CN114936786B - 一种公路交通能源自洽系统综合效能评价方法 - Google Patents
一种公路交通能源自洽系统综合效能评价方法 Download PDFInfo
- Publication number
- CN114936786B CN114936786B CN202210638149.7A CN202210638149A CN114936786B CN 114936786 B CN114936786 B CN 114936786B CN 202210638149 A CN202210638149 A CN 202210638149A CN 114936786 B CN114936786 B CN 114936786B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- sub
- factor
- evaluation factor
- efficiency
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 429
- 239000011159 matrix material Substances 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000013210 evaluation model Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 27
- 238000005265 energy consumption Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 231100000719 pollutant Toxicity 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种公路交通能源自洽系统综合效能评价方法,包括以下步骤:步骤S1、基于因素评语集确定出评价因素集中每个子评价因素的隶属度,以及根据所述隶属度得到表征评价因素集中各个子评价因素的模糊关系的模糊评价矩阵;步骤S2、利用层次分析法确定出每个子评价因素的综合评价权重;步骤S3、利用综合评价权重对各个子评价因素进行加权得到公路交通能源自洽系统的综合效能评价得分,并利用CNN神经网络基于子评价因素和综合效能评价得分进行学习训练得到效能评价模型。本发明利用基于主客观赋权法能够对公路交通能源自洽系统的综合效能进行涵盖能效、可靠性、经济性、环保性的多属性多层级的评价。
Description
技术领域
本发明涉及公路交通效能评价技术领域,具体涉及一种公路交通能源自洽系统综合效能评价方法。
背景技术
面对能源紧张的形势,低能耗、少污染、可持续发成为发展的必由之路。全球范围内,利用信息化手段实现能源的节约、增展效、安全保障等已经成为各国共识。我国公路沿线能源资源禀赋优越但形态差异大,且公路网络涉及高原、山地、沙漠等不同运行场景,导致沿线可再生低碳能源开发利用难度大,公路总耗能中低碳能源占比低于1%,供能自洽率低;交通运转运维用能需求多元且时空耦合复杂,而低碳能源供给形式多样,故存在多种形态能源间的灵活变换困难,导致自洽能源系统的集约控制难度加大、能源利用效率低。
在公路交通能源自洽系统综合效能评价方面均己有一定研宄,但现有公路交通能源自洽系统效能评价指标体系,大部分以能效指标、可靠性指标、环境指标、经济指标的其中一种或几种作为评价准则,对交通系统的评价较为片面,缺乏较为规范、完整的评估体系和方法。
发明内容
本发明的目的在于提供一种公路交通能源自洽系统综合效能评价方法,以解决现有技术中大部分以能效指标、可靠性指标、环境指标、经济指标的其中一种或几种作为评价准则,对交通系统的评价较为片面,缺乏较为规范、完整的评估体系和方法的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种公路交通能源自洽系统综合效能评价方法,包括以下步骤:
步骤S1、为公路交通能源自洽系统设置综合效能评价的评价因素集和因素评语集,并为评价因素集中每个评价因素设置子评价因素集,基于因素评语集确定出评价因素集中每个子评价因素的隶属度,以及根据所述隶属度得到表征评价因素集中各个子评价因素的模糊关系的模糊评价矩阵;
步骤S2、利用层次分析法确定出每个子评价因素的权重,选取模糊算子,将每个子评价因素的权重和模糊评价矩阵利用模糊算子进行模糊计算得到每个子评价因素的模糊合成值作为每个子评价因素的综合评价权重;
步骤S3、利用综合评价权重对各个子评价因素进行加权得到公路交通能源自洽系统的综合效能评价得分,并利用CNN神经网络基于子评价因素和综合效能评价得分进行学习训练得到效能评价模型,以实现对公路交通能源自洽系统进行模型识别提高评价自动化程度。
作为本发明的一种优选方案,所述为公路交通能源自洽系统设置综合效能评价的评价因素集和因素评语集,并为评价因素集中每个评价因素设置子评价因素集,包括:
将居民出行效率、道路网络运行效率、公共交通系统效率、环境影响与能源消耗和交通系统经济性能构成评价因素集,所述评价因素集的函数表达式为:U={Ui|i∈[1,5]},Ui为第i个评价因素;
将小汽车平均出行距离、公交车平均出行距离、自行车平均出行距离、步行平均出行距离、全方式平均出行时耗和全方式居民出行延时指数构成居民出行效率的子评价因素集,所述居民出行效率的子评价因素集的函数表达式为:U1={U1j|j∈[1,6]},U1j为居民出行效率的子评价因素集中第j个子评价因素;
将道路网络平均行程车速、道路网络路段拥堵率、道路网络交叉口拥堵率、路段负荷均衡度和交叉口负荷均衡度构成道路网络运行效率的子评价因素集,所述道路网络运行效率的子评价因素集的函数表达式为:U2={U2j|j∈[1,5]},U2j为道路网络运行效率的子评价因素集中第j个子评价因素;
将公共交通全方式出行分担率、公交运营车速、公交复线系数、公交网络可达性和公共交通运能饱和度构成公共交通系统效率的子评价因素集,所述公共交通系统效率的子评价因素集的函数表达式为:U3={U3j|j∈[1,5]},U3j为公共交通系统效率的子评价因素集中第j个子评价因素;
将全网络能源消耗总量、路段百公里燃油消耗、路网CO排放量、路网NO排放量、路网HC排放量、路网PM10排放量和机动车污染物人均排放量构成环境影响与能源消耗的子评价因素集,所述环境影响与能源消耗的子评价因素集的函数表达式为:U4={U4j|j∈[1,7]},U4j为环境影响与能源消耗的子评价因素集中第j个子评价因素;
将居民出行人均成本、车均运营成本和交通拥堵直接经济损失构成交通系统经济性能的子评价因素集,所述交通系统经济性能的子评价因素集为:U5={U5j|j∈[1,3]},U5j为环境影响与能源消耗的子评价因素集中第j个子评价因素;
将优、良、一般、较差和很差设置为因素评语集的5个评价等级,所述因素评语集的函数表达式为:V={Vk|k∈[1,5]},Vk为第k个评价等级;
其中,i,j,k为计量常数。
作为本发明的一种优选方案,所述基于因素评语集确定出评价因素集中每个子评价因素的隶属度,包括:
依次根据因素评语集中每个评价等级确定出评价因素集中每个子评价因素的隶属度,所述隶属度的函数表达式为:rij k,其中,rij k表征为第i个评价因素的子评价因素集中第j个子评价因素的隶属度。
作为本发明的一种优选方案,所述根据所述隶属度得到表征评价因素集中各个子评价因素的模糊关系的模糊评价矩阵,包括:
将评价因素作为模糊评价矩阵的矩阵纵向元素,将评价等级作为模糊评价矩阵的矩阵横向元素,以及将每个子评价因素的隶属度进行矩阵填充得到模糊评价矩阵,所述模糊评价矩阵的函数表达式:Rij=[rij k]m*n,其中,Rij表征为第i个评价因素的子评价因素集中第j个子评价因素Uij的模糊评价矩阵,m表征为第i个评价因素的子评价因素集中子评价因素总数量,n表征为评价等级的总数量。
作为本发明的一种优选方案,所述利用层次分析法确定出每个子评价因素的权重,包括:
步骤1:将各个评价因素、各个子评价因素分解成互相独立的层次,以相邻的上、下两个层次之间保持支配关系为原则将评价因素、子评价因素构建为递阶层次结构,以层次框图的形式对递阶层次结构和递阶层次结构内各个子评价因素和评价因素间的从属关系进行描述;
步骤2、在递阶层次结构中依次对评价因素所在层次、子评价因素所在层次利用9标度法对子评价因素所在层次进行相对重要程度赋值,将评价因素所在层次、子评价因素所在层次的上一层次依次作为评价因素所在层次、子评价因素所在层次的准则层,通过对比所述准则层得到评价因素所在层次中所有被比较的评价因素构成5*5的判断矩阵A=(ail)5x5,以及通过对比所述准则层得到子评价因素所在层次中所有被比较的子评价因素构成了m*m的判断矩阵Ai=(aijv)mxm,式中,ai为第i个评价因素与第l评价因素相对于准则层的重要度,aijv表示第i个评价因素中第j个子评价因素与第v个子评价因素相对于准则层的重要度,用1~9作为标度量化值,其中ali为ail的倒数,aijv为aivj的倒数,i∈[1,5],l∈[1,5],j∈[1,m],v∈[1,m],其中,l,v为计量常数;
步骤3:根据步骤2构造的判断矩阵A=(ail)5x5、Ai=(aijv)mxm,求出每个评价因素各自相对于准则层的相对权重W=(w1,w2,w3,w4,w5)T、每个子评价因素各自相对于准则层的相对权重wi=(Hj)T,i∈[1,5],j∈[1,m],并进行一致性检验;
步骤4:经过步骤3得到的W=(w1,w2,w3,w4,w5)T和wi=(Hj)T,i∈[1,5],j∈[1,m]进行权重组合,得到每个子评价因素相对总目标的相对权重值wij=wi*Hj。
作为本发明的一种优选方案,所述将每个子评价因素的权重和模糊评价矩阵利用模糊算子进行模糊计算得到每个子评价因素的模糊合成值作为每个子评价因素的综合评价权重,包括:
选取模糊算子M(·,+)算子将子评价因素的权重wij和模糊评价矩阵利用模糊算子进行模糊计算得到每个子评价因素的模糊合成值Bij=wijM(·,+)Rij,将每个子评价因素的模糊合成值Bij作为所述综合评价权重。
作为本发明的一种优选方案,所述利用综合评价权重对各个子评价因素进行加权得到公路交通能源自洽系统的综合效能评价得分,包括:
获取公路交通能源自洽系统的各个子评价因素的因素值,并将各个子评价因素的因素值与各个子评价因素的综合评价权重进行加权求和得到所述综合效能评价得分,所述综合效能评分的计算公式为:
式中,score为综合效能评分,Bij为第i个评价因素中第j个子评价因素的综合评价权重,Dij为第i个评价因素中第j个子评价因素的因素值。
作为本发明的一种优选方案,所述利用CNN神经网络基于子评价因素和综合效能评价得分进行学习训练得到效能评价模型,包括:
提取多个公路交通能源自洽系统作为样本系统,提取每个样本系统的所述因素值,以及基于因素值计算出每个样本系统的综合效能评分;
将因素值作为CNN神经网络的输入项,综合效能评分作为CNN神经网络的输出项,将CNN神经网络基于所述输入项和输出项进行模型训练得到表征子评价因素和综合效能评分映射关系的效能评价模型,所述效能评价模型的函数模型为:
score=CNN(D);
式中,score为综合效能评分的模型标识度,D为因素值的模型标识符,CNN为CNN神经网络的模型标识符。
作为本发明的一种优选方案,所述一致性检验包括:
对判断矩阵A=(ail)5x5中的每一列作正规化处理:
将正规化后得到的判断矩阵逐行横向相加后得到向量:
将向量进行正规化得到判断矩阵A对应的特征向量:
计算判断矩阵A=(ail)5x5的最大特征根:
计算一致性指标C.I:
查找平均随机一致性指标R.I:
R.I是计算机从1~9标度的17个标度值中,随机抽取5(5-1)/2个数填满5阶矩阵的上或下三角阵,用特征根法可求出该上或下三角矩阵对应的最大特征根λmax,再带入上式中求出C.I;
计算一致性比例C.R:
C.R=C.I/R.I;
当C.R<0.1时,认为判断矩阵A是合理的、可以接受的;
当C.R≥0.1,判断判断矩阵A不可接受,应对判断矩阵A进行修正调整。
作为本发明的一种优选方案,所述17个标度值包括1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2,1,2,3,4,5,6,7,8,9),所述判断矩阵Ai的一致性检验与判断矩阵A相同。
本发明与现有技术相比较具有如下有益效果:
本发明利用基于主客观赋权法能够对公路交通能源自洽系统的综合效能进行涵盖能效、可靠性、经济性、环保性的多属性多层级的评价,为综合效能的提升提供支撑,并且构建效能评价模型,能够直接对主客观赋权法进行模型学习得到子评价因素和综合效能评分映射关系,从而直接由模型计算出系统的综合效能评分,无需进行复杂赋权计算,提高评价效率。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的公路交通能源自洽系统综合效能评价方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,城市交通系统的评价需要考虑居民出行效率、道路网络运行效率、公共交通系统效率、环境影响与能源消耗水平以及交通系统经济性能五个方面,同时,各个方面又涉及到多个指标来表征其性能,因此,公交主导型城市交通系统效能评价是一个典型的多层次综合评价问题。在公交主导型城市交通系统效能评价体系中,既有可以依据规范、标准确定评价水平的指标,也存在无法明确属于哪一评价等级的指标,对于指标的分级评判存在模糊性,因此,本发明提供了一种公路交通能源自洽系统综合效能评价方法,包括以下步骤:
步骤S1、为公路交通能源自洽系统设置综合效能评价的评价因素集和因素评语集,并为评价因素集中每个评价因素设置子评价因素集,基于因素评语集确定出评价因素集中每个子评价因素的隶属度,以及根据所述隶属度得到表征评价因素集中各个子评价因素的模糊关系的模糊评价矩阵;
所述为公路交通能源自洽系统设置综合效能评价的评价因素集和因素评语集,并为评价因素集中每个评价因素设置子评价因素集,包括:
将居民出行效率、道路网络运行效率、公共交通系统效率、环境影响与能源消耗和交通系统经济性能构成评价因素集,所述评价因素集的函数表达式为:U={Ui|i∈[1,5]},Ui为第i个评价因素;
将小汽车平均出行距离、公交车平均出行距离、自行车平均出行距离、步行平均出行距离、全方式平均出行时耗和全方式居民出行延时指数构成居民出行效率的子评价因素集,所述居民出行效率的子评价因素集的函数表达式为:U1={U1j|j∈[1,6]},U1j为居民出行效率的子评价因素集中第j个子评价因素;
将道路网络平均行程车速、道路网络路段拥堵率、道路网络交叉口拥堵率、路段负荷均衡度和交叉口负荷均衡度构成道路网络运行效率的子评价因素集,所述道路网络运行效率的子评价因素集的函数表达式为:U2={U2j|j∈[1,5]},U2j为道路网络运行效率的子评价因素集中第j个子评价因素;
将公共交通全方式出行分担率、公交运营车速、公交复线系数、公交网络可达性和公共交通运能饱和度构成公共交通系统效率的子评价因素集,所述公共交通系统效率的子评价因素集的函数表达式为:U3={U3j|j∈[1,5]},U3j为公共交通系统效率的子评价因素集中第j个子评价因素;
将全网络能源消耗总量、路段百公里燃油消耗、路网CO排放量、路网NO排放量、路网HC排放量、路网PM10排放量和机动车污染物人均排放量构成环境影响与能源消耗的子评价因素集,所述环境影响与能源消耗的子评价因素集的函数表达式为:U4={U4j|j∈[1,7]},U4j为环境影响与能源消耗的子评价因素集中第j个子评价因素;
将居民出行人均成本、车均运营成本和交通拥堵直接经济损失构成交通系统经济性能的子评价因素集,所述交通系统经济性能的子评价因素集为:U5={U5j|j∈[1,3]},U5j为环境影响与能源消耗的子评价因素集中第j个子评价因素;
评价对象因素集U={U1(居民出行效率),U2(道路网络运行效率),U3(公共交通系统效率),U4(环境影响与能源消耗),U5(交通系统经济性能)},5个因素子集各自的因素集分别如下:
U1={U11(小汽车平均出行距离),U12(公交车平均出行距离),U13(自行车平均出行距离),U14(步行平均出行距离),U15(全方式平均出行时耗),U16(全方式居民出行延时指数)}
U2={U21(道路网络平均行程车速),U22(道路网络路段拥堵率),U23(道路网络交叉口拥堵率),U24(路段负荷均衡度),U25(交叉口负荷均衡度)}
U3={U31(公共交通全方式出行分担率),U32(公交运营车速),U33(公交复线系数),U34(公交网络可达性),U35(公共交通运能饱和度)}
U4={U41(全网络能源消耗总量),U42(路段百公里燃油消耗),U43(路网CO排放量),U44(路网NO排放量),U45(路网HC排放量),U46(路网PM10排放量),U47(机动车污染物人均排放量)}
U5={U51(居民出行人均成本),U52(车均运营成本),U53(交通拥堵直接经济损失)}。
将优、良、一般、较差和很差设置为因素评语集的5个评价等级,所述因素评语集的函数表达式为:V={Vk|k∈[1,5]},Vk为第k个评价等级;
因素评语集体现了评价者对某一因素(指标)可能给出的各种评价结果的集合,通常用字母V表示,例如V1(优),V2(良),V3(—般),V4(较差),V5(很差)}。评语集中每一级分别有各自对应的评价值,该评价值是一个评分区间,或一个评语临界值(或称评语标准值)。模糊综合评价中,每一评价等级对应一段确定的评分区间,本实施例中因素评语集采用[0,100]评分标准,具体评语集划分准则见下表1。
表1因素评语集
其中,i,j,k为计量常数。
所述基于因素评语集确定出评价因素集中每个子评价因素的隶属度,包括:
依次根据因素评语集中每个评价等级确定出评价因素集中每个子评价因素的隶属度,所述隶属度的函数表达式为:rij k,其中,rij k表征为第i个评价因素的子评价因素集中第j个子评价因素的隶属度。
所述根据所述隶属度得到表征评价因素集中各个子评价因素的模糊关系的模糊评价矩阵,包括:
将评价因素作为模糊评价矩阵的矩阵纵向元素,将评价等级作为模糊评价矩阵的矩阵横向元素,以及将每个子评价因素的隶属度进行矩阵填充得到模糊评价矩阵,所述模糊评价矩阵的函数表达式:Rij=[rij k]m*n,其中,Rij表征为第i个评价因素的子评价因素集中第j个子评价因素Uij的模糊评价矩阵,m表征为第i个评价因素的子评价因素集中子评价因素总数量,n表征为评价等级的总数量。
步骤S2、利用层次分析法确定出每个子评价因素的权重,选取模糊算子,将每个子评价因素的权重和模糊评价矩阵利用模糊算子进行模糊计算得到每个子评价因素的模糊合成值作为每个子评价因素的综合评价权重;
所述利用层次分析法确定出每个子评价因素的权重,包括:
步骤1:将各个评价因素、各个子评价因素分解成互相独立的层次,以相邻的上、下两个层次之间保持支配关系为原则将评价因素、子评价因素构建为递阶层次结构,以层次框图的形式对递阶层次结构和递阶层次结构内各个子评价因素和评价因素间的从属关系进行描述;
步骤2、在递阶层次结构中依次对评价因素所在层次、子评价因素所在层次利用9标度法对子评价因素所在层次进行相对重要程度赋值,将评价因素所在层次、子评价因素所在层次的上一层次依次作为评价因素所在层次、子评价因素所在层次的准则层,通过对比所述准则层得到评价因素所在层次中所有被比较的评价因素构成5*5的判断矩阵A=(ail)5x5,以及通过对比所述准则层得到子评价因素所在层次中所有被比较的子评价因素构成了m*m的判断矩阵Ai=(aijv)mxm,式中,ai为第i个评价因素与第l评价因素相对于准则层的重要度,aijv表示第i个评价因素中第j个子评价因素与第v个子评价因素相对于准则层的重要度,用1~9作为标度量化值,其中ali为ail的倒数,aijv为aivj的倒数,i∈[1,5],l∈[1,5],j∈[1,m],v∈[1,m],其中,l,v为计量常数;
步骤3:根据步骤2构造的判断矩阵A=(ail)5x5、Ai=(aijv)mxm,求出每个评价因素各自相对于准则层的相对权重W=(w1,w2,w3,w4,w5)T、每个子评价因素各自相对于准则层的相对权重wi=(Hj)T,i∈[1,5],j∈[1,m],并进行一致性检验;
步骤4:经过步骤3得到的W=(w1,w2,w3,w4,w5)T和wi=(Hj)T,i∈[1,5],j∈[1,m]进行权重组合,得到每个子评价因素相对总目标的相对权重值wij=wi*Hj。
所述将每个子评价因素的权重和模糊评价矩阵利用模糊算子进行模糊计算得到每个子评价因素的模糊合成值作为每个子评价因素的综合评价权重,包括:
选取模糊算子M(·,+)算子将子评价因素的权重wij和模糊评价矩阵利用模糊算子进行模糊计算得到每个子评价因素的模糊合成值Bij=wijM(·,+)Rij,将每个子评价因素的模糊合成值Bij作为所述综合评价权重。
步骤S3、利用综合评价权重对各个子评价因素进行加权得到公路交通能源自洽系统的综合效能评价得分,并利用CNN神经网络基于子评价因素和综合效能评价得分进行学习训练得到效能评价模型,以实现对公路交通能源自洽系统进行模型识别提高评价自动化程度。
所述利用综合评价权重对各个子评价因素进行加权得到公路交通能源自洽系统的综合效能评价得分,包括:
获取公路交通能源自洽系统的各个子评价因素的因素值,并将各个子评价因素的因素值与各个子评价因素的综合评价权重进行加权求和得到所述综合效能评价得分,所述综合效能评分的计算公式为:
式中,score为综合效能评分,Bij为第i个评价因素中第j个子评价因素的综合评价权重,Dij为第i个评价因素中第j个子评价因素的因素值。
所述利用CNN神经网络基于子评价因素和综合效能评价得分进行学习训练得到效能评价模型,包括:
提取多个公路交通能源自洽系统作为样本系统,提取每个样本系统的所述因素值,以及基于因素值计算出每个样本系统的综合效能评分;
将因素值作为CNN神经网络的输入项,综合效能评分作为CNN神经网络的输出项,将CNN神经网络基于所述输入项和输出项进行模型训练得到表征子评价因素和综合效能评分映射关系的效能评价模型,所述效能评价模型的函数模型为:
score=CNN(D);
式中,score为综合效能评分的模型标识度,D为因素值的模型标识符,CNN为CNN神经网络的模型标识符,模型用于对子评价因素和综合效能评分映射关系进行学习,从而学习出对各个子评价因素的主客观赋权的赋权规律,避免上述的赋权过程,直接得到评价多种异质能源时空耦合特性的耦合测度及其同质化模型,即由子评价因素的因素值得到综合效能评分。
所述一致性检验包括:
对判断矩阵A=(ail)5x5中的每一列作正规化处理:
将正规化后得到的判断矩阵逐行横向相加后得到向量:
将向量进行正规化得到判断矩阵A对应的特征向量:
计算判断矩阵A=(ail)5x5的最大特征根:
计算一致性指标C.I:
查找平均随机一致性指标R.I:
R.I是计算机从1~9标度的17个标度值中,随机抽取5(5-1)/2个数填满5阶矩阵的上或下三角阵,用特征根法可求出该上或下三角矩阵对应的最大特征根λmax,再带入上式中求出C.I,经过多次(500次以上)重复求得平均值。前人研宄中己确定的平均随机一致性指标值列于表2中。
表3平均随机一致性指标
计算一致性比例C.R:
C.R=C.I/R.I;
当C.R<0.1时,认为判断矩阵A是合理的、可以接受的;
当C.R≥0.1,判断判断矩阵A不可接受,应对判断矩阵A进行修正调整。
作为本发明的一种优选方案,所述17个标度值包括1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2,1,2,3,4,5,6,7,8,9),所述判断矩阵Ai的一致性检验与判断矩阵A相同。
本发明利用基于主客观赋权法能够对公路交通能源自洽系统的综合效能进行涵盖能效、可靠性、经济性、环保性的多属性多层级的评价,为综合效能的提升提供支撑,并且构建效能评价模型,能够直接对主客观赋权法进行模型学习得到子评价因素和综合效能评分映射关系,从而直接由模型计算出系统的综合效能评分,无需进行复杂赋权计算,提高评价效率。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (9)
1.一种公路交通能源自洽系统综合效能评价方法,其特征在于,包括以下步骤:
步骤S1、为公路交通能源自洽系统设置综合效能评价的评价因素集和因素评语集,并为评价因素集中每个评价因素设置子评价因素集,基于因素评语集确定出评价因素集中每个子评价因素的隶属度,以及根据所述隶属度得到表征评价因素集中各个子评价因素的模糊关系的模糊评价矩阵;
步骤S2、利用层次分析法确定出每个子评价因素的权重,选取模糊算子,将每个子评价因素的权重和模糊评价矩阵利用模糊算子进行模糊计算得到每个子评价因素的模糊合成值作为每个子评价因素的综合评价权重;
步骤S3、利用综合评价权重对各个子评价因素进行加权得到公路交通能源自洽系统的综合效能评价得分,并利用CNN神经网络基于子评价因素和综合效能评价得分进行学习训练得到效能评价模型,以实现对公路交通能源自洽系统进行模型识别提高评价自动化程度;
所述为公路交通能源自洽系统设置综合效能评价的评价因素集和因素评语集,并为评价因素集中每个评价因素设置子评价因素集,包括:
将居民出行效率、道路网络运行效率、公共交通系统效率、环境影响与能源消耗和交通系统经济性能构成评价因素集,所述评价因素集的函数表达式为:U={Ui|i∈[1,5]},Ui为第i个评价因素;
将小汽车平均出行距离、公交车平均出行距离、自行车平均出行距离、步行平均出行距离、全方式平均出行时耗和全方式居民出行延时指数构成居民出行效率的子评价因素集,所述居民出行效率的子评价因素集的函数表达式为:U1={U1j|j∈[1,6]},U1j为居民出行效率的子评价因素集中第j个子评价因素;
将道路网络平均行程车速、道路网络路段拥堵率、道路网络交叉口拥堵率、路段负荷均衡度和交叉口负荷均衡度构成道路网络运行效率的子评价因素集,所述道路网络运行效率的子评价因素集的函数表达式为:U2={U2j|j∈[1,5]},U2j为道路网络运行效率的子评价因素集中第j个子评价因素;
将公共交通全方式出行分担率、公交运营车速、公交复线系数、公交网络可达性和公共交通运能饱和度构成公共交通系统效率的子评价因素集,所述公共交通系统效率的子评价因素集的函数表达式为:U3={U3j|j∈[1,5]},U3j为公共交通系统效率的子评价因素集中第j个子评价因素;
将全网络能源消耗总量、路段百公里燃油消耗、路网CO排放量、路网NO排放量、路网HC排放量、路网PM10排放量和机动车污染物人均排放量构成环境影响与能源消耗的子评价因素集,所述环境影响与能源消耗的子评价因素集的函数表达式为:U4={U4j|j∈[1,7]},U4j为环境影响与能源消耗的子评价因素集中第j个子评价因素;
将居民出行人均成本、车均运营成本和交通拥堵直接经济损失构成交通系统经济性能的子评价因素集,所述交通系统经济性能的子评价因素集为:U5={U5j|j∈[1,3]},U5j为环境影响与能源消耗的子评价因素集中第j个子评价因素;
将优、良、一般、较差和很差设置为因素评语集的5个评价等级,所述因素评语集的函数表达式为:V={Vk|k∈[1,5]},Vk为第k个评价等级;
其中,i,j,k为计量常数。
2.根据权利要求1所述的一种公路交通能源自洽系统综合效能评价方法,其特征在于:所述基于因素评语集确定出评价因素集中每个子评价因素的隶属度,包括:
依次根据因素评语集中每个评价等级确定出评价因素集中每个子评价因素的隶属度,所述隶属度的函数表达式为:rij k,其中,rij k表征为第i个评价因素的子评价因素集中第j个子评价因素的隶属度。
3.根据权利要求2所述的一种公路交通能源自洽系统综合效能评价方法,其特征在于:所述根据所述隶属度得到表征评价因素集中各个子评价因素的模糊关系的模糊评价矩阵,包括:
将评价因素作为模糊评价矩阵的矩阵纵向元素,将评价等级作为模糊评价矩阵的矩阵横向元素,以及将每个子评价因素的隶属度进行矩阵填充得到模糊评价矩阵,所述模糊评价矩阵的函数表达式:Rij=[rij k]m*n,其中,Rij表征为第i个评价因素的子评价因素集中第j个子评价因素Uij的模糊评价矩阵,m表征为第i个评价因素的子评价因素集中子评价因素总数量,n表征为评价等级的总数量。
4.根据权利要求3所述的一种公路交通能源自洽系统综合效能评价方法,其特征在于:所述利用层次分析法确定出每个子评价因素的权重,包括:
步骤1:将各个评价因素、各个子评价因素分解成互相独立的层次,以相邻的上、下两个层次之间保持支配关系为原则将评价因素、子评价因素构建为递阶层次结构,以层次框图的形式对递阶层次结构和递阶层次结构内各个子评价因素和评价因素间的从属关系进行描述;
步骤2、在递阶层次结构中依次对评价因素所在层次、子评价因素所在层次利用9标度法对子评价因素所在层次进行相对重要程度赋值,将评价因素所在层次、子评价因素所在层次的上一层次依次作为评价因素所在层次、子评价因素所在层次的准则层,通过对比所述准则层得到评价因素所在层次中所有被比较的评价因素构成5*5的判断矩阵A=(ail)5x5,式中,ail为第i个评价因素与第l评价因素相对于准则层的重要度,以及通过对比所述准则层得到子评价因素所在层次中所有被比较的子评价因素构成了m*m的判断矩阵Ai=(aijv)mxm,式中,aijv表示第i个评价因素中第j个子评价因素与第v个子评价因素相对于准则层的重要度,用1~9作为标度量化值,其中ali为ail的倒数,aijv为aivj的倒数,i∈[1,5],l∈[1,5],j∈[1,m],v∈[1,m],其中,l,v为计量常数;
步骤3:根据步骤2构造的判断矩阵A=(ail)5x5、Ai=(aijv)mxm,求出每个评价因素各自相对于准则层的相对权重W=(w1,w2,w3,w4,w5)T、每个子评价因素各自相对于准则层的相对权重wi=(Hj)T,i∈[1,5],j∈[1,m],并进行一致性检验;
步骤4:经过步骤3得到的W=(w1,w2,w3,w4,w5)T和wi=(Hj)T,i∈[1,5],j∈[1,m]进行权重组合,得到每个子评价因素相对总目标的相对权重值
wij=wi*Hj。
5.根据权利要求4所述的一种公路交通能源自洽系统综合效能评价方法,其特征在于:所述将每个子评价因素的权重和模糊评价矩阵利用模糊算子进行模糊计算得到每个子评价因素的模糊合成值作为每个子评价因素的综合评价权重,包括:
选取模糊算子M(·,+)算子将子评价因素的权重wij和模糊评价矩阵利用模糊算子进行模糊计算得到每个子评价因素的模糊合成值Bij=wijM(·,+)Rij,将每个子评价因素的模糊合成值Bij作为所述综合评价权重。
6.根据权利要求5所述的一种公路交通能源自洽系统综合效能评价方法,其特征在于,所述利用综合评价权重对各个子评价因素进行加权得到公路交通能源自洽系统的综合效能评价得分,包括:
获取公路交通能源自洽系统的各个子评价因素的因素值,并将各个子评价因素的因素值与各个子评价因素的综合评价权重进行加权求和得到所述综合效能评价得分,所述综合效能评价得分的计算公式为:
式中,score为综合效能评价得分,Bij为第i个评价因素中第j个子评价因素的综合评价权重,Dij为第i个评价因素中第j个子评价因素的因素值。
7.根据权利要求6所述的一种公路交通能源自洽系统综合效能评价方法,其特征在于,所述利用CNN神经网络基于子评价因素和综合效能评价得分进行学习训练得到效能评价模型,包括:
提取多个公路交通能源自洽系统作为样本系统,提取每个样本系统的所述因素值,以及基于因素值计算出每个样本系统的综合效能评价得分;
将因素值作为CNN神经网络的输入项,综合效能评价得分作为CNN神经网络的输出项,将CNN神经网络基于所述输入项和输出项进行模型训练得到表征子评价因素和综合效能评价得分映射关系的效能评价模型,所述效能评价模型的函数模型为:
score=CNN(D);
式中,score为综合效能评价得分的模型标识度,D为因素值的模型标识符,CNN为CNN神经网络的模型标识符。
8.根据权利要求4所述的一种公路交通能源自洽系统综合效能评价方法,其特征在于,所述一致性检验包括:
对判断矩阵A=(ail)5x5中的每一列作正规化处理:
将正规化后得到的判断矩阵逐行横向相加后得到向量:
将向量进行正规化得到判断矩阵A对应的特征向量:
计算判断矩阵A=(ail)5x5的最大特征根:
计算一致性指标C.I:
查找平均随机一致性指标R.I:
R.I是计算机从1~9标度的17个标度值中,随机抽取5(5-1)/2个数填满5阶矩阵的上或下三角矩阵,用特征根法可求出该上或下三角矩阵对应的最大特征根λmax,再带入上式中求出C.I;
计算一致性比例C.R:
C.R=C.I/R.I;
当C.R<0.1时,认为判断矩阵A是合理的、可以接受的;
当C.R≥0.1,判断判断矩阵A不可接受,应对判断矩阵A进行修正调整。
9.根据权利要求8所述的一种公路交通能源自洽系统综合效能评价方法,其特征在于,所述17个标度值包括1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2,1,2,3,4,5,6,7,8,9),所述判断矩阵Ai的一致性检验与判断矩阵A相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210638149.7A CN114936786B (zh) | 2022-06-07 | 2022-06-07 | 一种公路交通能源自洽系统综合效能评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210638149.7A CN114936786B (zh) | 2022-06-07 | 2022-06-07 | 一种公路交通能源自洽系统综合效能评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114936786A CN114936786A (zh) | 2022-08-23 |
CN114936786B true CN114936786B (zh) | 2024-04-26 |
Family
ID=82865890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210638149.7A Active CN114936786B (zh) | 2022-06-07 | 2022-06-07 | 一种公路交通能源自洽系统综合效能评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936786B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297285A (zh) * | 2016-08-17 | 2017-01-04 | 重庆大学 | 基于动态权重的高速公路交通运行状态模糊综合评价方法 |
WO2018107510A1 (zh) * | 2016-12-13 | 2018-06-21 | 深圳先进技术研究院 | 公交系统服务质量的评估方法和装置 |
CN112766800A (zh) * | 2021-02-01 | 2021-05-07 | 中国市政工程华北设计研究总院有限公司 | 一种基于模糊层次分析法的城市绿色交通系统评价方法 |
WO2022041267A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州大成电子科技有限公司 | 一种轨道交通运维物流供应链风险识别与评估方法 |
CN114372682A (zh) * | 2021-12-27 | 2022-04-19 | 清华大学合肥公共安全研究院 | 基于ahp-模糊综合评价的消防服环境适应性评估方法及系统 |
CN114444922A (zh) * | 2022-01-25 | 2022-05-06 | 北京交通大学 | 一种群体智能控制下的混合交通效能评估方法 |
-
2022
- 2022-06-07 CN CN202210638149.7A patent/CN114936786B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297285A (zh) * | 2016-08-17 | 2017-01-04 | 重庆大学 | 基于动态权重的高速公路交通运行状态模糊综合评价方法 |
WO2018107510A1 (zh) * | 2016-12-13 | 2018-06-21 | 深圳先进技术研究院 | 公交系统服务质量的评估方法和装置 |
WO2022041267A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州大成电子科技有限公司 | 一种轨道交通运维物流供应链风险识别与评估方法 |
CN112766800A (zh) * | 2021-02-01 | 2021-05-07 | 中国市政工程华北设计研究总院有限公司 | 一种基于模糊层次分析法的城市绿色交通系统评价方法 |
CN114372682A (zh) * | 2021-12-27 | 2022-04-19 | 清华大学合肥公共安全研究院 | 基于ahp-模糊综合评价的消防服环境适应性评估方法及系统 |
CN114444922A (zh) * | 2022-01-25 | 2022-05-06 | 北京交通大学 | 一种群体智能控制下的混合交通效能评估方法 |
Non-Patent Citations (3)
Title |
---|
城市机动车交通资源状况模糊综合评判研究;周智勇,陈峻,王炜;交通与计算机(第01期);第3页-第6页 * |
基于神经网络的城市公共交通服务质量评价;邵祖峰;;城市交通(第06期);第38页-第41页 * |
高速公路隧道运营管理模糊综合评价;许宏科,王维敏,王世伟;西安建筑科技大学学报(自然科学版)(第03期);第382页-第385页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114936786A (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Evaluation of urban green transportation planning based on central point triangle whiten weight function and entropy-AHP | |
CN111260211A (zh) | 一种基于ahp-改进的熵权法-topsis的智慧能源系统评价方法及装置 | |
CN105469196A (zh) | 一种矿井建设项目过程后评价的综合评价方法及系统 | |
CN105550515B (zh) | 一种对空气质量数据进行多级综合评判的方法 | |
CN105117602A (zh) | 一种计量装置运行状态预警方法 | |
CN106997669A (zh) | 一种基于特征重要性的判断交通拥堵成因的方法 | |
CN110979342B (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
CN113987912A (zh) | 一种基于地理信息的污染物在线监测系统 | |
CN106651181A (zh) | 网络化运营条件下的公交客流拥塞风险评价方法 | |
CN103440525A (zh) | 基于Vague值相似度量改进算法的城市湖库水华应急治理多目标多层次决策方法 | |
CN104820877A (zh) | 基于云自适应pso-snn的光伏系统发电功率预测方法 | |
CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
CN112766800A (zh) | 一种基于模糊层次分析法的城市绿色交通系统评价方法 | |
CN115829326A (zh) | 基于优化组合赋权模型的山区公路建设风险评价方法 | |
CN115728463A (zh) | 一种基于半嵌入式特征选择的可解释性水质预测方法 | |
CN111806443A (zh) | 一种纯电动重卡无人驾驶能耗优化方法 | |
CN112132424A (zh) | 一种大规模储能多属性决策选型方法 | |
CN116402390A (zh) | 一种基于物元模型的道路施工区交通影响评价方法及系统 | |
CN113642162B (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
CN110570042A (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
CN114936786B (zh) | 一种公路交通能源自洽系统综合效能评价方法 | |
CN115392569A (zh) | 一种电动汽车充电站选址定容方法及系统 | |
Chen et al. | A data processing algorithm based on vehicle weigh-in-motion systems | |
Wang et al. | Online car-hailing service quality evaluation based on BP neural network | |
CN112785022B (zh) | 一种挖掘电能替代潜力的方法及系统 |
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 |