CN113371037A - 基于gru神经网络的运行图编制方法及系统 - Google Patents
基于gru神经网络的运行图编制方法及系统 Download PDFInfo
- Publication number
- CN113371037A CN113371037A CN202110480368.2A CN202110480368A CN113371037A CN 113371037 A CN113371037 A CN 113371037A CN 202110480368 A CN202110480368 A CN 202110480368A CN 113371037 A CN113371037 A CN 113371037A
- Authority
- CN
- China
- Prior art keywords
- neural network
- predicted value
- gru
- gru neural
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/04—Automatic systems, e.g. controlled by train; Change-over to manual control
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及一种基于GRU神经网络的运行图编制方法。本发明基于GRU神经网络预测出未来预定时段内的客流量的预计值y;判断y的预计值是否满足当前运营要求,若是,则按照当前实际运行图运营;若所述y的预计值不能满足当前运营要求,则通过GRU神经网络重新预测出y+N的预计值,并动态调整列车运行图;其中,N为正整数。本发明通过计算未来数个周期内的客流量,动态调整列车运营间隔,减少了列车运行次数,节省列车运行能耗,并且大大提高了运营效率以及乘客乘坐体验。
Description
技术领域
本发明涉及一种运行图编制方及系统,属于轨道交通技术领域,具体是涉及一种基于GRU神经网络的运行图编制方法及系统。
背景技术
近年来,随着客流量及地铁线路的增长,现有的运行图调整不足以满足智慧、高效、节能的地铁运营需求,因此亟需新的智能方案来适应智慧化、节能化的智慧地铁。
目前的运行图是固定的运行图,非高峰期的运行图根据某地演唱会、庙会等特殊情况,在提前一天某个时段绘制密集一些,而无特殊情况的运行图绘制宽泛一些,列车按点运营,达到有序、节能的要求,但列车牵引的能耗占整个地铁能耗的45%-60%,列车空载率居高不下,导致节能效果不突出。
新研制的运行图调整方案,根据AFC实时反应的数据,采取RBF神经网络算法,预估出每个站点客流量,对列车间隔进行调整,降低列车空载率达到动态有序的满足运营要求,并且大大降低列车牵引所带来的能源消耗。
如图1所示,目前的技术方案为节假日客流调整及工作日客流调整。前一天判断第二天是否是节假日,第二天是否有演唱会及大型集会这些特殊情况,从而进行运行图调整,一般使用上座率3成来满足传统客流量需求。
目前的运行图是前一天生成并保存的,使用当天是不允许调整的,车辆调度只能通过扣车跳停这些来保障客运,但所有的车辆及编组是不能进行动态调整。并且为了满足运营的要求,运行间隔与上座率往往达不到要求,造成了运行间隔小,上座率低,运行间隔大,旅客等待时间长选取其他方式,造成了城市资源的大量浪费。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明主要的目的是解决现有技术中所存在的非高峰期,列车运行图不能自动调整,运营效率低,能耗大的突出问题,使用本发明后,运营效率会大大提高,满足运营及乘客的双方面需求,降低地铁运营能耗和运营成本。
为解决上述问题,本发明的方案是:
一种基于GRU神经网络的运行图编制方法,包括:
基于GRU神经网络预测出未来预定时段内的客流量的预计值y;
判断预计值y是否满足当前运营要求,若是,则按照当前实际运行图运营;
若所述预计值y不能满足当前运营要求,则通过GRU神经网络重新预测出y+N的预计值,并动态调整列车运行图;其中,N为正整数。
优选的,上述的一种基于GRU神经网络的运行图编制方法,包括:基于GRU神经网络预测出预计值y具体包括:
步骤1,汇总客流流量为理想输入格式后进行预处理,运用最小与最大标准化技术向[0,l]区间内映射;
步骤2,获得准确的GRU神经网络结构,例如GRU层数、每层上的神经元数量;
步骤3,选取一个渐进式神经网络算法与预期值当作激活函数;
步骤4,运用训练集数据优化神经网络后即可获得对应预测模型;
步骤5,通过验证数据集对模型预测效果验证,如果调整后客流量满足预期运营需求,则按照流程执行,否则重新执行步骤2-5;
步骤6,选择预测值与实际值相差为预设值的模型与测试数据对交通流量预测值进行预测。
优选的,上述的一种基于GRU神经网络的运行图编制方法,所述步骤2中的GRU层数值为3,神经元数量为8。
优选的,上述的一种基于GRU神经网络的运行图编制方法,所述步骤3中的激活函数为:
为双曲正切函数。
一种基于GRU神经网络的运行图编制系统,包括:
客流量预计模块,用于基于GRU神经网络预测出未来预定时段内的客流量的预计值y;
负荷判断模块,用于判断预计值y是否满足当前运营要求,若是,则按照当前实际运行图运营;若所述预计值y不能满足当前运营要求,则通过GRU神经网络重新预测出y+N的预计值,并动态调整列车运行图;其中,N为正整数。
优选的,上述的一种基于GRU神经网络的运行图编制系统,负荷判断模块基于GRU神经网络预测出预计值y的具体过程包括:
步骤1,汇总客流流量为理想输入格式后进行预处理,运用最小与最大标准化技术向[0,l]区间内映射;
步骤2,获得准确的GRU神经网络结构,例如GRU层数、每层上的神经元数量;
步骤3,选取一个渐进式神经网络算法与预期值当作激活函数;
步骤4,运用训练集数据优化神经网络后即可获得对应预测模型;
步骤5,通过验证数据集对模型预测效果验证,如果调整后客流量满足预期运营需求,则按照流程执行,否则重新执行步骤2-5;
步骤6,选择预测与实际值相差为预设值的模型与测试数据对交通流量预测值进行预测。
优选的,上述的一种基于GRU神经网络的运行图编制系统,所述步骤2中的GRU层数值为3,神经元数量为8。
优选的,上述的一种基于GRU神经网络的运行图编制系统,所述步骤3中的激活函数为:
为双曲正切函数。
因此,相对于现有技术,本发明具备以下优点:本发明通过计算未来数个周期内的客流量,动态调整列车运营间隔,减少了列车运行次数,节省列车运行能耗,并且大大提高了运营效率以及乘客乘坐体验。
附图说明
并入本文并形成说明书的一部分的附图例示了本发明的实施例,并且附图与说明书一起进一步用于解释本发明的原理以及使得所属领域技术人员能够制作和使用本公开。
图1例示了本发明实施例中的目前运行图调整流程图;
图2例示了本发明实施例中的GRU神经网络的展开;
图3例示了本发明实施例中的运行图调整原理;
图4例示了本发明实施例中的运行图总体生成原理。
将参照附图描述本发明的实施例。
具体实施方式
实施例
其中X1为以当天AFC周期为5分钟的进站人数和出站人数统计,加以前T-1个同一时段周期日(分工作日与非工作日)的数据,T取值为10。
以下为主要操作流程:
第一步:汇总客流流量为理想输入格式后进行预处理,运用最小与最大标准化技术向[0,l]区间内映射;
第二步:获得准确的GRU神经网络结构,例如GRU层数、每层上的神经元数量;
第三步:选取一个渐进式神经网络算法与预期值当作激活函数;
第四步:运用训练集数据优化神经网络后即可获得对应预测模型;
第五步:通过验证数据集对模型预测效果验证,如果调整后客流量依旧满足预期运营需求,则按照流程执行,否则重新执行步骤2-5;
第六步:选择预测值与实际值相差10%的模型与测试数据对交通流量预测值进行预测。
采用上述六个流程可以实现基于GRU神经网络预测客流流量
设X为以当天AFC周期为5分钟的进站人数和出站人数统计。
式中,表示sigmoid函数;表示当前输入值,表示上一次输入的激活值;表示递归连接的权重矩阵(r周期内的地铁输入人数递归连接统计);表示输入权重矩阵(r周期内的地铁输出人数连接统计),按照相同原理,假设为在时刻GRU的更新门。
在上述公式中,·表示哈达马积,作为双曲正切函数,其中,X为以当天AFC周期为5分钟的进站人数和出站人数统计。如图2所示,关闭重置门后,表示该值趋于0,GRU会将之前输入的激活值忽略,仅受到输入值的影响,该操作可以将中不相关的信息全部舍弃,充分将有价值信息表示。与此同时,通过更新门可以对中具体信息向当前ht内传递的数据控制,也是设计本单元的主要部分,该功能类似于LSTM的记忆单元,协助RNN对于长期信息记忆。所有GRU都要对不同时间长度依赖信息的获取方式学习,更新门值大的情况下,GRU可以取得一个长期依赖信息,假如重置门中的值较大,GRU的值与之相反,取得一个短期的依赖信息。图2表示在时间维度上展开GRU神经网络,用于对相邻时刻上各个GRU神经网络间的作用关系表示。
通过以上计算可以得出基于GRU神经网络预测的动态客流量,然后对公式一的y进行滤波,预估未来几个周期内的y值,并且预估y增加或减少到规定的限制时,调整列车运行间隔,达到该站客流量及时有序的转移。
本实施例中,尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
注意到,说明书中对“一个实施例”、“实施例”、“示例实施例”、“一些实施例”等的引用指示所描述的实施例可以包括特定特征、结构或特性,但是每个实施例可以不必包括所述特定特征、结构或特性。而且,这样的短语不必指代同一实施例。此外,当结合实施例描述特定特征、结构或特性时,无论是否明确描述,结合其他实施例来实现这样的特征、结构或特性将在所属领域的技术人员的知识范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (6)
1.一种基于GRU神经网络的运行图编制方法,其特征在于,包括:
基于GRU神经网络预测出未来预定时段内的客流量的预计值y;
判断预计值y是否满足当前运营要求,若是,则按照当前实际运行图运营;
若所述预计值y不能满足当前运营要求,则通过GRU神经网络重新预测出y+N的预计值,并动态调整列车运行图;其中,N为正整数。
2.根据权利要求1所述的一种基于GRU神经网络的运行图编制方法,其特征在于,包括:基于GRU神经网络预测出预计值y具体包括:
步骤1,汇总客流流量后进行预处理,运用最小与最大标准化技术向[0,l]区间内映射;
步骤2,获得准确的GRU神经网络结构,包括:GRU层数、每层上的神经元数量;
步骤3,选取一个渐进式神经网络算法与预期值当作激活函数;
步骤4,运用训练集数据优化神经网络后即可获得对应预测模型;
步骤5,通过验证数据集对模型预测效果验证,如果调整后客流量满足预期运营需求,则按照流程执行,否则重新执行步骤2-5;
步骤6,选择预测值与实际值相差为预设值的模型与测试数据对交通流量预测值进行预测。
3.根据权利要求2所述的一种基于GRU神经网络的运行图编制方法,其特征在于,所述步骤2中的GRU层数值为3,神经元数量为8。
4.一种基于GRU神经网络的运行图编制系统,其特征在于,包括:
客流量预计模块,用于基于GRU神经网络预测出未来预定时段内的客流量的预计值y;
负荷判断模块,用于判断y的预计值y是否满足当前运营要求,若是,则按照当前实际运行图运营;若所述预计值y不能满足当前运营要求,则通过GRU神经网络重新预测出y+N的预计值,并动态调整列车运行图;其中,N为正整数。
5.根据权利要求4所述的一种基于GRU神经网络的运行图编制系统,其特征在于,负荷判断模块基于GRU神经网络预测出预计值y的具体过程包括:
步骤1,汇总客流流量后进行预处理,运用最小与最大标准化技术向[0,l]区间内映射;
步骤2,获得准确的GRU神经网络结构,包括GRU层数、每层上的神经元数量;
步骤3,选取一个渐进式神经网络算法与预期值当作激活函数;
步骤4,运用训练集数据优化神经网络后即可获得对应预测模型;
步骤5,通过验证数据集对模型预测效果验证,如果调整后客流量满足预期运营需求,则按照流程执行,否则重新执执行步骤2-5;
步骤6,选择预测值与实际值相差为预设值的模型与测试数据对交通流量预测值进行预测。
6.根据权利要求4所述的一种基于GRU神经网络的运行图编制系统,其特征在于,所述步骤2中的GRU层数值为3,神经元数量为8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480368.2A CN113371037A (zh) | 2021-04-30 | 2021-04-30 | 基于gru神经网络的运行图编制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480368.2A CN113371037A (zh) | 2021-04-30 | 2021-04-30 | 基于gru神经网络的运行图编制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113371037A true CN113371037A (zh) | 2021-09-10 |
Family
ID=77570268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110480368.2A Pending CN113371037A (zh) | 2021-04-30 | 2021-04-30 | 基于gru神经网络的运行图编制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113371037A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246956A (zh) * | 2013-05-06 | 2013-08-14 | 北京交通大学 | 随机需求条件下高速铁路网络中旅客列车灵活调度的方法 |
CN108090668A (zh) * | 2017-12-14 | 2018-05-29 | 兰州交通大学 | 时变客流驱动的城市轨道交通客流匹配与时刻表调整方法 |
CN108622142A (zh) * | 2018-03-30 | 2018-10-09 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整系统及方法 |
CN109948861A (zh) * | 2019-03-26 | 2019-06-28 | 西南交通大学 | 一种基于模态分解及深度学习的城轨短时客流预测方法 |
CN111027673A (zh) * | 2019-11-14 | 2020-04-17 | 中山大学 | 一种地铁客流量预测方法 |
CN112598182A (zh) * | 2020-12-25 | 2021-04-02 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及系统 |
-
2021
- 2021-04-30 CN CN202110480368.2A patent/CN113371037A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246956A (zh) * | 2013-05-06 | 2013-08-14 | 北京交通大学 | 随机需求条件下高速铁路网络中旅客列车灵活调度的方法 |
CN108090668A (zh) * | 2017-12-14 | 2018-05-29 | 兰州交通大学 | 时变客流驱动的城市轨道交通客流匹配与时刻表调整方法 |
CN108622142A (zh) * | 2018-03-30 | 2018-10-09 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整系统及方法 |
CN109948861A (zh) * | 2019-03-26 | 2019-06-28 | 西南交通大学 | 一种基于模态分解及深度学习的城轨短时客流预测方法 |
CN111027673A (zh) * | 2019-11-14 | 2020-04-17 | 中山大学 | 一种地铁客流量预测方法 |
CN112598182A (zh) * | 2020-12-25 | 2021-04-02 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及系统 |
Non-Patent Citations (3)
Title |
---|
刘树春等: "《深度实践OCR:基于深度学习的文字识别》", 30 April 2020 * |
禹丹丹等: "时变环境下城市轨道交通灵活行车调度分析", 《现代城市轨道交通》 * |
高扬: "《智能摘要与深度学习》", 30 April 2019 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3379983B2 (ja) | 人工知能トラフィックのモデル化および予測システム | |
CN109544911B (zh) | 一种基于lstm-cnn的城市路网交通状态预测方法 | |
CN112418547A (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
CN106503869A (zh) | 一种基于站点短时需求预测的公共自行车动态调度方法 | |
US11775888B2 (en) | Intelligent scheduling table generation method based on multi-source data analysis of buses | |
CN111564053B (zh) | 车辆调度方法、装置、车辆调度设备和存储介质 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN112766597B (zh) | 公交客流预测方法及系统 | |
CN113326974B (zh) | 一种基于多任务超图卷积网络的多源交通流预测方法 | |
CN114007228B (zh) | 基于异构图神经网络流量预测的基站智能控制方法 | |
AU2021100757A4 (en) | Method for optimizing bus bunching based on the combinatorial scheduling of whole-zone bus and inter-zone bus | |
CN112417753A (zh) | 一种基于城市公共交通资源联合调度方法 | |
CN113537626B (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
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 | |
CN114202316A (zh) | 基于深度强化学习的城市轨道交通列车时刻表优化方法 | |
CN112906945A (zh) | 一种交通流量预测方法、系统及计算机可读存储介质 | |
CN111915057A (zh) | 一种基于深度学习和群智感知的单车需求预测与调度方法 | |
Zhang et al. | Data-driven cooling, heating and electrical load prediction for building integrated with electric vehicles considering occupant travel behavior | |
CN114066503A (zh) | 一种基于构建虚拟服务片区进行出租车需求预测的方法 | |
CN113371037A (zh) | 基于gru神经网络的运行图编制方法及系统 | |
CN112465177A (zh) | 一种基于大数据分析的公交线路优化系统及方法 | |
CN114418606B (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
CN112200372A (zh) | 一种大型空港枢纽陆侧综合交通优化乘客分担率计算及乘客引导方法 | |
US20230369857A1 (en) | Methods and systems for power-supply management in smart urban based on internet of things | |
CN114158085B (zh) | 一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |