CN109447499A - 一种轨道交通系统成本关键要素多域交互影响分析方法 - Google Patents
一种轨道交通系统成本关键要素多域交互影响分析方法 Download PDFInfo
- Publication number
- CN109447499A CN109447499A CN201811327730.7A CN201811327730A CN109447499A CN 109447499 A CN109447499 A CN 109447499A CN 201811327730 A CN201811327730 A CN 201811327730A CN 109447499 A CN109447499 A CN 109447499A
- Authority
- CN
- China
- Prior art keywords
- cost
- domain
- macroscopic
- performance
- rail transit
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 84
- 238000011156 evaluation Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 42
- 230000007613 environmental effect Effects 0.000 claims description 31
- 238000012423 maintenance Methods 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 230000003993 interaction Effects 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004064 recycling Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000031877 prophase Effects 0.000 description 2
- 239000002910 solid waste Substances 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013139 quantization Methods 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
- G06Q10/06—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)
Abstract
本发明提供了一种轨道交通系统成本关键要素多域交互影响分析方法，通过对轨道交通系统成本大数据分解，将安全域、性能域、环境域和安全域边界条件进行量化，建立基于数据驱动的轨道交通系统成本要素安全域、性能域、环境域交互影响规律模型，在保证安全的前提下，分析成本要素在安全域、性能域、环境域的交互映射关系，确定轨道交通系统成本关键要素，为轨道交通系统全生命周期成本控制提供理论支撑。
Description
技术领域
本发明属于轨道交通领域，特别涉及一种轨道交通系统成本关键要素多域交互影响分析方法。
背景技术
轨道交通系统拥有运输作业量大、绿色低污染、快速高效等优点,在减小城市交通网络压力，推动城市经济增长、响应国家生态友好发展等方面发挥着重要作用，但是轨道交通系统自身经济效益差，资金回流周期长，且不稳定性强。如何合理控制轨道交通系统全生命周期成本已经成为迫在眉睫的问题。当前的城市轨道交通系统成本控制方法不考虑成本要素之间复杂非线性的耦合关系，忽略了城市轨道交通系统在安全、性能、环境关联指标下成本的动态变化关系，不具备应用到实际工程的要求。
发明内容
本发明提供了一种轨道交通系统成本关键要素多域交互影响分析方法，通过对轨道交通系统成本大数据分解，量化安全域、性能域、环境域以及安全域边界条件，通过智能模型，建立基于数据驱动的轨道交通系统成本要素与安全域、性能域和环境域之间的交互影响映射规律，在保证安全的前提下，分析成本要素在安全域、性能域、环境域的交互映射关系，最终确定轨道交通系统成本关键要素。
一种轨道交通系统成本关键要素多域交互影响分析方法，包括以下步骤：
步骤1：轨道交通系统在全生命周期的成本数据的获取与分解；
依据轨道交通系统的发展进程，将轨道交通系统在全生命周期的成本数据分解为四个阶段成本，依次为决策设计阶段成本、施工建设阶段成本、运营维护阶段成本以及报废回收阶段成本；将每个阶段成本按照所包含各种成本的性质，分解成多个宏观子成本；将每个宏观子成本按照所包含各种成本的承担主体，分解成多个基本子成本；
所有的阶段成本作为第一分解层，所有的宏观子成本作为第二分解层，所有的基本子成本作为第三分解层；
记轨道交通系统在全生命周期成本为LCC，记基本子成本为xi,i＝1,2,3,…,n1，n1为所有基本子成本的数量，记宏观子成本为X′j′,j′＝1,2,3,…,n′2，n′2为宏观子成本的数量：
将轨道交通系统线路的成本数据按照上述分解过程进行分解，得到各在运营的轨道交通系统线路的基本子成本数据，形成样本数据集；
一条轨道交通系统线路指依据交通规划要求，设置全封闭或部分封闭的专用轨道线路，以列车或单车形式，运送相当规模客流量的各种相关设施的总和；
所述决策设计阶段成本被分解为前期规划成本、可行性成本和勘察设计成本；所述施工建设阶段成本被分解为设备购置成本、车辆购置成本、环境成本、建筑工程成本和其他成本；所述运营维护阶段成本被分解为维修成本、运营成本、动力成本、环境成本和其他成本；所述报废回收阶段成本被分解为残值处理成本和其他成本；
所述施工建设阶段成本和运营维护阶段成本的宏观子成本中的环境成本分别是指，轨道交通系统在施工建设阶段和运营维护阶段对沿线社会环境和生态环境破坏而产生的成本，包括以下基本子成本：碳排放成本、噪声成本、水污染成本、电磁环境成本、固体废弃物成本和交通阻断成本；
所述施工建设阶段成本的宏观子成本中的其他成本是指，施工建设阶段成本中除设备购置成本、车辆购置成本、环境成本和建筑工程成本外，其余所有成本的总和；
所述运营维护阶段成本宏观子成本中的其他成本是指，运营维护阶段成本中除维修成本、运营成本、动力成本和环境成本外，其余所有成本的总和；
所述报废回收阶段成本宏观子成本中的其他成本是指，报废回收阶段成本中除残值处理成本外，其余所有成本的总和；
步骤2：构建轨道交通系统成本的安全域、性能域以及环境域；
步骤2.1：建立宏观子成本和基本子成本的隶属度；
实际上，施工建设阶段、运营维护阶段和报废回收阶段宏观子成本中的其他成本构成复杂且占比较低，为了保证模型的精确性和泛化能力，不进行分析；
记去除其他成本后的宏观子成本为Xj,j＝1,2,3,…,n2，n2为去除其他成本后的宏观子成本的数量；
记基本子成本在安全域、性能域以及环境域的隶属度分别为满足 记宏观子成本在安全域、性能域以及环境域的隶属度分别为满足
步骤2.2：按照以下公式量化安全域、性能域以及环境域；
Ca+Cx+Ch＝LCC(x)
其中，Ca为安全域成本，Cx为性能域成本，Ch为环境域成本；
步骤3：按照以下公式对轨道交通系统成本的安全域指标进行量化；
其中，n3为安全性评价指标的数量，Qk为第k条在运营轨道交通系统线路的安全域指标，Qk>0表示第k条在运营轨道交通系统线路处于安全状态，此时Qk越大表示安全程度越高；Qk＜0表示第k条在运营轨道交通系统线路处于危险状态，此时Qk越小表示危险程度越高；Qk＝0表示第k条在运营轨道交通系统线路处于安全边界状态；
qk,p为第k条在运营轨道交通系统线路第p个安全性评价指标的指标值，k＝1,2,3…,n4，n4为在运营轨道交通系统线路的数量，p＝1,2,3,…n3，记满足qk,p＜3的安全性评价指标为第k条在运营轨道交通系统线路的危险指标，Nk为第k条在运营轨道交通系统线路危险指标的下标集合；采用专家评价方法，依次对每一条在运营轨道交通系统线路形成安全性调查问卷并进行分数评定，安全性调查问卷包含n3个安全性评价指标，每个评价指标设定5个安全等级，对应的分数为“1，2，3，4，5”，5代表的安全程度最高，1代表的安全程度最低，3代表安全与危险的临界值；
所述轨道交通系统安全性评价指标，包括维修安全性评价指标、调度安全性评价指标、人员应急体系安全性评价指标、灾害预防安全性评价指标、电气系统安全性评价指标、通信系统安全性评价指标、环境监控安全性评价指标、线路轨道安全性评价指标、车站建筑安全性评价指标、供电系统安全性评价指标、给排水系统安全性评价指标、通风系统安全性评价指标、运行监测安全性评价指标、列车防灾安全性评价指标和列车应急安全性评价指标；
步骤4：构建交互影响模型；
依据宏观子成本、宏观子成本的隶属度、轨道交通系统的安全域成本、性能域成本、环境域成本以及安全域指标，建立安全域、性能域、环境域交互影响模型，建立安全域边界模型；
依次将轨道交通系统成本数据样本集中第k条在运营轨道交通系统线路的Xj和Qk分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的安全域边界模型；
依次将轨道交通系统成本数据样本集中各在运营轨道交通系统线路的每个Xj，根据隶属度按照以下公式分解为安全宏观成本要素性能宏观成本要素环境宏观成本要素
依次将每条在运营轨道交通系统线路的和Ca分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素-安全域影响模型；
依次将每条在运营轨道交通系统线路的和Cx分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素-性能域影响模型；
依次将每条在运营轨道交通系统线路的和Ch分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素-环境域影响模型；
依次将每条在运营轨道交通系统线路的和Ca分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素-安全域影响模型；
依次将每条在运营轨道交通系统线路的和Cx分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素-性能域影响模型；
依次将每条在运营轨道交通系统线路的和Ch分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素-环境域影响模型；
依次将每条在运营轨道交通系统线路的和Ca分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素-安全域影响模型；
依次将每条在运营轨道交通系统线路的和Cx分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素-性能域影响模型；
依次将每条在运营轨道交通系统线路的和Ch分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素-环境域影响模型；
步骤5：依据安全域边界模型以及交互影响模型，确定成本关键要素；
以步骤4训练获得的基于Elman神经网络的安全域边界模型的各输入层权重作为各宏观子成本Xj的安全域边界权重，记为
以步骤4获得的基于PID神经网络的安全宏观成本要素-安全域影响模型、基于LSSVM的性能宏观成本要素-安全域影响模型和基于Elman神经网络的环境宏观成本要素-安全域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个安全域影响相关模型中的权重，将3个权重的均值，作为宏观子成本Xj的安全域权重，记为
以步骤4获得的基于PID神经网络的安全宏观成本要素-性能域影响模型、基于LSSVM的性能宏观成本要素-性能域影响模型和基于Elman神经网络的环境宏观成本要素-性能域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个性能域影响相关模型中的权重，将3个权重的均值，作为宏观子成本Xj的性能域权重，记为
以步骤4获得的基于PID神经网络的安全宏观成本要素-环境域影响模型、基于LSSVM的性能宏观成本要素-环境域影响模型和基于Elman神经网络的环境宏观成本要素-环境域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个环境域影响相关模型中的权重，将3个权重的均值，作为宏观子成本Xj的环境域权重，记为
记宏观子成本Xj的关键度系数为keyj,将关键度系数降序排列，以关键度系数最高的3个宏观成本要素作为轨道交通系统全生周期成本关键要素。
进一步的，所述宏观子成本和基本子成本在安全域、性能域以及环境域的隶属度按照以下公式计算获得：
满足
满足
其中，分别为第i个基本子成本在安全域、性能域、环境域隶属度， 分别为第i个基本子成本对安全域、性能域、环境域的平均影响程度得分，
分别为第m个轨道交通系统工作人员对第i个基本子成本对安全域、性能域、环境域影响程度的打分，m＝1,2,3,…,n5，n5为轨道交通系统工作人员的数量；
分别为第j个宏观子成本在安全域、性能域、环境域隶属度，分别为第j个宏观子成本对安全域、性能域、环境域的平均影响程度得分，
分别为第m个轨道交通系统工作人员对第j个宏观子成本对安全域、性能域、环境域影响程度的打分；
所述轨道交通系统工作人员包括设计师、维修人员、决策人员，所述影响程度分为3个等级：“较重要、重要、不重要”，对应的得分分别为“3、2、1”。
进一步的，依据宏观子成本对安全域、性能域、环境域的平均影响程度得分，选取满足Sj≥max{Sj}·μh的宏观子成本，作为用于所述步骤4中交互影响模型构建的宏观子成本，记为n6为筛选后宏观子成本的数量，其中，μh为选择阈值，取值为60％。
进一步的，对进行再次筛选，具体过程如下：
步骤A：将轨道交通系统的成本数据样本集划分为测试样本集和训练样本集；
步骤B：依次将训练样本集中每条在运营轨道交通系统线路的和LCC分别作为LS-SVM模型输入和输出，训练LS-SVM模型，将训练得到的LS-SVM模型作为宏观子成本验证模型；
步骤C：将测试样本集中每条在运营轨道交通系统线路的分别作为宏观子成本验证模型的输入，得到相应在运营轨道交通系统线路的全生命周期成本预测值，记为LCCg′，g＝1,2,3,…,n7，n7为测试样本集包含样本的个数；
步骤D：设定相对误差阈值μs＝10％，设定筛选公式如下，
LCCg表示测试样本集中第g条在运营轨道交通系统线路的全生命周期成本预测目标值；
判断测试集样本的预测结果是否满足筛选公式，若否，替换或删减中的部分宏观子成本，转至步骤B，作为LS-SVM模型输入数据；若是，记满足筛选公式的中的宏观子成本为n8为满足筛选公式的宏观子成本的数量。
进一步的，
有益效果
本发明提供了一种轨道交通系统成本关键要素多域交互影响分析方法，利用在运营轨道交通系统线路数据，量化安全域、性能域、安全域以及安全域边界条件，通过智能模型耦合轨道交通系统全生命周期宏观子成本同安全域、性能域、安全域以及安全边界条件之间的映射关系，利用模型输入层的权重，进行成本关键要素多域交互影响分析，最终确定成本关键要素：相比于现有技术而言，其优点具体包含以下几点：
1.通过轨道交通系统全生命周期成本3层分解，将轨道交通系统全生命周期成本具象化，同时获取轨道交通系统全生命周期内的安全性评价指标，利用专家评价方法对基本子成本和宏观子成本在安全域、性能域和环境域的影响程度以及安全性评价指标进行多次打分评价，将评价结果取平均并标准化，获得轨道交通系统的安全域指标以及基本子成本和宏观子成本的隶属度，利用基本子成本的隶属度量化安全域成本、性能域成本和环境域成本，完成对安全域、性能域、环境域安全域指标抽象概念的量化，保证了多域交互影响分析的可行性；
2.利用隶属度将宏观子成本分解为安全宏观成本要素、性能宏观成本要素和环境宏观成本要素，通过智能模型依次建立安全宏观成本要素、性能宏观成本要素和环境宏观成本要素同安全域成本、性能域成本和环境域成本之间的映射，耦合宏观子成本在安全域、性能域和环境域之间的交互影响关系，利用智能模型的输入层权重量化宏观子成本的关键度系数，最终确定轨道交通系统的成本关键要素。
3.利用本发明提出的方法，获得轨道交通系统成本关键要素，通过加强对轨道交通系统各阶段成本关键要素控制的方法，优化轨道交通系统成本，提高资金的利用率，保障城市的基础设施建设。
附图说明
图1为本发明所述方法的流程图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
如图1所示，一种轨道交通系统成本关键要素多域交互影响分析方法，包括以下几个步骤：
步骤1：轨道交通系统在全生命周期的成本数据的获取与分解；
依据轨道交通系统的发展进程，将轨道交通系统在全生命周期的成本数据分解为四个阶段成本，依次为决策设计阶段成本、施工建设阶段成本、运营维护阶段成本以及报废回收阶段成本；将每个阶段成本按照所包含各种成本的性质，分解成多个宏观子成本；将每个宏观子成本按照所包含各种成本的承担主体，分解成多个基本子成本；
所有的阶段成本作为第一分解层，所有的宏观子成本作为第二分解层，所有的基本子成本作为第三分解层；
记轨道交通系统在全生命周期成本为LCC，记基本子成本为xi,i＝1,2,3,…,n1，n1为所有基本子成本的数量，记宏观子成本为X′j′,j′＝1,2,3,…,n′2，n′2为宏观子成本的数量：
将轨道交通系统线路的成本数据按照上述分解过程进行分解，得到各在运营的轨道交通系统线路的基本子成本数据，形成样本数据集；
一条轨道交通系统指依据交通规划要求，设置全封闭或部分封闭的专用轨道线路，以列车或单车形式，运送相当规模客流量的各种相关设施的总和。轨道交通系统
所述决策设计阶段成本被分解为前期规划成本、可行性成本和勘察设计成本；所述施工建设阶段成本被分解为设备购置成本、车辆购置成本、环境成本、建筑工程成本和其他成本；所述运营维护阶段成本被分解为维修成本、运营成本、动力成本、环境成本和其他成本；所述报废回收阶段成本被分解为残值处理成本和其他成本；
所述施工建设阶段成本和运营维护阶段成本的宏观子成本中的环境成本分别是指，轨道交通系统在施工建设阶段和运营维护阶段对沿线社会环境和生态环境破坏而产生的成本，包括以下基本子成本：碳排放成本、噪声成本、水污染成本、电磁环境成本、固体废弃物成本和交通阻断成本；
所述施工建设阶段成本的宏观子成本中的其他成本是指，施工建设阶段成本中除设备购置成本、车辆购置成本、环境成本和建筑工程成本外，其余所有成本的总和；
所述运营维护阶段成本宏观子成本中的其他成本是指，运营维护阶段成本中除维修成本、运营成本、动力成本和环境成本外，其余所有成本的总和；
所述报废回收阶段成本宏观子成本中的其他成本是指，报废回收阶段成本中除残值处理成本外，其余所有成本的总和。
步骤2：构建轨道交通系统成本的安全域、性能域以及环境域；
步骤2.1：建立宏观子成本和基本子成本的隶属度；
实际上，施工建设阶段、运营维护阶段和报废回收阶段宏观子成本中的其他成本构成复杂且占比较低，为了保证模型的精确性和泛化能力，不进行分析；
记去除其他成本后的宏观子成本为Xj,j＝1,2,3,…,n2，n2为去除其他成本后的宏观子成本的数量；
记基本子成本在安全域、性能域以及环境域的隶属度分别为满足 记宏观子成本在安全域、性能域以及环境域的隶属度分别为满足
所述宏观子成本和基本子成本在安全域、性能域以及环境域的隶属度按照以下公式计算获得：
满足
满足
其中，分别为第i个基本子成本在安全域、性能域、环境域隶属度， 分别为第i个基本子成本对安全域、性能域、环境域的平均影响程度得分，
分别为第m个轨道交通系统工作人员对第i个基本子成本对安全域、性能域、环境域影响程度的打分，m＝1,2,3,…,n5，n5为轨道交通系统工作人员的数量；
分别为第j个宏观子成本在安全域、性能域、环境域隶属度，分别为第j个宏观子成本对安全域、性能域、环境域的平均影响程度得分，
分别为第m个轨道交通系统工作人员对第j个宏观子成本对安全域、性能域、环境域影响程度的打分；
所述轨道交通系统工作人员包括设计师、维修人员、决策人员，所述影响程度分为3个等级：“较重要、重要、不重要”，对应的得分分别为“3、2、1”。
本实例中，n5取值为60；
步骤2.2：按照以下公式量化安全域、性能域以及环境域；
Ca+Cx+Ch＝LCC(x)
其中，Ca为安全域成本，Cx为性能域成本，Ch为环境域成本。
步骤3：按照以下公式对轨道交通系统成本的安全域指标进行量化；
其中，n3为安全性评价指标的数量，Qk为第k条在运营轨道交通系统线路的安全域指标，Qk>0表示第k条在运营轨道交通系统线路处于安全状态，此时Qk越大表示安全程度越高；Qk＜0表示第k条在运营轨道交通系统线路处于危险状态，此时Qk越小表示危险程度越高；Qk＝0表示第k条在运营轨道交通系统线路处于安全边界状态；
qk,p为第k条在运营轨道交通系统线路第p个安全性评价指标的指标值，k＝1,2,3…,n4，n4为在运营轨道交通系统线路的数量，p＝1,2,3,…n3，记满足qk,p＜3的安全性评价指标为第k条在运营轨道交通系统线路的危险指标，Nk为第k条在运营轨道交通系统线路危险指标的下标集合；采用专家评价方法，依次对每一条在运营轨道交通系统线路形成安全性调查问卷并进行分数评定，安全性调查问卷包含n3个安全性评价指标，每个评价指标设定5个安全等级，对应的分数为“1，2，3，4，5”，5代表的安全程度最高，1代表的安全程度最低，3代表安全与危险的临界值；
所述轨道交通系统安全性评价指标，包括维修安全性评价指标、调度安全性评价指标、人员应急体系安全性评价指标、灾害预防安全性评价指标、电气系统安全性评价指标、通信系统安全性评价指标、环境监控安全性评价指标、线路轨道安全性评价指标、车站建筑安全性评价指标、供电系统安全性评价指标、给排水系统安全性评价指标、通风系统安全性评价指标、运行监测安全性评价指标、列车防灾安全性评价指标和列车应急安全性评价指标；
本实例中，n4取值为30。
步骤4：构建交互影响模型；
依据宏观子成本对安全域、性能域、环境域的平均影响程度得分，选取满足Sj≥max{Sj}·μh的宏观子成本，记为n6为筛选后宏观子成本的数量，其中，μh为选择阈值；
本实例中，μh取值为60％；
对进行再次筛选，具体过程如下：
步骤A：将轨道交通系统的成本数据样本集划分为测试样本集和训练样本集；
步骤B：依次将训练样本集中每条在运营轨道交通系统线路的和LCC分别作为LS-SVM模型输入和输出，训练LS-SVM模型，将训练得到的LS-SVM模型作为宏观子成本验证模型；
步骤C：将测试样本集中每条在运营轨道交通系统线路的分别作为宏观子成本验证模型的输入，得到相应在运营轨道交通系统线路的全生命周期成本预测值，记为LCCg′，g＝1,2,3,…,n7，n7为测试样本集包含样本的个数；
本实例中，n7取值为5；
步骤D：设定相对误差阈值μs，设定筛选公式如下，
LCCg表示测试样本集中第g条在运营轨道交通系统线路的全生命周期成本预测目标值；
判断测试集样本的预测结果是否满足筛选公式，若否，替换或删减中的部分宏观子成本，转至步骤B，作为LS-SVM模型输入数据；若是，记满足筛选公式的中的宏观子成本为n8为满足筛选公式的宏观子成本的数量；
本实例中，μs取值为10％；
依据宏观子成本、宏观子成本的隶属度、轨道交通系统的安全域成本、性能域成本、环境域成本以及安全域指标，建立安全域、性能域、环境域交互影响模型，建立安全域边界模型；
依次将轨道交通系统成本数据样本集中第k条在运营轨道交通系统线路的和Qk分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的安全域边界模型；
依次将轨道交通系统成本数据样本集中各在运营轨道交通系统线路的每个根据隶属度按照以下公式分解为安全宏观成本要素性能宏观成本要素环境宏观成本要素
依次将每条在运营轨道交通系统线路的和Ca分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素-安全域影响模型；
依次将每条在运营轨道交通系统线路的和Cx分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素-性能域影响模型；
依次将每条在运营轨道交通系统线路的和Ch分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素-环境域影响模型；
依次将每条在运营轨道交通系统线路的,和Ca分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素-安全域影响模型；
依次将每条在运营轨道交通系统线路的和Cx分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素-性能域影响模型；
依次将每条在运营轨道交通系统线路的和Ch分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素-环境域影响模型；
依次将每条在运营轨道交通系统线路的和Ca分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素-安全域影响模型；
依次将每条在运营轨道交通系统线路的和Cx分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素-性能域影响模型；
依次将每条在运营轨道交通系统线路的和Ch分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素-环境域影响模型。
步骤5：依据安全域边界模型以及交互影响模型，确定成本关键要素；
以步骤4训练获得的基于Elman神经网络的安全域边界模型的各输入层权重作为各宏观子成本的安全域边界权重，记为
以步骤4获得的基于PID神经网络的安全宏观成本要素-安全域影响模型、基于LSSVM的性能宏观成本要素-安全域影响模型和基于Elman神经网络的环境宏观成本要素-安全域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个安全域影响相关模型中的权重，将3个权重的均值，作为宏观子成本的安全域权重，记为
以步骤4获得的基于PID神经网络的安全宏观成本要素-性能域影响模型、基于LSSVM的性能宏观成本要素-性能域影响模型和基于Elman神经网络的环境宏观成本要素-性能域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个性能域影响相关模型中的权重，将3个权重的均值，作为宏观子成本Xj的性能域权重，记为
以步骤4获得的基于PID神经网络的安全宏观成本要素-环境域影响模型、基于LSSVM的性能宏观成本要素-环境域影响模型和基于Elman神经网络的环境宏观成本要素-环境域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个环境域影响相关模型中的权重，将3个权重的均值，作为宏观子成本Xj的环境域权重，记为
记宏观子成本的关键度系数为 将关键度系数降序排列，以关键度系数最高的3个宏观成本要素作为轨道交通系统全生周期成本关键要素。
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 (5)
1.一种轨道交通系统成本关键要素多域交互影响分析方法，其特征在于，包括以下几个步骤：
步骤1：轨道交通系统在全生命周期的成本数据的获取与分解；
依据轨道交通系统的发展进程，将轨道交通系统在全生命周期的成本数据分解为四个阶段成本，依次为决策设计阶段成本、施工建设阶段成本、运营维护阶段成本以及报废回收阶段成本；将每个阶段成本按照所包含各种成本的性质，分解成多个宏观子成本；将每个宏观子成本按照所包含各种成本的承担主体，分解成多个基本子成本；
所有的阶段成本作为第一分解层，所有的宏观子成本作为第二分解层，所有的基本子成本作为第三分解层；
记轨道交通系统在全生命周期成本为LCC，记基本子成本为xi,i＝1,2,3,…,n1，n1为所有基本子成本的数量，记宏观子成本为X′j′,j′＝1,2,3,…,n′2，n′2为宏观子成本的数量：
将轨道交通系统线路的成本数据按照上述分解过程进行分解，得到各在运营的轨道交通系统线路的基本子成本数据，形成样本数据集；
步骤2：构建轨道交通系统成本的安全域、性能域以及环境域；
步骤2.1：建立宏观子成本和基本子成本的隶属度；
记去除其他成本后的宏观子成本为Xj,j＝1,2,3,…,n2，n2为去除其他成本后的宏观子成本的数量；
记基本子成本在安全域、性能域以及环境域的隶属度分别为满足 记宏观子成本在安全域、性能域以及环境域的隶属度分别为满足
步骤2.2：按照以下公式量化安全域、性能域以及环境域；
Ca+Cx+Ch＝LCC(x)
其中，Ca为安全域成本，Cx为性能域成本，Ch为环境域成本；
步骤3：按照以下公式对轨道交通系统成本的安全域指标进行量化；
其中，n3为安全性评价指标的数量，Qk为第k条在运营轨道交通系统线路的安全域指标，Qk>0表示第k条在运营轨道交通系统线路处于安全状态，此时Qk越大表示安全程度越高；Qk＜0表示第k条在运营轨道交通系统线路处于危险状态，此时Qk越小表示危险程度越高；Qk＝0表示第k条在运营轨道交通系统线路处于安全边界状态；
qk,p为第k条在运营轨道交通系统线路的第p个安全性评价指标的指标值，k＝1,2,3…,n4，n4为在运营轨道交通系统线路的数量，p＝1,2,3,…n3，记满足qk,p＜3的安全性评价指标为第k条在运营轨道交通系统线路的危险指标，Nk为第k条在运营轨道交通系统线路危险指标的下标集合；采用专家评价方法，依次对每一条在运营轨道交通系统线路形成安全性调查问卷并进行分数评定，安全性调查问卷包含n3个安全性评价指标，每个评价指标设定5个安全等级，对应的分数为“1，2，3，4，5”，5代表的安全程度最高，1代表的安全程度最低，3代表安全与危险的临界值；
步骤4：构建交互影响模型；
依据宏观子成本、宏观子成本的隶属度、轨道交通系统的安全域成本、性能域成本、环境域成本以及安全域指标，建立安全域、性能域、环境域交互影响模型，建立安全域边界模型；
依次将轨道交通系统成本数据样本集中第k条在运营轨道交通系统线路的Xj和Qk分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的安全域边界模型；
依次将轨道交通系统成本数据样本集中各在运营轨道交通系统线路的每个Xj，根据隶属度按照以下公式分解为安全宏观成本要素性能宏观成本要素环境宏观成本要素
依次将每条在运营轨道交通系统线路的和Ca分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素-安全域影响模型；
依次将每条在运营轨道交通系统线路的和Cx分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素-性能域影响模型；
依次将每条在运营轨道交通系统线路的和Ch分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素-环境域影响模型；
依次将每条在运营轨道交通系统线路的和Ca分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素-安全域影响模型；
依次将每条在运营轨道交通系统线路的和Cx分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素-性能域影响模型；
依次将每条在运营轨道交通系统线路的和Ch分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素-环境域影响模型；
依次将每条在运营轨道交通系统线路的和Ca分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素-安全域影响模型；
依次将每条在运营轨道交通系统线路的和Cx分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素-性能域影响模型；
依次将每条在运营轨道交通系统线路的和Ch分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素-环境域影响模型；
步骤5：依据安全域边界模型以及交互影响模型，确定成本关键要素；
以步骤4训练获得的基于Elman神经网络的安全域边界模型的各输入层权重作为各宏观子成本Xj的安全域边界权重，记为
以步骤4获得的基于PID神经网络的安全宏观成本要素-安全域影响模型、基于LSSVM的性能宏观成本要素-安全域影响模型和基于Elman神经网络的环境宏观成本要素-安全域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个安全域影响相关模型中的权重，将3个权重的均值，作为宏观子成本Xj的安全域权重，记为
以步骤4获得的基于PID神经网络的安全宏观成本要素-性能域影响模型、基于LSSVM的性能宏观成本要素-性能域影响模型和基于Elman神经网络的环境宏观成本要素-性能域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个性能域影响相关模型中的权重，将3个权重的均值，作为宏观子成本Xj的性能域权重，记为
以步骤4获得的基于PID神经网络的安全宏观成本要素-环境域影响模型、基于LSSVM的性能宏观成本要素-环境域影响模型和基于Elman神经网络的环境宏观成本要素-环境域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个环境域影响相关模型中的权重，将3个权重的均值，作为宏观子成本Xj的环境域权重，记为
记宏观子成本Xj的关键度系数为keyj,将关键度系数降序排列，以关键度系数最高的3个宏观成本要素作为轨道交通系统全生周期成本关键要素。
2.根据权利要求1所述的方法，其特征在于，所述宏观子成本和基本子成本在安全域、性能域以及环境域的隶属度按照以下公式计算获得：
满足
满足
其中，分别为第i个基本子成本在安全域、性能域、环境域隶属度， 分别为第i个基本子成本对安全域、性能域、环境域的平均影响程度得分，
分别为第m个轨道交通系统工作人员对第i个基本子成本对安全域、性能域、环境域影响程度的打分，m＝1,2,3,…,n5，n5为轨道交通系统工作人员的数量；
分别为第j个宏观子成本在安全域、性能域、环境域隶属度，分别为第j个宏观子成本对安全域、性能域、环境域的平均影响程度得分，
分别为第m个轨道交通系统工作人员对第j个宏观子成本对安全域、性能域、环境域影响程度的打分；
所述轨道交通系统工作人员包括设计师、维修人员、决策人员，所述影响程度分为3个等级：“较重要、重要、不重要”，对应的得分分别为“3、2、1”。
3.根据权利要求2所述的方法，其特征在于，依据宏观子成本对安全域、性能域、环境域的平均影响程度得分，选取满足Sj≥max{Sj}·μh的宏观子成本，作为用于所述步骤4中交互影响模型构建的宏观子成本，记为n6为筛选后宏观子成本的数量，其中，μh为选择阈值，取值为60％。
4.根据权利要求3所述的方法，其特征在于，对进行再次筛选，具体过程如下：
步骤A：将轨道交通系统的成本数据样本集划分为测试样本集和训练样本集；
步骤B：依次将训练样本集中每条在运营轨道交通系统线路的和LCC分别作为LS-SVM模型输入和输出，训练LS-SVM模型，将训练得到的LS-SVM模型作为宏观子成本验证模型；
步骤C：将测试样本集中每条在运营轨道交通系统线路的分别作为宏观子成本验证模型的输入，得到相应在运营轨道交通系统线路的全生命周期成本预测值，记为LCCg′，g＝1,2,3,…,n7，n7为测试样本集包含样本的个数；
步骤D：设定相对误差阈值μs＝10％，设定筛选公式如下，
LCCg表示测试样本集中第g条在运营轨道交通系统线路的全生命周期成本预测目标值；
判断测试集样本的预测结果是否满足筛选公式，若否，替换或删减中的部分宏观子成本，转至步骤B，作为LS-SVM模型输入数据；若是，记满足筛选公式的中的宏观子成本为n8为满足筛选公式的宏观子成本的数量。
5.根据权利要求1-4任一项所述的方法，其特征在于，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811327730.7A CN109447499B (zh) | 2018-11-08 | 2018-11-08 | 一种轨道交通系统成本关键要素多域交互影响分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811327730.7A CN109447499B (zh) | 2018-11-08 | 2018-11-08 | 一种轨道交通系统成本关键要素多域交互影响分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109447499A true CN109447499A (zh) | 2019-03-08 |
| CN109447499B CN109447499B (zh) | 2022-03-22 |
Family
ID=65552024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811327730.7A Active CN109447499B (zh) | 2018-11-08 | 2018-11-08 | 一种轨道交通系统成本关键要素多域交互影响分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447499B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027727A (zh) * | 2019-12-27 | 2020-04-17 | 中南大学 | 一种轨道系统跨域运维关键要素辨识方法 |
| CN111126867A (zh) * | 2019-12-27 | 2020-05-08 | 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 (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001080043A2 (en) * | 2000-04-17 | 2001-10-25 | External Corrosion Management Limited | A system, method and article of manufacture for corrosion risk analysis and for identifying priorities for the testing and/or maintenance of corrosion susceptible structures |
| CN104866915A (zh) * | 2015-05-05 | 2015-08-26 | 湖南大学 | 基于全寿命周期成本的电动汽车充电站优化规划方法 |
| US20160224922A1 (en) * | 2015-02-02 | 2016-08-04 | Korea Institute Of Civil Engineering And Building Technology | System and method for evaluating performance of infrastructure |
| CN106845875A (zh) * | 2017-03-28 | 2017-06-13 | 中华人民共和国青岛海事局 | Lng船舶远程监督系统 |
| CN108171641A (zh) * | 2017-12-21 | 2018-06-15 | 东南大学 | 一种轨道交通应急预案评估方法 |
| CN108694463A (zh) * | 2018-04-25 | 2018-10-23 | 东南大学 | 一种城市轨道交通站点进出站客流预测方法 |
-
2018
- 2018-11-08 CN CN201811327730.7A patent/CN109447499B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001080043A2 (en) * | 2000-04-17 | 2001-10-25 | External Corrosion Management Limited | A system, method and article of manufacture for corrosion risk analysis and for identifying priorities for the testing and/or maintenance of corrosion susceptible structures |
| US20160224922A1 (en) * | 2015-02-02 | 2016-08-04 | Korea Institute Of Civil Engineering And Building Technology | System and method for evaluating performance of infrastructure |
| CN104866915A (zh) * | 2015-05-05 | 2015-08-26 | 湖南大学 | 基于全寿命周期成本的电动汽车充电站优化规划方法 |
| CN106845875A (zh) * | 2017-03-28 | 2017-06-13 | 中华人民共和国青岛海事局 | Lng船舶远程监督系统 |
| CN108171641A (zh) * | 2017-12-21 | 2018-06-15 | 东南大学 | 一种轨道交通应急预案评估方法 |
| CN108694463A (zh) * | 2018-04-25 | 2018-10-23 | 东南大学 | 一种城市轨道交通站点进出站客流预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| EMMANUEL MATSIKA等: "Rail vehicle，environment，safety and security", 《RESEARCH IN TRANSPORTATION ECONOMICS》 * |
| 尹恒鑫等: "轨道交通系统全生命周期成本要素敏感度研究", 《企业技术开发》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027727A (zh) * | 2019-12-27 | 2020-04-17 | 中南大学 | 一种轨道系统跨域运维关键要素辨识方法 |
| CN111126867A (zh) * | 2019-12-27 | 2020-05-08 | 中南大学 | 一种轨道系统多域关联的服役敏感度分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109447499B (zh) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Falamarzi et al. | Development of a tram track degradation prediction model based on the acceleration data | |
| Kaya et al. | A two-phased fuzzy multicriteria selection among public transportation investments for policy-making and risk governance | |
| Li | Predicting short-term traffic flow in urban based on multivariate linear regression model | |
| CN111310294A (zh) | 交通管理与控制服务指数的评价指标体系建立及发布方法 | |
| CN109447499B (zh) | 一种轨道交通系统成本关键要素多域交互影响分析方法 | |
| Qin et al. | Research on active safety methodologies for intelligent railway systems | |
| CN113762784A (zh) | 污水处理系统布局规划方案的定量化综合评价方法及系统 | |
| Li et al. | Short-time bus route passenger flow prediction based on a secondary decomposition integration method | |
| Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
| Yang et al. | Dynamic Origin‐Destination Matrix Estimation Based on Urban Rail Transit AFC Data: Deep Optimization Framework with Forward Passing and Backpropagation Techniques | |
| Xu et al. | C-AHP rating system for routine general inspection of long-span suspension bridges | |
| CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 | |
| Orcesi et al. | Optimal maintenance strategies for bridge networks using the supply and demand approach | |
| Hu et al. | A study on urban road traffic safety based on matter element analysis | |
| CN104063613A (zh) | 多模式公交网络的效能评估方法 | |
| CN104598742A (zh) | 城市发展需求应用测算方法 | |
| Borucka et al. | Mathematical Evaluation of Passenger and Freight Rail Transport as Viewed Through the COVID-19 Pandemic and the War in Ukraine Situation | |
| Qian et al. | How do transportation professionals perceive the impacts of AI applications in transportation? A latent class cluster analysis | |
| Zhao et al. | A Novel Short-Time Passenger Flow Prediction Method for Urban Rail Transit: CEEMDAN-CSSA-LSTM Model Based on Station Classification. | |
| 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 | |
| Zuo | Public safety risk prediction of urban rail transit based on mathematical model and algorithm simulation | |
| Wu et al. | Dynamic traffic network representation model for improving the prediction performance of passenger flow for mass rapid transit | |
| El-Adaway et al. | State-of-the-art research in the area of artificial intelligence with specific consideration to civil infrastructure, construction engineering and management, and safety | |
| Cong et al. | Layout optimization method of railway transportation route based on deep convolution neural network | |
| Karimpour et al. | Rail degradation modelling using ARMAX: a case study applied to Melbourne Tram 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 |