策设计阶段年限，T2为施工建设阶段年限，T3为运营维护阶段年限；
所述轨道交通系统全生命周期成本计算公式中的决策设计阶段成本Cjc的计算公式为：
Figure BDA0001859175410000033
其中，Cjc为决策设计阶段成本，T1为决策设计阶段年限，Cjc，j为第j个决策设计阶段年度子成本，r为通货膨胀率，R为折现率；
所述轨道交通系统全生命周期成本计算公式中的施工建设阶段成本Csg的计算公式为：
Figure BDA0001859175410000034
其中，Csg为施工建设阶段成本，T2为施工建设阶段年限，Csg，s为第s个施工建设阶段年度子成本，r为通货膨胀率，R为折现率；
所述轨道交通系统全生命周期成本计算公式中的运营维护阶段成本Cyy的计算公式为：
Figure BDA0001859175410000041
其中，Cyy为运营维护阶段成本，T3为运营维护阶段年限，Cyy，y为第y个运营维护阶段年度子成本，r为通货膨胀率，R为折现率；
所述轨道交通系统全生命周期成本计算公式中的报废回收阶段成本Cbf的计算公式为：
Figure BDA0001859175410000042
其中，Cbf为报废回收阶段成本，Cbf，b为第b个报废回收阶段年度子成本，r为通货膨胀率，R为折现率。
进一步地，所述计算N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce的具体步骤如下：
步骤A1：通过轨道交通工作人员对阶段子成本层的所有阶段子成本基于对轨道交通系统安全、性能、环境三方面的影响度进行评分，得到评分矩阵；
所述阶段子成本层的所有阶段子成本对轨道交通系统安全、性能、环境评分分值范围为[0，100]，分值越高意味着越重要，设定分值含义为：[0，20)几乎无影响，[20，40)有一定影响，[40，60)一般重要，[60，80)比较重要，[80，100]非常重要；
步骤A2：依据评分矩阵，将每个阶段子成本对于安全域、性能域和环境域的评分均值作为阶段子成本的影响度，得到安全域影响度向量、性能域影响度向量和环境域影响度向量；
所述安全域影响度向量、性能域影响度向量和环境域影响度向量表示为：
Figure BDA0001859175410000043
Figure BDA0001859175410000044
Figure BDA0001859175410000045
其中，S为安全域影响度向量，P为性能域影响度向量，E为环境域影响度向量，
Figure BDA0001859175410000046
和
Figure BDA0001859175410000047
分别为所有阶段子成本的安全域影响度、性能域影响度和环境域影响度；
步骤A3：按照以下公式分别计算N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce；
Figure BDA0001859175410000051
Figure BDA0001859175410000052
Figure BDA0001859175410000053
其中，Cs、Cp、Ce分别为安全域指标、性能域指标、环境域指标，Ci，t为n1+n2+n3+n4个阶段子成本中的第i个阶段子成本在第t年的阶段年度子成本，[T′，T″]为阶段年度子成本Ci，t执行年限区间，其取值方法为：
Figure BDA0001859175410000054
进一步地，所述建立基于安全域、性能域和环境域的LCC分析模型的具体步骤如下：
步骤B1：数据归一化处理；
将N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce、决策设计阶段年限T1、施工建设阶段年限T2、运营维护阶段年限T3和LCC进行归一化处理；
步骤B2：建立100个Elman神经网络训练模型；
依次将步骤B1处理后的安全域指标Cs、性能域指标Cp、环境域指标Ce、决策设计阶段年限T1、施工建设阶段年限T2和运营维护阶段年限T3的归一化值作为输入数据，将LCC的归一化值作为输出数据，设置100组不同的Elman神经网络参数，训练Elman神经网络，得到100个Elman神经网络训练模型；
步骤B3：筛选获取基于安全域、性能域和环境域的LCC分析模型；
将训练Elman神经网络训练模型的输入数据分别输入至100个Elman神经网络训练模型中，分别计算100个Elman神经网络训练模型输出的LCC向量和真实LCC向量的均方根误差RMSE：
Figure BDA0001859175410000061
其中，LCC(l)和
Figure BDA0001859175410000062
分别为第l条轨道交通系统线路的全生命周期成本真实值和预测值；
筛选出均方根误差RMSE最小的Elman神经网络训练模型作为基于安全域、性能域和环境域的LCC分析模型。
进一步地，所述线路中值数据是指当决策设计阶段年限T1＝3，施工建设阶段年限T2＝5和运营维护阶段年限T3＝60时，LCC处于所有轨道交通系统线路LCC中值的轨道交通系统线路中所有阶段子成本层的数据。
进一步地，所述影响要素驱动数据变化范围设置为20％，强相关阈值设置为0.01，敏感阈值设置为0.001；
所述安全域强相关要素、性能域强相关要素、环境域强相关要素和全生命周期成本敏感要素为轨道交通系统成本优化重点关注对象；本方法确立了轨道交通系统全生命周期成本敏感要素与安全域、性能域和环境域的关联关系，以大数据来驱动成本敏感要素与安全、性能、环境之间关联关系，为轨道交通交通系统成本优化提供新思路。
有益效果
本发明提供了一种轨道交通系统成本关联多域影响要素大数据驱动分析方法，该方法针对轨道交通系统全生命周期成本影响要素分析进行研究，结合全生命周期成本与安全、性能和环境的关联关系，能为建设和运营轨道交通系统时在保证系统安全、性能优越和环境友好的前提下优化全生命周期成本提供理论基础。
该方法建立基于安全域、性能域和环境域的LCC分析模型，构建影响要素驱动数据，获取安全域强相关要素、性能域强相关要素、环境域强相关要素和全生命周期成本敏感要素，获取轨道交通系统成本优化重点关注对象，对轨道交通系统全生命成本进一步优化具有重要意义。
附图说明
图1为本发明所述方法的流程图。
具体实施方式
以下结合附图对本发明的内容作进一步的说明和解释。
如图1所示，一种轨道交通系统成本关联多域影响要素大数据驱动分析方法，包括以下步骤：
步骤1：分解轨道交通系统全生命周期成本，得到阶段成本要素层、阶段子成本要素层和年度子成本要素层；
轨道交通系统全生命周期成本是指轨道交通系统从决策设计开始一直到系统报废整个期间的成本总和；
所述阶段成本要素层为第一层成本分解层，由决策设计阶段成本、施工建设阶段成本、运营维护阶段成本和报废回收阶段成本共4个阶段成本构成；
所述阶段子成本要素层为第二层成本分解层，由n1个决策设计阶段子成本、n2个施工建设阶段子成本、n3个运营维护阶段子成本和n4个报废回收阶段子成本构成；
所述年度子成本要素层为第三层成本分解层，由T1*n1个决策设计阶段年度子成本、T2*n2个施工建设阶段年度子成本、T3*n3个运营维护阶段年度子成本和T3*n4个报废回收阶段年度子成本构成；
所述T1为决策设计阶段年限，T2为施工建设阶段年限，T3为运营维护阶段年限，报废回收阶段和运营维护阶段属于同一时间年限；
所述n1个决策设计阶段子成本指的是按照轨道交通系统设计方案中的各项要求和指标完成的决策设计过程中使用的成本，至少包括勘察设计成本、可行性研究成本、前期规划成本；
所述n2个施工建设阶段子成本指的是轨道交通系统在施工建设过程中使用在设备购置、车辆购置和建筑施工的成本，至少包括设备购置成本、车辆购置成本、建筑工程成本、安装工程成本；
所述n3个运营维护阶段子成本指的是轨道交通系统在运营期间使用在电力、运营管理、维修、装备更新的成本，至少包括车辆维护维修成本、供电维护维修成本、通信维护维修成本、公务维护维修成本、员工工资福利成本；
所述n4个报废回收阶段子成本指的是轨道交通系统在持续运营的过程中，车辆行驶的安全得不到保证或达不到预期的经济目标时，需要对轨道上的土建工程以及运营设备采取废除过程中所使用的成本，至少包括设备报废成本、车辆报废成本、车站报废成本；
步骤2：获取N条轨道交通系统线路的年度子成本要素层历史数据；
步骤3：计算N条线路在不同阶段年限组合情况下的轨道交通系统全生命周期成本；
所述不同阶段年限组合是指设置轨道交通系统线路的决策设计阶段年限T1遍历[1，5]，施工建设阶段年限T2遍历[2，10]，运营维护阶段年限T3遍历[30，150]时不同T1、T2和T3的组合，即T1可取5个年限值，T2可取9个年限值，T3可取121个年限值，共有5*9*121＝5445种年限组合；
所述轨道交通系统全生命周期成本计算公式为：
Figure BDA0001859175410000081
其中，
Figure BDA0001859175410000082
为轨道交通系统全生命周期成本，Cjc为决策设计阶段成本，Csg为施工建设阶段成本，Cyy为运营维护阶段成本，Cbf为报废回收阶段成本，T1为决策设计阶段年限，T2为施工建设阶段年限，T3为运营维护阶段年限；
所述轨道交通系统全生命周期成本计算公式中的决策设计阶段成本Cjc的计算公式为：
Figure BDA0001859175410000083
其中，Cjc为决策设计阶段成本，T1为决策设计阶段年限，Cjc，j为第j个决策设计阶段年度子成本，r为通货膨胀率，R为折现率；
所述轨道交通系统全生命周期成本计算公式中的施工建设阶段成本Csg的计算公式为：
Figure BDA0001859175410000084
其中，Csg为施工建设阶段成本，T2为施工建设阶段年限，Csg，s为第s个施工建设阶段年度子成本，r为通货膨胀率，R为折现率；
所述轨道交通系统全生命周期成本计算公式中的运营维护阶段成本Cyy的计算公式为：
Figure BDA0001859175410000085
其中，Cyy为运营维护阶段成本，T3为运营维护阶段年限，Cyy，y为第y个运营维护阶段年度子成本，r为通货膨胀率，R为折现率；
所述轨道交通系统全生命周期成本计算公式中的报废回收阶段成本Cbf的计算公式为：
Figure BDA0001859175410000086
其中，Cbf为报废回收阶段成本，Cbf，b为第b个报废回收阶段年度子成本，r为通货膨胀率，R为折现率。
所述通货膨胀率r取值范围为[1％，3％]，R为折现率取值范围为[2％，7％]；
步骤4：计算N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce；
所述计算N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce的具体步骤如下：
步骤A1：通过轨道交通工作人员对阶段子成本层的所有阶段子成本基于对轨道交通系统安全、性能、环境三方面的影响度进行评分，得到评分矩阵；
所述阶段子成本层的所有阶段子成本对轨道交通系统安全、性能、环境评分分值范围为[0，100]，分值越高意味着越重要，设定分值含义为：[0，20)几乎无影响，[20，40)有一定影响，[40，60)一般重要，[60，80)比较重要，[80，100]非常重要；
步骤A2；依据评分矩阵，将每个阶段子成本对于安全域、性能域和环境域的评分均值作为阶段子成本的影响度，得到安全域影响度向量、性能域影响度向量和环境域影响度向量；
所述安全域影响度向量、性能域影响度向量和环境域影响度向量表示为：
Figure BDA0001859175410000091
Figure BDA0001859175410000092
Figure BDA0001859175410000093
其中，S为安全域影响度向量，P为性能域影响度向量，E为环境域影响度向量，
Figure BDA0001859175410000094
和
Figure BDA0001859175410000095
分别为所有阶段子成本的安全域影响度、性能域影响度和环境域影响度；
步骤A3：按照以下公式分别计算N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce；
Figure BDA0001859175410000096
Figure BDA0001859175410000097
Figure BDA0001859175410000098
其中，Cs、Cp、Ce分别为安全域指标、性能域指标、环境域指标，Ci，t为n1+n2+n3+n4个阶段子成本中的第i个阶段子成本在第t年的阶段年度子成本，[T′，T″]为阶段年度子成本Ci，t执行年限区间，其取值方法为：
Figure BDA0001859175410000101
步骤5：建立基于安全域、性能域和环境域的LCC分析模型；
所述建立基于安全域、性能域和环境域的LCC分析模型的具体步骤如下：
步骤B1：数据归一化处理；
将N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce、决策设计阶段年限T1、施工建设阶段年限T2、运营维护阶段年限T3和LCC进行归一化处理；
步骤B2：建立100个Elman神经网络训练模型；
依次将步骤B1处理后的安全域指标Cs、性能域指标Cp、环境域指标Ce、决策设计阶段年限T1、施工建设阶段年限T2和运营维护阶段年限T3的归一化值作为输入数据，将LCC的归一化值作为输出数据，设置100组不同的Elman神经网络参数，训练Elman神经网络，得到100个Elman神经网络训练模型；
步骤B3：筛选获取基于安全域、性能域和环境域的LCC分析模型；
将训练Elman神经网络训练模型的输入数据分别输入至100个Elman神经网络训练模型中，分别计算100个Elman神经网络训练模型输出的LCC向量和真实LCC向量的均方根误差RMSE：
Figure BDA0001859175410000102
其中，LCC(l)和
Figure BDA0001859175410000103
分别为第l条轨道交通系统线路的全生命周期成本真实值和预测值；
筛选出均方根误差RMSE最小的Elman神经网络训练模型作为基于安全域、性能域和环境域的LCC分析模型。
步骤6：建立基于安全域、性能域和环境域的LCC分析模型的影响要素驱动数据；
所述影响要素驱动数据中每个元素称为影响要素，由决策设计阶段年限T1，施工建设阶段年限T2、运营维护阶段年限T3和线路中值数据组成；
所述线路中值数据是指当决策设计阶段年限T1＝3，施工建设阶段年限T2＝5和运营维护阶段年限T3＝60时，LCC处于所有轨道交通系统线路LCC中值的轨道交通系统线路中所有阶段子成本层的数据。
步骤7：获取安全域强相关要素、性能域强相关要素和环境域强相关要素；
步骤7.1：设定影响要素驱动数据变化范围；
步骤7.2：依次单一改变影响要素驱动数据中影响要素的值；
所述影响要素驱动数据表示为[a1，a2，…，aq，…，aQ]，依次对a1～aq中的每个值在设定变化范围内等差变化为100组值；对于任意影响要素aq，将aq在设定变化范围内等差变化为100组值，其他影响要素值保持不变，得到100组aq的影响要素驱动数据；
步骤7.3：通过步骤4，计算出每个影响要素在设定变化范围内变化引起的安全域指标、性能域指标和环境域指标的变化值，计算变化值对于原始影响要素驱动数据输出值的变化幅度，依据影响要素引起的安全域指标、性能域指标和环境域指标的变化幅度大小，对影响要素进行排序；
步骤7.4：设置强相关阈值，将引起安全域指标、性能域指标和环境域指标变化幅度大于强相关阈值的影响要素作为强相关要素，得到安全域强相关要素、性能域强相关要素和环境域强相关要素；
步骤8：获取全生命周期成本敏感要素；
步骤8.1：依次将步骤7.3得到的每个影响要素在设定变化范围变化引起的安全域指标、性能域指标和环境域指标的变化值，输入到基于安全域、性能域和环境域的LCC分析模型；
所述安全域指标、性能域指标和环境域指标的变化值对于每个影响要素存在100组变化值，将100组变化值输入到基于安全域、性能域和环境域的LCC分析模型，输出得到100组全生命周期成本变化值；
步骤8.2：计算每个影响要素间接引起的全生命周期成本变化值相对原始影响要素驱动数据输出的全生命周期成本值的变化幅度，依据变化幅度大小，对影响要素进行排序；
步骤8.3：设置敏感阈值，将引起全生命周期成本变化幅度大于敏感阈值的影响要素作为全生命周期成本敏感要素；
所述敏感阈值设置为0.001；
所述安全域强相关要素、性能域强相关要素、环境域强相关要素和全生命周期成本敏感要素为轨道交通系统成本优化重点关注对象；本方法确立了轨道交通系统全生命周期成本敏感要素与安全域、性能域和环境域的关联关系，以大数据来驱动成本敏感要素与安全、性能、环境之间关联关系，为轨道交通交通系统成本优化提供新思路。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种轨道交通系统成本关联多域影响要素大数据驱动分析方法，其特征在于，包括以下几个步骤：
步骤1：分解轨道交通系统全生命周期成本，得到阶段成本要素层、阶段子成本要素层和年度子成本要素层；
步骤2：获取N条轨道交通系统线路的年度子成本要素层历史数据；
步骤3：计算N条线路在不同阶段年限组合情况下的轨道交通系统全生命周期成本；
步骤4：计算N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce；
步骤5：建立基于安全域、性能域和环境域的LCC分析模型；
步骤6：建立基于安全域、性能域和环境域的LCC分析模型的影响要素驱动数据；
所述影响要素驱动数据中每个元素称为影响要素，由决策设计阶段年限T1，施工建设阶段年限T2、运营维护阶段年限T3和线路中值数据组成；
所述线路中值数据是指当决策设计阶段年限T1＝3，施工建设阶段年限T2＝5和运营维护阶段年限T3＝60时，LCC处于所有轨道交通系统线路LCC中值的轨道交通系统线路中所有阶段子成本层的数据；
步骤7：获取安全域强相关要素、性能域强相关要素和环境域强相关要素；
步骤7.1：设定影响要素驱动数据变化范围；
步骤7.2：依次单一改变影响要素驱动数据中影响要素的值；
所述影响要素驱动数据表示为[a1,a2,…,aq,…,aQ],依次对a1～aQ中的每个值在设定变化范围内等差变化为100组值；对于任意影响要素aq，将aq在设定变化范围内等差变化为100组值，其他影响要素值保持不变，得到100组aq的影响要素驱动数据；
步骤7.3：基于步骤4的计算方式，计算出每个影响要素在设定变化范围内变化引起的安全域指标、性能域指标和环境域指标的变化值，计算变化值对于原始影响要素驱动数据输出值的变化幅度，依据影响要素引起的安全域指标、性能域指标和环境域指标的变化幅度大小，对影响要素进行排序；
步骤7.4：设置强相关阈值，将引起安全域指标、性能域指标和环境域指标变化幅度大于强相关阈值的影响要素作为强相关要素，得到安全域强相关要素、性能域强相关要素和环境域强相关要素；
步骤8：获取全生命周期成本敏感要素；
步骤8.1：依次将步骤7.3得到的每个影响要素在设定变化范围变化引起的安全域指标、性能域指标和环境域指标的变化值，输入到基于安全域、性能域和环境域的LCC分析模型；
所述安全域指标、性能域指标和环境域指标的变化值对于每个影响要素存在100组变化值，将100组变化值输入到基于安全域、性能域和环境域的LCC分析模型，输出得到100组全生命周期成本变化值；
步骤8.2：计算每个影响要素间接引起的全生命周期成本变化值相对原始影响要素驱动数据输出的全生命周期成本值的变化幅度，依据变化幅度大小，对影响要素进行排序；
步骤8.3：设置敏感阈值，将引起全生命周期成本变化幅度大于敏感阈值的影响要素作为全生命周期成本敏感要素；
所述建立基于安全域、性能域和环境域的LCC分析模型的具体步骤如下：
步骤B1：数据归一化处理；
将N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce、决策设计阶段年限T1、施工建设阶段年限T2、运营维护阶段年限T3和LCC进行归一化处理；
步骤B2：建立100个Elman神经网络训练模型；
依次将步骤B1处理后的安全域指标Cs、性能域指标Cp、环境域指标Ce、决策设计阶段年限T1、施工建设阶段年限T2和运营维护阶段年限T3的归一化值作为输入数据，将对应的LCC的归一化值作为输出数据，设置100组不同的Elman神经网络参数，训练Elman神经网络，得到100个Elman神经网络训练模型；
步骤B3：筛选获取基于安全域、性能域和环境域的LCC分析模型；
将用于训练Elman神经网络训练模型的输入数据分别输入至100个Elman神经网络训练模型中，分别计算100个Elman神经网络训练模型输出的LCC向量和真实LCC向量的均方根误差RMSE：
Figure FDA0002718264450000021
其中，LCC(l)和
Figure FDA0002718264450000022
分别为第l条轨道交通系统线路的全生命周期成本真实值和预测值；
筛选出均方根误差RMSE最小的Elman神经网络训练模型作为基于安全域、性能域和环境域的LCC分析模型。
2.根据权利要求1所述的方法，其特征在于，所述阶段成本要素层为第一层成本分解层，由决策设计阶段成本、施工建设阶段成本、运营维护阶段成本和报废回收阶段成本共4个阶段成本构成；
所述阶段子成本要素层为第二层成本分解层，由n1个决策设计阶段子成本、n2个施工建设阶段子成本、n3个运营维护阶段子成本和n4个报废回收阶段子成本构成；
所述年度子成本要素层为第三层成本分解层，由T1*n1个决策设计阶段年度子成本、T2*n2个施工建设阶段年度子成本、T3*n3个运营维护阶段年度子成本和T3*n4个报废回收阶段年度子成本构成；
所述T1为决策设计阶段年限，T2为施工建设阶段年限，T3为运营维护阶段年限，报废回收阶段和运营维护阶段属于同一时间年限。
3.根据权利要求2所述的方法，其特征在于，所述n1个决策设计阶段子成本至少包括勘察设计成本、可行性研究成本、前期规划成本；
所述n2个施工建设阶段子成本至少包括设备购置成本、车辆购置成本、建筑工程成本、安装工程成本；
所述n3个运营维护阶段子成本至少包括车辆维护维修成本、供电维护维修成本、通信维护维修成本、公务维护维修成本、员工工资福利成本；
所述n4个报废回收阶段子成本至少包括设备报废成本、车辆报废成本、车站报废成本。
4.根据权利要求1所述的方法，其特征在于，所述不同阶段年限组合是指设置轨道交通系统线路的决策设计阶段年限T1遍历[1,5]，施工建设阶段年限T2遍历[2,10]，运营维护阶段年限T3遍历[30,150]时不同T1、T2和T3的组合。
5.根据权利要求1所述的方法，其特征在于，所述轨道交通系统全生命周期成本计算公式为：
Figure FDA0002718264450000031
其中，
Figure FDA0002718264450000032
为轨道交通系统全生命周期成本，Cjc为决策设计阶段成本，Csg为施工建设阶段成本，Cyy为运营维护阶段成本，Cbf为报废回收阶段成本,T1为决策设计阶段年限，T2为施工建设阶段年限，T3为运营维护阶段年限；
所述轨道交通系统全生命周期成本计算公式中的决策设计阶段成本Cjc的计算公式为：
Figure FDA0002718264450000033
其中，Cjc为决策设计阶段成本，T1为决策设计阶段年限，Cjc,j为第j个决策设计阶段年度子成本，r为通货膨胀率，R为折现率，n1表示决策设计阶段总数；
所述轨道交通系统全生命周期成本计算公式中的施工建设阶段成本Csg的计算公式为：
Figure FDA0002718264450000041
其中，Csg为施工建设阶段成本，T2为施工建设阶段年限，Csg,s为第s个施工建设阶段年度子成本，r为通货膨胀率，R为折现率，n2表示施工建设阶段总数；
所述轨道交通系统全生命周期成本计算公式中的运营维护阶段成本Cyy的计算公式为：
Figure FDA0002718264450000042
其中，Cyy为运营维护阶段成本，T3为运营维护阶段年限，Cyy,y为第y个运营维护阶段年度子成本，r为通货膨胀率，R为折现率，n3表示运营维护阶段总数；
所述轨道交通系统全生命周期成本计算公式中的报废回收阶段成本Cbf的计算公式为：
Figure FDA0002718264450000043
其中，Cbf为报废回收阶段成本，Cbf,b为第b个报废回收阶段年度子成本，r为通货膨胀率，R为折现率，n4表示报废回收阶段总数。
6.根据权利要求1所述的方法，其特征在于，所述计算N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce的具体步骤如下：
步骤A1：通过轨道交通工作人员对阶段子成本层的所有阶段子成本基于对轨道交通系统安全、性能、环境三方面的影响度进行评分，得到评分矩阵；
所述阶段子成本层的所有阶段子成本对轨道交通系统安全、性能、环境评分分值范围为[0,100]；
步骤A2：依据评分矩阵，将每个阶段子成本对于安全域、性能域和环境域的评分均值作为阶段子成本的影响度，得到安全域影响度向量、性能域影响度向量和环境域影响度向量；
所述安全域影响度向量、性能域影响度向量和环境域影响度向量表示为：
Figure FDA0002718264450000044
Figure FDA0002718264450000045
Figure FDA0002718264450000046
其中，S为安全域影响度向量，P为性能域影响度向量，E为环境域影响度向量，
Figure FDA0002718264450000051
和
Figure FDA0002718264450000052
分别为所有阶段子成本的安全域影响度、性能域影响度和环境域影响度，n1表示决策设计阶段总数，n2表示施工建设阶段总数，n3表示运营维护阶段总数，n4表示报废回收阶段总数；
步骤A3：按照以下公式分别计算N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标Cs、性能域指标Cp、环境域指标Ce；
Figure FDA0002718264450000053
Figure FDA0002718264450000054
Figure FDA0002718264450000055
其中，Cs、Cp、Ce分别为安全域指标、性能域指标、环境域指标，Ci,t为n1+n2+n3+n4个阶段子成本中的第i个阶段子成本在第t年的阶段年度子成本，LCC为轨道交通系统全生命周期成本，[T′,T″]为阶段年度子成本Ci,t执行年限区间，其取值方法为：
Figure FDA0002718264450000056
7.根据权利要求1所述的方法，其特征在于，所述影响要素驱动数据变化范围设置为20％，强相关阈值设置为0.01，敏感阈值设置为0.001。
CN201811327728.XA 2018-11-08 2018-11-08 一种轨道交通系统成本关联多域影响要素大数据驱动分析方法 Active CN109447498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811327728.XA CN109447498B (zh) 2018-11-08 2018-11-08 一种轨道交通系统成本关联多域影响要素大数据驱动分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811327728.XA CN109447498B (zh) 2018-11-08 2018-11-08 一种轨道交通系统成本关联多域影响要素大数据驱动分析方法

Publications (2)

Publication Number Publication Date
CN109447498A CN109447498A (zh) 2019-03-08
CN109447498B true CN109447498B (zh) 2020-12-11

Family

ID=65552583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811327728.XA Active CN109447498B (zh) 2018-11-08 2018-11-08 一种轨道交通系统成本关联多域影响要素大数据驱动分析方法

Country Status (1)

Country Link
CN (1) CN109447498B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126867B (zh) * 2019-12-27 2023-06-20 中南大学 一种轨道系统多域关联的服役敏感度分析方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050079912A (ko) * 2005-05-03 2005-08-11 (주)화인씨이엠테크 생애주기비용에 기초한 다단계 설계 의사결정 방법
KR100748078B1 (ko) * 2006-04-05 2007-08-09 한국건설기술연구원 생애주기 성능 및 비용에 기초한 사회기반구조물의 최적유지관리전략 수립 방법
CN101777152A (zh) * 2010-01-28 2010-07-14 同济大学 基于全寿命期风险分析的路堑与隧道方案决策模型
CN102999703A (zh) * 2012-11-29 2013-03-27 浙江省电力公司 一种基于全寿命周期的变压器成本风险的计算方法
CN105956781A (zh) * 2016-05-12 2016-09-21 国网甘肃省电力公司电力科学研究院 电网设备全寿命周期费用计算方法
CN107292469A (zh) * 2016-04-10 2017-10-24 国网山东省电力公司经济技术研究院 基于全生命周期的电网规划管理方法
CN107423904A (zh) * 2017-07-28 2017-12-01 中国能源建设集团浙江省电力设计院有限公司 一种基于全生命周期成本分析的风电机组评价方法
CN107451685A (zh) * 2017-07-18 2017-12-08 广东双新电气科技有限公司 一种基于配电自动化的配电网规划lcc模型
CN107506899A (zh) * 2017-07-28 2017-12-22 中国能源建设集团浙江省电力设计院有限公司 一种基于全生命周期成本的光伏设备评价方法
CN107516159A (zh) * 2017-07-28 2017-12-26 中国能源建设集团浙江省电力设计院有限公司 一种基于全生命周期成本的发电设备评价方法
CN107844901A (zh) * 2017-11-01 2018-03-27 前海梧桐（深圳）数据有限公司 一种企业运营自动化分析的方法及其系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050079912A (ko) * 2005-05-03 2005-08-11 (주)화인씨이엠테크 생애주기비용에 기초한 다단계 설계 의사결정 방법
KR100748078B1 (ko) * 2006-04-05 2007-08-09 한국건설기술연구원 생애주기 성능 및 비용에 기초한 사회기반구조물의 최적유지관리전략 수립 방법
CN101777152A (zh) * 2010-01-28 2010-07-14 同济大学 基于全寿命期风险分析的路堑与隧道方案决策模型
CN102999703A (zh) * 2012-11-29 2013-03-27 浙江省电力公司 一种基于全寿命周期的变压器成本风险的计算方法
CN107292469A (zh) * 2016-04-10 2017-10-24 国网山东省电力公司经济技术研究院 基于全生命周期的电网规划管理方法
CN105956781A (zh) * 2016-05-12 2016-09-21 国网甘肃省电力公司电力科学研究院 电网设备全寿命周期费用计算方法
CN107451685A (zh) * 2017-07-18 2017-12-08 广东双新电气科技有限公司 一种基于配电自动化的配电网规划lcc模型
CN107423904A (zh) * 2017-07-28 2017-12-01 中国能源建设集团浙江省电力设计院有限公司 一种基于全生命周期成本分析的风电机组评价方法
CN107506899A (zh) * 2017-07-28 2017-12-22 中国能源建设集团浙江省电力设计院有限公司 一种基于全生命周期成本的光伏设备评价方法
CN107516159A (zh) * 2017-07-28 2017-12-26 中国能源建设集团浙江省电力设计院有限公司 一种基于全生命周期成本的发电设备评价方法
CN107844901A (zh) * 2017-11-01 2018-03-27 前海梧桐（深圳）数据有限公司 一种企业运营自动化分析的方法及其系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"城市轨道交通全寿命周期成本分析";陈进杰;《交通运输工程学报》;20100228;全文 *
"城市轨道交通车辆全寿命周期成本分析";蒋钧杰;《土木工程与管理学报》;20140630;第31卷(第2期);全文 *
"基于全寿命周期成本的高速铁路无砗轨道经济评价研究";李怀龙;《中国博士学位论文全文数据库（电子期刊）工程科技II辑》;20151015;全文 *
Life Cycle Cost Analysis of Urban Rail Transit Vehicle;Rong Y;《Eighth International Conference on Measuring Technology and Mechatronics Automation.IEEE》;20161231;全文 *

Also Published As

Publication number Publication date
CN109447498A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
Gan et al. Coupling coordination degree for urbanization city-industry integration level: Sichuan case
Barak et al. A novel hybrid fuzzy DEA-Fuzzy MADM method for airlines safety evaluation
Soni et al. Forecasting municipal solid waste generation using artificial intelligence models—a case study in India
Feng et al. A novel multi-criteria decision-making method for selecting the site of an electric-vehicle charging station from a sustainable perspective
CN104536412B (zh) 基于指标预报和解相似度分析的光刻工序动态调度方法
CN109523224A (zh) 一种建筑工程造价用的分析仪及控制方法
CN105975987A (zh) 一种基于全自动学习的企业行业分类方法
CN106022614A (zh) 一种基于最近邻聚类的神经网络数据挖掘方法
CN103514457A (zh) 生态约束条件下土地利用结构优化的多目标改进差分进化模型
CN102222313A (zh) 基于核主成分分析的城市演化模拟元胞模型处理方法
CN102646164A (zh) 一种结合空间滤波的土地利用变化建模方法及其系统
Fu et al. An innovative decision making method for air quality monitoring based on big data-assisted artificial intelligence technique
Li et al. Risk probability predictions for coal enterprise infrastructure projects in countries along the Belt and Road Initiative
CN104268792A (zh) 高载能用电企业能效综合评价模型
CN109409541A (zh) 实现报废汽车蓄电池逆向物流可行性评价的方法
Shamshiry et al. Comparison of artificial neural network (ANN) and multiple regression analysis for predicting the amount of solid waste generation in a tourist and tropical area—Langkawi Island
Zhou et al. Scenario prediction and critical factors of CO2 emissions in the Pearl River Delta: A regional imbalanced development perspective
Wang et al. Weather condition-based hybrid models for multiple air pollutants forecasting and minimisation
CN109447498B (zh) 一种轨道交通系统成本关联多域影响要素大数据驱动分析方法
Wen et al. Fractional linear regression equation in agricultural disaster assessment model based on geographic information system analysis technology
Yu et al. Attention mechanism is useful in spatio-temporal wind speed prediction: Evidence from China
CN114021758A (zh) 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置
Soni et al. Optimised prediction model for stock market trend analysis
Patil Machine Learning for Traffic Management in Large-Scale Urban Networks: A Review
CN107368941A (zh) 一种湿地生态系统服务价值大数据评估方法及装置

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