CN117391314B - 综合场站运营管理平台 - Google Patents
综合场站运营管理平台 Download PDFInfo
- Publication number
- CN117391314B CN117391314B CN202311704485.8A CN202311704485A CN117391314B CN 117391314 B CN117391314 B CN 117391314B CN 202311704485 A CN202311704485 A CN 202311704485A CN 117391314 B CN117391314 B CN 117391314B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- self
- strategy
- fusion
- 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
- 230000004927 fusion Effects 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000010354 integration Effects 0.000 claims abstract description 16
- 230000008713 feedback mechanism Effects 0.000 claims abstract description 15
- 238000003909 pattern recognition Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000007726 management method Methods 0.000 claims description 59
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 7
- 239000013256 coordination polymer Substances 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 18
- 230000008859 change Effects 0.000 abstract description 17
- 238000005457 optimization Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000010485 coping Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Discrete Mathematics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域，尤其涉及综合场站运营管理平台。首先，提出多源数据集成算法，应用分形维数变换的策略进行数据预处理，引入基于信息熵的数据融合策略进行数据融合，通过超图谱聚类算法进行特征提取，采用张量分解方法进行特征融合，引入深度置信网络进行模式识别；然后，将场站运营系统构建为复杂网络，并引入基于自适应搜索的策略方法和自学习反馈机制。解决了现有技术对于从不同来源和格式的数据中提取运营要素信息的精确度不高的问题；以及缺乏高效的调度策略和自学习机制，导致系统无法根据实时数据和过去的调度结果进行自我优化，自适应能力弱，以致难以应对运营环境的变化的问题。
Description
技术领域
本发明涉及数据处理领域，尤其涉及综合场站运营管理平台。
背景技术
综合场站运营管理作为一个复杂的系统工程，涉及到多个方面的信息处理和决策优化。随着城市化进程的加快和交通需求的不断增长，场站运营面临着巨大的挑战。这些挑战主要体现在如何高效处理和分析庞大的运营数据，如何确保运营决策的准确性，以及如何提高运营效率和降低运营成本等方面。
传统的运营管理方法往往依赖于经验判断和简单的数据处理工具，难以满足现代化运营管理的需求。随着信息技术的飞速发展，大数据和智能算法逐渐被引入到运营管理领域，为场站运营提供了新的解决方案。然而，现有技术仍存在一些问题和不足，如数据来源多样化导致的数据集成难题，运营数据庞大复杂带来的分析挑战，以及运营决策的实时性和准确性需求等。
我国专利申请号：CN202310406692.9，公开日：2023.09.01，公开了一种基于大数据的新能源公交汽车智能运营方法，其充分利用了新能源公交汽车的实车大数据，可得到公交线路受时间、道路等多方面影响下相应的分段SOC变化量以及综合各分段的完整等效SOC变化量，从而可以指导对待出发公交车的实现合理的线路分配。利用对车辆运行数据标签的聚类，可对每条公交线路在不同时段、季节、月份、交通等具体情况及能耗精确识别，从而能够将各公交场站的全部车辆纳入多条线路的智能化统筹安排，相对传统公交线路固定车辆与时刻表的运营方式能提供更高的灵活性，从而为全域智能交通的实现提供了可能性并可有效避免事故与安全隐患的发生。
但上述技术至少存在如下技术问题：现有技术对于从不同来源和格式的数据中准确提取运营要素信息的精确度不高，影响了运营管理的准确性和效率；缺乏高效的调度策略和自学习机制，无法充分捕捉运营状态随时间的变化规律，导致运营效率低下，运营成本较高；缺乏有效的自学习机制，导致系统无法根据实时数据和过去的调度结果进行自我优化，自适应能力弱，难以应对运营环境的变化。
发明内容
本申请通过提供综合场站运营管理平台，解决了现有技术对于从不同来源和格式的数据中准确提取运营要素信息的精确度不高，影响了运营管理的准确性和效率；缺乏高效的调度策略和自学习机制，无法充分捕捉运营状态随时间的变化规律，导致运营效率低下，运营成本较高；缺乏有效的自学习机制，导致系统无法根据实时数据和过去的调度结果进行自我优化，自适应能力弱，难以应对运营环境的变化。实现了一种综合场站运营管理平台，通过引入多源数据集成算法、高效调度策略和自学习机制，有效提升了运营效率，优化了运营管理，实现了场站的智能调度，并为运营决策提供了强大的数据支持。
本申请提供了综合场站运营管理平台具体包括以下技术方案：
综合场站运营管理平台包括以下部分：
预处理模块、数据融合模块、特征提取模块、特征融合模块、模式识别模块、网络构建模块、调度模块、自学习模块；
所述预处理模块，用于处理和转换来自两个及以上源的运营数据，包括车辆运行状态、乘客流量；应用分形维数变换策略，将运营数据转化为具有自相似特性的分形空间；预处理模块通过数据传输的方式与数据融合模块相连；
所述数据融合模块，用于整合来自预处理模块的两个及以上源的运营数据；采用基于信息熵的数据融合方法，通过计算每个数据源的信息熵来确定每个数据源在融合过程中的权重，数据融合模块通过数据传输的方式与特征提取模块相连；
所述特征提取模块，用于从数据融合模块接收到的整合数据中提取特征；利用超图谱聚类算法将数据映射到超图中，提取数据特征，特征提取模块通过数据传输的方式与特征融合模块相连；
所述特征融合模块，用于将特征提取模块提取出的特征表示为两维及以上张量；运用CP分解将两维及以上张量分解为因子矩阵，特征融合模块通过数据传输的方式与模式识别模块相连；
所述模式识别模块，用于利用深度置信网络方法，基于特征融合模块输出的融合特征，进行模式识别和分类；提供对场站运营状态的深层次分析和理解，模式识别模块通过数据传输的方式与网络构建模块相连；
所述网络构建模块，用于基于模式识别模块的输出，构建表示场站运营状态的复杂网络，网络构建模块通过数据传输的方式与调度模块相连；
所述调度模块，用于基于网络构建模块输出的网络状态，寻找最优的调度策略；通过自适应搜索策略，调整搜索方向和步长，调度模块通过数据传输的方式与自学习模块相连；
所述自学习模块，用于根据调度模块输出的最优调度策略和实时运营数据，通过自学习反馈机制不断更新调度策略，自学习模块通过数据传输的方式与网络构建模块相连。
综合场站运营管理方法包括以下步骤：
S100：提出多源数据集成算法，应用分形维数变换的策略进行数据预处理，引入基于信息熵的数据融合策略进行数据融合，通过超图谱聚类算法进行特征提取，采用张量分解方法进行特征融合，引入深度置信网络进行模式识别，从运营数据中提取运营要素信息；
S200：将场站运营系统构建为复杂网络，引入基于自适应搜索的策略方法，寻找最优的调度策略，引入自学习反馈机制，通过自学习调整不断更新调度策略。
优选的，所述S100，具体包括：
应用分形维数变换的策略，将运营数据转化为具有自相似特性的分形空间；引入改进系数，所述改进系数根据数据的分布和复杂性进行动态调整。
优选的，所述S100，还包括：
首先，确定数据的范围并将数据分割成大小为的小区间；然后，计算落在每个小区间内的数据点数量，当一个小区间内至少有一个数据点时，认为所述小区间被数据覆盖；最后，计算被覆盖的小区间的数量。
优选的，所述S100，还包括：
引入基于信息熵的数据融合策略，通过计算每个数据源的信息熵来确定每个数据源在融合过程中的权重；所述基于信息熵的数据融合策略的目的在于整合来自不同来源和格式的数据，形成数据表示；引入基于数据分布的调整系数。
优选的，所述S100，还包括：
引入超图谱聚类算法，通过将数据映射到超图中，形成数据点之间复杂关系的表示方式；超图是一种表示高阶关系的图形结构，包含了顶点集合和超边集合；数据点被视为顶点，数据点之间的关系被视为超边；定义超图，其中/>是顶点集，/>是超边集，利用超图的结构来提取数据特征。
优选的，所述S100，还包括：
将通过超图谱聚类算法提取出的特征表示为两维及以上张量，并运用CP分解将两维及以上张量分解为因子矩阵；引入基于张量结构的调整系数，并根据张量的结构特性动态调整，构建张量分解的目标函数。
优选的，所述S100，还包括：
深度置信网络的训练将张量分解得到的低维因子矩阵作为输入；同时，引入基于网络结构的调整系数，根据深度置信网络的结构特性和盒维数动态调整。
优选的，所述S200，具体包括：
将场站运营系统构建为复杂网络，将多源数据集成算法提取出的运营要素信息视为复杂网络中的节点，运营要素之间的相互关系通过边来表示；引入状态演化公式。
优选的，所述S200，还包括：
引入基于自适应搜索的策略方法，所述基于自适应搜索的策略方法的目标是在解空间中自动调整搜索方向和步长，同时能够处理复杂的非线性关系；引入自学习反馈机制，所述自学习反馈机制通过分析过去的调度结果和实时数据，不断更新调度策略。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、通过提出的多源数据集成算法，本发明能够高效地处理来自不同来源和格式的运营数据，包括车辆运行状态、乘客流量、票务信息和天气条件等；数据预处理、数据融合、特征提取、特征融合和模式识别的环节，确保了从复杂和大量的运营数据中准确提取出有用的运营要素信息，从而为运营管理提供了准确和全面的数据支持；
2、通过构建多层次、多维度的运营系统网络，并利用先进的调度策略和自学习机制，本发明能够捕捉运营状态随时间的变化规律，并实时更新调度策略，确保运营管理始终处于最优状态；不仅提高了运营效率，降低了运营成本，还实现了场站的智能调度，增强了运营系统的灵活性和响应能力；
3、通过对运营数据的深入分析和处理，本发明为运营管理提供了丰富的决策支持信息；无论是对于短期的运营调整，还是长期的运营规划，都能够提供准确和可靠的数据支持，帮助运营管理人员作出更加合理和高效的决策；
4、通过引入自学习反馈机制，本发明的运营管理平台能够根据实时数据和过去的调度结果不断自我优化，提升了系统的自适应能力；无论是对于常规运营的优化，还是对于特殊情况的应对，都能够迅速调整，确保运营管理始终处于最佳状态。
5、本申请的技术方案能够有效解决现有技术对于从不同来源和格式的数据中准确提取运营要素信息的精确度不高，影响了运营管理的准确性和效率；缺乏高效的调度策略和自学习机制，无法充分捕捉运营状态随时间的变化规律，导致运营效率低下，运营成本较高；缺乏有效的自学习机制，导致系统无法根据实时数据和过去的调度结果进行自我优化，自适应能力弱，难以应对运营环境的变化。最终能够实现一种综合场站运营管理平台，通过引入多源数据集成算法、高效调度策略和自学习机制，有效提升了运营效率，优化了运营管理，实现了场站的智能调度，并为运营决策提供了强大的数据支持。
附图说明
图1为本申请所述的综合场站运营管理平台结构图；
图2为本申请所述的综合场站运营管理方法流程图。
具体实施方式
本申请实施例通过提供综合场站运营管理平台，解决了现有技术对于从不同来源和格式的数据中准确提取运营要素信息的精确度不高，影响了运营管理的准确性和效率；缺乏高效的调度策略和自学习机制，无法充分捕捉运营状态随时间的变化规律，导致运营效率低下，运营成本较高；缺乏有效的自学习机制，导致系统无法根据实时数据和过去的调度结果进行自我优化，自适应能力弱，难以应对运营环境的变化。
本申请实施例中的技术方案为解决上述问题，总体思路如下：
通过提出的多源数据集成算法，本发明能够高效地处理来自不同来源和格式的运营数据，包括车辆运行状态、乘客流量、票务信息和天气条件等；数据预处理、数据融合、特征提取、特征融合和模式识别的环节，确保了从复杂和大量的运营数据中准确提取出有用的运营要素信息，从而为运营管理提供了准确和全面的数据支持；通过构建多层次、多维度的运营系统网络，并利用先进的调度策略和自学习机制，本发明能够捕捉运营状态随时间的变化规律，并实时更新调度策略，确保运营管理始终处于最优状态；不仅提高了运营效率，降低了运营成本，还实现了场站的智能调度，增强了运营系统的灵活性和响应能力；通过对运营数据的深入分析和处理，本发明为运营管理提供了丰富的决策支持信息；无论是对于短期的运营调整，还是长期的运营规划，都能够提供准确和可靠的数据支持，帮助运营管理人员作出更加合理和高效的决策；通过引入自学习反馈机制，本发明的运营管理平台能够根据实时数据和过去的调度结果不断自我优化，提升了系统的自适应能力；无论是对于常规运营的优化，还是对于特殊情况的应对，都能够迅速调整，确保运营管理始终处于最佳状态。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的综合场站运营管理平台，包括以下部分：
预处理模块、数据融合模块、特征提取模块、特征融合模块、模式识别模块、网络构建模块、调度模块、自学习模块；
所述预处理模块，用于处理和转换来自多个源的运营数据，如车辆运行状态、乘客流量等；应用分形维数变换策略，将运营数据转化为具有自相似特性的分形空间，以突显数据内在结构；预处理模块通过数据传输的方式与数据融合模块相连；
所述数据融合模块，用于整合来自预处理模块的多源运营数据；采用基于信息熵的数据融合方法，通过计算每个数据源的信息熵来确定其在融合过程中的权重，数据融合模块通过数据传输的方式与特征提取模块相连；
所述特征提取模块，用于从数据融合模块接收到的整合数据中提取特征；利用超图谱聚类算法将数据映射到超图中，提取数据特征，特征提取模块通过数据传输的方式与特征融合模块相连；
所述特征融合模块，用于将特征提取模块提取出的特征表示为多维张量；运用CP分解将多维张量分解为一系列因子矩阵，以获取压缩和融合后的特征，特征融合模块通过数据传输的方式与模式识别模块相连；
所述模式识别模块，用于利用深度置信网络方法，基于特征融合模块输出的融合特征，进行模式识别和分类；提供对场站运营状态的深层次分析和理解，模式识别模块通过数据传输的方式与网络构建模块相连；
所述网络构建模块，用于基于模式识别模块的输出，构建表示场站运营状态的多层次、多维度复杂网络，网络构建模块通过数据传输的方式与调度模块相连；
所述调度模块，用于基于网络构建模块输出的网络状态，寻找最优的调度策略；通过自适应搜索策略，调整搜索方向和步长，以迅速逼近最优解，调度模块通过数据传输的方式与自学习模块相连；
所述自学习模块，用于根据调度模块输出的最优调度策略和实时运营数据，通过自学习反馈机制不断更新调度策略；确保调度策略始终处于最优状态，以适应场站运营的实时变化，自学习模块通过数据传输的方式与网络构建模块相连。
参照附图2，本申请所述的综合场站运营管理方法，包括以下步骤：
S100：提出多源数据集成算法，应用分形维数变换的策略进行数据预处理，引入基于信息熵的数据融合策略进行数据融合，通过超图谱聚类算法进行特征提取，采用张量分解方法进行特征融合，引入深度置信网络进行模式识别，从运营数据中提取运营要素信息；
在综合场站运营管理的复杂环境中，面临着从大量的运营数据中提取有用信息的重大挑战，这些数据包括但不限于车辆运行状态、乘客流量、票务信息、天气条件等多源异构数据。为了解决这一问题，提出了一种多源数据集成算法。
具体的，针对车辆运行状态、乘客流量等运营数据，首先预处理模块进行数据预处理和转换步骤。应用分形维数变换的策略，将运营数据转化为具有自相似特性的分形空间，突显数据内在结构。为了提高计算精准度，引入了一个改进系数，它是根据数据的分布和复杂性动态调整的。对于运营数据的时间序列/>，对于时间序列中的任意一个数据点表示为/>，定义/>的盒维数/>为：/>
其中，是尺度，/>是覆盖时间序列所需的/>尺度盒子的数量。为了计算/>，首先确定数据的范围并将其分割成大小为/>的小区间。然后，计算落在每个小区间内的数据点数量，如果一个小区间内至少有一个数据点，那么这个小区间就被认为是被数据覆盖的。最后，计算被覆盖的小区间的数量，即/>。运营数据的盒维数将在后续的数据融合和特征提取过程中用作一个重要的参考指标，用来调整不同数据源之间的权重和影响力，确保最终提取出的特征能够更好地反映数据的复杂性和多样性。
在处理票务信息、天气条件等异构数据时，数据融合模块采用了基于信息熵的数据融合方法。通过计算每个数据源的信息熵来确定其在融合过程中的权重，实现了一种基于信息熵的数据融合策略。这一策略的目的在于整合来自不同来源和格式的数据，形成一个统一且信息丰富的数据表示，为后续的分析提供了坚实的基础。为了根据数据源的分布特性进行动态调整，更好地适应不同数据源的特点，引入了一个基于数据分布的调整系数/>，信息熵的计算公式为：/>
其中，表示数据源/>的信息熵，/>表示数据源/>中第/>个数据点的概率分布，表示时间序列数据的长度。
在特征提取环节，特征提取模块引入了超图谱聚类算法。通过将数据映射到超图中，形成了一种新颖的数据点之间复杂关系的表示方式。超图是一种可以表示高阶关系的图形结构，它包含了顶点集合和超边集合。在这里，数据点被视为顶点，数据点之间的关系被视为超边。通过定义一个超图，其中/>是顶点集，/>是超边集，利用超图的结构来提取数据特征。
为了从超图中提取特征，定义了超图的邻接矩阵，并引入了超图拉普拉斯矩阵/>来刻画数据点之间的关系。超图拉普拉斯矩阵是通过下面的公式计算的：/>
其中，和/>分别是顶点度矩阵和超边度矩阵，/>是矩阵的偏置。通过对超图拉普拉斯矩阵进行谱分解，可以得到一组特征向量，这些特征向量构成了数据点在超图空间中的新表示，为后续的分析和处理提供了有力的特征信息。
在特征融合环节，采用了张量分解方法。特征融合模块将通过超图谱聚类算法提取出的特征表示为一个多维张量，并运用CP分解将其分解为一系列因子矩阵。引入一个基于张量结构的调整系数/>，它是根据张量的结构特性动态调整的。因此，张量分解的目标函数为：/>
其中，是张量分解中所使用的秩，决定了将张量分解为多少个组分，/>表示第r个组分的权重，/>、/>、/>分别表示第r个组分在第一个模态、第二个模态、第三个模态上的因子，/>是外积操作符，/>表示Frobenius范数，/>是一个关于张量/>和因子矩阵的复杂函数，因子矩阵/>分别包含了所有在第一个模态、第二个模态、第三个模态上的因子向量。采用交替最小二乘法或梯度下降等优化算法计算目标函数最优解，求解结果是一组低维因子矩阵，它们包含了原始高维特征的主要信息。
在模式识别环节，模式识别模块采用了深度置信网络方法。深度置信网络的训练利用了前面通过张量分解得到的低维因子矩阵作为输入，确保了模型能够捕捉到数据的深层特征和复杂关系。同时，引入一个基于网络结构的调整系数，它是根据深度置信网络的结构特性和盒维数/>动态调整的。因此，网络的训练目标函数变为：
其中，表示可见层节点的概率分布，/>表示在给定可见层状态下隐藏层节点的条件概率分布，/>是可见层的节点，/>是隐藏层的节点，/>是一个关于深度置信网络/>和张量分解得到的低维因子矩阵的复杂函数，具体公式为：
其中，和/>是权重系数，/>表示网络的层，/>和/>分别表示第/>层的权重和偏置，/>表示正则化参数，/>表示激活函数。通过上述步骤，多源数据集成算法成功解决了从运营数据中准确提取运营要素信息的技术问题，为综合场站运营管理提供了强大的数据支持。
S200：将场站运营系统构建为复杂网络，引入基于自适应搜索的策略方法，寻找最优的调度策略，引入自学习反馈机制，通过自学习调整不断更新调度策略。
网络构建模块将场站运营系统构建为一个多层次、多维度的复杂网络，通过多源数据集成算法提取出的有用运营要素信息视为网络中的节点，运营要素之间的相互关系通过边来表示。在这个网络中，节点和边的权重代表其在运营过程中的重要性和影响力，进而体现了其在整体运营管理中的作用和地位。
网络状态通过数学公式来表示，其中/>代表时刻/>节点/>的状态，/>代表时刻/>边/>的状态。为了捕捉运营状态随时间的变化规律，并为后续的调度策略提供决策依据，引入了一套状态演化公式：
其中，代表节点/>和节点/>之间的权重，/>代表节点/>的偏置项，/>是一个介于0和1之间的参数，调控着边状态的时间依赖性，/>是一个代表噪声影响的小正数，/>和/>为随机噪声项，反映了外部不确定因素对系统的影响。
为了寻找最优的调度策略，调度模块引入了一种基于自适应搜索的策略方法，其目标是在解空间中自动调整搜索方向和步长，以迅速逼近最优解，同时能够处理复杂的非线性关系。调度策略的数学表示为：
其中，表示调度策略，/>表示/>时刻场站运营系统的状态，/>是代价函数，用于评价调度策略的效果，/>是描述策略变化的函数，用于确保策略的稳定性，/>是一个权重参数，用于平衡代价和稳定性之间的关系。
为了使算法能够适应场站运营的实时变化，自学习模块引入了一种自学习反馈机制。该机制通过分析过去的调度结果和实时数据，不断更新调度策略，确保其始终处于最优状态。自学习调整过程如下：
其中，表示自学习调整结果，/>是一个控制学习调整速度的参数，/>是基于自学习的调整函数。
通过将上述方法应用于场站运营管理，能够实现场站的智能调度，优化运营效率，降低运营成本，为综合场站运营管理领域带来了创新性的突破。
综上所述，便完成了本申请所述的综合场站运营管理平台。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、通过提出的多源数据集成算法，本发明能够高效地处理来自不同来源和格式的运营数据，包括车辆运行状态、乘客流量、票务信息和天气条件等；数据预处理、数据融合、特征提取、特征融合和模式识别的环节，确保了从复杂和大量的运营数据中准确提取出有用的运营要素信息，从而为运营管理提供了准确和全面的数据支持；
2、通过构建多层次、多维度的运营系统网络，并利用先进的调度策略和自学习机制，本发明能够捕捉运营状态随时间的变化规律，并实时更新调度策略，确保运营管理始终处于最优状态；不仅提高了运营效率，降低了运营成本，还实现了场站的智能调度，增强了运营系统的灵活性和响应能力；
3、通过对运营数据的深入分析和处理，本发明为运营管理提供了丰富的决策支持信息；无论是对于短期的运营调整，还是长期的运营规划，都能够提供准确和可靠的数据支持，帮助运营管理人员作出更加合理和高效的决策；
4、通过引入自学习反馈机制，本发明的运营管理平台能够根据实时数据和过去的调度结果不断自我优化，提升了系统的自适应能力；无论是对于常规运营的优化，还是对于特殊情况的应对，都能够迅速调整，确保运营管理始终处于最佳状态。
效果调研：
本申请的技术方案能够有效解决现有技术对于从不同来源和格式的数据中准确提取运营要素信息的精确度不高，影响了运营管理的准确性和效率；缺乏高效的调度策略和自学习机制，无法充分捕捉运营状态随时间的变化规律，导致运营效率低下，运营成本较高；缺乏有效的自学习机制，导致系统无法根据实时数据和过去的调度结果进行自我优化，自适应能力弱，难以应对运营环境的变化。并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够实现一种综合场站运营管理平台，通过引入多源数据集成算法、高效调度策略和自学习机制，有效提升了运营效率，优化了运营管理，实现了场站的智能调度，并为运营决策提供了强大的数据支持。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.综合场站运营管理方法，应用于综合场站运营管理平台，其特征在于，具体包括：
所述综合场站运营管理平台，包括以下部分：
预处理模块、数据融合模块、特征提取模块、特征融合模块、模式识别模块、网络构建模块、调度模块、自学习模块；
所述预处理模块，用于处理和转换来自两个及以上源的运营数据，包括车辆运行状态、乘客流量；应用分形维数变换策略，将运营数据转化为具有自相似特性的分形空间；预处理模块通过数据传输的方式与数据融合模块相连；
所述数据融合模块，用于整合来自预处理模块的两个及以上源的运营数据；采用基于信息熵的数据融合方法，通过计算每个数据源的信息熵来确定每个数据源在融合过程中的权重，数据融合模块通过数据传输的方式与特征提取模块相连；
所述特征提取模块，用于从数据融合模块接收到的整合数据中提取特征；利用超图谱聚类算法将数据映射到超图中，提取数据特征，特征提取模块通过数据传输的方式与特征融合模块相连；
所述特征融合模块，用于将特征提取模块提取出的特征表示为两维及以上张量；运用CP分解将两维及以上张量分解为因子矩阵，特征融合模块通过数据传输的方式与模式识别模块相连；
所述模式识别模块，用于利用深度置信网络方法，基于特征融合模块的输出，进行模式识别和分类；提供对场站运营状态的深层次分析和理解，模式识别模块通过数据传输的方式与网络构建模块相连；
所述网络构建模块，用于基于模式识别模块的输出，构建表示场站运营状态的复杂网络，网络构建模块通过数据传输的方式与调度模块相连；
所述调度模块，用于基于网络构建模块输出的网络状态，寻找最优的调度策略；通过自适应搜索策略，调整搜索方向和步长，调度模块通过数据传输的方式与自学习模块相连；
所述自学习模块，用于根据调度模块输出的最优调度策略和实时运营数据，通过自学习反馈机制不断更新调度策略，自学习模块通过数据传输的方式与网络构建模块相连；
所述综合场站运营管理方法，包括以下步骤：
S100：提出多源数据集成算法，应用分形维数变换的策略将运营数据转化为具有自相似特性的分形空间；引入改进系数，所述改进系数根据数据的分布和复杂性进行动态调整，定义运营数据时间序列的盒维数；确定运营数据的范围并将运营数据分割成大小为的小区间；然后，计算落在每个小区间内的数据点数量，当一个小区间内至少有一个数据点时，所述小区间被数据覆盖；最后，计算被覆盖的小区间的数量；引入基于信息熵的数据融合策略进行数据融合，通过超图谱聚类算法进行特征提取，采用张量分解方法进行特征融合，引入深度置信网络进行模式识别，从运营数据中提取运营要素信息；
S200：将场站运营系统构建为复杂网络，将多源数据集成算法提取出的运营要素信息视为复杂网络中的节点，运营要素之间的相互关系通过边来表示；引入状态演化公式；引入基于自适应搜索的策略方法，寻找最优的调度策略，引入自学习反馈机制，通过自学习调整不断更新调度策略。
2.根据权利要求1所述的综合场站运营管理方法，其特征在于，所述S100，还包括：
引入基于信息熵的数据融合策略，通过计算每个数据源的信息熵来确定每个数据源在融合过程中的权重；所述基于信息熵的数据融合策略的目的在于整合来自不同来源和格式的数据，形成数据表示；引入基于数据分布的调整系数。
3.根据权利要求1所述的综合场站运营管理方法，其特征在于，所述S100，还包括：
引入超图谱聚类算法，通过将数据映射到超图中，形成数据点之间关系的表示方式；所述超图是一种表示高阶关系的图形结构，包含顶点集合和超边集合；数据点被视为顶点，数据点之间的关系被视为超边；定义超图，其中/>是顶点集，/>是超边集，利用超图的结构来提取数据特征。
4.根据权利要求3所述的综合场站运营管理方法，其特征在于，所述S100，还包括：
将通过超图谱聚类算法提取出的特征表示为两维及以上张量，并运用CP分解将两维及以上张量分解为因子矩阵；引入基于张量结构的调整系数，并根据张量的结构特性动态调整，构建张量分解的目标函数。
5.根据权利要求4所述的综合场站运营管理方法，其特征在于，所述S100，还包括：
深度置信网络的训练将张量分解得到的低维因子矩阵作为输入；同时，引入基于网络结构的调整系数，根据深度置信网络的结构特性和盒维数动态调整。
6.根据权利要求1所述的综合场站运营管理方法，其特征在于，所述S200，还包括：
引入基于自适应搜索的策略方法，所述基于自适应搜索的策略方法的目标是在解空间中自动调整搜索方向和步长，同时能够处理非线性关系；引入自学习反馈机制，所述自学习反馈机制通过分析过去的调度结果和实时数据，不断更新调度策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311704485.8A CN117391314B (zh) | 2023-12-13 | 2023-12-13 | 综合场站运营管理平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311704485.8A CN117391314B (zh) | 2023-12-13 | 2023-12-13 | 综合场站运营管理平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117391314A CN117391314A (zh) | 2024-01-12 |
| CN117391314B true CN117391314B (zh) | 2024-02-13 |
Family
ID=89465342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311704485.8A Active CN117391314B (zh) | 2023-12-13 | 2023-12-13 | 综合场站运营管理平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117391314B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108879692A (zh) * | 2018-06-26 | 2018-11-23 | 湘潭大学 | 一种区域综合能源系统能流分布预测方法及系统 |
| CN109062956A (zh) * | 2018-06-26 | 2018-12-21 | 湘潭大学 | 一种面向区域综合能源系统的时空特征挖掘方法 |
| CN113254729A (zh) * | 2021-06-29 | 2021-08-13 | 中国科学院自动化研究所 | 基于动态超图网络的多模态演化特征自动共形表示方法 |
| CN113408703A (zh) * | 2021-06-29 | 2021-09-17 | 中国科学院自动化研究所 | 基于神经与符号的多模态大数据机器自动学习系统 |
| CN114707011A (zh) * | 2022-03-04 | 2022-07-05 | 中国科学院上海微系统与信息技术研究所 | 一种基于张量分解的多源异构数据特征融合方法 |
| CN115688047A (zh) * | 2022-10-20 | 2023-02-03 | 国网江苏省电力有限公司南京供电分公司 | 基于深度学习的城市能源多源数据融合方法及存储介质 |
| CN116958771A (zh) * | 2023-07-28 | 2023-10-27 | 北京元境数字科技有限公司 | 一种计算机视觉识别系统及方法 |
-
2023
- 2023-12-13 CN CN202311704485.8A patent/CN117391314B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108879692A (zh) * | 2018-06-26 | 2018-11-23 | 湘潭大学 | 一种区域综合能源系统能流分布预测方法及系统 |
| CN109062956A (zh) * | 2018-06-26 | 2018-12-21 | 湘潭大学 | 一种面向区域综合能源系统的时空特征挖掘方法 |
| CN113254729A (zh) * | 2021-06-29 | 2021-08-13 | 中国科学院自动化研究所 | 基于动态超图网络的多模态演化特征自动共形表示方法 |
| CN113408703A (zh) * | 2021-06-29 | 2021-09-17 | 中国科学院自动化研究所 | 基于神经与符号的多模态大数据机器自动学习系统 |
| CN114707011A (zh) * | 2022-03-04 | 2022-07-05 | 中国科学院上海微系统与信息技术研究所 | 一种基于张量分解的多源异构数据特征融合方法 |
| CN115688047A (zh) * | 2022-10-20 | 2023-02-03 | 国网江苏省电力有限公司南京供电分公司 | 基于深度学习的城市能源多源数据融合方法及存储介质 |
| CN116958771A (zh) * | 2023-07-28 | 2023-10-27 | 北京元境数字科技有限公司 | 一种计算机视觉识别系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117391314A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111537945B (zh) | 基于联邦学习的智能电表故障诊断方法及设备 | |
| US20220373984A1 (en) | Hybrid photovoltaic power prediction method and system based on multi-source data fusion | |
| CN101414366B (zh) | 基于改进极端学习机方法的电力系统短期负荷预测方法 | |
| WO2018045642A1 (zh) | 一种母线负荷预测方法 | |
| CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
| Zhang et al. | Analysis and prediction of employee turnover characteristics based on machine learning | |
| CN106779087A (zh) | 一种通用机器学习数据分析平台 | |
| CN111929748A (zh) | 一种气象要素预报方法和系统 | |
| CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
| CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
| CN110619419B (zh) | 城市轨道交通的客流预测方法 | |
| CN112270355A (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
| CN112966871A (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
| CN113343427B (zh) | 一种基于卷积神经网络的结构拓扑构型预测方法 | |
| CN110717581A (zh) | 一种基于温度模糊处理和dbn的短期负荷预测方法 | |
| CN115689008A (zh) | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 | |
| CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
| CN114529038A (zh) | 一种基于企业需求的智能匹配招商策略系统及方法 | |
| CN116050605A (zh) | 一种基于神经网络和随机森林法的电力负荷预测方法 | |
| CN115271161A (zh) | 一种多能负荷短期预测方法 | |
| CN113627070A (zh) | 一种短期光伏功率预测方法 | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| CN105787113A (zh) | 一种基于plm数据库面向dpipp工艺信息的挖掘算法 | |
| CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
| CN117391314B (zh) | 综合场站运营管理平台 |
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 |