基于随机森林算法的地铁通信系统健康度动态评估方法

[目的]地铁通信系统的健康度直接关系到地铁运营的效率和安全。针对现阶段地铁通信系统健康度评估方式存在评估结果片面性及评分标准主观性等问题,需构建能够科学、准确地评估地铁通信系统运行状态和健康度的方法。[方法]提出了一种基于随机森林算法的健康度动态评估方法,结合深度学习进行通信健康度检测。设计评价指标体系,收集相应数据,在标签(真实健康度)不明确的情况下,采用混合标签法确定标签并计算各个指标重要度;适当地加入专家知识的影响,根据指标权重和专家制定的指标自身评分标准,计算通信系统各子系统健康度;基于成都地铁维保数据进行了该方法试验验证。[结果及结论]试验验证结果表明,通过该方法可以得到有效的指标重要度,可合理评估地铁通信系统健康度。

基于改进卷积神经网络的地铁客流量预测算法设计

为了提升地铁客流量预测的精度,并实现精细化运营,文中基于深度学习理论中的卷积神经网络(CNN)算法提出了一种客流量预测方案。文中分析CNN网络的结构与参数,并对网络中卷积层、池化层的参数传递过程进行解析。通过引入Fisher准则解决了当前CNN网络中存在的因训练误差传递易陷入局部最优,而产生的网络过拟和问题。对原有误差函数进行改进,扩大类间距离且缩小类内距离,同时提升网络的泛化能力,并避免迭代过程中的不收敛。以成都地铁7号线部分站点的实际运营数据为样本进行仿真实验,其不但优化了地铁运营数据的格式,还提升了数据输入输出的效率。仿真结果表明,改进后的CNN网络在进行预测时的平均误差可达到4.38%,相较于传统的CNN网络降低了9.53%。