CN109657938A - 一种轨道交通系统成本影响要素辨识与分析方法 - Google Patents

一种轨道交通系统成本影响要素辨识与分析方法 Download PDF

Info

Publication number
CN109657938A
CN109657938A CN201811460210.3A CN201811460210A CN109657938A CN 109657938 A CN109657938 A CN 109657938A CN 201811460210 A CN201811460210 A CN 201811460210A CN 109657938 A CN109657938 A CN 109657938A
Authority
CN
China
Prior art keywords
attribute
cost
object layer
cost element
layer cost
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
Application number
CN201811460210.3A
Other languages
English (en)
Other versions
CN109657938B (zh
Inventor
陈春阳
刘辉
杨基宏
杨宇翔
梁习锋
姚松
鲁寨军
米希伟
陈浩林
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 CN201811460210.3A priority Critical patent/CN109657938B/zh
Publication of CN109657938A publication Critical patent/CN109657938A/zh
Application granted granted Critical
Publication of CN109657938B publication Critical patent/CN109657938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/04—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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (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要素辨识分析方法，首先通过对轨道交通系统总成本细分得到要素对象，使用专家评分法获取要素对象的安全、性能、环境特征值并获取该要素对象与其他要素的关联程度值，建立该对象的有效影响评分集合；再建立要素安全特征值、性能特征值、环境特征值、有效影响评分与要素成本的映射模型；最后，将一条轨道交通线路各要素的安全、性能、环境、有效影响评分数据输入该模型，进行各要素成本的辨识，该方法使得决策人员能在轨道交通项目决策期间得到轨道系统的各要素的成本预测值，能有效的掌控轨道交通系统未来成本开支情况，对降低轨道交通投资的金融风险，制定风险评估体系有着重要的意义。

Description

一种轨道交通系统成本影响要素辨识与分析方法
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影响要素辨识与分析方法。
背景技术
城市轨道交通系统是一个成本高，技术含量高，周期长的复杂庞大系统。其系统要素对 象涉及决策设计阶段、施工建设阶段、运营维护阶段、维修报废阶段，且与安全、性能、环 境高度相关。如果能在预测决策阶段对系统要素的成本进行预测，基于系统要素的安全、性 能、环境特性建立系统各要素的成本预测模型，能够有效控制轨道交通系统成本支出，对降 低投资的金融风险，制定风险评估体系具有重要的意义。
发明内容
本发明提供了一种轨道交通系统成本影响要素辨识与分析方法，其目的在于，通过对轨 道交通成本的分解，利用大数据对成本影响要素进行辨识，得到影响轨道交通系统成本的重 要因素，为轨道交通系统的设计提供理论依据。
一种轨道交通系统成本影响要素辨识与分析方法，包括以下步骤：
步骤1：轨道交通系统在全生命周期总成本分解与成本要素获取；
分解轨道交通系统全生命周期成本，得到三层树状分解框架，由顶层至底层分别为阶段 层、项目层和对象层；
所述阶段层包括四个阶段层成本要素，分别为决策设计阶段成本、施工建设阶段成本、 运营维护阶段成本和报废回收阶段成本；
每个阶段层成本要素按照阶段层成本要素子成本的性质分解为若干个项目层成本要素， 每个项目层成本要素按照项目层成本要素子成本的承担主体分解为若干个对象层成本要素；
步骤2：建立安全属性、性能属性和环境属性评分体系；
步骤2.1：量化阶段层成本要素、项目层成本要素和对象层成本要素的安全属性、性能属 性和环境属性；
获取第i个阶段层成本要素的安全属性评分值、性能属性评分值和环境属性评分值，分别 记为
获取第i个阶段层成本要素中第j个项目层成本要素的安全属性评分值、性能属性评分值和 环境属性评分值，分别记为ni为第i个阶段层成本要素包含项目层 成本要素的数目；
获取第i个阶段层成本要素中第j个项目层成本要素的第k个对象层成本要素的安全属性评分 值、性能属性评分值和环境属性评分值，分别记为mij为第i个阶 段层成本要素中第j个项目层成本要素包含对象层成本要素的数目；
获取对象层成本要素的安全属性综合评分、性能属性综合评分和环境属性综合评分，分 别记为
其中，表示的最大值，表示的最大值，表示 的最大值，i＝1,2,3,4，j＝1,2,…,ni，k＝1,2,…,mij；
步骤2.2：量化对象层成本影响要素之间的综合影响度；
获取对象层成本要素之间的安全属性关联程度评分、性能属性关联程度评分和环境属性关联 程度评分，分别记为n5为对象层成本要素的数目， 为第l′个对象层成本要素对第l个对象层成本要素的安全属性关联程度评分，为第l′个对象 层成本要素对第l个对象层成本要素的性能属性关联程度评分，为第l′个对象层成本要素对第l 个对象层成本要素的环境属性关联程度评分；
获取第l′个对象层成本要素对第l个对象层成本要素的安全属性影响系数、性能属性影响系数 和环境属性影响系数，依次记为
其中，max(ρa)表示的最大值，max(ρx)表示的最大值，max(ρh)表示的 最大值，l＝1,2,…,n5，l′＝1,2,…,n5；
获得第l′个对象层成本要素对第l个对象层成本要素的安全属性影响度、性能属性影响度和环 境属性影响度，分别记为
其中，表示第l′个对象层成本要素的安全属性评分平均值；表示第l′个对象层成本要素 的性能属性评分平均值；表示第l′个对象层成本要素的环境属性评分平均值；
获得第l′个对象层成本要素对第l个对象层成本要素的综合影响度，记为Rl,l′，
步骤3：建立对象层成本要素成本预测模型；
记对象层成本要素的全生命周期成本数据为Xl，l＝1,2,…,n5，根据步骤2的方法，获取n6条 轨道交通线路各对象层成本要素的全生命周期成本数据、安全属性综合评分、性能属性综合评分、 环境属性综合评分和任意两个对象层成本要素之间的综合影响度；
选择其中任意1条轨道交通线路的各对象层成本要素的全生命周期成本数据、安全属性综合 评分、性能属性综合评分、环境属性综合评分和任意两个对象层成本要素之间的综合影响度形成 测试样本集，选择其余轨道交通线路的各对象层成本要素的全生命周期成本数据、安全属性综合 评分、性能属性综合评分、环境属性综合评分和任意两个对象层成本要素之间的综合影响度形成 训练样本集；
n6取值至少为30；
依次将训练样本集中各对象层成本要素的安全属性综合评分、性能属性综合评分、环境属性 综合评分、其他对象层成本要素对该对象层成本要素的综合影响度作为输入，对象层成本要素的 全生命周期成本作为输出，训练极限学习机模型，得到n5个基于极限学习机的对象层成本要素辨 识模型；
步骤4：辨识目标轨道交通线路的成本影响要素；
根据步骤2的方法，获取目标轨道交通线路各对象层成本要素的全生命周期成本数据、安全 属性综合评分、性能属性综合评分、环境属性综合评分和任意两个对象层成本要素之间的综合影 响度；
将目标轨道交通线路中各对象层成本要素的安全属性综合评分、性能属性综合评分、环境属 性综合评分、其他对象层成本要素对该对象层成本要素的综合影响度作为对应的基于极限学习机 的对象层成本要素辨识模型的输入，输出对象层成本要素的全生命周期成本预测值，记对象层成 本要素的全生命周期成本预测值为goal_Xl，设定成本阈值为α，满足公式|goal_Xl-Xl|/Xl<α的 对象层成本要素为目标轨道交通线路的成本影响要素；
α取值为0.05。
进一步的，所述阶段层成本要素、项目层成本要素和对象层成本要素的安全属性评分值、 性能属性评分值和环境属性评分值获得方法如下：
利用专家评价法，分别选择从事轨道交通行业的设计人员、建造人员和维修人员各30人， 按照评价集V的评分标准依次对阶段层成本要素、项目层成本要素和对象层成本要素的安全属 性、性能属性和环境属性进行评分，获取90名所选择人员评分的平均值，得到阶段层成本要 素、项目层成本要素和对象层成本要素的安全属性评分值、性能属性评分值和环境属性评分 值；
评价集V＝{v1,v2,v3,v4,v5}，其中，v1表示优秀，v2表示良好，v3表示一般，v4表示较 差，v5表示很差；
对评价集赋值有{V|(v1＝5,v2＝4,v3＝3,v4＝2,v5＝1)}。
进一步的，所述对象层成本要素之间安全属性关联程度评分、性能属性关联程度评分和环境 属性关联程度评分获得方法如下：
利用专家评价法，分别选择从事轨道交通行业的设计人员、建造人员和维修人员各30人， 按照评价集U的评分标准依次对对象层成本要素之间安全属性关联程度、性能属性关联程度和 环境属性关联程度进行评分，获取90名所选择人员评分的平均值，得到对象层成本要素之间 的关联程度评分；
评价集U＝{u1,u2,u3,u4,u5}，其中，u1表示强关联，u2表示较强关联，u3表示中等关 联，u4表示较弱关联，u5表示若关联；
评价集赋值有{U|(u1＝5,u2＝4,u3＝3，u2＝2,u1＝1}；
对评价集赋值有{U|(u1＝5,u2＝4,u3＝3，u2＝2,u1＝1}。
进一步的，所述基于极限学习机的对象层成本要素辨识模型采用差分进化算法进行优化：
利用差分进化算法优化极限学习机模型的初始权值W和隐含层神经元偏置量b，初始权值 W的寻优范围为[0,1]，隐含层神经元偏置量b的寻优范围为[-5,5]，过程如下：
步骤A1：设置差分进化算法参数，设当前代数G＝0，Gmax＝50～200，种群规模NP为10～50，缩放因子F∈[0,2]；交叉概率CR∈[0,1]，随机生成初始种群，种群由NP个向量
组成，每个向量代表一种极限学习机模型权值W和隐含层神经元偏置量b的组合；
步骤A2：对种群中所有向量编号，记为d，d＝1,2,3,…,NP，令d＝1；
步骤A3：从种群中选取编号为d的向量作为目标向量；
步骤A4：对目标向量进行变异操作，生成变异向量；
步骤A5：对目标向量和变异向量进行交叉操作，生成试验向量；
步骤A6：将试验向量和目标向量代表的组合分别作为极限学习机模型的初始权值W和 隐含层神经元偏置量b，依次将训练样本集中各对象层成本要素的安全属性综合评分、性 能属性综合评分、环境属性综合评分、其他对象层成本要素对该对象层成本要素的综合影响度作为输入，对象层成本要素的全生命周期成本作为输出，训练极限学习机模型， 得到n5个基于极限学习机的对象层成本要素辨识模型，将测试样本集中各对象层成本要 素的安全属性综合评分、性能属性综合评分、环境属性综合评分、其他对象层成本要素 对该对象层成本要素的综合影响度作为对应的基于极限学习机的对象层成本要素辨识模 型的输入，输出对象层成本要素的全生命周期成本预测值，将各对象层成本要素全生命 周期成本预测值和全生命周期成本之间绝对误差平均值的倒数作为适应度函数，选择适 应度大的向量作为下一代的向量；
步骤A7：令d＝d+1，判断是否满足d≤NP，若是，转到步骤A3，若否，判断是否满足 G＝Gmax，若是，转至步骤A8，若否，G＝G+1，转至步骤A2；
步骤A8：选择种群中适应度最高的向量，向量代表的组合即极限学习机模型的初始权值 W和隐含层神经元偏置量b。
有益效果
本发明提供了一种轨道交通系统成本影响要素辨识与分析方法，通过总成本时间维度分 解，得到了成本要素；量化了成本要素的安全属性、性能属性和环境属性，并明确了各要素 之间的关联关系；基于成本要素的安全属性、性能属性和环境属性、影响评分与要素成本的 强关联关系，建立了成本要素预测模型，进行预测成本的分类，辨识出轨道交通系统成本影 响要素，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，明确了轨道交通系统全生命周期成本要素 对象，利用专家评价对要素的安全属性、性能属性和环境属性进行评分，同时也基于要素间 的关联程度，建立了其他要素对目标要素的影响评分，建立了目标成本要素属性之间的关联， 保证了成本预测的准确性。
2.通过智能学习算法，建立了要素安全属性、性能属性、环境属性、综合影响度与要素成 本之间的映射模型。设置阈值，对要素成本预测值进行筛选，最终辨识出轨道交通系统成本 影响要素。
3.利用本发明提出的方法，在项目决策阶段即可预测得到轨道交通系统成本，能有效的掌 控轨道交通系统未来成本开支情况，对降低轨道交通投资的金融风险，制定风险评估体系有 着重要的意义。
附图说明
图1为生命周期成本分解示意图；
图2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2所示，一种轨道交通系统成本影响要素辨识与分析方法，包括以下几个步骤：
步骤1：轨道交通系统在全生命周期总成本分解与成本要素获取；
如图1所示，分解轨道交通系统全生命周期成本，得到三层树状分解框架，由顶层至底 层分别为阶段层、项目层和对象层；
所述阶段层包括四个阶段层成本要素，分别为决策设计阶段成本、施工建设阶段成本、 运营维护阶段成本和报废回收阶段成本；
每个阶段层成本要素按照阶段层成本要素子成本的性质分解为若干个项目层成本要素， 每个项目层成本要素按照项目层成本要素子成本的承担主体分解为若干个对象层成本要素；
所述决策设计阶段成本分解得到的项目层成本要素至少包括：勘察设计成本、可行性研 究成本、项目建议书阶段成本和前期规划成本；施工建设阶段成本分解得到的项目层成本要 素至少包括：设备购置成本、建筑工程成本、安装工程成本、无形资产成本和固定资产成本； 运营维护阶段成本分解得到的项目层成本要素至少包括：通号维修维护成本、供电维修维护 成本、公务维修维护成本、客运维修维护成本、车辆的维修维护成本、折旧成本和运营资金；
所述决策设计阶段成本指决策人员从整体上把握建设项目投资行为，选择资金筹措方式, 确定影响成本的主要因素，对拟建工程项目进行策划，并对其技术可行性、经济合理性以及 建设时机等方面进行论证，并将方案变为蓝图所产生的成本；施工建设阶段成本指项目土建 施工、设备购置与安装等环节产生的成本；运营维护阶段成本指轨道交通系统从投入运营至 运营期结束产生的成本；报废回收阶段成本指轨道交通系统对土建工程、运营装备等采取废 除过程所产生的成本。
步骤2：建立安全属性、性能属性和环境属性评分体系；
步骤2.1：量化阶段层成本要素、项目层成本要素和对象层成本要素的安全属性、性能属 性和环境属性；
获取第i个阶段层成本要素的安全属性评分值、性能属性评分值和环境属性评分值，分别 记为
获取第i个阶段层成本要素中第j个项目层成本要素的安全属性评分值、性能属性评分值和 环境属性评分值，分别记为ni为第i个阶段层成本要素包含项目层 成本要素的数目；
获取第i个阶段层成本要素中第j个项目层成本要素的第k个对象层成本要素的安全属性评分 值、性能属性评分值和环境属性评分值，分别记为mij为第i个阶 段层成本要素中第j个项目层成本要素包含对象层成本要素的数目；
所述阶段层成本要素、项目层成本要素和对象层成本要素的安全属性评分值、性能属性 评分值和环境属性评分值获得方法如下：
利用专家评价法，分别选择从事轨道交通行业的设计人员、建造人员和维修人员各30人， 按照评价集V的评分标准依次对阶段层成本要素、项目层成本要素和对象层成本要素的安全属 性、性能属性和环境属性进行评分，获取90名所选择人员评分的平均值，得到阶段层成本要 素、项目层成本要素和对象层成本要素的安全属性评分值、性能属性评分值和环境属性评分 值；
评价集V＝{v1,v2,v3,v4,v5}，其中，v1表示优秀，v2表示良好，v3表示一般，v4表示较 差，v5表示很差；
对评价集赋值有{V|(v1＝5,v2＝4,v3＝3,v4＝2,v5＝1)}；
获取对象层成本要素的安全属性综合评分、性能属性综合评分和环境属性综合评分，分 别记为
其中，表示的最大值，表示的最大值，表示 的最大值，i＝1,2,3,4，j＝1,2,…,ni，k＝1,2,…,mij；
步骤2.2：量化对象层成本影响要素之间的综合影响度；
获取对象层成本要素之间的安全属性关联程度评分、性能属性关联程度评分和环境属性关联 程度评分，分别记为n5为对象层成本要素的数目， 为第l′个对象层成本要素对第l个对象层成本要素的安全属性关联程度评分，为第l′个对象 层成本要素对第l个对象层成本要素的性能属性关联程度评分，为第l′个对象层成本要素对第l 个对象层成本要素的环境属性关联程度评分；
所述对象层成本要素之间安全属性关联程度评分、性能属性关联程度评分和环境属性关联程 度评分获得方法如下：
利用专家评价法，分别选择从事轨道交通行业的设计人员、建造人员和维修人员各30人， 按照评价集U的评分标准依次对对象层成本要素之间安全属性关联程度、性能属性关联程度和 环境属性关联程度进行评分，获取90名所选择人员评分的平均值，得到对象层成本要素之间 的关联程度评分；
评价集U＝{u1,u2,u3,u4,u5}，其中，u1表示强关联，u2表示较强关联，u3表示中等关 联，u4表示较弱关联，u5表示若关联；
评价集赋值有{U|(u1＝5,u2＝4,u3＝3，u2＝2,u1＝1}；
对评价集赋值有{U|(u1＝5,u2＝4,u3＝3，u2＝2,u1＝1}；
获取第l′个对象层成本要素对第l个对象层成本要素的安全属性影响系数、性能属性影响系数 和环境属性影响系数，依次记为
其中，max(ρa)表示的最大值，max(ρx)表示的最大值，max(ρh)表示的 最大值，l＝1,2,…,n5，l′＝1,2,…,n5；
获得第l′个对象层成本要素对第l个对象层成本要素的安全属性影响度、性能属性影响度和环 境属性影响度，分别记为
其中，表示第l′个对象层成本要素的安全属性评分平均值；表示第l′个对象层成本要素 的性能属性评分平均值；表示第l′个对象层成本要素的环境属性评分平均值；
获得第l′个对象层成本要素对第l个对象层成本要素的综合影响度，记为
步骤3：建立对象层成本要素成本预测模型；
记对象层成本要素的全生命周期成本数据为Xl，l＝1,2,…,n5，根据步骤2的方法，获取n6条 轨道交通线路各对象层成本要素的全生命周期成本数据、安全属性综合评分、性能属性综合评分、 环境属性综合评分和任意两个对象层成本要素之间的综合影响度；
选择其中任意1条轨道交通线路的各对象层成本要素的全生命周期成本数据、安全属性综合 评分、性能属性综合评分、环境属性综合评分和任意两个对象层成本要素之间的综合影响度形成 测试样本集，选择其余轨道交通线路的各对象层成本要素的全生命周期成本数据、安全属性综合 评分、性能属性综合评分、环境属性综合评分和任意两个对象层成本要素之间的综合影响度形成 训练样本集；
本实例中，n6取值至少为30；
依次将训练样本集中各对象层成本要素的安全属性综合评分、性能属性综合评分、环境属性 综合评分、其他对象层成本要素对该对象层成本要素的综合影响度作为输入，对象层成本要素的 全生命周期成本作为输出，训练极限学习机模型，得到n5个基于极限学习机的对象层成本要素辨 识模型；
所述基于极限学习机的对象层成本要素辨识模型采用差分进化算法进行优化，利用差分进化 算法优化极限学习机模型的初始权值W和隐含层神经元偏置量b，初始权值W的寻优范围为[0,1]， 隐含层神经元偏置量b的寻优范围为[-5,5]，过程如下：
步骤A1：设置差分进化算法参数，设当前代数G＝0，Gmax＝50～200，种群规模NP为10～50，缩放因子F∈[0,2]；交叉概率CR∈[0,1]，随机生成初始种群，种群由NP个向量
组成，每个向量代表一种极限学习机模型权值W和隐含层神经元偏置量b的组合；
步骤A2：对种群中所有向量编号，记为d，d＝1,2,3,…,NP，令d＝1；
步骤A3：从种群中选取编号为d的向量作为目标向量；
步骤A4：对目标向量进行变异操作，生成变异向量；
步骤A5：对目标向量和变异向量进行交叉操作，生成试验向量；
步骤A6：将试验向量和目标向量代表的组合分别作为极限学习机模型的初始权值W和 隐含层神经元偏置量b，依次将训练样本集中各对象层成本要素的安全属性综合评分、性 能属性综合评分、环境属性综合评分、其他对象层成本要素对该对象层成本要素的综合影响度作为输入，对象层成本要素的全生命周期成本作为输出，训练极限学习机模型， 得到n5个基于极限学习机的对象层成本要素辨识模型，将测试样本集中各对象层成本要 素的安全属性综合评分、性能属性综合评分、环境属性综合评分、其他对象层成本要素 对该对象层成本要素的综合影响度作为对应的基于极限学习机的对象层成本要素辨识模 型的输入，输出对象层成本要素的全生命周期成本预测值，将各对象层成本要素全生命 周期成本预测值和全生命周期成本之间绝对误差平均值的倒数作为适应度函数，选择适 应度大的向量作为下一代的向量；
步骤A7：令d＝d+1，判断是否满足d≤NP，若是，转到步骤A3，若否，判断是否满足 G＝Gmax，若是，转至步骤A8，若否，G＝G+1，转至步骤A2；
步骤A8：选择种群中适应度最高的向量，向量代表的组合即极限学习机模型的初始权值 W和隐含层神经元偏置量b。
初始权值W和隐含层神经元偏置量b均为向量；
每个对象层成本要素对应一个基于极限学习机的对象层成本要素辨识模型；
步骤4：辨识目标轨道交通线路的成本影响要素；
根据步骤2的方法，获取目标轨道交通线路各对象层成本要素的全生命周期成本数据、安全 属性综合评分、性能属性综合评分、环境属性综合评分和任意两个对象层成本要素之间的综合影 响度；
将目标轨道交通线路中各对象层成本要素的安全属性综合评分、性能属性综合评分、环境属 性综合评分、其他对象层成本要素对该对象层成本要素的综合影响度作为对应的基于极限学习机 的对象层成本要素辨识模型的输入，输出对象层成本要素的全生命周期成本预测值，记对象层成 本要素的全生命周期成本预测值为goal_Xl，设定成本阈值为α，满足公式|goal_Xl-Xl|/Xl<α的 对象层成本要素为目标轨道交通线路的成本影响要素；
本实例中，α取值为0.05。
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 (4)

1.一种轨道交通系统成本影响要素辨识与分析方法，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总成本分解与成本要素获取；
分解轨道交通系统全生命周期成本，得到三层树状分解框架，由顶层至底层分别为阶段层、项目层和对象层；
所述阶段层包括四个阶段层成本要素，分别为决策设计阶段成本、施工建设阶段成本、运营维护阶段成本和报废回收阶段成本；
每个阶段层成本要素按照阶段层成本要素子成本的性质分解为若干个项目层成本要素，每个项目层成本要素按照项目层成本要素子成本的承担主体分解为若干个对象层成本要素；
步骤2：建立安全属性、性能属性和环境属性评分体系；
步骤2.1：量化阶段层成本要素、项目层成本要素和对象层成本要素的安全属性、性能属性和环境属性；
获取第i个阶段层成本要素的安全属性评分值、性能属性评分值和环境属性评分值，分别记为
获取第i个阶段层成本要素中第j个项目层成本要素的安全属性评分值、性能属性评分值和环境属性评分值，分别记为ni为第i个阶段层成本要素包含项目层成本要素的数目；
获取第i个阶段层成本要素中第j个项目层成本要素的第k个对象层成本要素的安全属性评分值、性能属性评分值和环境属性评分值，分别记为mij为第i个阶段层成本要素中第j个项目层成本要素包含对象层成本要素的数目；
获取对象层成本要素的安全属性综合评分、性能属性综合评分和环境属性综合评分，分别记为
其中，表示的最大值，表示的最大值，表示的最大值，i＝1,2,3,4，j＝1,2,…,ni，k＝1,2,…,mij；
步骤2.2：量化对象层成本影响要素之间的综合影响度；
获取对象层成本要素之间的安全属性关联程度评分、性能属性关联程度评分和环境属性关联程度评分，分别记为n5为对象层成本要素的数目，为第l′个对象层成本要素对第l个对象层成本要素的安全属性关联程度评分，为第l′个对象层成本要素对第l个对象层成本要素的性能属性关联程度评分，为第l′个对象层成本要素对第l个对象层成本要素的环境属性关联程度评分；
获取第l′个对象层成本要素对第l个对象层成本要素的安全属性影响系数、性能属性影响系数和环境属性影响系数，依次记为
其中，max(ρa)表示的最大值，max(ρx)表示的最大值，max(ρh)表示的最大值，l＝1,2,…,n5，l′＝1,2,…,n5；
获得第l′个对象层成本要素对第l个对象层成本要素的安全属性影响度、性能属性影响度和环境属性影响度，分别记为
其中，表示第l′个对象层成本要素的安全属性评分平均值；表示第l′个对象层成本要素的性能属性评分平均值；表示第l′个对象层成本要素的环境属性评分平均值；
获得第l′个对象层成本要素对第l个对象层成本要素的综合影响度，记为Rl,l′，
步骤3：建立对象层成本要素成本预测模型；
记对象层成本要素的全生命周期成本数据为Xl，l＝1,2,…,n5，根据步骤2的方法，获取n6条轨道交通线路各对象层成本要素的全生命周期成本数据、安全属性综合评分、性能属性综合评分、环境属性综合评分和任意两个对象层成本要素之间的综合影响度；
选择其中任意1条轨道交通线路的各对象层成本要素的全生命周期成本数据、安全属性综合评分、性能属性综合评分、环境属性综合评分和任意两个对象层成本要素之间的综合影响度形成测试样本集，选择其余轨道交通线路的各对象层成本要素的全生命周期成本数据、安全属性综合评分、性能属性综合评分、环境属性综合评分和任意两个对象层成本要素之间的综合影响度形成训练样本集；
n6取值至少为30；
依次将训练样本集中各对象层成本要素的安全属性综合评分、性能属性综合评分、环境属性综合评分、其他对象层成本要素对该对象层成本要素的综合影响度作为输入，对象层成本要素的全生命周期成本作为输出，训练极限学习机模型，得到n5个基于极限学习机的对象层成本要素辨识模型；
步骤4：辨识目标轨道交通线路的成本影响要素；
根据步骤2的方法，获取目标轨道交通线路各对象层成本要素的全生命周期成本数据、安全属性综合评分、性能属性综合评分、环境属性综合评分和任意两个对象层成本要素之间的综合影响度；
将目标轨道交通线路中各对象层成本要素的安全属性综合评分、性能属性综合评分、环境属性综合评分、其他对象层成本要素对该对象层成本要素的综合影响度作为对应的基于极限学习机的对象层成本要素辨识模型的输入，输出对象层成本要素的全生命周期成本预测值，记对象层成本要素的全生命周期成本预测值为goal_Xl，设定成本阈值为α，满足公式|goal_Xl-Xl|/Xl<α的对象层成本要素为目标轨道交通线路的成本影响要素；
α取值为0.05。
2.根据权利要求1所述的方法，其特征在于，所述阶段层成本要素、项目层成本要素和对象层成本要素的安全属性评分值、性能属性评分值和环境属性评分值获得方法如下：
利用专家评价法，分别选择从事轨道交通行业的设计人员、建造人员和维修人员各30人，按照评价集V的评分标准依次对阶段层成本要素、项目层成本要素和对象层成本要素的安全属性、性能属性和环境属性进行评分，获取90名所选择人员评分的平均值，得到阶段层成本要素、项目层成本要素和对象层成本要素的安全属性评分值、性能属性评分值和环境属性评分值；
评价集V＝{v1,v2,v3,v4,v5}，其中，v1表示优秀，v2表示良好，v3表示一般，v4表示较差，v5表示很差；
对评价集赋值有{V|(v1＝5,v2＝4,v3＝3,v4＝2,v5＝1)}。
3.根据权利要求1所述的方法，其特征在于，所述对象层成本要素之间安全属性关联程度评分、性能属性关联程度评分和环境属性关联程度评分获得方法如下：
利用专家评价法，分别选择从事轨道交通行业的设计人员、建造人员和维修人员各30人，按照评价集U的评分标准依次对对象层成本要素之间安全属性关联程度、性能属性关联程度和环境属性关联程度进行评分，获取90名所选择人员评分的平均值，得到对象层成本要素之间的关联程度评分；
评价集U＝{u1,u2,u3,u4,u5}，其中，u1表示强关联，u2表示较强关联，u3表示中等关联，u4表示较弱关联，u5表示若关联；
评价集赋值有{U|(u1＝5,u2＝4,u3＝3，u2＝2,u1＝1}；
对评价集赋值有{U|(u1＝5,u2＝4,u3＝3，u2＝2,u1＝1}。
4.根据权利要求1所述的方法，其特征在于，所述基于极限学习机的对象层成本要素辨识模型采用差分进化算法进行优化：
利用差分进化算法优化极限学习机模型的初始权值W和隐含层神经元偏置量b，初始权值W的寻优范围为[0,1]，隐含层神经元偏置量b的寻优范围为[-5,5]，过程如下：
步骤A1：设置差分进化算法参数，设当前代数G＝0，Gmax＝50～200，种群规模NP为10～50，缩放因子F∈[0,2]；交叉概率CR∈[0,1]，随机生成初始种群，种群由NP个向量组成，每个向量代表一种极限学习机模型权值W和隐含层神经元偏置量b的组合；
步骤A2：对种群中所有向量编号，记为d，d＝1,2,3,…,NP，令d＝1；
步骤A3：从种群中选取编号为d的向量作为目标向量；
步骤A4：对目标向量进行变异操作，生成变异向量；
步骤A5：对目标向量和变异向量进行交叉操作，生成试验向量；
步骤A6：将试验向量和目标向量代表的组合分别作为极限学习机模型的初始权值W和隐含层神经元偏置量b，依次将训练样本集中各对象层成本要素的安全属性综合评分、性能属性综合评分、环境属性综合评分、其他对象层成本要素对该对象层成本要素的综合影响度作为输入，对象层成本要素的全生命周期成本作为输出，训练极限学习机模型，得到n5个基于极限学习机的对象层成本要素辨识模型，将测试样本集中各对象层成本要素的安全属性综合评分、性能属性综合评分、环境属性综合评分、其他对象层成本要素对该对象层成本要素的综合影响度作为对应的基于极限学习机的对象层成本要素辨识模型的输入，输出对象层成本要素的全生命周期成本预测值，将各对象层成本要素全生命周期成本预测值和全生命周期成本之间绝对误差平均值的倒数作为适应度函数，选择适应度大的向量作为下一代的向量；
步骤A7：令d＝d+1，判断是否满足d≤NP，若是，转到步骤A3，若否，判断是否满足G＝Gmax，若是，转至步骤A8，若否，G＝G+1，转至步骤A2；
步骤A8：选择种群中适应度最高的向量，向量代表的组合即极限学习机模型的初始权值W和隐含层神经元偏置量b。
CN201811460210.3A 2018-11-30 2018-11-30 一种轨道交通系统成本影响要素辨识与分析方法 Active CN109657938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811460210.3A CN109657938B (zh) 2018-11-30 2018-11-30 一种轨道交通系统成本影响要素辨识与分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811460210.3A CN109657938B (zh) 2018-11-30 2018-11-30 一种轨道交通系统成本影响要素辨识与分析方法

Publications (2)

Publication Number Publication Date
CN109657938A true CN109657938A (zh) 2019-04-19
CN109657938B CN109657938B (zh) 2023-06-23

Family

ID=66112514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811460210.3A Active CN109657938B (zh) 2018-11-30 2018-11-30 一种轨道交通系统成本影响要素辨识与分析方法

Country Status (1)

Country Link
CN (1) CN109657938B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06195402A (ja) * 1992-10-26 1994-07-15 Hitachi Ltd 製品開発最適設計支援システム
US20070118502A1 (en) * 2005-11-18 2007-05-24 Aragones James K Methods and systems for managing a fleet of assets
US20130238379A1 (en) * 2012-03-12 2013-09-12 Fluor Technologies Corporation Multi-dimensional life cycle project execution system
CN106779280A (zh) * 2016-11-10 2017-05-31 广东工业大学 一种二次设备大修技改的决策确定方法及系统
KR20170111056A (ko) * 2016-03-25 2017-10-12 수원대학교산학협력단 건축물의 환경비용 산출방법
CN108764636A (zh) * 2018-04-24 2018-11-06 上海理工大学 基于全生命周期的数控机床可持续性评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06195402A (ja) * 1992-10-26 1994-07-15 Hitachi Ltd 製品開発最適設計支援システム
US20070118502A1 (en) * 2005-11-18 2007-05-24 Aragones James K Methods and systems for managing a fleet of assets
US20130238379A1 (en) * 2012-03-12 2013-09-12 Fluor Technologies Corporation Multi-dimensional life cycle project execution system
KR20170111056A (ko) * 2016-03-25 2017-10-12 수원대학교산학협력단 건축물의 환경비용 산출방법
CN106779280A (zh) * 2016-11-10 2017-05-31 广东工业大学 一种二次设备大修技改的决策确定方法及系统
CN108764636A (zh) * 2018-04-24 2018-11-06 上海理工大学 基于全生命周期的数控机床可持续性评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
尹恒鑫: "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》, pages 12 - 17 *

Cited By (2)

* Cited by examiner, † Cited by third party
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
CN109657938B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN106354710A (zh) 一种神经网络关系抽取方法
Aldino et al. Determining Best Graduates Using TOPSIS with Surrogate Weighting Procedures Approach
CN110909529B (zh) 一种公司形象提升系统的用户情感分析和预判系统
CN111159396B (zh) 面向数据共享交换的文本数据分类分级模型的建立方法
Tian et al. Data-driven multi-criteria decision support method for electric vehicle selection
CN109657938A (zh) 一种轨道交通系统成本影响要素辨识与分析方法
Bączkiewicz et al. Towards sustainable energy consumption evaluation in Europe for industrial sector based on MCDA methods
Chai et al. Safety evaluation of urban rail transit operation considering uncertainty and risk preference: A case study in China
CN110516861A (zh) 一种基于拓扑扩张网络模型的学生贫困程度预测方法
Obulezi et al. Machine Learning Models for Predicting Transportation Costs Inflated by Fuel Subsidy Removal Policy in Nigeria
CN104143117B (zh) 一种电网特殊负荷与日负荷之间的相关系数提取方法
Wang et al. Sustainable development early warning and financing risk management of resource-based industrial clusters using optimization algorithms
Ruan et al. Scenario-based path selection in uncertain emergency transportation networks
CN117196198A (zh) 一种基于组合赋权云模型的磁浮列车乘客满意度评价方法
CN111708865A (zh) 一种基于改进XGBoost算法的技术预见及专利预警分析方法
CN114970693B (zh) 一种基于联邦学习的充电桩用户画像方法
Mao et al. Naive Bayesian algorithm classification model with local attribute weighted based on KNN
CN114595695A (zh) 一种用于少样本意图识别系统的自训练模型构建方法
Li et al. A comprehensive learning-based model for power load forecasting in smart grid
Ustundag et al. A Hybrid Fuzzy Risk Evaluation Model For Real Estate Investments.
CN109447498A (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
Lv et al. Stakeholder opinion classification for supporting large-scale transportation project decision making
Wang et al. Research on House Price Forecast Based on Hyper Parameter Optimization Gradient Boosting Regression Model
CN117804490B (zh) 一种车辆运行路线的综合规划方法及装置
Shengdong et al. Entrepreneurial borrowing overdue prediction based on stacking model transfer learning

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