基于GRU神经网络的运行图编制方法及系统技术方案

本发明专利技术涉及一种基于GRU神经网络的运行图编制方法。本发明专利技术基于GRU神经网络预测出未来预定时段内的客流量的预计值y；判断y的预计值是否满足当前运营要求，若是，则按照当前实际运行图运营；若所述y的预计值不能满足当前运营要求，则通过GRU神经网络重新预测出y+N的预计值，并动态调整列车运行图；其中，N为正整数。本发明专利技术通过计算未来数个周期内的客流量，动态调整列车运营间隔，减少了列车运行次数，节省列车运行能耗，并且大大提高了运营效率以及乘客乘坐体验。客乘坐体验。客乘坐体验。

【技术实现步骤摘要】
基于GRU神经网络的运行图编制方法及系统


[0001]本专利技术涉及一种运行图编制方及系统，属于轨道交通
，具体是涉及一种基于GRU神经网络的运行图编制方法及系统。

技术介绍

[0002]近年来，随着客流量及地铁线路的增长，现有的运行图调整不足以满足智慧、高效、节能的地铁运营需求，因此亟需新的智能方案来适应智慧化、节能化的智慧地铁。
[0003]目前的运行图是固定的运行图，非高峰期的运行图根据某地演唱会、庙会等特殊情况，在提前一天某个时段绘制密集一些，而无特殊情况的运行图绘制宽泛一些，列车按点运营，达到有序、节能的要求，但列车牵引的能耗占整个地铁能耗的45%
‑
60%，列车空载率居高不下，导致节能效果不突出。
[0004]新研制的运行图调整方案，根据AFC实时反应的数据，采取RBF神经网络算法，预估出每个站点客流量，对列车间隔进行调整，降低列车空载率达到动态有序的满足运营要求，并且大大降低列车牵引所带来的能源消耗。
[0005]如图1所示，目前的技术方案为节假日客流调整及工作日客流调整。前一天判断第二天是否是节假日，第二天是否有演唱会及大型集会这些特殊情况，从而进行运行图调整，一般使用上座率3成来满足传统客流量需求。
[0006]目前的运行图是前一天生成并保存的，使用当天是不允许调整的，车辆调度只能通过扣车跳停这些来保障客运，但所有的车辆及编组是不能进行动态调整。并且为了满足运营的要求，运行间隔与上座率往往达不到要求，造成了运行间隔小，上座率低，运行间隔大，旅客等待时间长选取其他方式，造成了城市资源的大量浪费。

技术实现思路

[0007]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
[0008]本专利技术主要的目的是解决现有技术中所存在的非高峰期，列车运行图不能自动调整，运营效率低，能耗大的突出问题，使用本专利技术后，运营效率会大大提高，满足运营及乘客的双方面需求，降低地铁运营能耗和运营成本。
[0009]为解决上述问题，本专利技术的方案是：一种基于GRU神经网络的运行图编制方法，包括：基于GRU神经网络预测出未来预定时段内的客流量的预计值y；判断预计值y是否满足当前运营要求，若是，则按照当前实际运行图运营；若所述预计值y不能满足当前运营要求，则通过GRU神经网络重新预测出y+N的预计值，并动态调整列车运行图；其中，N为正整数。
[0010]优选的，上述的一种基于GRU神经网络的运行图编制方法，包括：基于GRU神经网络预测出预计值y具体包括：步骤1，汇总客流流量为理想输入格式后进行预处理，运用最小与最大标准化技术向[0,l]区间内映射；步骤2，获得准确的GRU神经网络结构，例如GRU层数、每层上的神经元数量；步骤3，选取一个渐进式神经网络算法与预期值当作激活函数；步骤4，运用训练集数据优化神经网络后即可获得对应预测模型；步骤5，通过验证数据集对模型预测效果验证，如果调整后客流量满足预期运营需求，则按照流程执行，否则重新执行步骤2
‑
5；步骤6，选择预测值与实际值相差为预设值的模型与测试数据对交通流量预测值进行预测。
[0011]优选的，上述的一种基于GRU神经网络的运行图编制方法，所述步骤2中的GRU层数值为3，神经元数量为8。
[0012]优选的，上述的一种基于GRU神经网络的运行图编制方法，所述步骤3中的激活函数为：为双曲正切函数。
[0013]一种基于GRU神经网络的运行图编制系统，包括：客流量预计模块，用于基于GRU神经网络预测出未来预定时段内的客流量的预计值y；负荷判断模块，用于判断预计值y是否满足当前运营要求，若是，则按照当前实际运行图运营；若所述预计值y不能满足当前运营要求，则通过GRU神经网络重新预测出y+N的预计值，并动态调整列车运行图；其中，N为正整数。
[0014]优选的，上述的一种基于GRU神经网络的运行图编制系统，负荷判断模块基于GRU神经网络预测出预计值y的具体过程包括：步骤1，汇总客流流量为理想输入格式后进行预处理，运用最小与最大标准化技术向[0,l]区间内映射；步骤2，获得准确的GRU神经网络结构，例如GRU层数、每层上的神经元数量；步骤3，选取一个渐进式神经网络算法与预期值当作激活函数；步骤4，运用训练集数据优化神经网络后即可获得对应预测模型；步骤5，通过验证数据集对模型预测效果验证，如果调整后客流量满足预期运营需求，则按照流程执行，否则重新执行步骤2
‑
5；步骤6，选择预测与实际值相差为预设值的模型与测试数据对交通流量预测值进行预测。
[0015]优选的，上述的一种基于GRU神经网络的运行图编制系统，所述步骤2中的GRU层数值为3，神经元数量为8。
[0016]优选的，上述的一种基于GRU神经网络的运行图编制系统，所述步骤3中的激活函
数为：为双曲正切函数。
[0017]因此，相对于现有技术，本专利技术具备以下优点：本专利技术通过计算未来数个周期内的客流量，动态调整列车运营间隔，减少了列车运行次数，节省列车运行能耗，并且大大提高了运营效率以及乘客乘坐体验。
附图说明
[0018]并入本文并形成说明书的一部分的附图例示了本专利技术的实施例，并且附图与说明书一起进一步用于解释本专利技术的原理以及使得所属领域技术人员能够制作和使用本公开。
[0019]图1例示了本专利技术实施例中的目前运行图调整流程图；图2例示了本专利技术实施例中的GRU神经网络的展开；图3例示了本专利技术实施例中的运行图调整原理；图4例示了本专利技术实施例中的运行图总体生成原理。
[0020]将参照附图描述本专利技术的实施例。
具体实施方式实施例
[0021]本专利技术使用的公式为模型的输入量可用表示；其中X1为以当天AFC周期为5分钟的进站人数和出站人数统计，加以前T
‑
1个同一时段周期日（分工作日与非工作日）的数据，T取值为10。
[0022]以下为主要操作流程：第一步：汇总客流流量为理想输入格式后进行预处理，运用最小与最大标准化技术向[0,l]区间内映射；第二步：获得准确的GRU神经网络结构，例如GRU层数、每层上的神经元数量；第三步：选取一个渐进式神经网络算法与预期值当作激活函数；第四步：运用训练集数据优化神经网络后即可获得对应预测模型；第五步：通过验证数据集对模型预测效果验证，如果调整后客流量依旧满足预期运营需求，则按照流程执行，否则重新执行步骤2
‑
5；第六步:选择预测值与实际值相差10%的模型与测试数据对交通流量预测值进行预测。
[0023]采用上述六个流程可以实现基于GRU神经网络预测客流流量设X为以当天AFC周期为5分钟的进站人数和出站人数统计。
[0024]代表未来t时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GRU神经网络的运行图编制方法，其特征在于，包括：基于GRU神经网络预测出未来预定时段内的客流量的预计值y；判断预计值y是否满足当前运营要求，若是，则按照当前实际运行图运营；若所述预计值y不能满足当前运营要求，则通过GRU神经网络重新预测出y+N的预计值，并动态调整列车运行图；其中，N为正整数。2.根据权利要求1所述的一种基于GRU神经网络的运行图编制方法，其特征在于，包括：基于GRU神经网络预测出预计值y具体包括：步骤1，汇总客流流量后进行预处理，运用最小与最大标准化技术向[0,l]区间内映射；步骤2，获得准确的GRU神经网络结构，包括：GRU层数、每层上的神经元数量；步骤3，选取一个渐进式神经网络算法与预期值当作激活函数；步骤4，运用训练集数据优化神经网络后即可获得对应预测模型；步骤5，通过验证数据集对模型预测效果验证，如果调整后客流量满足预期运营需求，则按照流程执行，否则重新执行步骤2
‑
5；步骤6，选择预测值与实际值相差为预设值的模型与测试数据对交通流量预测值进行预测。3.根据权利要求2所述的一种基于GRU神经网络的运行图编制方法，其特征在于，所述步骤2中的GRU层数值为3，神经元数量为8。4.一种基于GRU神经网络的运行图...

【专利技术属性】
技术研发人员：张辉，郝耕华，刘二荣，邓能文，
申请(专利权)人：北京城建智控科技有限公司，
类型：发明
国别省市：