CN112749862A - 基于客流分级的地铁自适应调度方法和电子设备 - Google Patents
基于客流分级的地铁自适应调度方法和电子设备 Download PDFInfo
- Publication number
- CN112749862A CN112749862A CN201911053367.9A CN201911053367A CN112749862A CN 112749862 A CN112749862 A CN 112749862A CN 201911053367 A CN201911053367 A CN 201911053367A CN 112749862 A CN112749862 A CN 112749862A
- Authority
- CN
- China
- Prior art keywords
- subway
- passenger flow
- adaptive scheduling
- flow classification
- method based
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000003044 adaptive effect Effects 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 19
- 238000012502 risk assessment Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 7
- 238000013210 evaluation model Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000035605 chemotaxis Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G06Q50/40—
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于客流分级的地铁自适应调度方法和电子设备，其特征在于，包括：根据地铁地面运维系统数据，得到数据集；训练所述数据集得到客流分级系统，并输出客流分级结果；根据所述客流分级结果，利用风险评估方法，建立地铁自适应调度模型；根据实时地铁地面运维系统数据、所述客流分级系统和所述地铁自适应调度模型，得到发车间隔时间；依据所述发车间隔时间进行地铁车辆调度。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于客流分级的地铁自适应调度方法和电子设备。
背景技术
现行地铁发车间隔是根据每日客流高峰时刻和普通时刻进行固定间隔发车，缺乏灵活性，客流高峰时形成客流拥堵，客流低谷时形成运力浪费。
发明内容
有鉴于此，本发明的目的在于提出一种合理安排运力，疏导客流的地铁自适应调度方法和电子设备。
基于上述目的，本发明提供了一种基于客流分级的地铁自适应调度方法，其特征在于，包括：
根据地铁地面运维系统数据，得到数据集；
训练所述数据集得到客流分级系统，并输出客流分级结果；
根据所述客流分级结果，利用风险评估方法，建立地铁自适应调度模型；
根据实时地铁地面运维系统数据、所述客流分级系统和所述地铁自适应调度模型，得到发车间隔时间；
依据所述发车间隔时间进行地铁车辆调度。
在一些实施方式中，所述风险评估方法为贝叶斯风险评估方法。
在一些实施方式中，所述地铁地面运维系统数据包括：
地铁列车的载荷L、所述地铁列车所在的站台区间i。
在一些实施方式中，所述处理地铁地面运维系统数据包括：
对所述载荷L进行归一化处理：
其中，w0和w1为消除采集误差的常数，Lmax为所述地铁列车的最大载荷。
在一些实施方式中，所述w0和所述w1在[0.01，0.99]中取值。
在一些实施方式中，所述数据集包括：
X＝[Lnorm-1 Lnorm-2 … Lnorm-n t]，其中，X表示所述地铁列车的状态的特征集，n表示n个站台区间，t表示发车间隔时间。
在一些实施方式中，所述训练所述数据集包括：
使用Kmeans++算法对所述数据集进行训练，得到m个聚类中心。
在一些实施方式中，所述使用所述客流分级系统进行客流分级包括：
获取过去T时段的客流特征；
将所述客流特征与所述聚类中心进行距离比较，得到比较结果；
依据所述比较结果进行客流分级。
在一些实施方式中，所述T时段的选择根据线路客流的波动强度进行设定。
另一方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至9任意一项所述的方法。
从上面所述可以看出，本发明提供的一种基于客流分级的地铁自适应调度方法根据地铁地面运维数据采用Kmeans++进行线路客流分级系统的制定，通过机器学习方法提升了线路运能的利用率，降低了运力浪费，提高了铁路随客流调度的灵敏性，降低了地铁客流拥塞的概率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的一种基于客流分级的地铁自适应调度方法流程图；
图2为本发明一个实施例的一种基于客流分级的地铁自适应调度方法逻辑框架图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
需要说明的是，本发明实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
地铁作为世界各大城市主力交通工具之一，承担着大中型城市公共交通的重要职责。全世界已有200多个城市开通地铁运行，对应中国，目前也已经存在38个大中城市开通地铁运行，其中北京、上海、广州、深圳分别已经开通运行22、17、13、8条地铁线路，北京、上海、广州等地铁线路日均客流均已超过千万，随着线路的建设和地铁使用人群的增加，对应的地铁发车调度压力也在日益增长。当前的地铁调度是按时间段，对应不同时间段按照固定发车间隔进行发车，对线路实时客流灵敏度较低，客流高峰时形成客流拥堵，客流低谷时形成运力浪费，合理的调度计划可减少地铁客流运力浪费，降低地铁运行的耗能。
由于地铁的客流随日内时间分为高峰和平峰时刻，且节假日等因素也会造成客流分布差异，因此地铁的调度对客流的疏导起着重要作用，最合理的调度计划应该是基于实时客流，在一定的发车频率区间内按客流进行车辆发车间隔调整。为了实现评估线路客流，以进行车辆发车间隔的自适应调整，本发明提出的基于预测客流的地铁自适应调度方法和电子设备首先对地铁地面运维系统中的历史数据进行训练，基于Kmeans++算法建立客流分级系统，并利用Bayes贝叶斯风险评估方法建立不同客流分级结果与发车间隔的关系模型，结合线路车辆调度的配置，通过优化模型进行实时最优发车间隔的制定。本发明对地铁车辆的发车进行有效控制，一方面提升客流高峰时刻的应变能力，另一方面减少客流低谷时的运力浪费，兼顾运力和节能两方面的要求，同时可以对地铁线路的车辆调度进行智能化引导，提升调度的智能化程度。
下面结合图1为本发明一个实施例的一种基于客流分级的地铁自适应调度方法流程图、图2为本发明一个实施例的一种基于客流分级的地铁自适应调度方法逻辑框架图对本发明做进一步说明。本发明提供的一种基于客流分级的地铁自适应调度方法，其特征在于，包括：
S1：根据地铁地面运维系统数据，得到数据集；
地铁地面运维系统中的客流量分析运算单元能实现站点信息、列车进站信息、列车在每站点每车门上下客流数等信息准确对应和综合运算，对每列列车各车门上、下客进行实时计算，得出列车离站时所承载的总客流量，即载荷L和所述地铁列车所在的站台区间i，将获得的不同类型数据存储至数据库，作为不同类型的实时估计基础指标。考虑数据上传过程的延时性和不完整性，可对获得的多种数据进行质量分析，例如，滤除信息不完整数据和明显异常数据等。
在多指标评价体系中，由于各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。在数据分析之前，通常需要先将数据标准化(normalization)，利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。归一化可以让不同维度之间的特征在数值上有一定比较性，可以大大提高分类器的准确性。一方面，归一化可以提升模型的收敛速度；另一方面，当涉及到距离计算的算法时，取值范围比较小就会造成精度的损失，而归一化可以显著提高精度。
因此，已知单车可承受最大载荷Lmax，对地铁列车的载荷L进行如下归一化处理：
其中w0和w1是取值范围为[0.01，0.99]的常数，w0偏向0.01，w1偏向0.99，具体取值可根据归一化效果的需求取最优，主要为了消除载荷采集过程中的误差。
经上述处理后，定义取T分钟时间段内经过站台的地铁列车的状态的特征集为X＝[Lnorm-1 Lnorm-2 … Lnorm-n t],其中下标从1到n表示线路上n个站台区间，t表示T分钟时间段内经过站台的地铁列车的发车间隔时间。
S2：训练所述数据集得到客流分级系统，并输出客流分级结果；
聚类算法是机器学习中涉及对数据进行分组的一种算法。在给定的数据集中，可以通过聚类算法将其分成一些不同的组。在理论上，相同的组的数据之间有相同的属性或者是特征，不同组数据之间的属性或者特征相差就会比较大。聚类算法是一种非监督学习算法，并且作为一种常用的数据分析算法在很多领域上得到应用。在数据科学领域利用聚类分析，通过将数据分组可以比较清晰的获取到数据信息，其具有速度快，计算简便等优点。
K-means聚类算法作为经典聚类算法之一在工业级数据处理中被广泛应用，其原理容易理解且实现代码简单。原始K-means算法最开始随机选取数据集中K个点作为聚类中心，而K-means++按照如下的思想选取K个聚类中心：假设已经选取了n个初始聚类中心(0<n<K)，则在选取第n+1个聚类中心时：距离当前n个聚类中心越远的点会有更高的概率被选为第n+1个聚类中心。在选取第一个聚类中心(n＝1)时同样通过随机的方法。
k个初始化的质心的位置选择对最后的聚类结果和运行时间都有很大的影响，因此需要选择合适的k个质心。如果仅仅是完全随机的选择，有可能导致算法收敛很慢。K-Means++算法就是对K-Means随机初始化质心的方法的优化。
因此本发明使用Kmeans++算法对地铁列车的状态的特征集X＝[Lnorm-1 Lnorm-2 …Lnorm-n t]进行训练，产生m个聚类中心，分别记为O1，O2，…，Om，每个聚类中心对应一个客流级别。
S3：根据所述客流分级结果，利用风险评估方法，建立地铁自适应调度模型；
贝叶斯估计(Bayesian estimation)是利用贝叶斯定理结合新的证据及以前的先验概率，来得到新的概率。它提供了一种计算假设概率的方法，基于假设的先验概率、给定假设下观察到不同数据的概率以及观察到的数据本身。贝叶斯估计将后验概率(考虑相关证据或数据后，某一事件的条件机率)推导为二个前、先验概率(考虑相关证据或数据前，某一事件不确定性的机率)及似然函数(由概率模型推导而得)的结果。贝叶斯推断根据贝叶斯定理计算后验概率。贝叶斯估计在人工智能及专家系统上被应用广泛，自1950年代后期开始，贝叶斯估计技巧就是电脑模式识别技术中的基础。现在也越来越多将贝叶斯估计和以模拟为基础的蒙地卡罗方法合并使用的应用，因为一些模杂的模型无法用贝叶斯分析得到解析解，因图模式结构可以配合一些快速的模拟方式(例如吉布斯抽样或是其他Metropolis–Hastings算法)。
因此本发明采用贝叶树风险评估方法对地铁列车的状态的特征集X＝[Lnorm-1Lnorm-2 … Lnorm-n t]，以t为目标变量，建立基于聚类中心与发车间隔时间关系的Bayes贝叶斯评估模型，记为BM；
S4：根据实时地铁地面运维系统数据、所述客流分级系统和所述地铁自适应调度模型，得到发车间隔时间；
根据地铁地面运维系统实时数据，获取T分钟时段内线路客流的特征，T的选择可以根据线路客流的波动强度进行设定，XT＝[Lnorm-1,Lnorm-2,…,Lnorm-n]；将X与S2中的聚类中心进行距离比较，确定线路的客流级别；将该客流级别导入BM，得到对应的发车间隔时间TN。
S5：依据所述发车间隔时间进行地铁车辆调度。
根据S4得到的发车间隔时间TN，进行地铁列车的调度。
作为本发明一个更具体的实施例，本发明主要是针对城市轨道交通客流管控问题，将行车监控、客流推演、客流分级、时间规划、车辆调度管控相结合，并结合乘客有限理性提出了一种基于客流分级的地铁自适应调度方法。以北京任一条地铁线路为例，在地铁地面运维系统数据中抓取部分早高峰历史数据，选取其中对应早高峰的最大值和最小值；将对应早高峰的最大值对应的站点和对应早高峰的最小值对应的站点之间的区间作为所述早高峰下行拥挤区间。同理，在地铁地面运维系统数据中抓取部分晚高峰历史数据，选取其中对应晚高峰的最大值和最小值，得出这两个高峰时段内任一时间段内列车离站时所承载的总客流量，即载荷L和所述地铁列车所在的站台区间i，并对地铁列车的载荷进行归一化处理，已知单车可承受最大载荷Lmax：
其，为了消除载荷采集过程中的误差，w0和w1是取值范围为[0.01，0.99]的常数，w0偏向0.01，w1偏向0.99，具体取值可根据归一化效果的需求取最优。
经上述处理后，定义取T分钟时间段内经过站台的地铁列车的状态的特征集为X＝[Lnorm-1 Lorm-2 … Lnorm-n t],其中下标从1到n表示线路上n个站台区间，t表示T分钟时间段内经过站台的地铁列车的发车间隔时间。
使用Kmeans++算法对地铁列车的状态的特征集X＝[Lnorm-1 Lorm-2 … Lnorm-n t]进行训练，产生m个聚类中心，分别记为O1，O2，…，Om，每个聚类中心对应一种客流级别。
采用贝叶树风险评估方法对地铁列车的状态的特征集X＝[Lnorm-1 Lorm-2 … Lnorm-nt]，以t为目标变量，建立基于聚类中心与发车间隔时间关系的Bayes贝叶斯评估模型，记为BM；
根据地铁地面运维系统实时数据，获取T分钟时段内线路客流的特征，T的选择可以根据线路客流的波动强度进行设定，XT＝[Lnorm-1,Lnorm-2,…,Lnorm-n]；将X与聚类中心O1，O2，…，Om进行距离比较，确定线路的客流级别；将该客流级别导入Bayes贝叶斯评估模型，得到对应的发车间隔时间TN。根据得到的发车间隔时间TN，结合北京城市轨道交通运营管理的相关规定，提出该目标线路工作日的运营时段划分方案，因为目标线路上行方向首班发车时间为06:00，末班发车时间为23:00准点发车，且全程运行时长达58min，线路全天实际运营时间为06:00～23:58，所以该目标线路的实际运营时段划分包含了时段6：00～24：00。在此运营时段划分方案中，运营日全天被划分为8个时间间隔不等的运营时段。第一类时间间隔为40min，第二和第三类均为60min，第四类为400min，第五和第六类均为160min，第七类为120min，第八类为80min。可知处于8：40～15：20这一运营时段的客流分布规律延续时间较长，具有出行分布较为密集的特点。每个运营时段内的客流分布转移规律较为统一，而不同运营时段之间则体现较大差异。基于此，轨道交通运营管理部门可根据各运营时段的实际客流情况，选取各自时段内的合理发车间隔，构建目标线路的全日分时段等间隔发车方案并制定相应的列车开行计划。需要注意的是，有效发车时间段为运营时段06:00～23:00，相较实际运营时间少了约一小时。因此，本方案划分的最后一个运营时段的有效发车时间仅为22:40～23:00，与方案划分的运营时段并不完全重合。
另一方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述实施例1至9任意一项所述的方法。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于客流分级的地铁自适应调度方法，其特征在于，包括：
根据地铁地面运维系统数据，得到数据集；
训练所述数据集得到客流分级系统，并输出客流分级结果；
根据所述客流分级结果，利用风险评估方法，建立地铁自适应调度模型；
根据实时地铁地面运维系统数据、所述客流分级系统和所述地铁自适应调度模型，得到发车间隔时间；
依据所述发车间隔时间进行地铁车辆调度。
2.根据权利要求1所述的基于客流分级的地铁自适应调度方法，其特征在于，所述风险评估方法为贝叶斯风险评估方法。
3.根据权利要求1所述的基于客流分级的地铁自适应调度方法，其特征在于，所述地铁地面运维系统数据包括：
地铁列车的载荷L、所述地铁列车所在的站台区间i。
4.根据权利要求3所述的基于客流分级的地铁自适应调度方法，其特征在于，所述处理地铁地面运维系统数据包括：
对所述载荷L进行归一化处理：
其中，w0和w1为消除采集误差的常数，Lmax为所述地铁列车的最大载荷。
5.根据权利要求4所述的基于客流分级的地铁自适应调度方法，其特征在于，所述w0和所述w1在[0.01，0.99]中取值。
6.根据权利要求5所述的基于客流分级的地铁自适应调度方法，其特征在于，所述数据集包括：
X＝[Lnorm-1 Lnorm-2 … Lnorm-n t]，其中，X表示所述地铁列车的状态的特征集，n表示n个站台区间，t表示发车间隔时间。
7.根据权利要求6所述的基于客流分级的地铁自适应调度方法，其特征在于，所述训练所述数据集包括：
使用Kmeans++算法对所述数据集进行训练，得到m个聚类中心。
8.根据权利要求7所述的基于客流分级的地铁自适应调度方法，其特征在于，所述使用所述客流分级系统进行客流分级包括：
获取过去T时段的客流特征；
将所述客流特征与所述聚类中心进行距离比较，得到比较结果；
依据所述比较结果进行客流分级。
9.根据权利要求8所述的基于客流分级的地铁自适应调度方法，其特征在于，所述T时段的选择根据线路客流的波动强度进行设定。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至9任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911053367.9A CN112749862A (zh) | 2019-10-31 | 2019-10-31 | 基于客流分级的地铁自适应调度方法和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911053367.9A CN112749862A (zh) | 2019-10-31 | 2019-10-31 | 基于客流分级的地铁自适应调度方法和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112749862A true CN112749862A (zh) | 2021-05-04 |
Family
ID=75645074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911053367.9A Pending CN112749862A (zh) | 2019-10-31 | 2019-10-31 | 基于客流分级的地铁自适应调度方法和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112749862A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198648A (zh) * | 2013-03-26 | 2013-07-10 | 成都希盟科技有限公司 | 用于公交系统的自适应调度方法 |
| CN104200286A (zh) * | 2014-09-10 | 2014-12-10 | 东南大学 | 一种城市轨道交通时刻表优化技术应用框架 |
| CN104573849A (zh) * | 2014-12-12 | 2015-04-29 | 安徽富煌和利时科技股份有限公司 | 基于arima模型预测客流的公交调度优化方法 |
| CN105488751A (zh) * | 2015-06-12 | 2016-04-13 | 青岛智能产业技术研究院 | 一种地铁站客流微观统计与调度方法 |
| CN106779429A (zh) * | 2016-12-25 | 2017-05-31 | 北京工业大学 | 基于afc刷卡数据的轨道换乘站点客流拥塞风险评价方法 |
| CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
| CN107248280A (zh) * | 2017-08-07 | 2017-10-13 | 江苏南大苏富特智能交通科技有限公司 | 一种基于实时客流预测的公交车发车调度方法 |
-
2019
- 2019-10-31 CN CN201911053367.9A patent/CN112749862A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198648A (zh) * | 2013-03-26 | 2013-07-10 | 成都希盟科技有限公司 | 用于公交系统的自适应调度方法 |
| CN104200286A (zh) * | 2014-09-10 | 2014-12-10 | 东南大学 | 一种城市轨道交通时刻表优化技术应用框架 |
| CN104573849A (zh) * | 2014-12-12 | 2015-04-29 | 安徽富煌和利时科技股份有限公司 | 基于arima模型预测客流的公交调度优化方法 |
| CN105488751A (zh) * | 2015-06-12 | 2016-04-13 | 青岛智能产业技术研究院 | 一种地铁站客流微观统计与调度方法 |
| CN106779429A (zh) * | 2016-12-25 | 2017-05-31 | 北京工业大学 | 基于afc刷卡数据的轨道换乘站点客流拥塞风险评价方法 |
| CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
| CN107248280A (zh) * | 2017-08-07 | 2017-10-13 | 江苏南大苏富特智能交通科技有限公司 | 一种基于实时客流预测的公交车发车调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘兰芬;杨信丰;: "地铁客流分析及列车发车间隔优化研究", 武汉理工大学学报(交通科学与工程版), no. 06, pages 1120 - 1122 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A novel passenger flow prediction model using deep learning methods | |
| CN107610464B (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
| CN101216998B (zh) | 基于模糊粗糙集的证据理论城市交通流信息融合方法 | |
| Shang et al. | An imputation method for missing traffic data based on FCM optimized by PSO-SVR | |
| Ren et al. | TBSM: A traffic burst-sensitive model for short-term prediction under special events | |
| Shang et al. | Short-term load forecasting based on PSO-KFCM daily load curve clustering and CNN-LSTM model | |
| Majidpour et al. | Modified pattern sequence-based forecasting for electric vehicle charging stations | |
| CN107845260B (zh) | 一种用户公交出行方式的识别方法 | |
| CN112270355A (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
| CN110348601A (zh) | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 | |
| CN113051811B (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
| CN112613542A (zh) | 一种基于双向lstm的企业除污设备负荷辨识方法 | |
| Zapranis et al. | Identification of the head-and-shoulders technical analysis pattern with neural networks | |
| CN112749862A (zh) | 基于客流分级的地铁自适应调度方法和电子设备 | |
| Wang et al. | Dynamic traffic prediction based on traffic flow mining | |
| CN113688200B (zh) | 一种基于决策树的特殊人群行动轨迹收集方法及系统 | |
| CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
| Mao et al. | Naive Bayesian algorithm classification model with local attribute weighted based on KNN | |
| Tiong et al. | Forex trading prediction using linear regression line, artificial neural network and dynamic time warping algorithms | |
| Li et al. | A comprehensive learning-based model for power load forecasting in smart grid | |
| Adu-Gyamfi et al. | Traffic speed prediction for urban arterial roads using deep neural networks | |
| CN113011512A (zh) | 基于rbf神经网络模型的交通生成预测方法及系统 | |
| Jiang | GMM Clustering Based on WOA Optimization and Space-Time Coupled Urban Rail Traffic Flow Prediction by CEEMD-SE-BiGRU-AM | |
| Baykal et al. | Accident Severity Prediction in Big Data Using Auto-Machine Learning | |
| Wang et al. | Short-term passenger flow prediction on bus stop based on hybrid 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 |