【技术实现步骤摘要】
一种基于深度学习的地铁运行优化算法及系统
[0001]本专利技术涉及深度学习的
,尤其涉及一种基于深度学习的地铁运行优化算法及系统。
技术介绍
[0002]随着轨道交通行业的飞速发展,越来越多的人选择城市轨道交通出行,城市轨道交通在缓解地面交通拥堵情况的同时,地铁出行的安全和效率问题逐渐变成社会持续关注的重点。
[0003]在地铁客流量检测算法中,传统深度学习模型运算量大,跟踪速度慢,且在高密度遮挡环境下跟踪效率低,无法满足地铁站内拥挤人群环境下的高效、精确、实时的跟踪要求;同时传统地铁客流预测模型的精度具有受客流随机波动影响较大等问题。
[0004]鉴于此,如何对地铁中的客流量进行更为准确的检测以及预测,并根据客流量的预测结果,优化地铁运行策略,成为本领域技术人员亟待解决的问题。
技术实现思路
[0005]本专利技术提出一种基于深度学习的地铁运行优化算法及系统,通过利用基于深度学习的地铁客流量检测模型对地铁中客流量进行实时检测,并根据不同时刻的地铁客流量检测结果,利用基于小波变换的地铁客流量预测算法对下一时刻地铁中的客流量进行预测;根据预测得到的下一时刻地铁中的客流量,构建构建基于高铁最大客流量的地铁运行目标函数,改进地铁的在站停留时间以及发车时间,实现地铁运行优化。
[0006]为实现上述目的,本专利技术提供的一种基于深度学习的地铁运行优化算法,包括:
[0007]获取地铁图像数据,并对地铁图像数据进行图像灰度化和灰度拉伸的预处理,得到预处理后的地铁图像数据; ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的地铁运行优化算法,其特征在于,所述方法包括:获取地铁图像数据,并对地铁图像数据进行图像灰度化和灰度拉伸的预处理,得到预处理后的地铁图像数据;利用基于深度学习的地铁客流量检测模型对地铁中客流量进行实时检测,得到不同时刻地铁客流量的检测结果;根据不同时刻的地铁客流量检测结果,利用基于小波变换的地铁客流量预测算法对下一时刻地铁中的客流量进行预测,得到下一时刻地铁中的客流量;根据预测得到的地铁中下一时刻的客流量,构建基于高铁最大客流量的地铁运行目标函数;利用基于遗传算法的目标函数求解方法对地铁运行目标函数进行求解,对地铁的在站停留时间以及发车时间进行更新,实现地铁运行优化。2.如权利要求1所述的一种基于深度学习的地铁运行优化算法,其特征在于,所述对地铁图像数据进行图像灰度化和灰度拉伸的预处理,包括:1)通过对地铁图像数据中每一个像素的三个分量求最大值,并将该最大值设置为该像素点的灰度值,得到地铁图像数据的灰度图,所述灰度化处理的公式为:G(i,j)=max{R(i,j),G(i,j),B(i,j)}其中:(i,j)为存储图像中的一个像素点;R(i,j),G(i,j),B(i,j)分别为像素点(i,j)在R、G、B三个颜色通道中的值;G(i,j)为像素点(i,j)的灰度值;2)根据所述灰度图像,利用分段线性变换的方式对图像的灰度进行拉伸的公式为:其中:f(x,y)为灰度图像的灰度图;MAX
f(x,y)
,MIN
f(x,y)
分别为灰度图的最大灰度值和最小灰度值。3.如权利要求2所述的一种基于深度学习的地铁运行优化算法,其特征在于,所述利用基于深度学习的地铁客流量检测模型对地铁中客流量进行实时检测,包括:1)将预处理后的地铁图像数据作为基于深度学习的地铁客流量检测模型的输入,利用13层卷积层和3层池化层对地铁图像数据进行处理,得到地铁图像数据的特征图x;2)利用膨胀卷积层对特征图进行膨胀卷积处理,得到特征图的膨胀卷积输出:其中:y(m,n)为特征图中特征点坐标(m,n)的膨胀卷积输出;M为特征图的长;N为特征图的宽;
r表示膨胀率;并利用1
×
1像素大小的卷积核对膨胀卷积结果进行卷积计算,输出地铁图像中的客流标记结果;3)根据地铁图像中的客流标记结果,利用几何自适应的高斯核方法得到区域分布人像的概率,即通过将人像覆盖区域换算得来,其概率为每处像素分布的人数,整合起来即为人群密度图;所述几何自适应的高斯核方法计算公式为:σ
i
=βd
i
其中:F(x)为人群密度图;x
i
为地铁图像中人像中心坐标位置;x表示地铁图像;G表示高斯核;σ
i
表示高斯核标准差;β表示高斯核参数,将其设置为0.3;d
i
为图像中第i个人像距离其k邻近人像的欧式距离和的平均。4.如权利要求3所述的一种基于深度学习的地铁运行优化算法,其特征在于,所述利用基于小波变换的地铁客流量预测算法对下一时刻地铁中的客流量进行预测,包括:1)利用小波变换对不同时刻的地铁客流量检测结果进行处理,得到地铁客流量时间序列{x
k
},所述小波变换处理的公式为:其中:a为尺度;b为平移量;x(t)为t时刻的地铁客流量数据;ω(t)为小波函数,采用haar小波;2)计算地铁客流量时间序列{x
k
}的自相关函数值,并画出其图形,其中{x
k
}中以k期为间隔的2个随机变量x
t
和x
t
‑
k
的自协方差为:γ
k
=cov(x
t
,x
t
‑
k
)=E((x
t
‑
μ)(x
t
‑
k
‑
μ))其中:μ表示时间序列{x
k
}的均值;E(x
t
)表示时间序列{x
k
}的期望;则地铁客流量时间序列{x
k
}的自相关函数值为:
其中:若图形具有拖尾性,则属于平稳时间序列,转到3);若图形无拖尾性,则属于非平稳时间序列,转到2)3)对非平稳时间序列进行周期差分处理:y
t
=x
t+s
‑
x
t
其中:s表示时间序列{x
k
}的周期;4)将地铁客流量时间序列y
t+1
视为:y
t+1
=L
t
+...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。