CN117494870A - 一种地铁站人员负荷预测方法及系统 - Google Patents

一种地铁站人员负荷预测方法及系统 Download PDF

Info

Publication number
CN117494870A
CN117494870A CN202311273908.5A CN202311273908A CN117494870A CN 117494870 A CN117494870 A CN 117494870A CN 202311273908 A CN202311273908 A CN 202311273908A CN 117494870 A CN117494870 A CN 117494870A
Authority
CN
China
Prior art keywords
neural network
network model
value
subway station
sample data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311273908.5A
Other languages
English (en)
Inventor
付胜华
冷勇林
贾晓峰
游孟醒
罗新梅
潘扬
刘冰
麻宏强
刘昱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Rail Transit Group Co ltd
Original Assignee
Nanchang Rail Transit Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang Rail Transit Group Co ltd filed Critical Nanchang Rail Transit Group Co ltd
Priority to CN202311273908.5A priority Critical patent/CN117494870A/zh
Publication of CN117494870A publication Critical patent/CN117494870A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种地铁站人员负荷预测方法及系统，方法具体包括：确定神经网络模型的输入变量和输出目标向量，其中输出目标向量为地铁站人员负荷预测；获取神经网络模型的输入变量对应的样本数据；利用粒子群算法优化神经网络模型的权值和阈值；将优化得到的权值和阈值赋值给神经网络模型，将输入变量对应的样本数据输入到神经网络模型中，以获取地铁站人员负荷预测。本发明在全局最优位置的基础上，进行迭代计算，以更新神经网络模型对应的权值和阈值，直至人员负荷预测值与人员负荷实际值的差值小于预设误差值，从而进一步提升了预测效果，有利于准确地预测出地铁站人员负荷值，从而更好地掌握地铁空调负荷的情况。

Description

一种地铁站人员负荷预测方法及系统
技术领域
本发明涉及地铁站人员负荷预测技术领域，具体为一种地铁站人员负荷预测方法及系统。
背景技术
随着城市轨道交通技术的发展，地铁已经成为现代城市公共交通中极为重要的方式之一，地铁的出现缓解了地面交通的压力，也极大地方便了人们的出行。根据2022年中国城市轨道交通协会发布《城市轨道交通2019年度统计和分析报告》，我国城轨交通系统运营线路中地下线4366.5公里，占比达到为64.8%。地铁作为一种大中城市公共交通重点发展的出行方式，它已经与人们的日常出行密不可分。
地下车站人员负荷同普通建筑人员负荷相比具有特殊性，由于地铁车站处于地下，无法通过自然通风引入新风改善地铁站内环境空气品质，而且地铁站是人流量密集区，因此需要通过空调系统不断引入新风来满足地铁站内的新风需求。根据调查显示，空调工程中处理新风所需的能耗占空调系统总能耗的25%~30%，因此为了降低地铁站空调系统处理新风的能耗，必须根据室内所需新风量进行调节。在地铁站空调系统运行时，由于地铁站人流量的逐时变化，导致地铁站内所需新风量也逐时变化，因此新风负荷也在逐时变化。由于地铁负荷存在的这些特点及特殊性，对地铁站人员负荷进行准确的计算及预测就显得格外重要。
发明内容
本发明的目的是针对背景技术中存在的缺点和问题加以改进和创新，提供一种地铁站人员负荷预测方法及系统以，预测地铁站人员负荷的大小，更好地掌握地铁负荷的情况并为管理者提供能耗使用指标，有助于制定地铁运营决策。
根据本发明的第一方面，提供一种地铁站人员负荷预测方法，具体包括：
确定GA-BP神经网络模型的输入变量和输出目标向量，其中输出目标向量为地铁站人员负荷预测；
获取GA-BP神经网络模型的输入变量对应的样本数据；
利用粒子群算法优化GA-BP神经网络模型的权值和阈值；
将优化得到的权值和阈值赋值给GA-BP神经网络模型，将输入变量对应的样本数据输入到GA-BP神经网络模型中，以获取地铁站人员负荷预测。
进一步的方案是，所述GA-BP神经网络模型的输入变量包括室内温度、室外温度、室内湿度、室外湿度和地铁站历史人员负荷；地铁站历史人员负荷包括历史日负荷、历史月负荷和历史年负荷；所述地铁站人员负荷预测包括地铁站人员日负荷预测、地铁站人员月负荷预测和地铁站人员年负荷预测。
进一步的方案是，所述步骤获取GA-BP神经网络模型的输入变量对应的样本数据具体包括：
通过温湿度传感器获取地铁站室内温度、室外温度、室内湿度和室外湿度；
通过公式计算得到地铁站历史人员负荷；
其中，
N c为地铁站站厅人数，人；N p为地铁站站台人数，人；A 1 、A 2分别为地铁站进出站人数，人/小时；a 1 、a 2分别为乘客进站在站厅、站台停留的时间；b 1 、b 2分别为乘客出站在站厅、站台的停留时间；Q p为地铁站历史人员负荷，kW；q p为乘客全热散热量，W/人。
进一步的方案是，所述步骤利用粒子群算法优化GA-BP神经网络模型的权值和阈值具体包括：
初始化粒子解集：设置粒子解集，其中/>和/>分别代表GA-BP神经网络模型的输入层到隐含层的权值和阈值，/>和/>分别代表GA-BP神经网络模型的隐含层到输出层的权值和阈值，/>代表神经网络隐含层的个数；设定粒子群规模为s，进化最大迭代次数为tmax，每次迭代对每个粒子xi进行速度和位置的初始化，以获得每个粒子解集对应的GA-BP神经网络模型的一组权值和阈值；
计算初始适应度值：将每个粒子的解集对应的一组权值和阈值赋值给GA-BP神经网络模型，通过计算GA-BP神经网络模型的训练误差的倒数以获取每个粒子的适应值；
其中，为第j个样本数据对应的GA-BP神经网络模型的人员负荷预测值，/>为第j个样本数据对应的实际人员负荷值，/>为GA-BP神经网络模型样本数据的总数；
更新粒子速度和位置：
对于每个粒子，将其适应值与其前t次迭代经历过的最好位置pi(t)的适应值进行比较，粒子的局部最优位置更新参照以下公式：
其中，为粒子第t+1代对应的适应值，/>为粒子前t次迭代经历过的最好位置对应的适应值，其中粒子前t次迭代经历过的最好位置对应的适应值最小；
将群体中的全局最优位置记为pg(t)，pg(t)∈{p1(t),…,ps(t)}，并且f(Pg(t))＝min{f(P1(t)),…,f(Ps(t))}，则全局最优位置更新公式如下：
；
当满足f(pg(t))-f(pg(t+1))≤ε1，则输出当前全局最优位置pg(t)，其中ε1为最大允许误差，若否，则返回到初始化粒子解集。
进一步的方案是，所述步骤输出当前全局最优位置pg(t)之后还包括：
将输入变量对应的一组样本数据输入到GA-BP神经网络模型中，以获取人员负荷预测值，/>，…/>，/>表示第P组样本数据对应的人员负荷预测值；
将获取到的人员负荷预测值，/>，…/>与人员负荷实际值为/>，/>…/>进行比较；判断是否满足|/>-/>|＜ε，ε为预设误差值；若是，则全局最优位置pg(t)对应的权值和阈值满足要求，即为GA-BP神经网络模型对应的权值和阈值。
进一步的方案是，所述步骤判断是否满足|tp-yp|＜ε之后还包括：
若否，则在全局最优位置pg(t)的基础上，进行迭代计算，以更新GA-BP神经网络模型对应的权值和阈值；
其中，；
；
；
；
；
；
其中，、/>分别为第n次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，n初始值为0，/>、/>分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，其中/>为神经网络模型的步长，其中，/>表示第/>个样本数据产生的误差，/>的取值为(1，2，...，P)，/>为GA-BP神经网络模型样本数据的总数，/>为所有样本数据产生的总误差，/>为第/>个样本数据输入到第n次迭代得到的权值和阈值赋值的GA-BP神经网络模型的人员负荷预测值，/>为第/>个样本数据对应的人员负荷实际值。
根据本发明的第二方面，提供一种地铁站人员负荷预测系统，具体包括：
确定模块，用于确定GA-BP神经网络模型的输入变量和输出目标向量，其中输出目标向量为地铁站人员负荷预测值；
获取模块，用于获取GA-BP神经网络模型的输入变量对应的样本数据；
优化模块，用于利用粒子群算法优化GA-BP神经网络模型的权值和阈值；
预测模块，用于将优化得到的权值和阈值赋值给GA-BP神经网络模型，将输入变量对应的样本数据输入到GA-BP神经网络模型中，以获取地铁站人员负荷预测值。
进一步的方案是，所述优化模块具体包括：
初始化粒子解集：设置粒子解集，其中/>和/>分别代表GA-BP神经网络模型的输入层到隐含层的权值和阈值，/>和/>分别代表GA-BP神经网络模型的隐含层到输出层的权值和阈值，/>代表神经网络隐含层的个数；设定粒子群规模为s，进化最大迭代次数为tmax，每次迭代对每个粒子xi进行速度和位置的初始化，以获得每个粒子解集对应的GA-BP神经网络模型的一组权值和阈值；
计算初始适应度值：将每个粒子的解集对应的一组权值和阈值赋值给GA-BP神经网络模型，通过计算GA-BP神经网络模型的训练误差的倒数以获取每个粒子的适应值；
其中，为第j个样本数据对应的GA-BP神经网络模型的人员负荷预测值，/>为第j个样本数据对应的实际人员负荷值，/>为GA-BP神经网络模型样本数据的总数；
更新粒子速度和位置：
对于每个粒子，将其适应值与其前t次迭代经历过的最好位置pi(t)的适应值进行比较，粒子的局部最优位置更新参照以下公式：
其中，为粒子第t+1代对应的适应值，/>为粒子前t次迭代经历过的最好位置对应的适应值，其中粒子前t次迭代经历过的最好位置对应的适应值最小；
将群体中的全局最优位置记为pg(t)，pg(t)∈{p1(t),…,ps(t)}，并且f(Pg(t))＝min{f(P1(t)),…,f(Ps(t))}，则全局最优位置更新公式如下：
；
当满足f(pg(t))-f(pg(t+1))≤ε1，则输出当前全局最优位置pg(t)，其中ε1为最大允许误差，若否，则返回到初始化粒子解集。
进一步的方案是，所述优化模块还包括：
确认单元，用于将输入变量对应的一组样本数据输入到GA-BP神经网络模型中，以获取人员负荷预测值，/>，…/>，/>表示第P组样本数据对应的人员负荷预测值；
将获取到的人员负荷预测值，/>，…/>与人员负荷实际值为/>，/>…/>进行比较；判断是否满足|/>-/>|＜ε，ε为预设误差值；若是，则全局最优位置pg(t)对应的权值和阈值满足要求，即为GA-BP神经网络模型对应的权值和阈值。
进一步的方案是，所述确认单元还包括：
若不满足|-/>|＜ε，则在全局最优位置pg(t)的基础上，进行迭代计算，以更新GA-BP神经网络模型对应的权值和阈值；
其中，；
；
；
；
；
；
其中，、/>分别为第n次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，n初始值为0，/>、/>分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，其中/>为神经网络模型的步长，其中，/>表示第/>个样本数据产生的误差，/>的取值为(1，2，...，P)，/>为GA-BP神经网络模型样本数据的总数，/>为所有样本数据产生的总误差，/>为第/>个样本数据输入到第n次迭代得到的权值和阈值赋值的GA-BP神经网络模型的人员负荷预测值，/>为第/>个样本数据对应的人员负荷实际值。
与现有技术相比，本发明的有益效果：本发明提供了一种地铁站人员负荷预测方法，为更好地掌握地铁站空调负荷的特点，分析地铁站负荷特点提供了方法；本发明通过初始化粒子解集，通过初始化粒子解集对应的权值和阈值计算粒子的适应度值，将粒子的适应值与每次迭代经历过的最好位置对应的适应值进行比较，从而获取粒子的局部最优位置，进一步比较各个粒子的局部最优位置，以获取全局最优位置，将全局最优位置对应的权值和阈值赋值给神经网络模型，从而能够准确地预测出地铁站人员负荷值；进一步在全局最优位置的基础上，进行迭代计算，以更新GA-BP神经网络模型对应的权值和阈值，直至人员负荷预测值与人员负荷实际值的差值小于预设误差值，从而进一步提升了预测效果，有利于准确地预测出地铁站人员负荷值，从而更好地掌握地铁空调负荷的情况。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种地铁站人员负荷预测方法流程示意图；
图2为本发明实施例所提供的一种地铁站人员负荷预测系统结构示意图。
具体实施方式
为使本发明的目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1
请参阅图1，本发明提供一种地铁站人员负荷预测方法，具体包括以下步骤：
步骤S1、确定GA-BP神经网络模型的输入变量和输出目标向量，其中输出目标向量为地铁站人员负荷预测；
步骤S2、获取GA-BP神经网络模型的输入变量对应的样本数据；
步骤S3、利用粒子群算法优化GA-BP神经网络模型的权值和阈值；
步骤S4、将样本数据输入到优化后的GA-BP神经网络模型中，根据人员负荷预测值和人员负荷实际值的差值是否满足预设误差值来对权值和阈值进行迭代计算，直至人员负荷预测值与人员负荷实际值的差值小于预设误差值；
步骤S5、将优化得到的权值和阈值赋值给GA-BP神经网络模型，将输入变量对应的样本数据输入到GA-BP神经网络模型中，以获取地铁站人员负荷预测。
一般而言，对地铁站人员负荷影响最大的是温度和湿度，因此将室内温度、室外温度、室内湿度和室外湿度作为输入变量；此外，将地铁站历史人员负荷也作为输入变量，因此GA-BP神经网络模型的输入变量包括室内温度、室外温度、室内湿度、室外湿度和地铁站历史人员负荷；其中地铁站历史人员负荷包括历史日负荷、历史月负荷和历史年负荷；相应的，所述地铁站人员输出目标向量包括地铁站人员日负荷预测值、地铁站人员月负荷预测值和地铁站人员年负荷预测值。当输入变量是室内温度、室外温度、室内湿度、室外湿度和历史日负荷，则GA-BP神经网络模型的的输出目标向量是地铁站人员日负荷预测值；当输入变量是室内温度、室外温度、室内湿度、室外湿度和历史月负荷，则GA-BP神经网络模型的的输出目标向量是地铁站人员月负荷预测值。
为了获取输入变量对应的样本数据，可以通过温湿度传感器记录地铁站室内温度、室外温度、室内湿度和室外湿度；通过公式计算得到地铁站历史人员负荷；
其中，
；
N c为地铁站站厅人数，人；N p为地铁站站台人数，人；A 1 、A 2分别为地铁站进出站人数，人/小时；a 1 、a 2分别为乘客进站在站厅、站台停留的时间；b 1 、b 2分别为乘客出站在站厅、站台的停留时间；Q p为地铁站历史人员负荷，kW；q p为乘客全热散热量，W/人。其中，通过自动售检票系统的接口可获知单位时间段执单程票进闸人数、执储值票进闸人数和出闸人数等信息，从而获取到地铁站进出站人数。地铁站人员负荷按照劳动强度为“轻度劳动”计算，即站厅室内设计温度30℃下全热散热量为182W/人。通过大数据分析以及综合监控系统可以分析得到乘客进站在站厅、站台停留的时间；在本实施例中，乘客进站在站厅、站台停留的时间，取2min；b 1 、b 2分别为乘客出站在站厅、站台的停留时间，取1.5min。
获取到单位时间段内的地铁站历史人员负荷后，就可以将各个时段段内的地铁站历史人员负荷值进行叠加，计算的到地铁站人员历史日负荷、历史月负荷和历史年负荷。
在本实施例中，所述步骤S3利用粒子群算法优化GA-BP神经网络模型的权值和阈值具体包括：
步骤S31、初始化粒子解集；
具体的，设置粒子解集，其中/>和/>分别代表GA-BP神经网络模型的输入层到隐含层的权值和阈值，/>和/>分别代表GA-BP神经网络模型的隐含层到输出层的权值和阈值，/>代表神经网络隐含层的个数；
设定粒子群规模为s，进化最大迭代次数为tmax，每次迭代对每个粒子xi进行速度和位置的初始化，以获得每个粒子解集对应的GA-BP神经网络模型的一组权值和阈值；
步骤S32、计算初始适应度值；
由于每个粒子的速度和位置对应着一组权值和阈值，初始化粒子得到每个粒子速度和位置后，就能获取到每个粒子速度和位置对应的一组权值和阈值，获取到一组权值和阈值后，就可以将一组权值和阈值赋值给GA-BP神经网络模型，进一步通过计算GA-BP神经网络模型的训练误差的倒数以获取每个粒子的适应值；
其中，为第j个样本数据对应的GA-BP神经网络模型的人员负荷预测值，/>为第j个样本数据对应的实际人员负荷值，/>为GA-BP神经网络模型样本数据的总数。
需要说明的是，每个样本数据包括一组室内温度、室外温度、室内湿度、室外湿度和实际负荷值，实际负荷值可以是历史日负荷值或者历史月负荷值或者历史年负荷值。
步骤S33、更新粒子速度和位置；
对于每个粒子，将其适应值与其前t次迭代经历过的最好位置pi(t)的适应值进行比较，粒子的局部最优位置更新参照以下公式：
其中，为粒子第t+1次迭代对应的适应值，/>为粒子前t次迭代经历过的最好位置对应的适应值，其中粒子前t次迭代经历过的最好位置对应的适应值最小，从而实现对每个粒子的局部最优位置进行更新。
将群体中的全局最优位置记为pg(t)，pg(t)∈{p1(t),…,ps(t)}，并且f(Pg(t))＝min{f(P1(t)),…,f(Ps(t))}，则全局最优位置更新公式如下：
；
当满足f(pg(t))-f(pg(t+1))≤ε1，则输出当前全局最优位置pg(t)，其中ε1为最大允许误差，若否，则返回到步骤S31，继续初始化粒子的速度和位置，直至迭代次数达到最大迭代次数tmax。
在本实施例中，所述步骤S4将样本数据输入到优化后的GA-BP神经网络模型中，根据人员负荷预测值和人员负荷实际值的差值是否满足预设误差值来对权值和阈值进行迭代计算，直至人员负荷预测值与人员负荷实际值的差值小于预设误差值具体包括：
将输入变量对应的一组样本数据输入到GA-BP神经网络模型中，以获取人员负荷预测值，/>，…/>，/>表示第P组样本数据对应的人员负荷预测值；
将获取到的人员负荷预测值，/>，…/>与人员负荷实际值为/>，/>…/>进行比较；判断是否满足|/>-/>|＜ε，ε为预设误差值；若是，则全局最优位置pg(t)对应的权值和阈值满足要求，即为GA-BP神经网络模型对应的最优的权值和阈值。
需要说明的是，输入变量对应的一组样本数据根据输出目标向量来确定，当输出目标向量是日负荷预测值，则输入变量对应的一种样本数据中的实际负荷值为历史日负荷；以此类推，当输出目标向量是月负荷预测值，则输入变量对应的一种样本数据中的实际负荷值为历史月负荷。
此外，若不满足|-/>|＜ε，则在全局最优位置pg(t)的基础上，进行迭代计算，以更新GA-BP神经网络模型对应的权值和阈值；
其中，；
；
；
；
；
；
其中，、/>分别为第n次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，n初始值为0，/>、/>分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，其中/>为神经网络模型的步长，其中，/>表示第/>个样本数据产生的误差，/>的取值为(1，2，...，P)，如前所述，/>为GA-BP神经网络模型样本数据的总数，为所有样本数据产生的总误差，/>为第/>个样本数据输入到第n次迭代得到的权值和阈值赋值的GA-BP神经网络模型的人员负荷预测值，/>为第/>个样本数据对应的人员负荷实际值。
最后，确定了GA-BP神经网络模型最优的权值和阈值，将获取到的全局最优权值和阈值赋值给神经网络，以得到人员负荷预测的最优神经网络模型。若要预测人员负荷值，可以直接在模型中输入对应的样本数据，即可由模型自动输出地铁站人员负荷预测值，实现地铁人员负荷的高精度负荷预测。
综上，本发明提供了一种地铁站人员负荷预测方法，为更好地掌握地铁站空调负荷的特点，分析地铁站负荷特点提供了方法；本发明通过初始化粒子解集，通过初始化粒子解集对应的权值和阈值计算粒子的适应度值，将粒子的适应值与每次迭代经历过的最好位置对应的适应值进行比较，从而获取粒子的局部最优位置，进一步比较各个粒子的局部最优位置，以获取全局最优位置，将全局最优位置对应的权值和阈值赋值给神经网络模型，从而能够准确地预测出地铁站人员负荷值；进一步在全局最优位置的基础上，进行迭代计算，以更新GA-BP神经网络模型对应的权值和阈值，直至人员负荷预测值与人员负荷实际值的差值小于预设误差值，从而进一步提升了预测效果，有利于准确地预测出地铁站人员负荷值，从而更好地掌握地铁空调负荷的情况。
实施例2
请参阅图2，本发明提供一种地铁站人员负荷预测系统，具体包括：
确定模块，用于确定GA-BP神经网络模型的输入变量和输出目标向量，其中输出目标向量为地铁站人员负荷预测值；
获取模块，用于获取GA-BP神经网络模型的输入变量对应的样本数据；
优化模块，用于利用粒子群算法优化GA-BP神经网络模型的权值和阈值；
预测模块，用于将优化得到的权值和阈值赋值给GA-BP神经网络模型，将输入变量对应的样本数据输入到GA-BP神经网络模型中，以获取地铁站人员负荷预测值。
可选的，所述优化模块具体包括：
初始化粒子解集：设置粒子解集，其中/>和/>分别代表GA-BP神经网络模型的输入层到隐含层的权值和阈值，/>和/>分别代表GA-BP神经网络模型的隐含层到输出层的权值和阈值，/>代表神经网络隐含层的个数；设定粒子群规模为s，进化最大迭代次数为tmax，每次迭代对每个粒子xi进行速度和位置的初始化，以获得每个粒子解集对应的GA-BP神经网络模型的一组权值和阈值；
计算初始适应度值：将每个粒子的解集对应的一组权值和阈值赋值给GA-BP神经网络模型，通过计算GA-BP神经网络模型的训练误差的倒数以获取每个粒子的适应值；
其中，为第j个样本数据对应的GA-BP神经网络模型的人员负荷预测值，/>为第j个样本数据对应的实际人员负荷值，/>为GA-BP神经网络模型样本数据的总数；
更新粒子速度和位置：
对于每个粒子，将其适应值与其前t次迭代经历过的最好位置pi(t)的适应值进行比较，粒子的局部最优位置更新参照以下公式：
其中，为粒子第t+1代对应的适应值，/>为粒子前t次迭代经历过的最好位置对应的适应值，其中粒子前t次迭代经历过的最好位置对应的适应值最小；
将群体中的全局最优位置记为pg(t)，pg(t)∈{p1(t),…,ps(t)}，并且f(Pg(t))＝min{f(P1(t)),…,f(Ps(t))}，则全局最优位置更新公式如下：
；
当满足f(pg(t))-f(pg(t+1))≤ε1，则输出当前全局最优位置pg(t)，其中ε1为最大允许误差，若否，则返回到初始化粒子解集。
可选的，所述优化模块还包括：
确认单元，用于将输入变量对应的一组样本数据输入到GA-BP神经网络模型中，以获取人员负荷预测值，/>，…/>，/>表示第P组样本数据对应的人员负荷预测值；/>
将获取到的人员负荷预测值，/>，…/>与人员负荷实际值为/>，/>…/>进行比较；判断是否满足|/>-/>|＜ε，ε为预设误差值；若是，则全局最优位置pg(t)对应的权值和阈值满足要求，即为GA-BP神经网络模型对应的权值和阈值。
可选的，所述确认单元还包括：
若不满足|-/>|＜ε，则在全局最优位置pg(t)的基础上，进行迭代计算，以更新GA-BP神经网络模型对应的权值和阈值；
其中，；
；
；
；
；
；
其中，、/>分别为第n次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，n初始值为0，/>、/>分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，其中/>为神经网络模型的步长，其中，/>表示第/>个样本数据产生的误差，/>的取值为(1，2，...，P)，/>为GA-BP神经网络模型样本数据的总数，/>为所有样本数据产生的总误差，/>为第/>个样本数据输入到第n次迭代得到的权值和阈值赋值的GA-BP神经网络模型的人员负荷预测值，/>为第/>个样本数据对应的人员负荷实际值。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对发明的限制。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。
显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或者特性可以包含在本实施例申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是相同的实施例，也不是与其它实施例互斥的独立的或是备选的实施例。本领域技术人员可以显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。基于本申请中的实施例，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，都属于本申请保护的范围。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种地铁站人员负荷预测方法，其特征在于，具体包括：
确定GA-BP神经网络模型的输入变量和输出目标向量，其中输出目标向量为地铁站人员负荷预测；
获取GA-BP神经网络模型的输入变量对应的样本数据；
利用粒子群算法优化GA-BP神经网络模型的权值和阈值；
将优化得到的权值和阈值赋值给GA-BP神经网络模型，将输入变量对应的样本数据输入到GA-BP神经网络模型中，以获取地铁站人员负荷预测。
2.根据权利要求1所述的一种地铁站人员负荷预测方法，其特征在于：所述GA-BP神经网络模型的输入变量包括室内温度、室外温度、室内湿度、室外湿度和地铁站历史人员负荷；地铁站历史人员负荷包括历史日负荷、历史月负荷和历史年负荷；所述地铁站人员负荷预测包括地铁站人员日负荷预测、地铁站人员月负荷预测和地铁站人员年负荷预测。
3.根据权利要求2所述的一种地铁站人员负荷预测方法，其特征在于：所述步骤获取GA-BP神经网络模型的输入变量对应的样本数据具体包括：
通过温湿度传感器获取地铁站室内温度、室外温度、室内湿度和室外湿度；
通过公式计算得到地铁站历史人员负荷；
其中，
N c为地铁站站厅人数，人；N p为地铁站站台人数，人；A 1 、A 2分别为地铁站进出站人数，人/小时；a 1 、a 2分别为乘客进站在站厅、站台停留的时间；b 1 、b 2分别为乘客出站在站厅、站台的停留时间；Q p为地铁站历史人员负荷，kW；q p为乘客全热散热量，W/人。
4.根据权利要求1所述的一种地铁站人员负荷预测方法，其特征在于：所述步骤利用粒子群算法优化GA-BP神经网络模型的权值和阈值具体包括：
初始化粒子解集：设置粒子解集，其中/>和/>分别代表GA-BP神经网络模型的输入层到隐含层的权值和阈值，/>和/>分别代表GA-BP神经网络模型的隐含层到输出层的权值和阈值，/>代表神经网络隐含层的个数；设定粒子群规模为s，进化最大迭代次数为tmax，每次迭代对每个粒子xi进行速度和位置的初始化，以获得每个粒子解集对应的GA-BP神经网络模型的一组权值和阈值；
计算初始适应度值：将每个粒子的解集对应的一组权值和阈值赋值给GA-BP神经网络模型，通过计算GA-BP神经网络模型的训练误差的倒数以获取每个粒子的适应值；
其中，为第j个样本数据对应的GA-BP神经网络模型的人员负荷预测值，/>为第j个样本数据对应的实际人员负荷值，/>为GA-BP神经网络模型样本数据的总数；
更新粒子速度和位置：
对于每个粒子，将其适应值与其前t次迭代经历过的最好位置pi(t)的适应值进行比较，粒子的局部最优位置更新参照以下公式：
其中，为粒子第t+1代对应的适应值，/>为粒子前t次迭代经历过的最好位置对应的适应值，其中粒子前t次迭代经历过的最好位置对应的适应值最小；
将群体中的全局最优位置记为pg(t)，pg(t)∈{p1(t),…,ps(t)}，并且f(Pg(t))＝min{f(P1(t)),…,f(Ps(t))}，则全局最优位置更新公式如下：
；
当满足f(pg(t))-f(pg(t+1))≤ε1，则输出当前全局最优位置pg(t)，其中ε1为最大允许误差，若否，则返回到初始化粒子解集。
5.根据权利要求4所述的一种地铁站人员负荷预测方法，其特征在于：所述步骤输出当前全局最优位置pg(t)之后还包括：
将输入变量对应的一组样本数据输入到GA-BP神经网络模型中，以获取人员负荷预测值，/>，…/>，/>表示第P组样本数据对应的人员负荷预测值；
将获取到的人员负荷预测值，/>，…/>与人员负荷实际值为/>，/>…/>进行比较；判断是否满足|/>-/>|＜ε，ε为预设误差值；若是，则全局最优位置pg(t)对应的权值和阈值满足要求，即为GA-BP神经网络模型对应的权值和阈值。
6.根据权利要求5所述的一种地铁站人员负荷预测方法，其特征在于：所述步骤判断是否满足|tp-yp|＜ε之后还包括：
若否，则在全局最优位置pg(t)的基础上，进行迭代计算，以更新GA-BP神经网络模型对应的权值和阈值；
其中，；
；
；
；
；
；
其中，、/>分别为第n次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，n初始值为0，/>、分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，其中/>为神经网络模型的步长，其中，/>表示第/>个样本数据产生的误差，/>的取值为(1，2，...，P)，/>为GA-BP神经网络模型样本数据的总数，/>为所有样本数据产生的总误差，/>为第/>个样本数据输入到第n次迭代得到的权值和阈值赋值的GA-BP神经网络模型的人员负荷预测值，/>为第/>个样本数据对应的人员负荷实际值。
7.一种地铁站人员负荷预测系统，其特征在于，具体包括：
确定模块，用于确定GA-BP神经网络模型的输入变量和输出目标向量，其中输出目标向量为地铁站人员负荷预测值；
获取模块，用于获取GA-BP神经网络模型的输入变量对应的样本数据；
优化模块，用于利用粒子群算法优化GA-BP神经网络模型的权值和阈值；
预测模块，用于将优化得到的权值和阈值赋值给GA-BP神经网络模型，将输入变量对应的样本数据输入到GA-BP神经网络模型中，以获取地铁站人员负荷预测值。
8.根据权利要求7所述的一种地铁站人员负荷预测系统，其特征在于：所述优化模块具体包括：
初始化粒子解集：设置粒子解集，其中/>和/>分别代表GA-BP神经网络模型的输入层到隐含层的权值和阈值，/>和/>分别代表GA-BP神经网络模型的隐含层到输出层的权值和阈值，/>代表神经网络隐含层的个数；设定粒子群规模为s，进化最大迭代次数为tmax，每次迭代对每个粒子xi进行速度和位置的初始化，以获得每个粒子解集对应的GA-BP神经网络模型的一组权值和阈值；
计算初始适应度值：将每个粒子的解集对应的一组权值和阈值赋值给GA-BP神经网络模型，通过计算GA-BP神经网络模型的训练误差的倒数以获取每个粒子的适应值；
其中，为第j个样本数据对应的GA-BP神经网络模型的人员负荷预测值，/>为第j个样本数据对应的实际人员负荷值，/>为GA-BP神经网络模型样本数据的总数；
更新粒子速度和位置：
对于每个粒子，将其适应值与其前t次迭代经历过的最好位置pi(t)的适应值进行比较，粒子的局部最优位置更新参照以下公式：
其中，为粒子第t+1代对应的适应值，/>为粒子前t次迭代经历过的最好位置对应的适应值，其中粒子前t次迭代经历过的最好位置对应的适应值最小；
将群体中的全局最优位置记为pg(t)，pg(t)∈{p1(t),…,ps(t)}，并且f(Pg(t))＝min{f(P1(t)),…,f(Ps(t))}，则全局最优位置更新公式如下：
；
当满足f(pg(t))-f(pg(t+1))≤ε1，则输出当前全局最优位置pg(t)，其中ε1为最大允许误差，若否，则返回到初始化粒子解集。
9.根据权利要求8所述的一种地铁站人员负荷预测系统，其特征在于，所述优化模块还包括：
确认单元，用于将输入变量对应的一组样本数据输入到GA-BP神经网络模型中，以获取人员负荷预测值，/>，…/>，/>表示第P组样本数据对应的人员负荷预测值；
将获取到的人员负荷预测值，/>，…/>与人员负荷实际值为/>，/>…/>进行比较；判断是否满足|/>-/>|＜ε，ε为预设误差值；若是，则全局最优位置pg(t)对应的权值和阈值满足要求，即为GA-BP神经网络模型对应的权值和阈值。
10.根据权利要求8所述的一种地铁站人员负荷预测系统，其特征在于：所述确认单元还包括：
若不满足|-/>|＜ε，则在全局最优位置pg(t)的基础上，进行迭代计算，以更新GA-BP神经网络模型对应的权值和阈值；
其中，；
；
；
；
；
；
其中，、/>分别为第n次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为第n+1次迭代得到的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，n初始值为0，/>、分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的权值和隐含层到输出层的权值，/>、/>分别为全局最优位置pg(t)对应的神经网络输入层到隐含层的阈值和隐含层到输出层的阈值，其中/>为神经网络模型的步长，其中，/>表示第/>个样本数据产生的误差，/>的取值为(1，2，...，P)，/>为GA-BP神经网络模型样本数据的总数，/>为所有样本数据产生的总误差，/>为第/>个样本数据输入到第n次迭代得到的权值和阈值赋值的GA-BP神经网络模型的人员负荷预测值，/>为第/>个样本数据对应的人员负荷实际值。
CN202311273908.5A 2023-09-28 2023-09-28 一种地铁站人员负荷预测方法及系统 Pending CN117494870A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311273908.5A CN117494870A (zh) 2023-09-28 2023-09-28 一种地铁站人员负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311273908.5A CN117494870A (zh) 2023-09-28 2023-09-28 一种地铁站人员负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN117494870A true CN117494870A (zh) 2024-02-02

Family

ID=89673348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311273908.5A Pending CN117494870A (zh) 2023-09-28 2023-09-28 一种地铁站人员负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN117494870A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118114887A (zh) * 2024-04-29 2024-05-31 中国铁建电气化局集团有限公司 一种疏散通道人群流量的预测方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118114887A (zh) * 2024-04-29 2024-05-31 中国铁建电气化局集团有限公司 一种疏散通道人群流量的预测方法和装置

Similar Documents

Publication Publication Date Title
Rahman et al. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks
US11982994B2 (en) Determining a regional gas pipeline operating scheme
CN108009972B (zh) 一种基于多源数据校核的多方式出行o-d需求估计方法
CN117494870A (zh) 一种地铁站人员负荷预测方法及系统
Han et al. Energy saving of buildings for reducing carbon dioxide emissions using novel dendrite net integrated adaptive mean square gradient
CN111860989B (zh) 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
CN107194491A (zh) 一种基于公交客流和站间行程时间预测的动态调度方法
CN109118020A (zh) 一种地铁车站能耗短期预测方法及其预测系统
CN115564114B (zh) 一种基于图神经网络的空域碳排放短期预测方法及系统
CN113240184B (zh) 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
Song et al. An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings
CN116776745A (zh) 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统
CN114580751B (zh) 空港到港旅客疏散时间预测方法、系统、存储介质及终端
CN116933946A (zh) 一种基于客流去向结构的轨道交通od客流预测方法及系统
Zhang et al. Virtual dynamic coupling of computational fluid dynamics-building energy simulation-artificial intelligence: Case study of urban neighbourhood effect on buildings’ energy demand
CN110704789B (zh) 一种依托“城市超脑”计算平台的人口动态测算方法和系统
CN115170006B (zh) 发车调度方法、装置、设备和存储介质
CN108668254B (zh) 基于改进BP神经网络的WiFi信号特征的区域定位方法
CN114611823B (zh) 电-冷-热-气多能需求典型园区的优化调度方法及系统
CN113705891B (zh) 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法
CN115357798A (zh) 一种基于大数据的智慧旅游目标推荐方法及系统
Yu et al. Model analysis of energy consumption data for green building using deep learning neural network
Liu et al. Comprehensive approach to modeling and simulation of dynamic soft-sensing design for real-time building energy consumption
CN112949948A (zh) 电动汽车分时段换电需求区间预测的集成学习方法及系统
CN117252404B (zh) 一种城市更新单元的人口、岗位规模测算方法及系统

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