CN116523267A - 适用于轨道交通的车辆调度优化方法、系统及存储介质 - Google Patents
适用于轨道交通的车辆调度优化方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116523267A CN116523267A CN202310773558.2A CN202310773558A CN116523267A CN 116523267 A CN116523267 A CN 116523267A CN 202310773558 A CN202310773558 A CN 202310773558A CN 116523267 A CN116523267 A CN 116523267A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- vehicle
- flow data
- data
- driver
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 239000002245 particle Substances 0.000 claims description 30
- 230000007246 mechanism Effects 0.000 claims description 20
- 238000000547 structure data Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000003442 weekly effect Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种适用于轨道交通的车辆调度优化方法、系统及存储介质，包括：获取目标地区内轨道交通的交通线路图及历史客流数据，基于LSTM网络及图卷积神经网络构建客流预测模型，对交通线路图进行学习表示，获取当前客流数据的时空特征，生成预设时间后的预测客流数据；建立车辆调度模型，对车辆调度进行优化，获取最佳发车间隔制定计划运行图；根据计划运行图的总趟次配置车辆并生成任务号，为车辆配置司机，通过所述任务号、车辆及司机生成人力调度信息，按照预设方式进行发送及显示。本发明通过深度学习方法预测轨交客流数据，车辆调度提供精准的数据依据，并将运行计划与车辆及司机进行耦合，满足调度灵活性的同时，也具有非常强的计划性。
Description
技术领域
本发明涉及轨道交通技术领域，更具体的，涉及一种适用于轨道交通的车辆调度优化方法、系统及存储介质。
背景技术
轨道交通系统的调度分为三大步骤，分别是计划运行图制作，车辆派班以及司机派班这三步；由计划运行图生成各个计划任务，同时针对每个计划指定相应的执行车辆和司机；从而生成下一天的任务计划、车辆计划以及司机驾乘计划；不同公司在管理这三个步骤的关联紧密度各不相同，从而导致调度的灵活性也各不相同，部分轨道交通公司的计划运行图由正线调度员在软件上制定，车辆的派班由车辆段的调度员在软件上制定，司机的派班由司机队长在线下人工制定；绝大部分地铁公司按照该方法在执行；这种模式灵活性最高，但需要专门的司机调度人力，同时相关司机的驾乘数据需要专门的软件进行线上电子化，无法做到全自动；部分轨道交通公司把这三步都在软件上进行制定；大部分的中低运量轨道交通企业采用的是这种方案，这种方式所有的操作都电子化，计划性强，较少岗位的投入，但遇到突发事件后，比如即将执行任务的车辆异常等，需要人工修改计划好的各项调度任务，灵活性不高。
在轨道交通调度过程中，为了满足各种突发事件并减少运行的人力成本，需要一种适用于轨道交通的车辆调度优化方案来实现，以提升系统的信息化程度并确保任务的计划性。
发明内容
为了解决上述技术问题，本发明提出了一种适用于轨道交通的车辆调度优化方法、系统及存储介质。
本发明第一方面提供了一种适用于轨道交通的车辆调度优化方法，包括：
获取目标地区内轨道交通的交通线路图及历史客流数据，对所述历史客流数据进行预处理，并根据站点信息将预处理后的历史客流数据进行分类；
基于LSTM网络及图卷积神经网络构建客流预测模型，对所述交通线路图进行学习表示，获取对应的图结构数据，根据所述图结构数据获取当前客流数据的时空特征，获取预设时间后的预测客流数据；
建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图；
根据所述计划运行图的总趟次配置车辆并生成任务号，为车辆配置司机，通过所述任务号、车辆及司机生成人力调度信息，按照预设方式进行发送及显示。
本方案中，获取目标地区内轨道交通的交通线路图及历史客流数据，对所述历史客流数据进行预处理，具体为：
获取目标地区内轨道交通的交通线路图，根据所述交通线路图的网络拓扑构建无向图，将站点作为无向图中的节点，站点之间的连接关系作为无向图中的边结构；
获取目标地区的多源客流数据，在所述多源客流数据中筛选出轨道交通客流数据进行数据清洗，对异常数据进行剔除获取预处理后的历史客流数据，将所述历史客流数据根据预设时间步长进行划分；
将预设时间步长的历史客流数据进行累计，并按照时序进行排序获取预设时间内的客流时序序列，根据站点信息将预处理后的历史客流数据进行分类，利用站点信息对所述客流时序序列设置数据标签；
将带数据标签的客流时序序列导入所述无向图与节点进行匹配，对交通线路图对应的无向图进行数据填充。
本方案中，根据所述图结构数据获取当前客流数据的时空特征，获取预设时间后的预测客流数据，具体为：
获取交通线路图对应的无向图，利用离差标准化对无向图中各节点的客流时序序列进行归一化处理，将所述客流时序序列中预设时间步长内各节点的客流数据映射到区间[0,1]；
基于日周期、周周期及月周期选取目标周期，获取目标周期对应的客流时序序列，获取所述客流时序序列中归一化数据的平均值，作为无向图节点的初始权重；
根据目标周期设置三个LSTM单元，并引入注意力机制对所述LSTM单元进行优化，将不同周期的客流时序序列导入对应的LSTM单元，利用注意力机制获取不同时间段的权重信息；
通过所述不同时间段的权重信息对客流时序序列进行加权，通过LSTM单元提取不同站点客流数据的时序特征，将所述不同周期对应的时序特征进行特征融合，并作为图卷积神经网络的输入；
通过图卷积神经网络对所述无向图进行学习表示，将无向图映射到低维向量空间，根据无向图中节点的连接关系获取节点的邻接矩阵，获取图结构数据；
基于自注意力机制获取邻接矩阵中各邻接节点的自注意力权重，将所述自注意力权重与节点的初始权重进行结合，通过邻居聚合更新节点的向量表示，获取客流数据的时空特征，设置全连接层连接图卷积神经网络作为预测输出；
获取目标地区轨道交通当前客流数据，将当前客流数据与与预设时间步长的历史客流数据导入客流预测模型获取时空特征，并利用全连接层进行特征融合输出预设时间后的预测客流信息。
本方案中，建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图，之前包括：
根据目标地区的多源客流数据，将所述多源客流数据进行基于地点信息进行聚类分析获取目标区域各时间段中客流分布的热力可视图，根据所述热力可视图获取各时间段的兴趣点；
根据兴趣点在交通线路图上的分布及历史客流数据的时空特征筛选需要车辆调度的时间段及线路信息，读取需要调度线路对应不同周期的时空特征，基于所述不同周期的时空特征、站点基本信息及车辆运行信息获取线路特征；
将相邻列车在预设时间段内发车间隔作为决策变量，根据所述决策变量及线路特征利用大数据方法获取调度优化实例，提取所述调度优化实例中的约束条件；
对所述约束条件进行统计分析，获取各约束条件的使用频次，预设使用频次阈值进行筛选，同时利用线路特征判断筛选后各约束条件对应数据的获取便捷程度，选取预设数量的约束条件。
本方案中，建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图，具体为：
基于粒子群算法构建车辆调度模型，获取约束条件，基于乘客等待时间最小构建目标函数，根据调度时段及需要调度线路的预测客流信息进行相关参数的配置；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解获取调度时段的最佳发车间隔；
根据所述最佳发车间隔对需要调度线路的计划运行图进行更新，获取预设地区轨道交通的计划运行图。
本方案中，通过所述任务号、车辆及司机生成人力调度信息，具体为：
根据计划运行图通过时间戳生成任务号，并基于计划总趟次配置车辆，将所述任务号与车辆进行松耦合，仅通过时间戳下发任务号，不核对车辆是否匹配；
获取司机的请假信息，提取预设时间后司机的出勤信息，通过所述出勤信息将车辆与司机进行匹配；
根据匹配结果对车辆和司机进行强绑定，通过所述任务号、车辆及司机进行结合生成人力调度信息，将所述人力调度信息按照预设方式进行显示，并提前转发至司机端。
本发明第二方面还提供了一种适用于轨道交通的车辆调度优化系统，该系统包括：存储器、处理器，所述存储器中包括适用于轨道交通的车辆调度优化方法程序，所述适用于轨道交通的车辆调度优化方法程序被所述处理器执行时实现如下步骤：
获取目标地区内轨道交通的交通线路图及历史客流数据，对所述历史客流数据进行预处理，并根据站点信息将预处理后的历史客流数据进行分类；
基于LSTM网络及图卷积神经网络构建客流预测模型，对所述交通线路图进行学习表示，获取对应的图结构数据，根据所述图结构数据获取当前客流数据的时空特征，获取预设时间后的预测客流数据；
建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图；
根据所述计划运行图的总趟次配置车辆并生成任务号，为车辆配置司机，通过所述任务号、车辆及司机生成人力调度信息，按照预设方式进行发送及显示。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括适用于轨道交通的车辆调度优化方法程序，所述适用于轨道交通的车辆调度优化方法程序被处理器执行时，实现如上述任一项所述的适用于轨道交通的车辆调度优化方法的步骤。
本发明公开了一种适用于轨道交通的车辆调度优化方法、系统及存储介质，包括：获取目标地区内轨道交通的交通线路图及历史客流数据，基于LSTM网络及图卷积神经网络构建客流预测模型，对交通线路图进行学习表示，获取当前客流数据的时空特征，生成预设时间后的预测客流数据；建立车辆调度模型，对车辆调度进行优化，获取最佳发车间隔制定计划运行图；根据计划运行图的总趟次配置车辆并生成任务号，为车辆配置司机，通过所述任务号、车辆及司机生成人力调度信息，按照预设方式进行发送及显示。本发明通过深度学习方法预测轨交客流数据，车辆调度提供精准的数据依据，并将运行计划与车辆及司机进行耦合，满足调度灵活性的同时，也具有非常强的计划性。
附图说明
图1示出了本发明一种适用于轨道交通的车辆调度优化方法的流程图；
图2示出了本发明获取当前客流数据的时空特征的方法流程图；
图3示出了本发明根据预测客流数据对车辆调度进行优化的方法流程图；
图4示出了本发明一种适用于轨道交通的车辆调度优化系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种适用于轨道交通的车辆调度优化方法的流程图。
如图1所示，本发明第一方面提供了一种适用于轨道交通的车辆调度优化方法，包括：
S102，获取目标地区内轨道交通的交通线路图及历史客流数据，对所述历史客流数据进行预处理，并根据站点信息将预处理后的历史客流数据进行分类；
S104，基于LSTM网络及图卷积神经网络构建客流预测模型，对所述交通线路图进行学习表示，获取对应的图结构数据，根据所述图结构数据获取当前客流数据的时空特征，获取预设时间后的预测客流数据；
S106，建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图；
S108，根据所述计划运行图的总趟次配置车辆并生成任务号，为车辆配置司机，通过所述任务号、车辆及司机生成人力调度信息，按照预设方式进行发送及显示。
需要说明的是，获取目标地区内轨道交通的交通线路图，根据所述交通线路图的网络拓扑构建无向图，将站点作为无向图中的节点，站点之间的连接关系作为无向图中的边结构；获取目标地区的多源客流数据，例如AFC刷卡数据，在所述多源客流数据中筛选出轨道交通客流数据进行数据清洗，对异常数据进行剔除获取预处理后的历史客流数据，所述异常数据包括重复或缺失的数据、具有明显逻辑性错误的数据及不在轨道交通运行时间内的数据等，将所述历史客流数据根据预设时间步长进行划分；将预设时间步长的历史客流数据进行累计，并按照时序进行排序获取预设时间内的客流时序序列，根据站点信息将预处理后的历史客流数据进行分类，利用站点信息对所述客流时序序列设置数据标签；将带数据标签的客流时序序列导入所述无向图与节点进行匹配，对交通线路图对应的无向图进行数据填充。
图2示出了本发明获取当前客流数据的时空特征的方法流程图。
根据本发明实施例，根据所述图结构数据获取当前客流数据的时空特征，获取预设时间后的预测客流数据，具体为：
S202，获取交通线路图对应的无向图，利用离差标准化对无向图中各节点的客流时序序列进行归一化处理，将所述客流时序序列中预设时间步长内各节点的客流数据映射到区间[0,1]；
S204，基于日周期、周周期及月周期选取目标周期，获取目标周期对应的客流时序序列，获取所述客流时序序列中归一化数据的平均值，作为无向图节点的初始权重；
S206，根据目标周期设置三个LSTM单元，并引入注意力机制对所述LSTM单元进行优化，将不同周期的客流时序序列导入对应的LSTM单元，利用注意力机制获取不同时间段的权重信息；
S208，通过所述不同时间段的权重信息对客流时序序列进行加权，通过LSTM单元提取不同站点客流数据的时序特征，将所述不同周期对应的时序特征进行特征融合，并作为图卷积神经网络的输入；
S210，通过图卷积神经网络对所述无向图进行学习表示，将无向图映射到低维向量空间，根据无向图中节点的连接关系获取节点的邻接矩阵，获取图结构数据；
S212，基于自注意力机制获取邻接矩阵中各邻接节点的自注意力权重，将所述自注意力权重与节点的初始权重进行结合，通过邻居聚合更新节点的向量表示，获取客流数据的时空特征，设置全连接层连接图卷积神经网络作为预测输出；
S214，获取目标地区轨道交通当前客流数据，将当前客流数据与与预设时间步长的历史客流数据导入客流预测模型获取时空特征，并利用全连接层进行特征融合输出预设时间后的预测客流信息。
需要说明的是，为了消除不同站点客流数据之间的影响，对城市轨道交通数据进行归一化操作，提高预测模型的准确度。归一化有助于提高预测精度，减少数据误差对客流预测模型的影响。采用注意力机制介入的LSTM网络对输入数据的不同时间段赋予不同的权重，提取出更关键和更重要的信息用于客流数据时序特征的提取。基于双向长短期记忆神经网络模型整合客流数据的上下文特征，基于历史客流数据构建数据集，将所述数据集分为训练集与验证集，输入结合注意力机制的双向长短期记忆神经网络中进行训练，通过训练后的模型进行客流数据时序特征的提取。
引入自注意力机制，计算邻接节点的自注意力权重，自注意力权重的计算公式为：/>,/>表示特征项数，/>表示矩阵大小，/>表示查询向量，/>表示键向量，/>表示值向量，通过图卷积神经网络的消息传播及邻居聚合机制结合初始权重获取节点的向量化表示，通过图卷积神经网络进行空间特征的提取，结合时间特征最终输出客流数据的时空特征。
图3示出了本发明根据预测客流数据对车辆调度进行优化的方法流程图。
根据本发明实施例，建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图，具体为：
S302，基于粒子群算法构建车辆调度模型，获取约束条件，基于乘客等待时间最小构建目标函数，根据调度时段及需要调度线路的预测客流信息进行相关参数的配置；
S304，初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则更新粒子的速度及位置；
S306，计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解获取调度时段的最佳发车间隔；
S308，根据所述最佳发车间隔对需要调度线路的计划运行图进行更新，获取预设地区轨道交通的计划运行图。
需要说明的是，基于乘客等待时间最小构建目标函数目标函数为，其中，/>为乘客等待时间成本，/>分别为调度时间段及调度时间段总数，/>分别为站点及站点总数，/>为第i个调度时间段站点n的客流总数，/>为乘客平均候车时间，/>为车辆停留时间。
根据目标地区的多源客流数据，将所述多源客流数据进行基于地点信息进行聚类分析获取目标区域各时间段中客流分布的热力可视图，根据所述热力可视图获取各时间段的兴趣点；根据兴趣点在交通线路图上的分布及历史客流数据的时空特征筛选需要车辆调度的时间段及线路信息，读取需要调度线路对应不同周期的时空特征，基于所述不同周期的时空特征、站点基本信息及车辆运行信息获取线路特征；将相邻列车在预设时间段内发车间隔作为决策变量，根据所述决策变量及线路特征利用大数据方法获取调度优化实例，提取所述调度优化实例中的约束条件，例如列车的满载率、发车次数、舒适度以及列车发车时间间隔等；对所述约束条件进行统计分析，获取各约束条件的使用频次，预设使用频次阈值进行筛选，同时利用线路特征判断筛选后各约束条件对应数据的获取便捷程度，选取预设数量的约束条件。
需要说明的是，通过所述任务号、车辆及司机生成人力调度信息，具体为：根据计划运行图通过时间戳生成任务号，并基于计划总趟次配置车辆，将所述任务号与车辆进行松耦合，仅通过时间戳下发任务号，不核对车辆是否匹配，这样针对车辆变化等突发情况，无须针对调度系统做任何操作；获取司机的请假信息，提取预设时间后司机的出勤信息，通过所述出勤信息将车辆与司机进行匹配；根据匹配结果对车辆和司机进行强绑定，司机在前一天就知道明天他们什么时候开什么车。计划性也强，同时所有的信息都被调度管理系统记录，无须针对司机的派班进行线下操作；减少了相关人力的投入，通过所述任务号、车辆及司机进行结合生成人力调度信息，将所述人力调度信息按照预设方式进行显示，并提前转发至司机端。在列车运行过程中通过人脸检测获取司机的疲惫状态，当某司机的状态不符合预设标准时，则与其他司机进行调换。
根据本发明实施例，根据轨道交通各站点的预测客流数据进行站点客流的管控，具体为：
获取目标地区各时间段中客流分布的热力可视图，在所述热力可视图中获取热力值大于预设阈值的地点信息，根据所述地点信息设置目标地区各时间段的兴趣点；
获取目标地区各时间段的兴趣点，将所述兴趣点在交通线路图中进行标记，并将兴趣点对应站点或者预设范围内的站点作为兴趣站点；
基于交通线路图中的拓扑结构获取与兴趣站点存在连接的站点作为兴趣连接站点，读取历史客流信息中的乘车区间信息并进行统计分析，获取从各兴趣连接站点到兴趣站点的客流数据与兴趣站点总客流数据的比值信息；
选取目标兴趣点，根据目标兴趣点的当前客流数据获取预设时间后预测客流数据，当所述预测客流数据大于预设客流阈值时，则根据预测客流数据设置客流管控等级；
根据所述比值信息生成权重信息，将所述权重信息与预测客流信息进行加权计算，获取兴趣连接站点的客流管控等级。
需要说明的是，根据各站点的历史客流数据获取对应的拥挤程度及乘客平均候车时间，根据所述拥挤程度及乘客平均候车时间基于大数据分析或专家经验对历史客流数据生成相应的客流控制分级，获取客流数据与客流控制等级的映射关系，构建客流控制等级划分体系。
图4示出了本发明一种适用于轨道交通的车辆调度优化系统的框图。
本发明第二方面还提供了一种适用于轨道交通的车辆调度优化系统4，该系统包括：存储器41、处理器42，所述存储器中包括适用于轨道交通的车辆调度优化方法程序，所述适用于轨道交通的车辆调度优化方法程序被所述处理器执行时实现如下步骤：
获取目标地区内轨道交通的交通线路图及历史客流数据，对所述历史客流数据进行预处理，并根据站点信息将预处理后的历史客流数据进行分类；
基于LSTM网络及图卷积神经网络构建客流预测模型，对所述交通线路图进行学习表示，获取对应的图结构数据，根据所述图结构数据获取当前客流数据的时空特征，获取预设时间后的预测客流数据；
建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图；
根据所述计划运行图的总趟次配置车辆并生成任务号，为车辆配置司机，通过所述任务号、车辆及司机生成人力调度信息，按照预设方式进行发送及显示。
需要说明的是，获取目标地区内轨道交通的交通线路图，根据所述交通线路图的网络拓扑构建无向图，将站点作为无向图中的节点，站点之间的连接关系作为无向图中的边结构；获取目标地区的多源客流数据，例如AFC刷卡数据，在所述多源客流数据中筛选出轨道交通客流数据进行数据清洗，对异常数据进行剔除获取预处理后的历史客流数据，所述异常数据包括重复或缺失的数据、具有明显逻辑性错误的数据及不在轨道交通运行时间内的数据等，将所述历史客流数据根据预设时间步长进行划分；将预设时间步长的历史客流数据进行累计，并按照时序进行排序获取预设时间内的客流时序序列，根据站点信息将预处理后的历史客流数据进行分类，利用站点信息对所述客流时序序列设置数据标签；将带数据标签的客流时序序列导入所述无向图与节点进行匹配，对交通线路图对应的无向图进行数据填充。
根据本发明实施例，根据所述图结构数据获取当前客流数据的时空特征，获取预设时间后的预测客流数据，具体为：
获取交通线路图对应的无向图，利用离差标准化对无向图中各节点的客流时序序列进行归一化处理，将所述客流时序序列中预设时间步长内各节点的客流数据映射到区间[0,1]；
基于日周期、周周期及月周期选取目标周期，获取目标周期对应的客流时序序列，获取所述客流时序序列中归一化数据的平均值，作为无向图节点的初始权重；
根据目标周期设置三个LSTM单元，并引入注意力机制对所述LSTM单元进行优化，将不同周期的客流时序序列导入对应的LSTM单元，利用注意力机制获取不同时间段的权重信息；
通过所述不同时间段的权重信息对客流时序序列进行加权，通过LSTM单元提取不同站点客流数据的时序特征，将所述不同周期对应的时序特征进行特征融合，并作为图卷积神经网络的输入；
通过图卷积神经网络对所述无向图进行学习表示，将无向图映射到低维向量空间，根据无向图中节点的连接关系获取节点的邻接矩阵，获取图结构数据；
基于自注意力机制获取邻接矩阵中各邻接节点的自注意力权重，将所述自注意力权重与节点的初始权重进行结合，通过邻居聚合更新节点的向量表示，获取客流数据的时空特征，设置全连接层连接图卷积神经网络作为预测输出；
获取目标地区轨道交通当前客流数据，将当前客流数据与与预设时间步长的历史客流数据导入客流预测模型获取时空特征，并利用全连接层进行特征融合输出预设时间后的预测客流信息。
需要说明的是，为了消除不同站点客流数据之间的影响，对城市轨道交通数据进行归一化操作，提高预测模型的准确度。归一化有助于提高预测精度，减少数据误差对客流预测模型的影响。采用注意力机制介入的LSTM网络对输入数据的不同时间段赋予不同的权重，提取出更关键和更重要的信息用于客流数据时序特征的提取。基于双向长短期记忆神经网络模型整合客流数据的上下文特征，基于历史客流数据构建数据集，将所述数据集分为训练集与验证集，输入结合注意力机制的双向长短期记忆神经网络中进行训练，通过训练后的模型进行客流数据时序特征的提取。
引入自注意力机制，计算邻接节点的自注意力权重，自注意力权重的计算公式为：/>,/>表示特征项数，/>表示矩阵大小，/>表示查询向量，表示键向量，/>表示值向量，通过图卷积神经网络的消息传播及邻居聚合机制结合初始权重获取节点的向量化表示，通过图卷积神经网络进行空间特征的提取，结合时间特征最终输出客流数据的时空特征。
根据本发明实施例，建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图，具体为：
基于粒子群算法构建车辆调度模型，获取约束条件，基于乘客等待时间最小构建目标函数，根据调度时段及需要调度线路的预测客流信息进行相关参数的配置；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解获取调度时段的最佳发车间隔；
根据所述最佳发车间隔对需要调度线路的计划运行图进行更新，获取预设地区轨道交通的计划运行图。
需要说明的是，基于乘客等待时间最小构建目标函数目标函数为，其中，/>为乘客等待时间成本，/>分别为调度时间段及调度时间段总数，/>分别为站点及站点总数，/>为第i个调度时间段站点n的客流总数，/>为乘客平均候车时间，/>为车辆停留时间。
根据目标地区的多源客流数据，将所述多源客流数据进行基于地点信息进行聚类分析获取目标区域各时间段中客流分布的热力可视图，根据所述热力可视图获取各时间段的兴趣点；根据兴趣点在交通线路图上的分布及历史客流数据的时空特征筛选需要车辆调度的时间段及线路信息，读取需要调度线路对应不同周期的时空特征，基于所述不同周期的时空特征、站点基本信息及车辆运行信息获取线路特征；将相邻列车在预设时间段内发车间隔作为决策变量，根据所述决策变量及线路特征利用大数据方法获取调度优化实例，提取所述调度优化实例中的约束条件，例如列车的满载率、发车次数、舒适度以及列车发车时间间隔等；对所述约束条件进行统计分析，获取各约束条件的使用频次，预设使用频次阈值进行筛选，同时利用线路特征判断筛选后各约束条件对应数据的获取便捷程度，选取预设数量的约束条件。
需要说明的是，通过所述任务号、车辆及司机生成人力调度信息，具体为：根据计划运行图通过时间戳生成任务号，并基于计划总趟次配置车辆，将所述任务号与车辆进行松耦合，仅通过时间戳下发任务号，不核对车辆是否匹配，这样针对车辆变化等突发情况，无须针对调度系统做任何操作；获取司机的请假信息，提取预设时间后司机的出勤信息，通过所述出勤信息将车辆与司机进行匹配；根据匹配结果对车辆和司机进行强绑定，司机在前一天就知道明天他们什么时候开什么车。计划性也强，同时所有的信息都被调度管理系统记录，无须针对司机的派班进行线下操作；减少了相关人力的投入，通过所述任务号、车辆及司机进行结合生成人力调度信息，将所述人力调度信息按照预设方式进行显示，并提前转发至司机端。在列车运行过程中通过人脸检测获取司机的疲惫状态，当某司机的状态不符合预设标准时，则与其他司机进行调换。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括适用于轨道交通的车辆调度优化方法程序，所述适用于轨道交通的车辆调度优化方法程序被处理器执行时，实现如上述任一项所述的适用于轨道交通的车辆调度优化方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种适用于轨道交通的车辆调度优化方法，其特征在于，包括以下步骤：
获取目标地区内轨道交通的交通线路图及历史客流数据，对所述历史客流数据进行预处理，并根据站点信息将预处理后的历史客流数据进行分类；
基于LSTM网络及图卷积神经网络构建客流预测模型，对所述交通线路图进行学习表示，获取对应的图结构数据，根据所述图结构数据获取当前客流数据的时空特征，获取预设时间后的预测客流数据；
建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图；
根据所述计划运行图的总趟次配置车辆并生成任务号，为车辆配置司机，通过所述任务号、车辆及司机生成人力调度信息，按照预设方式进行发送及显示。
2.根据权利要求1所述的一种适用于轨道交通的车辆调度优化方法，其特征在于，获取目标地区内轨道交通的交通线路图及历史客流数据，对所述历史客流数据进行预处理，具体为：
获取目标地区内轨道交通的交通线路图，根据所述交通线路图的网络拓扑构建无向图，将站点作为无向图中的节点，站点之间的连接关系作为无向图中的边结构；
获取目标地区的多源客流数据，在所述多源客流数据中筛选出轨道交通客流数据进行数据清洗，对异常数据进行剔除获取预处理后的历史客流数据，将所述历史客流数据根据预设时间步长进行划分；
将预设时间步长的历史客流数据进行累计，并按照时序进行排序获取预设时间内的客流时序序列，根据站点信息将预处理后的历史客流数据进行分类，利用站点信息对所述客流时序序列设置数据标签；
将带数据标签的客流时序序列导入所述无向图与节点进行匹配，对交通线路图对应的无向图进行数据填充。
3.根据权利要求1所述的一种适用于轨道交通的车辆调度优化方法，其特征在于，根据所述图结构数据获取当前客流数据的时空特征，获取预设时间后的预测客流数据，具体为：
获取交通线路图对应的无向图，利用离差标准化对无向图中各节点的客流时序序列进行归一化处理，将所述客流时序序列中预设时间步长内各节点的客流数据映射到区间[0,1]；
基于日周期、周周期及月周期选取目标周期，获取目标周期对应的客流时序序列，获取所述客流时序序列中归一化数据的平均值，作为无向图节点的初始权重；
根据目标周期设置三个LSTM单元，并引入注意力机制对所述LSTM单元进行优化，将不同周期的客流时序序列导入对应的LSTM单元，利用注意力机制获取不同时间段的权重信息；
通过所述不同时间段的权重信息对客流时序序列进行加权，通过LSTM单元提取不同站点客流数据的时序特征，将所述不同周期对应的时序特征进行特征融合，并作为图卷积神经网络的输入；
通过图卷积神经网络对所述无向图进行学习表示，将无向图映射到低维向量空间，根据无向图中节点的连接关系获取节点的邻接矩阵，获取图结构数据；
基于自注意力机制获取邻接矩阵中各邻接节点的自注意力权重，将所述自注意力权重与节点的初始权重进行结合，通过邻居聚合更新节点的向量表示，获取客流数据的时空特征，设置全连接层连接图卷积神经网络作为预测输出；
获取目标地区轨道交通当前客流数据，将当前客流数据与与预设时间步长的历史客流数据导入客流预测模型获取时空特征，并利用全连接层进行特征融合输出预设时间后的预测客流信息。
4.根据权利要求1所述的一种适用于轨道交通的车辆调度优化方法，其特征在于，建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图，之前包括：
根据目标地区的多源客流数据，将所述多源客流数据进行基于地点信息进行聚类分析获取目标区域各时间段中客流分布的热力可视图，根据所述热力可视图获取各时间段的兴趣点；
根据兴趣点在交通线路图上的分布及历史客流数据的时空特征筛选需要车辆调度的时间段及线路信息，读取需要调度线路对应不同周期的时空特征，基于所述不同周期的时空特征、站点基本信息及车辆运行信息获取线路特征；
将相邻列车在预设时间段内发车间隔作为决策变量，根据所述决策变量及线路特征利用大数据方法获取调度优化实例，提取所述调度优化实例中的约束条件；
对所述约束条件进行统计分析，获取各约束条件的使用频次，预设使用频次阈值进行筛选，同时利用线路特征判断筛选后各约束条件对应数据的获取便捷程度，选取预设数量的约束条件。
5.根据权利要求1所述的一种适用于轨道交通的车辆调度优化方法，其特征在于，建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图，具体为：
基于粒子群算法构建车辆调度模型，获取约束条件，基于乘客等待时间最小构建目标函数，根据调度时段及需要调度线路的预测客流信息进行相关参数的配置；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解获取调度时段的最佳发车间隔；
根据所述最佳发车间隔对需要调度线路的计划运行图进行更新，获取预设地区轨道交通的计划运行图。
6.根据权利要求1所述的一种适用于轨道交通的车辆调度优化方法，其特征在于，通过所述任务号、车辆及司机生成人力调度信息，具体为：
根据计划运行图通过时间戳生成任务号，并基于计划总趟次配置车辆，将所述任务号与车辆进行松耦合，仅通过时间戳下发任务号，不核对车辆是否匹配；
获取司机的请假信息，提取预设时间后司机的出勤信息，通过所述出勤信息将车辆与司机进行匹配；
根据匹配结果对车辆和司机进行强绑定，通过所述任务号、车辆及司机进行结合生成人力调度信息，将所述人力调度信息按照预设方式进行显示，并提前转发至司机端。
7.一种适用于轨道交通的车辆调度优化系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括适用于轨道交通的车辆调度优化方法程序，所述适用于轨道交通的车辆调度优化方法程序被所述处理器执行时实现如下步骤：
获取目标地区内轨道交通的交通线路图及历史客流数据，对所述历史客流数据进行预处理，并根据站点信息将预处理后的历史客流数据进行分类；
基于LSTM网络及图卷积神经网络构建客流预测模型，对所述交通线路图进行学习表示，获取对应的图结构数据，根据所述图结构数据获取当前客流数据的时空特征，获取预设时间后的预测客流数据；
建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图；
根据所述计划运行图的总趟次配置车辆并生成任务号，为车辆配置司机，通过所述任务号、车辆及司机生成人力调度信息，按照预设方式进行发送及显示。
8.根据权利要求7所述的一种适用于轨道交通的车辆调度优化系统，其特征在于，建立车辆调度模型，根据所述预测客流数据对车辆调度进行优化，获取最佳发车间隔，根据所述最佳发车间隔制定计划运行图，具体为：
基于粒子群算法构建车辆调度模型，获取约束条件，基于乘客等待时间最小构建目标函数，根据调度时段及需要调度线路的预测客流信息进行相关参数的配置；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解获取调度时段的最佳发车间隔；
根据所述最佳发车间隔对需要调度线路的计划运行图进行更新，获取预设地区轨道交通的计划运行图。
9.根据权利要求7所述的一种适用于轨道交通的车辆调度优化系统，其特征在于，通过所述任务号、车辆及司机生成人力调度信息，具体为：
根据计划运行图通过时间戳生成任务号，并基于计划总趟次配置车辆，将所述任务号与车辆进行松耦合，仅通过时间戳下发任务号，不核对车辆是否匹配；
获取司机的请假信息，提取预设时间后司机的出勤信息，通过所述出勤信息将车辆与司机进行匹配；
根据匹配结果对车辆和司机进行强绑定，通过所述任务号、车辆及司机进行结合生成人力调度信息，将所述人力调度信息按照预设方式进行显示，并提前转发至司机端。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括适用于轨道交通的车辆调度优化方法程序，所述适用于轨道交通的车辆调度优化方法程序被处理器执行时，实现如权利要求1至6中任一项所述的适用于轨道交通的车辆调度优化方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310773558.2A CN116523267B (zh) | 2023-06-28 | 2023-06-28 | 适用于轨道交通的车辆调度优化方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310773558.2A CN116523267B (zh) | 2023-06-28 | 2023-06-28 | 适用于轨道交通的车辆调度优化方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116523267A true CN116523267A (zh) | 2023-08-01 |
| CN116523267B CN116523267B (zh) | 2024-01-12 |
Family
ID=87399732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310773558.2A Active CN116523267B (zh) | 2023-06-28 | 2023-06-28 | 适用于轨道交通的车辆调度优化方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523267B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408857A (zh) * | 2023-12-13 | 2024-01-16 | 深圳市海成智联科技有限公司 | 一种基于区域协同的车辆运行图编制方法 |
| CN118295513A (zh) * | 2024-06-05 | 2024-07-05 | 山东淼汇智能科技有限公司 | 一种轨道交通afc设备的节能管理方法、装置及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105930937A (zh) * | 2016-05-07 | 2016-09-07 | 浙江大学 | 一种考虑地铁快慢线的列车运行调度一体化优化方法 |
| CN113077090A (zh) * | 2021-04-09 | 2021-07-06 | 上海大学 | 客流预测方法、系统及计算机可读存储介质 |
| US20230062565A1 (en) * | 2020-12-25 | 2023-03-02 | Casco Signal Co., Ltd. | Intelligent dispatching method and system for rail transit |
| CN115759441A (zh) * | 2022-11-24 | 2023-03-07 | 浙江工业职业技术学院 | 深度图卷积短时客流预测方法、系统、介质、设备及终端 |
-
2023
- 2023-06-28 CN CN202310773558.2A patent/CN116523267B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105930937A (zh) * | 2016-05-07 | 2016-09-07 | 浙江大学 | 一种考虑地铁快慢线的列车运行调度一体化优化方法 |
| US20230062565A1 (en) * | 2020-12-25 | 2023-03-02 | Casco Signal Co., Ltd. | Intelligent dispatching method and system for rail transit |
| CN113077090A (zh) * | 2021-04-09 | 2021-07-06 | 上海大学 | 客流预测方法、系统及计算机可读存储介质 |
| CN115759441A (zh) * | 2022-11-24 | 2023-03-07 | 浙江工业职业技术学院 | 深度图卷积短时客流预测方法、系统、介质、设备及终端 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408857A (zh) * | 2023-12-13 | 2024-01-16 | 深圳市海成智联科技有限公司 | 一种基于区域协同的车辆运行图编制方法 |
| CN117408857B (zh) * | 2023-12-13 | 2024-03-26 | 深圳市海成智联科技有限公司 | 一种基于区域协同的车辆运行图编制方法 |
| CN118295513A (zh) * | 2024-06-05 | 2024-07-05 | 山东淼汇智能科技有限公司 | 一种轨道交通afc设备的节能管理方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116523267B (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116523267B (zh) | 适用于轨道交通的车辆调度优化方法、系统及存储介质 | |
| CN108242149B (zh) | 一种基于交通数据的大数据分析方法 | |
| CN114390079B (zh) | 一种智慧城市公共场所管理方法和物联网系统 | |
| Huang et al. | A novel bus-dispatching model based on passenger flow and arrival time prediction | |
| CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
| Qi et al. | How long a passenger waits for a vacant taxi--large-scale taxi trace mining for smart cities | |
| CN114743401A (zh) | 一种基于公交数字化转型的数据可视化公交调度管理平台 | |
| CN116824861B (zh) | 基于城市大脑平台多维数据的共享单车调度方法和系统 | |
| CN113276915A (zh) | 一种地铁发车调度方法和系统 | |
| Utku et al. | Multi-layer perceptron based transfer passenger flow prediction in Istanbul transportation system | |
| CN117610734A (zh) | 基于深度学习的用户行为预测方法、系统和电子设备 | |
| CN106295868A (zh) | 交通出行数据处理方法及装置 | |
| CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 | |
| Wang et al. | Metroeye: A weather-aware system for real-time metro passenger flow prediction | |
| CN116050581A (zh) | 一种智慧城市地铁行车调度优化方法和物联网系统 | |
| CN115098564A (zh) | 一种乘客出行需求分析方法及系统 | |
| CN111222666A (zh) | 一种数据计算方法和装置 | |
| Xue et al. | Traffic status evolution trend prediction based on congestion propagation effects under rainy weather | |
| CN114662912B (zh) | 一种基于公交数字化转型的智能公交运营服务平台 | |
| Mrudula et al. | Internet of things and optimized knn based intelligent transportation system for traffic flow prediction in smart cities | |
| CN112509357B (zh) | 一种基于遗传算法的公交发车时间间隔优化方法 | |
| CN117172461A (zh) | 自动驾驶公交调度系统及基于客流预测的公交调度方法 | |
| CN115860246A (zh) | 一种城市轨道交通客流管控方法及装置 | |
| Liyanage et al. | Neural network approaches for forecasting short-term on-road public transport passenger demands | |
| CN118840242B (zh) | 基于双视角下的多模态边缘云车路数据协同驱动决策系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |