CN112905659A - 一种基于bim与人工智能的城市轨道交通数据分析方法 - Google Patents

一种基于bim与人工智能的城市轨道交通数据分析方法 Download PDF

Info

Publication number
CN112905659A
CN112905659A CN202110160192.2A CN202110160192A CN112905659A CN 112905659 A CN112905659 A CN 112905659A CN 202110160192 A CN202110160192 A CN 202110160192A CN 112905659 A CN112905659 A CN 112905659A
Authority
CN
China
Prior art keywords
data
rail transit
matrix
time
value
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
Application number
CN202110160192.2A
Other languages
English (en)
Inventor
姚鸿方
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.)
Ximengtek Chongqing Industrial Development Co ltd
Original Assignee
Ximengtek Chongqing Industrial Development 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 Ximengtek Chongqing Industrial Development Co ltd filed Critical Ximengtek Chongqing Industrial Development Co ltd
Priority to CN202110160192.2A priority Critical patent/CN112905659A/zh
Publication of CN112905659A publication Critical patent/CN112905659A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于BIM与人工智能的城市轨道交通数据分析方法，包括以下步骤：S1，获取城市轨道交通线路中各站点运维过程中的数据以及轨道交通数据监测平台的数据保存至服务器中；S2，对S1获取到的数据进行预处理，并对数据特征进行降维；S3，将S2处理后的数据送入到GRU网络中进行预测，轨道交通部门决策人员根据预测的结果动态调整各站点发车的时间间隔并安排足够的工作人员。本发明通过使用当天的客流数据和GRU网络中存储的数据来预测第二天的客流量，并将预测到的数据及时发送给轨道交通决策人员，决策人员根据客流的变化动态的调整发车间隔以及安排站点工作人员，减少车站内因无法乘车而逗留的乘客，提高乘客的满意度。

Description

一种基于BIM与人工智能的城市轨道交通数据分析方法
技术领域
本发明涉及BIM与人工智能城市轨道交通领域，尤其涉及一种基于BIM与人工智能的城市轨道交通数据分析方法。
背景技术
建筑信息模型(Building Information Modeling，BIM)是以建筑工程项目的各项相关信息数据作为模型的基础，进行建筑模型的建立，通过数字信息仿真模拟建筑物所具有的真实信息。同时随着城市轨道交通建设的加快，轨道交通的数据监测平台所采集的数据量级和复杂度也在快速增长，这不仅增加了监控和运营的难度，也对数据分析带来了新的挑战和机遇。目前已有基于大数据的轨道交通数据分析方法，但是其效率较低、准确度不够高。
因此，如何利用好从BIM数据库中获取到的轨道交通线路各阶段的数据以及数据监测平台所采集到的数据，进行数据建模分析，是目前需要迫切解决的问题。本发明提出的一种基于BIM与人工智能的城市轨道交通数据分析方法有着更加合理的数据模型，能提高效率和准确度。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于BIM与人工智能的城市轨道交通数据分析方法。
为了实现本发明的上述目的，本发明提供了一种基于BIM与人工智能的城市轨道交通数据分析方法包括以下步骤：
S1，获取城市轨道交通线路中各站点运维过程中的数据以及轨道交通数据监测平台的数据保存至服务器中；
S2，对S1获取到的数据进行预处理，并对数据特征进行降维；
S3，将S2处理后的数据送入到GRU网络中进行预测，轨道交通部门决策人员根据预测的结果动态调整各站点发车的时间间隔并安排足够的工作人员。
在本发明的一种优选实施方式中，所述S1包括以下步骤：
S1-1，从BIM数据库中获取城市轨道交通线路中各站点运维过程中的数据，包括各站点的地理位置、建筑面积、出口数量以及进出的闸机数量之一或者任意组合，并将获取到的数据保存至服务器；
S1-2，从轨道交通数据监测平台获取各站点客流数据和发车时间间隔，客流数据的采集时间间隔为x分钟，采集时间为从早上6点半到晚上10点，并将获取到数据保存至服务器。
在本发明的一种优选实施方式中，所述S2包括以下步骤：
S2-1，所述预处理包括将获取的两种数据中的异常值分别进行清空以及对两种数据中缺失值则采用该特征数据的均值进行填充，求解均值的方法为：
Figure BDA0002935166800000021
其中，
Figure BDA0002935166800000022
为特征数据的均值，
N为该特征数据的总数，
xi为该特征中第i个数据；
S2-2，所述降维处理包括：将BIM运维数据和轨道交通站点内的监测数据重新排列成矩阵
Figure BDA0002935166800000023
其中n为特征总数，m为时间戳，求得数据每个特征的均值为
Figure BDA0002935166800000024
其中zi,k为第i个特征上的第k个数据；
对Z中的每一行数据进行零均值化处理，所述零均值化的处理为将Z中每行的数据减去该行的均值，即
Figure BDA0002935166800000025
其中，zi表示Z中第i行的数据，
Figure BDA0002935166800000026
表示数据每个特征的均值；
对所述零均值化后的数据求解协方差矩阵：
Figure BDA0002935166800000031
其中，矩阵Z为BIM运维数据和轨道交通站点内的监测数据重新排列而成，(·)T表示矩阵的转置，m为时间戳，z'0,0表示矩阵Z零均值化后第1行第1列的数据，z'1,0表示零均值化后第2行第1列的数据，z'n-1,0表示矩阵Z零均值化后第n行第1列的数据，z'0,1表示矩阵Z零均值化后第1行第2列的数据，z'1,1表示矩阵Z零均值化后第2行第2列的数据，z'n-1,1表示矩阵Z零均值化后第n行第2列的数据，z'0,m-1表示矩阵Z零均值化后第1行第m列的数据，z'1,m-1表示矩阵Z零均值化后第2行第m列的数据，z'n-1,m-1表示矩阵Z零均值化后第n行第m列的数据；
对协方差矩阵进行特征值分解得到n个特征向量{e1,e2,...,en}，en表示第n个特征值；特征向量对应的特征值为：
Figure BDA0002935166800000032
其中，Λ为特征值矩阵，
λ1为第1个特征值，
λ2为第2个特征值，
λn为第n个特征值，
λi为第i个特征值，i∈[1,2,...,n]；
将特征向量按对应特征值大小从上到下按行排列成矩阵，取前l行组成矩阵P，降维后的数据表示为Y＝PZ。
在本发明的一种优选实施方式中，所述S3包括以下步骤：
S3-1，将S2处理后的数据输入到GRU网络中进行预测，所述的数据是时间离散的，所述数据的时间隔为x分钟；所述GRU网络预测时利用历史信息和当天的数据输出第二天不同时刻的客流数据信息；
S3-2，轨道交通部门决策人员根据预测的结果动态调整发车的时间间隔，并配置轨道交通站点内的工作人员，保障乘客的及时出行提高乘客乘车的满意度。
在本发明的一种优选实施方式中，S3-1所述GRU网络为训练后的网络，包括：
GRU网络训练使用近一年时间的监测数据，在训练过程中，所述GRU网络中的记忆存储单元可以对历史的信息进行存储，并应用到预测数据上，提高预测结果的准确度；
在模型中使用的GRU网络具体描述如下：
所述模型中使用的GRU单元中，输入的数据由当前输入数据xt以及上一个时刻的输出即上一节点传递下来的隐状态ht-1组成，输出数据保存了部分前一时刻的值，设GRU网络的输入数据为x＝[x1,x2...,xn]，x1表示第1特征的输入数据，x2表示第2特征的输入数据，xn表示第n特征的输入数据，则t时刻重置门的输出为：
rt＝σ(Wr·[ht-1,xt])，
其中，rt为t时刻重置门的输出，σ为激活函数，
Wr为重置门的参数，
ht-1为上一个时刻的GRU单元的输出值，
xt为t时刻GRU单元的输入数据，xt(t∈[1,2,...,n])；
t时刻更新门的输出为：
zt＝σ(Wz·[ht-1,xt])，
其中，zt为t时刻更新门的输出，
σ为激活函数，
Wz为更新门的参数，
ht-1为上一个时刻的GRU单元的输出值，
xt为t时刻GRU单元的输入数据，xt(t∈[1,2,...,n])；
通过重置门和当前的输入值得到候选集
Figure BDA0002935166800000051
为：
Figure BDA0002935166800000052
其中，tanh为激活函数，
Figure BDA0002935166800000053
为权重参数，
rt为重置门的输出，
ht-1为上一个时刻的GRU单元的输出值，
xt为t时刻GRU单元的输入数据，xt(t∈[1,2,...,n])；
最后GRU单元的输出为：
Figure BDA0002935166800000054
其中，ht为t时刻的GRU单元的输出值，
zt为更新门的输出，
ht-1为上一个时刻即t-1时刻GRU单元的输出值，
Figure BDA0002935166800000055
为候选集。
将网络的输出值与真实值进行比较，通过反向误差传播算法来更新网络参数，来提高网络的计算精度。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
采用GRU网络用对预测客流量信息贡献度大的特征数据来进行分析预测，使用当天的客流数据和GRU网络中存储的数据来预测第二天的客流量，并将预测到的数据及时反馈给轨道交通部门，决策人员根据客流的变化动态的调整发车间隔以及安排站点工作人员，减少车站内因无法乘车而逗留的乘客，提高乘客的满意度。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明的流程图；
图2是本发明的GRU网络结构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明提出了一种基于BIM与人工智能的城市轨道交通数据分析方法，结合BIM数据库，采用GRU网络，能够快速准确地得到相应的轨道交通车次和人员的调配方案，提高了效率和乘客的满意度。
结合附图1对本发明进行详细说明，主要包括以下步骤：
步骤S101，开始。
步骤S102，首先从BIM数据库中获取城市轨道交通线路中某条线路中各站点运维过程中的数据，可以得到其中一个站点的具体信息为：建筑面积8000平方米、出口数量为4个、每个出口的闸机数量为7个，如此依次获取该条线路上共10个站点的信息，并将获取到的信息上传至服务器。
步骤S103，从轨道交通数据监测平台中获取各轻轨站点客流数据和发车时间间隔，客流数据的采集时间间隔设定为30分钟，每天每个站点从早上6点半到晚上10点半共有33条客流数据，并将获取到的数据发送到服务器。
步骤S104，对保存在服务器上的BIM运维数据和轨道交通站点内的监测数据进行预处理，具体操作为：将获取的两种数据中的异常值分别进行清空，对两种数据中缺失值采用该特征数据的均值进行填充，求解均值的方法为：
Figure BDA0002935166800000071
其中，N为该特征数据的总数，xi为该特征中第i个数据。
步骤S105，由于收集到的数据包含的特征较多，造成网络训练缓慢，因此需要对数据的特征进行降维处理，将BIM运维数据和轨道交通站点内的监测数据重新排列成
Figure BDA0002935166800000072
其中n为特征总数，m为时间戳，求得数据每个特征的均值为
Figure BDA0002935166800000073
其中zi,k为第i个特征上的第k个数据；
对Z中的每一行数据进行零均值化处理，零均值化的处理方式为将Z中每行的数据减去该行的均值，即
Figure BDA0002935166800000074
zi表示Z中第i行的数据，
Figure BDA0002935166800000075
表示数据每个特征的均值；
对进行零均值化后的数据求解协方差矩阵，即：
Figure BDA0002935166800000076
其中(·)T表示矩阵的转置，m为时间戳，z'0,0表示零均值化后第1行第1列的数据，z'1,0表示零均值化后第2行第1列的数据，z'n-1,0表示零均值化后第n行第1列的数据，z'0,1表示零均值化后第1行第2列的数据，z'1,1表示零均值化后第2行第2列的数据，z'n-1,1表示零均值化后第n行第2列的数据，z'0,m-1表示零均值化后第1行第m列的数据，z'1,m-1表示零均值化后第2行第m列的数据，z'n-1,m-1表示零均值化后第n行第m列的数据；对协方差矩阵进行特征值分解得到n个特征向量{e1,e2,...,en}，en表示第n个特征值；特征向量对应的特征值为：
Figure BDA0002935166800000081
其中，Λ为特征值矩阵，λi(i∈[1,n])为第i个特征值，将特征向量按对应特征值大小从上到下按行排列成矩阵，取前l行组成矩阵P，降维后的数据表示为Y＝PZ。
步骤S106，图2示出了GRU网络结构图，xt为输入，ht-1为上一节点传递下来的隐状态，隐状态包含了之前节点的相关信息，结合xt和ht-1，GRU会得到当前隐藏点的输入yt和传递给下一节点的隐状态ht；
Figure BDA0002935166800000082
表示为矩阵对应位相乘，
Figure BDA0002935166800000083
表示为矩阵对应位相加，符号1-表示减法运算，1-zt表示遗忘门；tanh为激活函数，σ为sigmoid函数，通过这个函数可以将数据变换为0～1范围内的数据，从而来充当门控信号。
GRU网络训练使用的是近一年内的监测数据，在训练过程中，由于GRU网络中的记忆存储单元可以对历史的信息进行存储，并应用到预测数据上，能够提高预测结果的准确度。GRU网络具体实施方式如下：
首先将当前输入数据xt以及上一个时刻的输出即上一节点传递下来的隐状态ht-1输入到GRU单元中，输出数据保存了部分前一时刻的值，设GRU网络的输入数据为x＝[x1,...,xn]，则t时刻重置门的输出为：
rt＝σ(Wr·[ht-1,xt])，
其中，rt为重置门的输出，Wr为重置门的参数，ht-1为上一个时刻的GRU单元的输出值；t时刻更新门的输出为：
zt＝σ(Wz·[ht-1,xt])，
其中，zt为t时刻更新门的输出，Wz为更新门的参数，ht-1为上一个时刻的GRU单元的输出值；通过重置门和当前的输入值得到候选集
Figure BDA0002935166800000091
为：
Figure BDA0002935166800000092
其中，
Figure BDA0002935166800000094
为权重参数；最后GRU单元的输出为：
Figure BDA0002935166800000093
然后将网络的输出值与真实值进行比较，通过反向误差传播算法来更新网络参数，从而来提高网络的计算精度。
将降维后的数据输入到训练后的GRU网络中进行预测，数据的时间隔为30分钟，GRU网络可以对具有时间离散的数据进行预测，同时记忆存储单元中的数据可以提高预测的精度；GRU网络预测时利用的是近一年内的历史客流信息和当天的数据，输出结果为第二天不同时刻的客流数据信息。
步骤S107，参考图1，轨道交通部门决策人员就可以根据预测的结果动态调整发车的时间间隔，如果客流量较多，可以缩短发车时间间隔，或增加车次；如果客流量较少，则增加发车时间间隔，或减少车次。不仅如此，还要根据客流量来合理配置轨道交通站点内的工作人员，保障乘客的及时出行，从而提高乘客的满意度。
步骤S108，结束。
本实施例中结合BIM与人工智能的城市轨道交通数据分析及预测过程结束。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种基于BIM与人工智能的城市轨道交通数据分析方法，其特征在于，包括以下步骤：
S1，获取城市轨道交通线路中各站点运维过程中的数据以及轨道交通数据监测平台的数据保存至服务器中；
S2，对S1获取到的数据进行预处理，并对数据特征进行降维；
S3，将S2处理后的数据送入到GRU网络中进行预测，轨道交通部门决策人员根据预测的结果动态调整各站点发车的时间间隔并安排足够的工作人员。
2.根据权利要求1所述的一种基于BIM与人工智能的城市轨道交通数据分析方法，其特征在于，所述S1包括以下步骤：
S1-1，从BIM数据库中获取城市轨道交通线路中各站点运维过程中的数据，包括各站点的地理位置、建筑面积、出口数量以及进出的闸机数量之一或者任意组合，并将获取到的数据保存至服务器；
S1-2，从轨道交通数据监测平台获取各站点客流数据和发车时间间隔，客流数据的采集时间间隔为x分钟，采集时间为从早上6点半到晚上10点，并将获取到的数据保存至服务器。
3.根据权利要求1所述的一种基于BIM与人工智能的城市轨道交通数据分析方法，其特征在于，所述S2包括以下步骤：
S2-1，所述预处理包括将获取的两种数据中的异常值分别进行清空以及对两种数据中缺失值则采用该特征数据的均值进行填充，求解均值的方法为：
Figure FDA0002935166790000011
其中，
Figure FDA0002935166790000012
为特征数据的均值，
N为该特征数据的总数，
xi为该特征中第i个数据；
S2-2，所述降维处理包括：将BIM运维数据和轨道交通站点内的监测数据重新排列成矩阵
Figure FDA0002935166790000021
其中n为特征总数，m为时间戳，求得数据每个特征的均值为
Figure FDA0002935166790000022
其中zi,k为第i个特征上的第k个数据；
对Z中的每一行数据进行零均值化处理，所述零均值化的处理为将Z中每行的数据减去该行的均值，即
Figure FDA0002935166790000023
其中，zi表示Z中第i行的数据，
Figure FDA0002935166790000024
表示数据每个特征的均值；
对所述零均值化后的数据求解协方差矩阵：
Figure FDA0002935166790000025
其中，矩阵Z为BIM运维数据和轨道交通站点内的监测数据重新排列而成，(·)T表示矩阵的转置，m为时间戳，z'0,0表示矩阵Z零均值化后第1行第1列的数据，z′1,0表示零均值化后第2行第1列的数据，z'n-1,0表示矩阵Z零均值化后第n行第1列的数据，z'0,1表示矩阵Z零均值化后第1行第2列的数据，z′1,1表示矩阵Z零均值化后第2行第2列的数据，z'n-1,1表示矩阵Z零均值化后第n行第2列的数据，z'0,m-1表示矩阵Z零均值化后第1行第m列的数据，z′1,m-1表示矩阵Z零均值化后第2行第m列的数据，z'n-1,m-1表示矩阵Z零均值化后第n行第m列的数据；
对协方差矩阵进行特征值分解得到n个特征向量{e1,e2,...,en}，en表示第n个特征值；特征向量对应的特征值为：
Figure FDA0002935166790000026
其中，Λ为特征值矩阵，
λ1为第1个特征值，
λ2为第2个特征值，
λn为第n个特征值，
λi为第i个特征值，i∈[1,2,...,n]；
将特征向量按对应特征值大小从上到下按行排列成矩阵，取前l行组成矩阵P，降维后的数据表示为Y＝PZ。
4.根据权利要求1所述的一种基于BIM与人工智能的城市轨道交通数据分析方法，其特征在于，所述S3包括以下步骤：
S3-1，将S2处理后的数据输入到GRU网络中进行预测，所述的数据是时间离散的，所述数据的时间隔为x分钟；所述GRU网络预测时利用历史信息和当天的数据输出第二天不同时刻的客流数据信息；
S3-2，轨道交通部门决策人员根据预测的结果动态调整发车的时间间隔，并配置轨道交通站点内的工作人员。
5.根据权利要求1所述的一种基于BIM与人工智能的城市轨道交通数据分析方法，其特征在于，S3-1所述GRU网络为训练后的网络，包括：
GRU网络训练使用近一年时间的监测数据，在训练过程中，所述GRU网络中的记忆存储单元可以对历史的信息进行存储，并应用到预测数据上，提高预测结果的准确度；
在模型中使用的GRU网络具体描述如下：
所述模型中使用的GRU单元中，输入的数据由当前输入数据xt以及上一个时刻的输出ht-1组成，输出数据保存了部分前一时刻的值，设GRU网络的输入数据为x＝[x1,x2...,xn]，x1表示第1特征的输入数据，x2表示第2特征的输入数据，xn表示第n特征的输入数据，则t时刻重置门的输出为：
rt＝σ(Wr·[ht-1,xt])，
其中，rt为t时刻重置门的输出，σ为激活函数，
Wr为重置门的参数，
ht-1为上一个时刻的GRU单元的输出值，
xt为t时刻GRU单元的输入数据，xt(t∈[1,2,...,n])；
t时刻更新门的输出为：
zt＝σ(Wz·[ht-1,xt])，
其中，zt为t时刻更新门的输出，
σ为激活函数，
Wz为更新门的参数，
ht-1为上一个时刻的GRU单元的输出值，
xt为t时刻GRU单元的输入数据，xt(t∈[1,2,...,n])；
通过重置门和当前的输入值得到候选集
Figure FDA0002935166790000041
为：
Figure FDA0002935166790000042
其中，tanh为激活函数，
Figure FDA0002935166790000043
为权重参数，
rt为重置门的输出，
ht-1为上一个时刻的GRU单元的输出值，
xt为t时刻GRU单元的输入数据，xt(t∈[1,2,...,n])；
最后GRU单元的输出为：
Figure FDA0002935166790000044
其中，ht为t时刻的GRU单元的输出值，
zt为更新门的输出，
ht-1为上一个时刻即t-1时刻GRU单元的输出值，
Figure FDA0002935166790000045
为候选集。
CN202110160192.2A 2021-02-05 2021-02-05 一种基于bim与人工智能的城市轨道交通数据分析方法 Pending CN112905659A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110160192.2A CN112905659A (zh) 2021-02-05 2021-02-05 一种基于bim与人工智能的城市轨道交通数据分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110160192.2A CN112905659A (zh) 2021-02-05 2021-02-05 一种基于bim与人工智能的城市轨道交通数据分析方法

Publications (1)

Publication Number Publication Date
CN112905659A true CN112905659A (zh) 2021-06-04

Family

ID=76122675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110160192.2A Pending CN112905659A (zh) 2021-02-05 2021-02-05 一种基于bim与人工智能的城市轨道交通数据分析方法

Country Status (1)

Country Link
CN (1) CN112905659A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132083A (zh) * 2023-10-20 2023-11-28 惠州市金雄城建筑科技有限公司 一种基于bim的城市轨道交通枢纽运维管理系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027673A (zh) * 2019-11-14 2020-04-17 中山大学 一种地铁客流量预测方法
CN111091225A (zh) * 2019-11-08 2020-05-01 北京交通大学 一种基于深度学习的城市轨道交通短期客流预测方法
CN111144696A (zh) * 2019-11-28 2020-05-12 国电南瑞科技股份有限公司 一种基于大数据的轨道交通数据分析方法
CN111291937A (zh) * 2020-02-25 2020-06-16 合肥学院 基于支持向量分类与gru神经网络联合的处理污水水质预测方法
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质
CN111754025A (zh) * 2020-05-25 2020-10-09 苏州大学文正学院 基于cnn+gru的公交短时客流预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091225A (zh) * 2019-11-08 2020-05-01 北京交通大学 一种基于深度学习的城市轨道交通短期客流预测方法
CN111027673A (zh) * 2019-11-14 2020-04-17 中山大学 一种地铁客流量预测方法
CN111144696A (zh) * 2019-11-28 2020-05-12 国电南瑞科技股份有限公司 一种基于大数据的轨道交通数据分析方法
CN111291937A (zh) * 2020-02-25 2020-06-16 合肥学院 基于支持向量分类与gru神经网络联合的处理污水水质预测方法
CN111754025A (zh) * 2020-05-25 2020-10-09 苏州大学文正学院 基于cnn+gru的公交短时客流预测方法
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
阿泽: "【机器学习】降维——PCA（非常详细）", pages 1 - 7, Retrieved from the Internet <URL:《https://zhuanlan.zhihu.com/p/77151308》> *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132083A (zh) * 2023-10-20 2023-11-28 惠州市金雄城建筑科技有限公司 一种基于bim的城市轨道交通枢纽运维管理系统
CN117132083B (zh) * 2023-10-20 2024-01-30 惠州市金雄城建筑科技有限公司 一种基于bim的城市轨道交通枢纽运维管理系统

Similar Documents

Publication Publication Date Title
US11270579B2 (en) Transportation network speed foreeasting method using deep capsule networks with nested LSTM models
CN110633871B (zh) 一种基于卷积长短期记忆网络的区域交通需求预测方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN104376716B (zh) 一种基于贝叶斯网络模型的公交时刻表动态生成方法
WO2021212866A1 (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN108629503B (zh) 一种基于深度学习的出租车上车需求量的预测方法
Fei et al. A bayesian dynamic linear model approach for real-time short-term freeway travel time prediction
Papantoniou et al. Prediction of outdoor air temperature using neural networks: Application in 4 European cities
CN113268916A (zh) 一种基于时空图卷积网络的交通事故预测方法
CN104298881B (zh) 一种基于贝叶斯网络模型的公交环境动态变化预报方法
CN112242060B (zh) 交通流量预测方法及装置、计算机设备及可读存储介质
CN107194491A (zh) 一种基于公交客流和站间行程时间预测的动态调度方法
Dimitriou et al. Fuzzy modeling of freeway accident duration with rainfall and traffic flow interactions
CN114495507B (zh) 融合时空注意力神经网络和交通模型的交通流预测方法
CN103425884B (zh) 一种地铁换乘通道通行状态的模糊预测方法
CN109920248A (zh) 一种基于gru神经网络的公交到站时间预测方法
CN113362637A (zh) 一种区域性多场点空余停车位预测方法及系统
CN111524349B (zh) 一种语境特征注入的多尺度交通流预测模型建立方法及使用方法
Strofylas et al. Using synchronous and asynchronous parallel differential evolution for calibrating a second-order traffic flow model
CN116432806A (zh) 一种航班地面保障节点时间的滚动预测方法和系统
CN112905659A (zh) 一种基于bim与人工智能的城市轨道交通数据分析方法
CN116311921A (zh) 一种基于多空间尺度时空Transformer的交通速度预测方法
Zhu et al. Early identification of recurrent congestion in heterogeneous urban traffic
CN114582131A (zh) 一种基于匝道智能控流算法的监控方法及系统
CN114219126A (zh) 基于残差修正的小水电渗透地区网供负荷预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210604

RJ01 Rejection of invention patent application after publication