CN116664017A - 一种轨道交通公共区域适老性评价方法及系统 - Google Patents
一种轨道交通公共区域适老性评价方法及系统 Download PDFInfo
- Publication number
- CN116664017A CN116664017A CN202310934149.6A CN202310934149A CN116664017A CN 116664017 A CN116664017 A CN 116664017A CN 202310934149 A CN202310934149 A CN 202310934149A CN 116664017 A CN116664017 A CN 116664017A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- cloud model
- public area
- index
- cloud
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 164
- 230000032683 aging Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 98
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007667 floating Methods 0.000 claims description 5
- 230000002431 foraging effect Effects 0.000 claims 1
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 19
- 238000003860 storage Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method 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
- 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种轨道交通公共区域适老性评价方法及系统,其方法包括:获取待评估公共区域的评语数据,其中,评语数据为基于预先建立的评价指标体系中的指标对待评估公共区域进行评价得到的评语;基于预先建立的公共区域适老性评价等级标准云模型以及评语数据,确定基础云模型;其中,基础云模型用于对评语数据进行量化;基于基础云模型和各个指标的权重确定待评估公共区域的综合云模型,将综合云模型可视化,得到待评估公共区域的评估结果,其中,各个指标的权重基于主客观组合赋权优化模型确定。通过该方法,实现了基于云模型的轨道交通公共区域适老性评价方法,使适老性评价结果更为全面客观。
Description
技术领域
本公开涉及轨道交通评价领域,尤其涉及一种轨道交通公共区域适老性评价方法及系统。
背景技术
轨道交通以其安全、准时、运量大等特点,在城市公共交通发展中承担着越来越重要的角色。伴随着我国社会老龄化逐步加剧,未来老年人也面临着逐步延迟退休的局面,预示着其出行频率将越来越大。轨道交通作为公共交通出行方式的一种,具备一定优势,是大多数老年人的出行选择。但当前轨道交通设计未能充分考虑老年乘客的特殊需求,日益复杂的轨道交通信息和设计,往往让老年人感到无所适从。针对于轨道交通公共区域适老性评价工作也相对滞后,没有形成一套完整的评价体系。
当前,与适老性评价相关的研究主要集中于住宅、社区、城市等方面,但针对于轨道交通公共区域的适老性评价的研究较为匮乏,轨道交通公共区域没有一套科学、合理的适老性评价体系。
发明内容
本公开提供了一种轨道交通公共区域适老性评价方法、系统、电子设备及存储介质。
根据本公开的第一方面,提供了一种轨道交通公共区域适老性评价方法,所述方法包括:获取待评估公共区域的评语数据,其中,评语数据为基于预先建立的评价指标体系中的指标对待评估公共区域进行评价得到的评语;
基于预先建立的公共区域适老性评价等级标准云模型以及评语数据,确定基础云模型;其中,基础云模型用于对评语数据进行量化;
基于基础云模型和各个指标的权重确定待评估公共区域的综合云模型,将综合云模型可视化,得到待评估公共区域的评估结果,其中,各个指标的权重基于主客观组合赋权优化模型确定。
通过上述方法,能够将待评估公共区域的评语通过预先建立的适老性评价标准云进行量化,得到基础云,根据基础云向上进行虚拟得到待评估公共区域的综合云,进而得到评
价结果。与传统的综合评价方法相比较,引入了云模型理论,能够兼顾评价过程中的随机性和模糊性,同时能够最大限度地保证结果的准确度,简化了计算过程,提高了计算效率。
根据本公开的第二方面,提供了一种轨道交通公共区域适老性评价系统,系统包括:获取模块,用于获取待评估公共区域的评语数据,其中,评语数据为基于预先建立的评价指标体系中的指标对待评估公共区域进行评价得到的评语;
确定模块,用于基于预先建立的公共区域适老性评价等级标准云模型以及评语数据,确定基础云模型;其中,基础云模型用于对评语数据进行量化;
确定模块还用于:基于基础云模型和各个指标的权重确定待评估公共区域的综合云模型,将综合云模型可视化,得到待评估公共区域的评估结果,其中,各个指标的权重基于主客观组合赋权优化模型确定。
根据本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本公开的上述方法。
附图说明
在下面结合附图对于示例性实施例的描述中,本公开的更多细节、特征和优点被公开,在附图中:
图1为本公开一示例性实施例提供的一种技术路线图;
图2为本公开一示例性实施例提供的轨道交通站点公共区域适老性评价指标筛选思路图;
图3为本公开一示例性实施例提供的评语集云模型标准图;
图4- 7为本公开一示例性实施例提供的一级指标的云模型图;
图8为本公开一示例性实施例提供的指标综合雷达图;
图9为本公开一示例性实施例提供的综合云模型图;
图10为本公开一示例性实施例提供的一种轨道交通公共区域适老性评价方法的示意性流程图;
图11为本公开一示例性实施例提供的一种轨道交通公共区域适老性评价系统的功能模块示意性框图;
图12为本公开一示例性实施例提供的电子设备的结构框图;
图13为本公开一示例性实施例提供的计算机系统的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本公开使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的系统、模块或单元进行区分,并非用于限定这些系统、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个系统之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
当前,与适老性评价相关的研究主要集中于住宅、社区、城市等方面,但针对于轨道交通公共区域的适老性评价的研究较为匮乏,轨道交通公共区域没有一套科学、合理的适老性评价体系。
因此,本公开提供了一种轨道交通公共区域适老性评价方法,为轨道交通公共区域建立一套科学、合理的适老性评价体系。
图1为本发明方法的技术路线示意图。为了使本发明的目的、发明内容及优点更加清楚明白,以下结合技术路线图对本发明作进一步的详细说明:
步骤一、相关理论研究。本部分获取了国内外相关文献,确定当前的轨道交通公共区域评价现状,从而确定了老年人的群体特征,包括生理、心理、需求和行为特征,以及轨道交通公共区域的定义划分。
步骤二、构建轨道交通公共区域适老性评价指标体系。可选地,该步骤包括以下步骤:
1. 确定轨道交通公共区域适老性评价指标选取依据与思路。
本公开主要采用文献资料、政策标准、实地调研、问卷调查四大类作为轨道交通公共区域适老性评价指标选取的依据。其中,相关资料包括轨道交通车站适老性设计,轨道交通车站公共区域通用设计,轨道交通车站标识适老性研究、轨道交通车站导视系统色彩研究、绿色地铁设计评价等主题在内的多篇研究文献;实地调研,主要包括北京市轨道交通站点;相关政策标准包括国内有关轨道交通站点无障碍设计、适老性设计的指导意见与技术标准;调查问卷的内容涉及老年人对于初选指标重要性的判断,具体思路如图2所示。
2. 轨道交通公共区域适老性评价指标初选。
根据上述适老性评价指标选取依据与思路,综合相关技术规范和相关文献,建立轨道交通公共区域评价指标数据库,对数据库中的数据进行聚类归纳,初步选取轨道交通公共区域适老性评价指标,将一级指标设为4个维度,包括安全、便捷、可靠、舒适,这4个维度能够较为全面地覆盖轨道交通公共区域适老性评价的各个领域,进而给出一级指标所对应的二级、三级指标。
3. 轨道交通公共区域适老性评价指标遴选。
以初选的各项指标为基础内容,运用统计分析法,重新筛选指标变量,最终遴选出轨道交通公共区域适老性评价指标。
在一种可能的实现方式中,采用SPSS23.0软件对预先收集的问卷结果进行统计分析,从而对评价指标进行相对客观的筛选。其过程主要包含2个步骤:第一,使用SPSS23.0软件对问卷结果进行信度分析,以确定问卷结果的可靠性与一致性;第二,使用算术平均数、满分比以及变异系数三个方面的指标对评价指标进行筛选,判断初选指标是否合适。调查问卷中对所有指标的重要性打分反映了老年乘客意见的离散程度、集中程度以及协调程度。关于意见的离散和集中程度可以用满分比()、算数平均数(/>)、标准差(/>)以及变异系数(/>)等指标进行评价,并对指标进行筛选。通过上述的指标筛选,确定出最终的轨道交通公共区域适老性评价指标体系,包含4个一级指标,9个二级指标以及26个三级指标,如表1所示。
表1:轨道交通公共区域适老性评价指标体系
步骤三、构建轨道交通公共区域适老性评价体系模型。该步骤可以包括以下步骤:
1.确定评价指标权重。
在多属性决策问题中,权重确定是至关重要的一部分,能够反应出某一指标在整体评价中的相对重要程度。评价指标的权重值决定着评价结果的科学性和合理性,而权重的确定方法主要有主观赋权法和客观赋权法。
主观赋权法是指基于专家的专业知识、经验判断各项指标的相对重要程度,从而进行主观赋值,是一种定性的方法。主观赋权方法的优点是简单直观,专家或者个人可以根据自身经验和知识,排列出指标重要性的先后顺序。该类方法的主要缺点是主观随意性太强,选取的专家群体不同,得出的权系数也会有较大差异,而且一致性很难保证。有研究表明,无法通过人为挑选专家或者增加专家数量等手段从而根本上克服这一缺陷。但对于专业性较强的领域,且较难获得实际数据时,可以充分体现出主观赋权法的优势。客观赋权不同于主观赋权法对专家给予评价指标重要程度排序,而是需要评价指标体系的实际测量数据,从而保证计算得出的权重系数具有绝对的客观性。但其同样存在一定的缺点,在某些情况,其计算得出的权重系数可能会与各指标的实际重要程度存在较大的出入,导致最后计算出的结果与实际问题存在较大的偏差。此外,由于客观赋权法有严谨的数学依据,通常不会考虑决策者的主观意向。
综上所述,本公开采用主客观组合赋权法,来确定已建立的轨道交通公共区域适老性评价指标体系中的指标权重,其中客观方法采用熵权法,主观方法采用改进型序关系分析法。
在主观赋权方法中,序关系分析法具有3点优势:一、运算过程清晰、明确;二、能充分体现专家的意愿;三、无需判断矩阵和进行一致性检验。但该方法也存在一定的缺陷,由于序关系分析法需要满足强一致性和弱一致性,导致在某些情况下不符合客观评价环境。因此,改进型序关系分析法便应运而生,通过引入指标贡献率的概念,使得评价所需指标不必满足强一致性的条件,只需满足弱一致性即可。首先可以计算出4个一级指标的权重值,进而计算出相应的二级和三级指标权重值。
而熵权法的原理是根据指标变异性的大小来确定权重,一般来讲,某项指标的差异越大,表明其信息熵越小,提供的信息量也越多,相应的权重也越大。相反,某项评价指标的差异越小,表明其信息熵/>越大,提供的信息量也越少,相应的权重也越小。熵权法包括如下几个步骤:
S1:数据标准化;
S2:计算第j项指标下,第个被评价对象的特征比重;
S3:计算第j项指标的信息熵;
S4:确定各指标权重。
客观权重无法反映决策者的主观意愿,主观权重不能反映数据信息,因此,客观权重向量和主观权重向量都不是最优的权重向量。因此,为了权重的稳定性,有必要将主观和客观的权重组合起来,以使组合后的权重更为合理和有效。目前权数的组合方法有乘法合成法与线性加权组合法。乘法合成法只是将各种方法得到的权重进行简单处理,可解释性不好。线性加权组合法中组合权重的大小取决于权系数的分配,但对于权系数的确定方法差异性较大。为了确保组合权重可以兼顾主客观权重的优势,本公开采用主客观组合赋权优化模型来计算组合权重,模型计算步骤介绍如下:
1)已知主观权重向量和客观权重向量/>,设组合权重向量/>。当/>时,指标/>和指标/>的主观权重关系是/>;
2)确定约束条件;
(1)
(2)
式中,,/>分别为指标/>的主观权重和客观权重。
3)求解权重。
(3)
(4)
根据上述的非线性规划模型,即可求解出各项指标的组合权重值,将计算结果按指标顺序汇总,如表2所示。
表2:轨道交通公共区域适老性评价指标体系权重值
2. 建立基于正态云模型的适老性综合评价模型。
上述建立的轨道交通公共区域适老性评价指标体系属于多属性决策问题,其决策结果受到各种不可控的影响因素,即不确定性。作为描述定性概念的随机性和模糊性的有效工具,云模型已成为研究的一个常见主题。通过实现定性概念和定量数据之间不确定的转换,云模型提供了一种新的方法来解决不确定问题。正是由于云模型的这一特征,本公开基于云模型的相关理论,建立了综合评价模型,建立步骤如下:
(1) 确定评价指标集。
根据步骤二中建立的轨道交通公共区域适老性评价指标体系,将三级指标进行集合划分:
设集合,其中,/>表示评价指标的云模型集合,其中/>代表系统第a个指标的云模型;/>,其中/>代表/>对应的第b个指标的云模型;/>,其中/>是/>的第/>个指标的云模型,以此类推,便可将三级指标体系进行相应的划分并形成对应的云模型集合。
(2) 构建评价等级标准云模型。
构建评语集,其中/>为优秀,属于等级5;/>为良好,属于等级4;/>为一般,属于等级3;/>为较差,属于等级2;/>为很差,属于等级1。本公开采用如下公式来定义评语集模型的数字特征:
(5)
(6)
(7)
其中,个评语集的期望,/>表示第/>个评语集的熵,/>表示第/>个评语集的超熵,/>为评语集的数量,(/>)表示第/>个评语集的取值范围;/>为常数,其值表示评语集的模糊程度,一般可由专家根据自身经验给出。本公开的/>值根据评语集的取值范围并结合专家的自身经验取值,如表1所示。当有/>名专家对被评价对象进行评价时,便可以获得/>个评语集,然后将这/>个评语集汇总为1个云模型,公式如下:
(8)
其中,为所述评语集的数量,/>、/>和/>分别为第/>个评语集的期望、熵和超熵,/>、/>和/>分别为所述基础云模型的期望、熵和超熵。
由式5、式6以及式7,可以得到评语集云模型数字特征,如表3所示。
表3:评语集云模型数字特征表
利用Matlab软件以及正态云发生器,将上述构造的5个等级的评语云进行可视化,结果如图3所示。
(3) 构建评价系统的虚拟云模型。
结合上述计算的指标权重值,利用虚拟浮动云和综合云的运算法则进行综合评价,其数字特征计算方法如式9、式10所示。
(9)
式中为三级指标或二级指标的数量。
若云模型的评估指标为,最后的云模型为/>,那么综合的构造公式为:
(10)
其中,表示第/>个一级指标的期望,/>表示第/>个一级指标的熵,/>表示第/>个一级指标的超熵,/>表示第/>个一级指标的权重,/>、/>和/>分别为综合云模型的期望、熵和超熵/>
本公开所建立的轨道交通公共区域适老性评价指标体系共有三个层级,在进行综合评价时,首先将第三级指标进行虚拟云化,通过式9结合相应指标的权重,虚拟出第二级指标的数字特征,进而便可得出4个1级指标的虚拟云模型。通过式10进行综合集结,最终便可得出轨道交通目标站点的适老性水平高低。
(4) 评价等级标准云模型的相似度
为了进一步确认待评估云模型的等级,引入相似度概念,令,计算公式如下:
(11)
其中,表示综合云模型与第/>个标准云模型的相似度;/>表示综合云模型的期望;/>和/>分别是第/>个标准云模型的期望和熵。
基于最大相似度所对应的评语等级便是最终的评价结果,并通过与五个评语等级的可视化标准云图进行复核,使评价结果更加准确。
可选地,为了证实建立的综合评价模型的可行性,运用所建立的综合评价模型对轨道交通站点进行实际评价应用,验证模型的可行性并结合所得结果为实例站点提出适老性方面的改善措施。
示例性的,本公开以北京市轨道交通双井站作为评价对象,验证所建立的轨道交通公共区域适老性评价指标体系的科学性。具体实施步骤如下:
S1:收集评语数据。
由于前文建立的轨道交通公共区域适老性评价指标体系中大部分指标相对主观,难以直接量化。同时由于轨道交通站点运营方出于对站内乘客隐私的保护,禁止无关人员在站内拍摄,这就导致部分本来容易量化的数据难以直接获得,使得多数指标只能通过收集专家给出的对应指标分值。通过将收集的指标分值转化为评语数据并进行云模型表示,最终以量化的形式进行适老性综合评价。
因此,本公开邀请2位轨道交通站点设计专家、2位研究老年人出行专家以及2位老年乘客代表,对评价指标体系中所有三级指标对应站点内的实际情况做出评价,并给出相应的评语。此过程专家和老年乘客之间相互匿名,且相互无干扰,保证获得的评语集独立、真实。通过对获得的数据进行整理、汇总,获取双井站公共区域适老性评价指标的评价值。
S2:建立各个指标的云模型。
结合设置的评价等级标准云模型,将表4中关于各指标的评语值云模型化表示,利用式8将4位专家和2位乘客代表的评语值转化为基云,再结合各指标的权重值及式9,利用虚拟云理论将各指标的基云以集合的形式生成多个浮动云。另外,利用逆向云发生器将表中指标U411的定量数据转化为三个数字特征值,再结合该指标权重值生成对应的云模型。
表4:双井站公共区域适老性评价指标的评价值
(1) 安全类评价指标云模型生成。
安全类指标包含2个二级指标,因此需要进行两次虚拟来得到一级指标A安全的云模型,具体步骤如下:
第一步:利用式8计算出2个二级指标对应的三级指标U111到U123的云模型,如表5所示。
第二步:利用表3中的指标权重和式9,将表3中的三级指标基云进行模拟,得到安全类二级指标的云模型U11和U12,如表6所示。
第三步:利用表6中安全类二级指标的云模型向上虚拟,得到一级指标A安全的云模型,计算过程如下:
表5:一级指标安全所属三级指标云模型
表6:一级指标安全所属二级指标云模型
综上,可以得出一级指标安全的云模型为U1(64.71,15.11,0.24)。
根据计算结果,设定N=4000,利用正向云发生器输入4000个云滴,得到安全类一级指标的云模型图,结果如图4所示。
由图4可以直观地看出,双井站在安全类指标云的期望落在[60,70]区间内,因此双井站在安全类指标的适老性评价指标体系中表现为一般。
(2) 便捷类评价指标云模型生成。
便捷类指标包含2个二级指标,因此同样需要进行两次虚拟来得到一级指标B便捷的云模型,步骤如下:
第一步:利用式8计算出2个二级指标对应的三级指标U211到U223的云模型,如表7所示。
第二步:利用表3中的指标权重值和式9,将表7中的三级指标基云进行模拟,得到便捷类二级指标的云模型U21和U22,如表8所示。
表7:一级指标便捷所属三级指标云模型
表8:一级指标便捷所属二级指标云模型
第三步:利用表8中便捷类二级指标的云模型向上虚拟,得到一级指标B便捷的云模型为U2(64,15,0.24)。
根据计算结果,设定N=4000,利用正向云发生器输入4000个云滴,得到便捷类一级指标的云模型图,结果如图5所示。
由图5可以直观地看出,双井站在便捷类指标云的期望落在[60,70]区间内,因此双井站在便捷类指标的适老性评价指标体系中表现为一般。
(3) 可靠类评价指标云模型生成。
可靠类指标包含2个二级指标,因此需要进行两次虚拟来得到一级指标C可靠的云模型,步骤如下:
第一步:利用式8计算出2个二级指标对应的三级指标U311到U323的云模型,如表9所示。
表9:一级指标可靠所属三级指标云模型
第二步:利用表3中的指标组合权重值和式9,将表9中的三级指标基云进行模拟,得到可靠类二级指标的云模型U31和U32,如表10所示。
第三步:利用表10中可靠类二级指标的云模型向上虚拟,得到一级指标C可靠的云模型为U3(59.43,17.74,0.24)。
表10:一级指标可靠所属二级指标云模型
根据计算结果,设定N=4000,利用正向云发生器输入4000个云滴,得到可靠类一级指标的云模型图,结果如图6所示。
由图6可以直观地看出,双井站在可靠类指标云的期望落在[40,60]区间内,因此双井站在可靠类指标的适老性评价指标体系中表现为较差。
(4) 舒适类评价指标云模型生成。
可靠类指标包含3个二级指标,因此需要进行两次虚拟来得到一级指标D舒适的云模型,步骤如下:
第一步:利用式8计算出3个二级指标对应的三级指标U411到U432的云模型,如表11所示。
第二步:利用表3中的指标组合权重值和式9,将表11中的三级指标基云进行模拟,得到舒适类二级指标的云模型U41、U42和U43,如表12所示。
表11:一级指标舒适所属三级指标云模型
表12:一级指标舒适所属二级指标云模型
第三步:利用表12中舒适类二级指标的云模型向上虚拟,得到一级指标D舒适的云模型为U4(70.06,13.61,0.35)。
根据计算结果,设定N=4000,利用正向云发生器输入4000个云滴,得到舒适类一级指标的云模型图,结果如图7所示。
由图7可以直观地看出,双井站在舒适类指标云的期望落在[60,75]区间内,因此双井站在舒适类指标的适老性评价指标体系中表现为一般。
综上所述,得出双井站在4个一级指标方面的适老性评价结果,将所得结果汇总于雷达图,如图8所示,以便于直接观察。
S3:建立适老性评价指标体系综合云模型。
为了进一步得到双井站在适老性水平的整体情况,将上一节计算得出的4个一级指标的云模型利用式10进行综合计算,得到双井站的综合评价云模型,具体计算过程如下
因此,双井站的公共区域适老性评价综合评价云模型U为U(63.82,15.52,0.26)。
根据计算结果,通过Matlab软件,利用正向云发生器输入4000个云滴,得到双井站公共区域适老性评价云图,结果如图9所示。
由图9可以直观地看出,双井站公共区域适老性综合评价云的云滴主要落[45,75]在区间内,期望为63.82,属于“一般”等级,说明双井站的公共区域适老性评价结果为一般。
为了进一步确认待评估云模型的等级,利用式11,计算双井站的公共区域适老性综合评价云模型与评语等级标准云模型的相似度,计算结果如表13所示。
表13:云模型相似度
由表13可以看出,云模型最大相似度为0.339,与“一般”等级最为相似。综上,双井站公共区域适老性评价的最终结果为一般。
基于上述实施例,本公开实施例还提供了一种轨道交通公共区域适老性评价方法,如图10所示,该方法可以包括如下步骤:
在步骤S110中,获取待评估公共区域的评语数据,评语数据为基于预先建立的评价指标体系中的指标对待评估公共区域进行评价得到的评语。
其中,待评估公共区域可以为某个列车的站点,评语数据可以由专家或乘客根据预先建立的指标体系中的指标对公共区域进行评价获得。
在步骤S210中,基于预先建立的公共区域适老性评价等级标准云模型以及评语数据,确定基础云模型;其中,基础云模型用于对评语数据进行量化。
其中,云模型是一种可以将定性语言值描述与科学定量计算结合起来的不确定性转换
模型,能够体现语言概念的随机性和模糊性,是实现定性定量转换的有效工具。
在步骤S310中,基于基础云模型和各个指标的权重确定待评估公共区域的综合云模型,将综合云模型可视化,得到待评估公共区域的评估结果,其中,所述各个指标的权重基于主客观组合赋权优化模型确定。
其中,各个指标的权重为主观权重和客观权重的组合权重。
通过上述方法,能够将待评估公共区域的评语通过预先建立的适老性评价标准云进行量化,得到基础云,根据基础云向上进行虚拟得到待评估公共区域的综合云,进而得到评价结果。与传统的综合评价方法相比较,引入了云模型理论,能够兼顾评价过程中的随机性和模糊性,同时能够最大限度地保证结果的准确度,简化了计算过程,提高了计算效率。
为了更清楚地对本公开进行说明,基于上述实施例,上述方法还包括:
在步骤S410中,筛选轨道交通公共区域评价指标,基于评价指标建立评价指标体系,其中, 筛选轨道交通公共区域评价指标,包括:
对预先建立的数据库中包含的指标数据进行聚类归纳,初步筛选出评价指标;数据库包括轨道交通公共区域适老性评价指标数据;
具体的筛选过程可参考步骤二中的相关描述,此处不再赘述。
对初步筛选的指标进行筛选,得到轨道交通公共区域适老性评价指标体系,其中,评价指标体系包括:4个一级指标,9个二级指标和26个三级指标。
具体的指标可参考表2,此处不再赘述。
为了更清楚地对本公开进行说明,基于上述实施例,上述方法还包括:
在步骤S510中,基于改进型序关系分析法确定评价指标的主观权重。
其中,改进型序关系分析法通过引入指标贡献率的概念,使得评价所需指标不必满足强一致性的条件,只需满足弱一致性即可。
示例性的,可以先计算出4个一级指标的权重值,进而计算出相应的二级和三级指标权重值。
在步骤S610中,基于熵权法确定评价指标的客观权重。
其中,熵权法是根据指标变异性的大小来确定权重,一般来讲,某项指标的差异越大,表明其信息熵越小,提供的信息量也越多,相应的权重也越大。相反,某项评价指标的差异越小,表明其信息熵/>越大,提供的信息量也越少,相应的权重也越小。
在步骤S710中,基于主客观组合赋权优化模型确定各个指标的权重,计算公式如下:
其中,,/>分别为指标/>的主观权重和客观权重,/>为指标/>的权重,/>为指标/>的权重。
为了更清楚地对本公开进行说明,基于上述实施例,上述步骤S210中,还包括:
在步骤S2101中,构建评语集,其中/>为优秀,属于等级5;/>为良好,属于等级4;/>为一般,属于等级3;为较差,属于等级2;/>为很差,属于等级1。
在步骤S2102中,采用云模型,用期望、熵和超熵3个数字特征表示公共区域适老性评价等级云模型,数字特征计算公式如下:
其中,个评语集的期望,/>表示第/>个评语集的熵,/>表示第/>个评语集的超熵,/>为评语集的数量,(/>)表示第/>个评语集的取值范围;/>为常数,其值表示评语集的模糊程度,一般可以由专家给定。
为了更清楚地对本公开进行说明,基于上述实施例,上述步骤S210中,还包括:
在步骤S2103中,基于评价等级标准云模型,将评语数据进行云模型化,得到多个评语集云模型,将多个评语集云模型进行综合,得到基础云模型,综合公式如下:
其中,为所述评语集的数量,/>、/>和/>分别为第/>个评语集的期望、熵和超熵,/>、/>和/>分别为所述基础云模型的期望、熵和超熵。
为了更清楚地对本公开进行说明,基于上述实施例,上述步骤S110中的评语数据为基于三级指标对待评估公共区域进行评价得到的评语,在上述步骤S310中,还包括:
在步骤S3101中,基于三级指标的权重和基础云模型,利用浮动云算法进行两次迭代运算 ,得到二级指标的云模型和一级指标的云模型,进行浮动云算法如下:
在一种可能的实现方式中,先将各个三级指标的权重和基础云模型的数字特征代入上式中,得到二级指标云模型的数字特征,再将各个二级指标的权重和数字特征代入上式中,得到一级指标的云模型的数字特征。
在一种可能的实现方式中,基础云模型为三级指标的云模型;在计算二级指标的云模型时,表示第/>个三级指标的期望,/>表示第/>个三级指标的熵,/>表示第/>个三级指标的超熵,/>表示第/>个三级指标的权重,/>、/>和/>分别为二级指标云模型的期望、熵和超熵。在计算一级指标的云模型时,/>表示第/>个二级指标的期望,/>表示第/>个二级指标的熵,/>表示第/>个二级指标的超熵,/>表示第/>个二级指标的权重,/>、/>和/>分别为一级指标云模型的期望、熵和超熵。
在步骤S3102中,基于一级指标的云模型,利用综合云算法,得到综合云模型,综合云算法如下:
其中,表示第/>个一级指标的期望,/>表示第/>个一级指标的熵,/>表示第/>个一级指标的超熵,/>表示第/>个一级指标的权重,/>、/>和/>分别为所述综合云模型的期望、熵和超熵。
为了更清楚地对本公开进行说明,基于上述实施例,上述步骤S310还包括:
在步骤S3103中,根据综合云模型的期望、熵和超熵,利用正向发生器得到云滴;
云的定义:设U是一个用精确数值表示的定量论域,C是U上的定性概念,若定量值
是定性概念C的一次随机实现,x对C的确定度μ(x)∈[0,1],是有稳定倾向的随机数,则x在论域U上的分布称为云(Cloud),每一个x称为一个云滴。
正向发生器表示的是某个定性的语言描述概念同定量数据之间相互转化不确定性的模型,是由定性到定量的关系映射,具有前向直接的特点。
在步骤S3104中,基于云滴得到综合评估云图,基于综合评估云图得到评估结果。
为了更清楚地对本公开进行说明,基于上述实施例,上述方法还包括:
在步骤S810中,确定综合云模型与评价等级标准云模型的相似度,将最大相似度所对应的评语等级作为评估结果,确定相似度的公式如下:
其中,表示综合云模型与第/>个标准云模型的相似度;/>表示综合云模型的期望;/>和/>分别是第/>个标准云模型的期望和熵。
本公开提供的方法,能够将待评估公共区域的评语通过预先建立的适老性评价标准云进行量化,得到基础云,根据基础云向上进行虚拟得到待评估公共区域的综合云,进而得到评价结果。与传统的综合评价方法相比较,引入了云模型理论,能够兼顾评价过程中的随机性和模糊性,同时能够最大限度地保证结果的准确度,简化了计算过程,提高了计算效率。
在采用对应各个功能划分各个功能模块的情况下,本公开实施例提供了一种轨道交通公共区域适老性评价系统,该系统可以为服务器或应用于服务器的芯片。图11为本公开一示例性实施例提供的一种轨道交通公共区域适老性评价系统的功能模块示意性框图。如图11所示,该系统包括:
获取模块301,用于获取待评估公共区域的评语数据,其中,评语数据为基于预先建立的评价指标体系中的指标对待评估公共区域进行评价得到的评语;
确定模块302,用于基于预先建立的公共区域适老性评价等级标准云模型以及评语数据,确定基础云模型;其中,基础云模型用于对评语数据进行量化;
确定模块302还用于:基于基础云模型和各个指标的权重确定待评估公共区域的综合云模型,将综合云模型可视化,得到待评估公共区域的评估结果,其中,各个指标的权重基于主客观组合赋权优化模型确定。
本公开实施例还提供一种电子设备,包括:至少一个处理器;用于存储至少一个处理器可执行指令的存储器;其中,至少一个处理器被配置为执行指令,以实现本公开实施例公开的上述方法。
图12为本公开一示例性实施例提供的电子设备的结构示意图。如图12所示,该电子设备1800包括至少一个处理器1801以及耦接至处理器1801的存储器1802,该处理器1801可以执行本公开实施例公开的上述方法中的相应步骤。
上述处理器1801还可以称为中央处理单元(central processing unit,CPU),其可以是一种集成电路芯片,具有信号的处理能力。本公开实施例公开的上述方法中的各步骤可以通过处理器1801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1801可以是通用处理器、数字信号处理器(digital signal processing,DSP)、ASIC、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储器1802中,例如随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质。处理器1801读取存储器1802中的信息,结合其硬件完成上述方法的步骤。
另外,根据本公开的各种操作/处理在通过软件和/或固件实现的情况下,可从存储介质或网络向具有专用硬件结构的计算机系统,例如图13所示的计算机系统1900安装构成该软件的程序,该计算机系统在安装有各种程序时,能够执行各种功能,包括诸如前文所述的功能等等。图13为本公开一示例性实施例提供的计算机系统的结构框图。
计算机系统1900旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动系统,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算系统。本公开所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本公开中描述的和/或者要求的本公开的实现。
如图13所示,计算机系统1900包括计算单元1901,该计算单元1901可以根据存储在只读存储器(ROM)1902中的计算机程序或者从存储单元1908加载到随机存取存储器(RAM)1903中的计算机程序,来执行各种适当的动作和处理。在RAM 1903中,还可存储计算机系统1900操作所需的各种程序和数据。计算单元1901、ROM 1902以及RAM 1903通过总线1904彼此相连。输入/输出(I/O)接口1905也连接至总线1904。
计算机系统1900中的多个部件连接至I/O接口1905,包括:输入单元1906、输出单元1907、存储单元1908以及通信单元1909。输入单元1906可以是能向计算机系统1900输入信息的任何类型的设备,输入单元1906可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元1907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1908可以包括但不限于磁盘、光盘。通信单元1909允许计算机系统1900通过网络诸如因特网的与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1901执行上文所描述的各个方法和处理。例如,在一些实施例中,本公开实施例公开的上述方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1902和/或通信单元1909而被载入和/或安装到电子设备1900上。在一些实施例中,计算单元1901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开实施例公开的上述方法。
本公开实施例还提供一种计算机可读存储介质,其中,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行本公开实施例公开的上述方法。
本公开实施例中的计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、系统或设备使用或与指令执行系统、系统或设备结合地使用的程序。上述计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、系统或设备,或者上述内容的任何合适组合。更具体的,上述计算机可读存储介质可以包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
本公开实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现本公开实施例公开的上述方法。
在本公开的实施例中,可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机,或者,可以连接到外部计算机。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块、部件或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块、部件或单元的名称在某种情况下并不构成对该模块、部件或单元本身的限定。
本公开中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示例性的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种轨道交通公共区域适老性评价方法,其特征在于,所述方法包括:
获取待评估公共区域的评语数据,其中,所述评语数据为基于预先建立的评价指标体系中的指标对所述待评估公共区域进行评价得到的评语;
基于预先建立的公共区域适老性评价等级标准云模型以及所述评语数据,确定基础云模型;其中,所述基础云模型用于对评语数据进行量化;
基于所述基础云模型和各个指标的权重确定所述待评估公共区域的综合云模型,将所述综合云模型可视化,得到所述待评估公共区域的评估结果,其中,所述各个指标的权重基于主客观组合赋权优化模型确定。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
筛选轨道交通公共区域评价指标,基于所述评价指标建立所述评价指标体系,其中,筛选轨道交通公共区域评价指标,包括:
对预先建立的数据库中包含的指标数据进行聚类归纳,初步筛选出评价指标;所述数据库包括轨道交通公共区域适老性评价指标数据;
对所述初步筛选的指标进行筛选,得到轨道交通公共区域适老性评价指标体系,其中,所述评价指标体系包括:4个一级指标,9个二级指标和26个三级指标。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于改进型序关系分析法确定所述评价指标的主观权重;
基于熵权法确定所述评价指标的客观权重;
基于所述主客观组合赋权优化模型确定所述各个指标的权重,计算公式如下:
其中,,/>分别为指标/>的主观权重和客观权重,/>为指标/>的权重,/>为指标/>的权重。
4.根据权利要求1所述的方法,其特征在于,所述预先建立的公共区域适老性评价等
级标准云模型,包括:
构建评语集,其中/>为优秀,属于等级5;/>为良好,属于等级4;/>为一般,属于等级3;/>为较差,属于等级2;/>为很差,属于等级1;
采用云模型,用期望、熵和超熵3个数字特征表示公共区域适老性评价等级云模型,数字特征计算公式如下:
其中,表示第/>个评语集的期望, />表示第/>个评语集的熵, />表示第/>个评语集的超熵,/>为评语集的数量,(/>)表示第/>个评语集的取值范围;/>为常数,其值表示评语集的模糊程度。
5.根据权利要求4所述的方法,其特征在于,基于预先建立的公共区域适老性评价等级标准云模型以及所述评语数据,确定基础云模型,包括:
基于所述评价等级标准云模型,将所述评语数据进行云模型化,得到多个评语集云模型,将所述多个评语集云模型进行综合,得到所述基础云模型,综合公式如下:
其中,为所述评语集的数量,/>、/>和/>分别为第/>个评语集的期望、熵和超熵,/>、/>和/>分别为所述基础云模型的期望、熵和超熵。
6.根据权利要求1述的方法,其特征在于,所述评语数据为基于所述三级指标对所述待评估公共区域进行评价得到的评语,所述基于所述基础云模型和各个指标的权重确定所述待评估公共区域的综合云模型,包括:
基于所述三级指标的权重和所述基础云模型,利用浮动云算法进行两次迭代运算,得到所述二级指标的云模型和所述一级指标的云模型,进行所述浮动云算法如下:
基于所述一级指标的云模型,利用综合云算法,得到综合云模型,所述综合云算法如下:
其中,表示第/>个一级指标的期望,/>表示第/>个一级指标的熵,/>表示第/>个一级指标的超熵,/>表示第/>个一级指标的权重,/>、/>和/>分别为所述综合云模型的期望、熵和超熵。
7.根据权利要求1所述的方法,其特征在于,所述将所述综合云模型可视化,得到评估结果,包括:
根据所述综合云模型的期望、熵和超熵,利用正向发生器得到云滴;
基于云滴得到综合评估云图,基于所述综合评估云图得到评估结果。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述综合云模型与所述评价等级标准云模型的相似度,将最大相似度所对应的评语等级作为评估结果,确定所述相似度的公式如下:
其中,表示综合云模型与第/>个标准云模型的相似度;/>表示综合云模型的期望;/>和/>分别是第/>个标准云模型的期望和熵。
9.一种轨道交通公共区域适老性评价系统,其特征在于,所述系统包括:
获取模块,用于获取待评估公共区域的评语数据,其中,所述评语数据为基于预先建立的评价指标体系中的指标对所述待评估公共区域进行评价得到的评语;
确定模块,用于基于预先建立的公共区域适老性评价等级标准云模型以及所述评语数据,确定基础云模型;其中,所述基础云模型用于对评语数据进行量化;
所述确定模块还用于:基于所述基础云模型和各个指标的权重确定所述待评估公共区域的综合云模型,将所述综合云模型可视化,得到所述待评估公共区域的评估结果,其中,所述各个指标的权重基于主客观组合赋权优化模型确定。
10.一种电子设备,其特征在于,包括:
至少一个处理器;
用于存储所述至少一个处理器可执行指令的存储器;
其中,所述至少一个处理器被配置为执行所述指令,以实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934149.6A CN116664017B (zh) | 2023-07-28 | 2023-07-28 | 一种轨道交通公共区域适老性评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934149.6A CN116664017B (zh) | 2023-07-28 | 2023-07-28 | 一种轨道交通公共区域适老性评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664017A true CN116664017A (zh) | 2023-08-29 |
CN116664017B CN116664017B (zh) | 2023-11-17 |
Family
ID=87724472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310934149.6A Active CN116664017B (zh) | 2023-07-28 | 2023-07-28 | 一种轨道交通公共区域适老性评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664017B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911911A (zh) * | 2023-09-12 | 2023-10-20 | 杭州慧泰数据科技有限公司 | 一种公共产品投放预测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810533A (zh) * | 2013-08-15 | 2014-05-21 | 国家电网公司 | 一种基于云模型的配电网故障风险识别方法 |
CN110689248A (zh) * | 2019-09-18 | 2020-01-14 | 国网陕西省电力公司西安供电公司 | 一种基于云模型和可能度分析的一流城市配电网评估方法 |
CN111476454A (zh) * | 2020-03-03 | 2020-07-31 | 浙江海洋大学 | 一种使用云模型的复杂水上交通情景危险度评价方法 |
CN113988692A (zh) * | 2021-11-10 | 2022-01-28 | 中铁第一勘察设计院集团有限公司 | 基于灰色模糊的城市群轨道交通网络化规划评价方法 |
CN114139940A (zh) * | 2021-11-30 | 2022-03-04 | 国网浙江省电力有限公司 | 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法 |
CN114254935A (zh) * | 2021-12-22 | 2022-03-29 | 武汉理工大学 | 基于云模型和熵权法的邮轮风险评估方法及系统 |
CN114565253A (zh) * | 2022-02-21 | 2022-05-31 | 武汉理工大学 | 一种基于组合赋权-云模型的客滚船航行风险评估方法 |
JP7186472B1 (ja) * | 2021-08-23 | 2022-12-09 | ▲寧▼波工程学院 | 2次元クラウドモデルに基づく大水深における大口径場所打ち杭施工のリスク評価方法 |
CN116151675A (zh) * | 2023-02-23 | 2023-05-23 | 河海大学 | 一种基于云模型与熵权组合的堤防工程现代化评价方法 |
-
2023
- 2023-07-28 CN CN202310934149.6A patent/CN116664017B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810533A (zh) * | 2013-08-15 | 2014-05-21 | 国家电网公司 | 一种基于云模型的配电网故障风险识别方法 |
CN110689248A (zh) * | 2019-09-18 | 2020-01-14 | 国网陕西省电力公司西安供电公司 | 一种基于云模型和可能度分析的一流城市配电网评估方法 |
CN111476454A (zh) * | 2020-03-03 | 2020-07-31 | 浙江海洋大学 | 一种使用云模型的复杂水上交通情景危险度评价方法 |
JP7186472B1 (ja) * | 2021-08-23 | 2022-12-09 | ▲寧▼波工程学院 | 2次元クラウドモデルに基づく大水深における大口径場所打ち杭施工のリスク評価方法 |
CN113988692A (zh) * | 2021-11-10 | 2022-01-28 | 中铁第一勘察设计院集团有限公司 | 基于灰色模糊的城市群轨道交通网络化规划评价方法 |
CN114139940A (zh) * | 2021-11-30 | 2022-03-04 | 国网浙江省电力有限公司 | 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法 |
CN114254935A (zh) * | 2021-12-22 | 2022-03-29 | 武汉理工大学 | 基于云模型和熵权法的邮轮风险评估方法及系统 |
CN114565253A (zh) * | 2022-02-21 | 2022-05-31 | 武汉理工大学 | 一种基于组合赋权-云模型的客滚船航行风险评估方法 |
CN116151675A (zh) * | 2023-02-23 | 2023-05-23 | 河海大学 | 一种基于云模型与熵权组合的堤防工程现代化评价方法 |
Non-Patent Citations (2)
Title |
---|
徐胜;徐周华;刘奕;: "基于熵权-云模型的三峡坝区过闸船舶拥堵程度综合评价", 交通信息与安全, no. 03 * |
袁博: "基于云模型的城市轨道交通建设适宜度评价研究", 硕士电子期刊 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911911A (zh) * | 2023-09-12 | 2023-10-20 | 杭州慧泰数据科技有限公司 | 一种公共产品投放预测方法及系统 |
CN116911911B (zh) * | 2023-09-12 | 2024-05-28 | 杭州慧泰数据科技有限公司 | 一种公共产品投放预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116664017B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A method for large group decision-making based on evaluation information provided by participators from multiple groups | |
CN107122594B (zh) | 一种新能源车辆电池的健康预测方法和系统 | |
Bojković et al. | One solution for cross-country transport-sustainability evaluation using a modified ELECTRE method | |
CN109636150A (zh) | 一种智慧城市“多规合一”评价体系的建立方法及其系统 | |
CN116664017B (zh) | 一种轨道交通公共区域适老性评价方法及系统 | |
DE112017001648T5 (de) | Autonome semantische Kennzeichnung von phsischen Orten | |
Liang et al. | A probabilistic interval-valued hesitant fuzzy gained and lost dominance score method based on regret theory | |
Ghobadi et al. | Inverse DEA: review, extension and application | |
CN109583926A (zh) | 一种二手车定价方法装置及系统 | |
Manaugh et al. | The importance of neighborhood type dissonance in understanding the effect of the built environment on travel behavior | |
Wali et al. | Modeling consumer affinity towards adopting partially and fully automated vehicles–The role of preference heterogeneity at different geographic levels | |
Wang et al. | An area similarity measure for trapezoidal interval type-2 fuzzy sets and its application to service quality evaluation | |
CN114529747A (zh) | 保单检测方法、保单检测装置、电子设备及存储介质 | |
Yang et al. | Developing a rough set based approach for group decision making based on determining weights of decision makers with interval numbers | |
CN116128160A (zh) | 一种铁路车站高峰客流预测方法、系统及设备和介质 | |
Rajagopalan et al. | Integrating household-level mode choice and modal expenditure decisions in a developing country: multiple discrete–continuous extreme value model | |
Fierek et al. | Multiple criteria evaluation of the mass transit systems in European cities | |
Malekzadeh | Measurement of transit network accessibility based on access stop choice behaviour | |
CN114219338A (zh) | 基于联合学习的资源分配方法及装置 | |
Lin et al. | Analysis and Prediction of Overloaded Extra‐Heavy Vehicles for Highway Safety Using Machine Learning | |
CN115600688A (zh) | 基于联邦学习的建模方法、装置及系统 | |
Kara et al. | Estimation of hospital trip characteristics in terms of transportation planning | |
Echavarría et al. | Development of an IoT platform for monitoring electric vehicle behaviour | |
Kashevnik et al. | Comparison Platform Design for Neural Network Models Evaluation in Driver Monitoring Systems | |
Schwarzbart | Analysis of Public Transport Connectivity and Different Places of Residence in Munich |
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 |