CN112418574A - 基于人工智能的城市轨道交通运营仿真系统及方法 - Google Patents
基于人工智能的城市轨道交通运营仿真系统及方法 Download PDFInfo
- Publication number
- CN112418574A CN112418574A CN201910773966.1A CN201910773966A CN112418574A CN 112418574 A CN112418574 A CN 112418574A CN 201910773966 A CN201910773966 A CN 201910773966A CN 112418574 A CN112418574 A CN 112418574A
- Authority
- CN
- China
- Prior art keywords
- passenger
- information
- rail transit
- model
- intelligent agent
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 146
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000006399 behavior Effects 0.000 claims description 40
- 238000012937 correction Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 32
- 238000004458 analytical method Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 19
- 238000007726 management method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 5
- 238000013486 operation strategy Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种基于人工智能的城市轨道交通运营仿真系统及方法，包括：构建轨道交通线网模型模块：构建轨道交通线网模型，获取构建轨道交通线网模型信息；乘客分类模块：应用AFC数据进行乘客分类，并生成乘客智能体，获取乘客分类信息、乘客智能体信息；路径选择模块：应用历史客流数据进行路径选择，获取路径选择信息；输出仿真结果模块：根据构建轨道交通线网模型信息、乘客分类信息、乘客智能体信息以及路径选择信息，输出仿真结果信息。本发明增加了运营仿真系统的使用效果，能够更好的起到辅助决策的功能。
Description
技术领域
本发明涉及人工智能仿真领域，具体地，涉及基于人工智能的城市轨道交通运营仿真系统及方法。
背景技术
城市轨道交通运营仿真系统是城市轨道交通客流管理体系中一种重要的基础工具，其运用分为事后分析和提前预测两个方面。事后分析主要是基于历史数据的场景还原，针对现实中无法全盘监控整个城市轨道交通系统的问题，如无法或难以获取部分实时客流数据，可以运用仿真进行还原，帮助运营人员进行场景分析，制定运营策略，尤其是列车的开行计划的确定。提前预测则是另一个主要的应用方面，由于城市轨道交通时常需要面对一些大客流场景，包括预先确定的活动事件或突发事故造成的，需要运营人员制定合理的应对方法；仿真系统则提供了一个模拟平台，能够帮助运营人员提前测试应对方法的效果和合理性，从而为乘客提供针对性的运输服务，提升乘坐体验。已有的轨道交通运营仿真系统可以分为两类，即宏观仿真和微观仿真。其中，宏观仿真以模拟系统整体的表现为目的，在仿真中独立参与者往往会被数据或模型代替，而不关心其细节表现，仅仅展现出其在宏观上体现出的规律；微观仿真则更关注仿真对象中的每一个独立的参与者，希望通过对参与者最大可能的模拟，从下至上构建仿真系统。宏观仿真能够以较小的资源消耗实现模拟功能，微观仿真则能体现更多的细节。随着计算机硬件技术的发展，目前微观仿真越来越成为城市轨道交通仿真的首要选择。在微观仿真，技术难点在于模拟单一乘客的行为，尤其是在大规模的轨道交通网络下，起止点之间往往有多条可达路径，确定乘客的路径选择行为是精确模拟的主要障碍。既有方法往往基于一种有模型的效用函数来进行路径选择，部分方法会对乘客进行预先的分类，在设计不同的效用函数。然而以上方法往往基于设计者的主观思路，并不一定与客观现实相对应，仿真的拟真程度也会受到负面影响，阻止了城市轨道交通运营仿真系统的进一步推广及使用。
专利文献CN108536965A提供了一种城市轨道交通线路运营服务可靠性计算方法，涉及城轨列车运行控制技术领域，该方法根据列车运营仿真及列车运行图，确定延误列车数量及延误列车延误时间，从而计算列车正点可靠度；同时根据延误时间，确定线路运营输送能力协调度求解模型，计算线路运营输送能力协调度和乘客在列车内的立席密度；最后根据增益型加权融合模型，结合正点可靠度、线路运营输送能力协调度和立席密度，构建运营服务可靠性模型，计算运营服务可靠性。然而该专利以列车模拟为主，并未涉及乘客模拟，仿真模拟的程度仍然有提升的空间。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于人工智能的城市轨道交通运营仿真系统及方法。
根据本发明提供的一种基于人工智能的城市轨道交通运营仿真系统，包括：构建轨道交通线网模型模块：构建轨道交通线网模型，获取构建轨道交通线网模型信息；乘客分类模块：应用AFC数据进行乘客分类，并生成乘客智能体，获取乘客分类信息、乘客智能体信息；路径选择模块：应用历史客流数据进行路径选择，获取路径选择信息；输出仿真结果模块：根据构建轨道交通线网模型信息、乘客分类信息、乘客智能体信息以及路径选择信息，输出仿真结果信息。
优选地，构建轨道交通线网模型模块包括：生成智能体模型模块：通过现实轨道交通的网络结构，生成一个或者多个智能体模型；所述智能体模型能够独立运行。
优选地，生成智能体模型模块包括：依次生成智能体模型模块：通过现实轨道交通的网络结构，依次生成车站智能体模型、区间智能体模型、车辆智能体模型、乘客智能体模型；所述智能体模型能够与同类及非同类智能体进行频繁交互，调整自身行为，并以状态迁移的方式体现行为的变化；不同类智能体的特征参数种类和具备的行为模式不同，同类智能体之间通过特征参数取值进行区分。
优选地，乘客分类模块包括：乘客分类模块：根据乘客进出站信息，应用人工智能算法进行乘客分类，获取分类结果信息；获取多样化乘客建模模块：根据分类结果信息，将分类结果与乘客智能体相结合，通过调整乘客智能体特征参数，获取多样化的乘客建模，并能够固化在乘客智能体内部，在无AFC数据的场景下使用。
乘客进出站信息包括以下任一种或者任多种信息：-乘客进出站的位置信息；-乘客进出站的时间信息。人工智能算法通过分析乘客的OD、旅行时间等数据，进行乘客分类，所述人工智能算法具备自学习、无监督的特征；
优选地，路径选择模块包括：校正乘客路径选择结果模块：在同一真实客流数据场景下进行多次仿真，获取校正结果信息；以校正乘客路径选择结果进行乘客路径选择模块：根据校正结果信息，应用人工智能算法以校正乘客路径选择结果的方式进行乘客路径选择；所述人工智能算法具备自学习、数据驱动的特征。
根据本发明提供的一种基于人工智能的城市轨道交通运营仿真方法，包括：构建轨道交通线网模型步骤：构建轨道交通线网模型，获取构建轨道交通线网模型信息；乘客分类步骤：应用AFC数据进行乘客分类，并生成乘客智能体，获取乘客分类信息、乘客智能体信息；路径选择步骤：应用历史客流数据进行路径选择，获取路径选择信息；输出仿真结果步骤：根据构建轨道交通线网模型信息、乘客分类信息、乘客智能体信息以及路径选择信息，输出仿真结果信息。
优选地，构建轨道交通线网模型步骤包括：生成智能体模型步骤：通过现实轨道交通的网络结构，生成一个或者多个智能体模型；所述智能体模型能够独立运行。
优选地，生成智能体模型步骤包括：依次生成智能体模型步骤：通过现实轨道交通的网络结构，依次生成车站智能体模型、区间智能体模型、车辆智能体模型、乘客智能体模型；所述智能体模型能够与同类及非同类智能体进行频繁交互，调整自身行为，并以状态迁移的方式体现行为的变化；不同类智能体的特征参数种类和具备的行为模式不同，同类智能体之间通过特征参数取值进行区分。
优选地，乘客分类、生成乘客智能体步骤包括：乘客分类步骤：根据乘客进出站信息，应用人工智能算法进行乘客分类，获取分类结果信息；获取多样化乘客建模步骤：根据分类结果信息，将分类结果与乘客智能体相结合，通过调整乘客智能体特征参数，获取多样化的乘客建模；并能够固化在乘客智能体内部，在无AFC数据的场景下使用。乘客进出站信息包括以下任一种或者任多种信息：-乘客进出站的位置信息；-乘客进出站的时间信息，算法通过分析乘客的OD、旅行时间等数据，进行乘客分类，所述人工智能算法具备自学习、无监督的特征。
优选地，路径选择步骤包括：校正乘客路径选择结果步骤：在同一真实客流数据场景下进行多次仿真，获取校正结果信息；以校正乘客路径选择结果进行乘客路径选择步骤：根据校正结果信息，应用人工智能算法以校正乘客路径选择结果的方式进行乘客路径选择；所述人工智能算法具备自学习、数据驱动的特征；所述人工智能算法具备自学习、数据驱动的特征。
与现有技术相比，本发明具有如下的有益效果：
1、本发明为城市轨道交通运营管理人员提供一个高度拟真的仿真平台，使用者可以在该平台上进行运营策略的验证、历史事件的事后分析以及场景预测等，起到辅助决策的功能；
2、本发明应用场景广泛，适合的场景包括：突发事故处理演练、行车计划编制、大客流事件应对、新开线路验证等；
3、本发明利用人工智能算法提高了仿真模型的拟真程度，增加了运营仿真系统的使用效果，能够更好的起到辅助决策的功能。目前轨道交通运营管理过程缺乏类似的分析工具，本系统的推广能够解决这一问题，前景非常广阔。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的流程示意图。
图2为本发明所提供基于人工智能的城市轨道交通运营仿真系统的示意框图。
图3为本发明运营仿真系统的原理示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种基于人工智能的城市轨道交通运营仿真系统，包括：构建轨道交通线网模型模块：使用多智能体微观仿真技术构建轨道交通线网模型，获取构建轨道交通线网模型信息；乘客分类模块：应用AFC数据通过人工智能方案进行乘客分类，并生成乘客智能体，获取乘客分类、生成乘客智能体信息；路径选择模块：应用历史客流数据通过人工智能方案进行路径选择，使乘客行为更加符合实际结果，获取路径选择信息；输出仿真结果模块：根据构建轨道交通线网模型信息、乘客分类、生成乘客智能体信息、路径选择信息，输出仿真结果信息。
本发明要解决的技术问题，是提供一种基于人工智能方案的城市轨道交通运营仿真系统。该方案采用微观仿真框架和人工智能技术，解决了运营仿真模型中乘客的行为与现实场景进行精确匹配的问题。方案首先使用多智能微观仿真技术搭建轨道交通仿真模型；接着应用售检票系统的历史数据生成不同种类的乘客智能体；最后在仿真过程中，再应用人工智能方案读取历史客流数据，对乘客行为校正。整个仿真过程将以可视化的方式呈现出来。
具体地，在一个实施例中，一种基于人工智能的城市轨道交通运营仿真系统包括：微观仿真框架模块；基于人工智能的乘客分类模块；基于人工智能的乘客路径选择模块。
微观仿真框架模块：读取参数生成微观仿真框架，生成车站智能体模型、区间智能体模型、车辆智能体模型、以及乘客智能体模型等。各类智能体以现实场景的对象为原型提取特征参数抽象而来，每个智能体依照相应规则独立行动，并可与同类和不同类智能体交互，并影响自身行为。
基于人工智能的乘客分类模块：通过读取售检票系统提供给的历史数据，依据旅行事件、起止点等信息，对乘客进行无监督的分类。分类结果与乘客智能体相结合，通过参数调整的方式，生成符合现实场景的乘客智能体模型。
基于人工智能的乘客路径选择模块：方案在第一次仿真运行时赋予乘客智能体缺省路径，通过多次仿真，可以通过读取历史客流数据对乘客的路径进行校正，选择更加匹配现实结果的路径。校正后的乘客路径选择行为可以固化在乘客智能体内部，作为缺省路径供仿真模型使用。
本发明采用数据驱动的人工智能方案，在微观仿真框架上实现了智能化的乘客建模过程。首先通过参数管理系统读取外部数据生成轨道交通网络模型，其次利用分类结果建立乘客智能体，然后再利用路径选择方案生成匹配现实场景的乘客路径，最后输出仿真结果并进行初步的分析，供用户参考使用。
优选地，构建轨道交通线网模型模块包括：生成智能体模型模块：通过现实轨道交通的网络结构，生成一个或者多个智能体模型；所述智能体模型能够独立运行。
优选地，生成智能体模型模块包括：依次生成智能体模型模块：通过现实轨道交通的网络结构，依次生成车站智能体模型、区间智能体模型、车辆智能体模型、乘客智能体模型；所述智能体模型能够与同类及非同类智能体进行频繁交互，调整自身行为，并以状态迁移的方式体现行为的变化；不同类智能体的特征参数种类和具备的行为模式不同，同类智能体之间通过特征参数取值进行区分。
优选地，乘客分类模块包括：乘客分类模块：根据乘客进出站信息，应用人工智能方案进行乘客分类，获取分类结果信息；获取多样化乘客建模模块：根据分类结果信息，将分类结果与乘客智能体相结合，通过调整乘客智能体特征参数，获取多样化的乘客建模，并能够固化在乘客智能体内部，在无AFC数据的场景下使用。
乘客进出站信息包括以下任一种或者任多种信息：-乘客进出站的位置信息；-乘客进出站的时间信息。人工智能方案通过分析乘客的OD、旅行时间等数据，进行乘客分类，所述人工智能方案具备自学习、无监督的特征。
优选地，路径选择模块包括：校正乘客路径选择结果模块：在同一真实客流数据场景下进行多次仿真，获取校正结果信息；以校正乘客路径选择结果进行乘客路径选择模块：根据校正结果信息，应用人工智能方案以校正乘客路径选择结果的方式进行乘客路径选择。
具体地，在一个实施例中，校正乘客路径选择结果模块包括：首先方案会赋予乘客缺省路径，仿真结束后对比真实的客流指标，并逐步调整乘客的路径选择结果，使之更为符合真实数据。整个调整优化过程有方案独立实现。方案校正后的乘客路径选择结果可以固化在乘客智能体内部，作为路径选择的缺省值直接使用，以应对非真实数据或真实历史数据场景下的仿真。整个仿真过程将以可视化的方式呈现。
具体地，在一个实施例中，基于人工智能的城市轨道交通运营仿真系统，包括输入管理系统模块、线网仿真模型模块、乘客路径生成方案模块、乘客行为分析模块和仿真结果分析模块。系统运行过程中，输入管理系统首先会读取OD客流数据及仿真参数，并输入仿真模型；同时，乘客行为分析方案会读取自动售检票系统(AFC)数据，依据预先设置的特性对乘客进行分类，并将结果返回仿真模型；仿真模型启动前，乘客路径生成方案会根据每位模拟乘客的特性生成一套初始路径；模型启动后会模拟乘客、车辆、设施在轨道交通系统中的行为和交互过程，并以可视化的方式进行展示；仿真结束后，结果分析系统会对仿真过程进行定量的评价，给出相应的指标，同时乘客行为分析方案会根据相应指标对比真实结果的差异，自动调整初始路径方案，通过多次仿真，最终实现较高精度的模拟效果。其中，仿真模型基于多智能体微观仿真技术，能够实现对单个乘客、车辆或车站设施的模拟；乘客行为分析和乘客路径生成方案都基于具备自学习能力的人工智能方案，通过对真实客流数据反复分析计算，建立乘客智能体模型，并赋予智能体与真实乘客相似的行为模式，从而提高仿真的拟真程度。对比已有的城市轨道交通运营仿真系统，本方案采用了微观仿真的架构，较宏观仿真能够体现更多细节参数；同时在乘客行为分析和路径生成模块使用了数据驱动的人工智能方案，利用真实的历史客流数据，以结果反推过程，还原了现实中城轨系统的运营细节，并将结果固化在乘客智能体中，无论是采用真实客流数据还是虚拟客流数据，都会大大提高仿真效果的可靠性。
根据本发明提供的一种基于人工智能的城市轨道交通运营仿真方法，包括：构建轨道交通线网模型步骤：使用多智能体微观仿真技术构建轨道交通线网模型，获取构建轨道交通线网模型信息；乘客分类步骤：应用AFC数据通过人工智能算法进行乘客分类，并生成乘客智能体，获取乘客分类信息、乘客智能体信息；路径选择步骤：应用历史客流数据通过人工智能算法进行路径选择，使乘客行为更加符合实际结果，获取路径选择信息；输出仿真结果步骤：根据构建轨道交通线网模型信息、乘客分类信息、乘客智能体信息、路径选择信息，输出仿真结果信息。
优选地，构建轨道交通线网模型步骤包括：生成智能体模型步骤：通过现实轨道交通的网络结构，生成一个或者多个智能体模型；所述智能体模型能够独立运行。
优选地，生成智能体模型步骤包括：依次生成智能体模型步骤：通过现实轨道交通的网络结构，依次生成车站智能体模型、区间智能体模型、车辆智能体模型、乘客智能体模型；所述智能体模型能够与同类及非同类智能体进行频繁交互，调整自身行为，并以状态迁移的方式体现行为的变化；不同类智能体的特征参数种类和具备的行为模式不同，同类智能体之间通过特征参数取值进行区分。
优选地，乘客分类、生成乘客智能体步骤包括：乘客分类步骤：根据乘客进出站信息，应用人工智能算法进行乘客分类，获取分类结果信息；获取多样化乘客建模步骤：根据分类结果信息，将分类结果与乘客智能体相结合，通过调整乘客智能体特征参数，获取多样化的乘客建模；并能够固化在乘客智能体内部，在无AFC数据的场景下使用。
乘客进出站信息包括以下任一种或者任多种信息：-乘客进出站的位置信息；-乘客进出站的时间信息，算法通过分析乘客的OD、旅行时间等数据，进行乘客分类，所述人工智能算法具备自学习、无监督的特征；
优选地，路径选择步骤包括：校正乘客路径选择结果步骤：在同一真实客流数据场景下进行多次仿真，获取校正结果信息；以校正乘客路径选择结果进行乘客路径选择步骤：根据校正结果信息，应用人工智能算法以校正乘客路径选择结果的方式进行乘客路径选择；所述人工智能算法具备自学习、数据驱动的特征。
具体地，在一个实施例中，校正乘客路径选择结果步骤包括：首先算法会赋予乘客缺省路径，仿真结束后对比真实的客流指标，并逐步调整乘客的路径选择结果，使之更为符合真实数据。整个调整优化过程有算法独立实现。算法校正后的乘客路径选择结果可以固化在乘客智能体内部，作为路径选择的缺省值直接使用，以应对非真实数据或真实历史数据场景下的仿真。整个仿真过程将以可视化的方式呈现。
具体地，在一个实施例中，基于人工智能的城市轨道交通运营仿真方法，包括输入管理系统、线网仿真模型、乘客路径生成算法、乘客行为分析算法和仿真结果分析系统。系统运行过程中，输入管理系统首先会读取OD客流数据及仿真参数，并输入仿真模型；同时，乘客行为分析算法会读取自动售检票系统(AFC)数据，依据预先设置的特性对乘客进行分类，并将结果返回仿真模型；仿真模型启动前，乘客路径生成算法会根据每位模拟乘客的特性生成一套初始路径；模型启动后会模拟乘客、车辆、设施在轨道交通系统中的行为和交互过程，并以可视化的方式进行展示；仿真结束后，结果分析系统会对仿真过程进行定量的评价，给出相应的指标，同时乘客行为分析算法会根据相应指标对比真实结果的差异，自动调整初始路径方案，通过多次仿真，最终实现较高精度的模拟效果。其中，仿真模型基于多智能体微观仿真技术，能够实现对单个乘客、车辆或车站设施的模拟；乘客行为分析和乘客路径生成算法都基于具备自学习能力的人工智能算法，通过对真实客流数据反复分析计算，建立乘客智能体模型，并赋予智能体与真实乘客相似的行为模式，从而提高仿真的拟真程度。对比已有的城市轨道交通运营仿真系统，本方案采用了微观仿真的架构，较宏观仿真能够体现更多细节参数；同时在乘客行为分析和路径生成模块使用了数据驱动的人工智能算法，利用真实的历史客流数据，以结果反推过程，还原了现实中城轨系统的运营细节，并将结果固化在乘客智能体中，无论是采用真实客流数据还是虚拟客流数据，都会大大提高仿真效果的可靠性。
本发明应用多智能体及人工智能技术，提出一种数据驱动乘客智能体模型生成方法，并运用在城市轨道交通模型中。架构上，采用多智能体微观仿真方法，以体现更多运用细节为目的。算法上，利用人工智能技术构建乘客智能体，首先采用分类算法对乘客特性进行归纳总结，以模拟不同需求和个性的乘客；其次利用自学习算法生成乘客路径，并在仿真过程中利用真实客流数据进行校正，以达到更好的仿真效果。最终，仿真运行过程和评价指标都会以可视化的仿真进行展示，帮助城市轨道交通运用人员制定运营策略，如确定列车开行计划，车站人流引导策略等。
本发明为城市轨道交通运营管理人员提供一个高度拟真的仿真平台，使用者可以在该平台上进行运营策略的验证、历史事件的事后分析以及场景预测等，起到辅助决策的功能；本发明应用场景广泛，适合的场景包括：突发事故处理演练、行车计划编制、大客流事件应对、新开线路验证等；本发明利用人工智能算法提高了仿真模型的拟真程度，增加了运营仿真系统的使用效果，能够更好的起到辅助决策的功能。目前轨道交通运营管理过程缺乏类似的分析工具，本系统的推广能够解决这一问题，前景非常广阔。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于人工智能的城市轨道交通运营仿真系统，其特征在于，包括：
构建轨道交通线网模型模块：构建轨道交通线网模型，获取构建轨道交通线网模型信息；
乘客分类模块：应用AFC数据进行乘客分类，并生成乘客智能体，获取乘客分类信息、乘客智能体信息；
路径选择模块：应用历史客流数据进行路径选择，获取路径选择信息；
输出仿真结果模块：根据构建轨道交通线网模型信息、乘客分类信息、乘客智能体信息以及路径选择信息，输出仿真结果信息。
2.根据权利要求1所述的基于人工智能的城市轨道交通运营仿真系统，其特征在于，构建轨道交通线网模型模块包括：
生成智能体模型模块：通过现实轨道交通的网络结构，生成一个或者多个智能体模型；
所述智能体模型能够独立运行。
3.根据权利要求2所述的基于人工智能的城市轨道交通运营仿真系统，其特征在于，生成智能体模型模块包括：
依次生成智能体模型模块：通过现实轨道交通的网络结构，依次生成车站智能体模型、区间智能体模型、车辆智能体模型、乘客智能体模型这几类智能体模型；
所述智能体模型能够与同类及非同类智能体进行交互，调整自身行为，并以状态迁移的方式体现行为的变化；
不同类智能体的特征参数种类和具备的行为模式不同，同类智能体之间通过特征参数取值进行区分。
4.根据权利要求1所述的基于人工智能的城市轨道交通运营仿真系统，其特征在于，乘客分类模块包括：
乘客分类模块：根据乘客进出站信息，进行乘客分类，获取分类结果信息；
获取多样化乘客建模模块：根据分类结果信息，将分类结果与乘客智能体相结合，通过调整乘客智能体特征参数，获取多样化的乘客建模；
乘客进出站信息包括以下任一种或者任多种信息：
-乘客进出站的位置信息；
-乘客进出站的时间信息。
5.根据权利要求1所述的基于人工智能的城市轨道交通运营仿真系统，其特征在于，路径选择模块包括：
校正乘客路径选择结果模块：在同一真实客流数据场景下进行多次仿真，获取校正结果信息；
以校正乘客路径选择结果进行乘客路径选择模块：根据校正结果信息，以校正乘客路径选择结果的方式进行乘客路径选择。
6.一种基于人工智能的城市轨道交通运营仿真方法，其特征在于，包括：
构建轨道交通线网模型步骤：构建轨道交通线网模型，获取构建轨道交通线网模型信息；
乘客分类步骤：应用AFC数据进行乘客分类，并生成乘客智能体，获取乘客分类信息、乘客智能体信息；
路径选择步骤：应用历史客流数据进行路径选择，获取路径选择信息；
输出仿真结果步骤：根据构建轨道交通线网模型信息、乘客分类信息、乘客智能体信息以及路径选择信息，输出仿真结果信息。
7.根据权利要求6所述的基于人工智能的城市轨道交通运营仿真方法，其特征在于，构建轨道交通线网模型步骤包括：
生成智能体模型步骤：通过现实轨道交通的网络结构，生成一个或者多个智能体模型；
所述智能体模型能够独立运行。
8.根据权利要求7所述的基于人工智能的城市轨道交通运营仿真方法，其特征在于，生成智能体模型步骤包括：
依次生成智能体模型步骤：通过现实轨道交通的网络结构，依次生成车站智能体模型、区间智能体模型、车辆智能体模型、乘客智能体模型这几类智能体模型；
所述智能体模型能够与同类及非同类智能体进行交互，调整自身行为，并以状态迁移的方式体现行为的变化；
不同类智能体的特征参数种类和具备的行为模式不同，同类智能体之间通过特征参数取值进行区分。
9.根据权利要求6所述的基于人工智能的城市轨道交通运营仿真方法，其特征在于，乘客分类、生成乘客智能体步骤包括：
乘客分类步骤：根据乘客进出站信息，进行乘客分类，获取分类结果信息；
获取多样化乘客建模步骤：根据分类结果信息，将分类结果与乘客智能体相结合，通过调整乘客智能体特征参数，获取多样化的乘客建模；
乘客进出站信息包括以下任一种或者任多种信息：
-乘客进出站的位置信息；
-乘客进出站的时间信息。
10.根据权利要求6所述的基于人工智能的城市轨道交通运营仿真方法，其特征在于，路径选择步骤包括：
校正乘客路径选择结果步骤：在同一真实客流数据场景下进行多次仿真，获取校正结果信息；
以校正乘客路径选择结果进行乘客路径选择步骤：根据校正结果信息，以校正乘客路径选择结果的方式进行乘客路径选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910773966.1A CN112418574A (zh) | 2019-08-21 | 2019-08-21 | 基于人工智能的城市轨道交通运营仿真系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910773966.1A CN112418574A (zh) | 2019-08-21 | 2019-08-21 | 基于人工智能的城市轨道交通运营仿真系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112418574A true CN112418574A (zh) | 2021-02-26 |
Family
ID=74779718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910773966.1A Pending CN112418574A (zh) | 2019-08-21 | 2019-08-21 | 基于人工智能的城市轨道交通运营仿真系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418574A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949081A (zh) * | 2021-03-22 | 2021-06-11 | 中铁信(北京)网络技术研究院有限公司 | 一种轨道交通路网应急救援策略仿真与评估系统 |
| CN115203982A (zh) * | 2022-09-14 | 2022-10-18 | 环球数科集团有限公司 | 一种用于公交车辆智能运行的并行计算方法和仿真系统 |
| CN116702520A (zh) * | 2023-08-07 | 2023-09-05 | 北京交通发展研究院 | 一种乘客的轨道交通出行情况仿真方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927591A (zh) * | 2014-03-24 | 2014-07-16 | 北京交通大学 | 一种城市轨道交通应急疏散优化方法及系统 |
| CN104616076A (zh) * | 2015-01-30 | 2015-05-13 | 北京交通大学 | 一种城市轨道交通多线协同运营方案的优化方法及系统 |
| CN105224999A (zh) * | 2015-09-10 | 2016-01-06 | 北京市交通信息中心 | 基于afc数据的城市轨道交通实时客流预测方法及系统 |
| CN107273999A (zh) * | 2017-04-27 | 2017-10-20 | 北京交通大学 | 一种突发事件下城市轨道交通客流预测方法 |
| CN109409560A (zh) * | 2018-08-16 | 2019-03-01 | 北京交通大学 | 基于多智能体仿真的城市轨道交通客流诱导方法 |
-
2019
- 2019-08-21 CN CN201910773966.1A patent/CN112418574A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927591A (zh) * | 2014-03-24 | 2014-07-16 | 北京交通大学 | 一种城市轨道交通应急疏散优化方法及系统 |
| CN104616076A (zh) * | 2015-01-30 | 2015-05-13 | 北京交通大学 | 一种城市轨道交通多线协同运营方案的优化方法及系统 |
| CN105224999A (zh) * | 2015-09-10 | 2016-01-06 | 北京市交通信息中心 | 基于afc数据的城市轨道交通实时客流预测方法及系统 |
| CN107273999A (zh) * | 2017-04-27 | 2017-10-20 | 北京交通大学 | 一种突发事件下城市轨道交通客流预测方法 |
| CN109409560A (zh) * | 2018-08-16 | 2019-03-01 | 北京交通大学 | 基于多智能体仿真的城市轨道交通客流诱导方法 |
Non-Patent Citations (2)
| Title |
|---|
| 姚向明;赵鹏;乔珂;: "城市轨道交通网络客流分布仿真模型研究", 交通运输系统工程与信息, no. 06, pages 52 - 59 * |
| 董皓;康会峰;廖琦;李璇;: "基于多智能体的城市轨道交通列车延误仿真模型及应用", 都市快轨交通, no. 03, pages 42 - 46 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949081A (zh) * | 2021-03-22 | 2021-06-11 | 中铁信(北京)网络技术研究院有限公司 | 一种轨道交通路网应急救援策略仿真与评估系统 |
| CN112949081B (zh) * | 2021-03-22 | 2024-03-22 | 中铁信(北京)网络技术研究院有限公司 | 一种轨道交通路网应急救援策略仿真与评估系统 |
| CN115203982A (zh) * | 2022-09-14 | 2022-10-18 | 环球数科集团有限公司 | 一种用于公交车辆智能运行的并行计算方法和仿真系统 |
| CN116702520A (zh) * | 2023-08-07 | 2023-09-05 | 北京交通发展研究院 | 一种乘客的轨道交通出行情况仿真方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110795818B (zh) | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 | |
| CN111814308B (zh) | 一种面向自动驾驶系统的加速测试系统 | |
| Ali et al. | CLACD: A complete LAne-Changing decision modeling framework for the connected and traditional environments | |
| CN112418574A (zh) | 基于人工智能的城市轨道交通运营仿真系统及方法 | |
| CN103593535A (zh) | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 | |
| CN106846818B (zh) | 基于Simulink仿真的路网动态交通流预测方法 | |
| CN111667092A (zh) | 基于图卷积神经网络的轨道交通短时客流预测方法和系统 | |
| CN110162003B (zh) | 一种行车主动服务系统测试验证平台及其测试方法 | |
| Mahut et al. | Calibration and application of a simulation-based dynamic traffic assignment model | |
| Volodarets et al. | Optimization of vehicle operating conditions by using simulation modeling software | |
| List et al. | A modular colored stochastic petri net for modeling and analysis of signalized intersections | |
| Guerrero-Ibanez et al. | A policy-based multi-agent management approach for intelligent traffic-light control | |
| Miletić et al. | Comparison of two approaches for preemptive traffic light control | |
| Postorino et al. | Agents meet traffic simulation, control and management: A review of selected recent contributions | |
| CN114462233A (zh) | 微观交通仿真方法、计算机装置和存储介质 | |
| CN114692419A (zh) | 一种城市轨道交通系统数字孪生建模方法及其系统 | |
| Medrano-Berumen et al. | Development of a validation regime for an autonomous campus shuttle | |
| Rahbari | Help the genetic algorithm to minimize the urban traffic on intersections | |
| CN114495486B (zh) | 一种基于层次强化学习的微观交通流预测系统及方法 | |
| Nüñez et al. | Simulating railway and metropolitan rail networks: From planning to on-line control | |
| Che et al. | An open vehicle-in-the-loop test method for autonomous vehicle | |
| CN113343422A (zh) | 轨道交通运行仿真方法及系统 | |
| Hanzl et al. | Simulation of Autonomous Mobility of Connected Vehicles in the Context of Real Conditions–a Case Study | |
| Pariota et al. | Motivating the need for an integrated software architecture for connected and automated vehicles technologies development and testing | |
| Barbeito | In-depth behavior modeling of transportation networks: Description and preliminary results of a subway network model |
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 |