基于HPO-LSTM的公交周转时间预测

公交周转时间的准确预测是公交智能排班的基础和前提,是制定行车时刻表的关键。为提高公交周转时间的预测精度,提出了基于猎人猎物优化长短时记忆神经网络(HPO-LSTM)的公交周转时间预测模型,将长短时记忆神经网络(LSTM)中的超参数(隐含层节点数、迭代循环数以及初始学习率)映射为猎人猎物优化算法(HPO)种群的位置;以LSTM模型预测值与真实值产生的均方根误差E_(RMS)作为种群适应度函数,优化种群位置,实现LSTM神经网络超参数寻优;用最优超参数构建LSTM神经网络,进行公交周转时间预测。采用某市公交1号线数据对模型进行验证分析,结果表明:相比于BP、LSTM、FA-BP、HPO-BP模型,HPO-LSTM模型平均绝对百分比误差E_(MAP)分别降低10.44%、4.00%、3.61%、2.04%。

煤矿运输智能监控与优化调度系统研发

为提升煤矿运输作业的安全性,介绍一种煤矿运输智能监控与优化调度系统开发方案。该方案主要由硬件模块与软件模块构成,其中,硬件模块包括PLC控制系统及现场的触摸屏、轨道计轴器;软件模块包括控制程序流程、上位机监控系统软件结构、基于蚁群算法的机车运行调度方案等。在软硬件模块相互配合下,共同完成对运输车辆的动态监控与调节,以为煤矿运输作业的安全进行打下坚实基础,确认该系统具有一定的应用价值。

基于超级时空网络的公交车辆调度模型及3M进化算法

针对在时刻表给定条件下如何减少空驶车次和实现具有工作时间公平性的公交车辆调度问题,建立了基于超级时空网络的模型,并设计了一种具有混生、变异和成长三种基本操作的进化求解算法。首先利用超级网络理念,将出场弧、入场弧、接续、实际车次和空驶车次在时空上整合为一个连通的有向超级时空网络。基于超级网络中流量守恒概念,建立了公交车辆调度模型,并通过合理转化将工作时间公平性约束变为具有简单加和特征的目标函数项。利用可行车次覆盖集合的拓扑结构特征,设计了将多个可行解混合后生成新解的混生算子;通过搜索具有回路特征的接续,实现对可行解构成元素的变异操作;通过构建指派网络、计算指派网络中联接的费用,并利用匈牙利算法求解对应指派问题,实现对可行解的成长操作。以上述操作为基础提出了一种新的“3M”进化算法。通过实证分析,验证了模型的合理性与算法的有效性。研究发现:减少空驶车次与平衡车次链之间的实际车次运行时间之间存在相互制约的矛盾,但是与所需的公交车总数不存在必然联系。

基于双向协同算法的公交时刻表及排班优化

针对公交时刻表生成及排班过程中,以往研究大多建立优化模型,并采用遗传算法等启发式算法求解,存在公交时刻表与排班模型的求解效率低、求解结果不确定性,不便于公交企业的实际运营组织等问题,提出了双向协同算法的时刻表及排班优化方法.首先,建立公交单向时刻表模型、双向协同时刻表及排班优化模型;然后,融合高峰小时识别、发车频率累计曲线法、最大断面平移算法等方法,提出公交时刻表及排班双向协同优化算法(Bidirectional Coordination Optimization Algorithm,BCOA),通过双向协同算法将排班计划与时刻表进行联动,在排班的过程中同时对时刻表进行调整,对公交车次链进行协调优化,高效求解双向协同公交时刻表及排班优化模型;最后,以四川省宜宾市公交线路10路数据为例进行分析.研究结果表明:与遗传算法比较,基于双向协同算法的时刻表算法结果确定、求解效率高,求解时间减少5倍;与实际运营时刻表比较,双向协同公交时刻表在使用车辆数相同的情况下,运营车次减少了9%,下行线路运营时长增加了5%,解决了实际使用时刻表下行方向结束运营时间较早的问题,且能保证司机休息时长.

面向交通流预测的分支定界算法图卷积模型

为对交通流进行准确预测,提出一种将图优化与预测相结合,在单管路中面向交通流的时空混合图卷积预测模型,用于边缘环境下物联网的城市交通流预测。首先对关联图进行预处理,以去除城市交通数据原始道路网中的噪声;再用LOF删除不相关的模型和噪声;最后将得到的图扩展成图卷积神经网络,估算城市的交通流。另外,采用基于分支定界的优化技术对超参数进行精确调整。结果表明:所提模型在交通流预测方面效果更优,当图中节点数较多时,预测的精准性明显优于其他基准模型。

城市常规公交车行程时间预测方法

为有效解决城市常规公交车行程时间预测精度不足而导致的公交吸引力下降问题,本文构建了基于PSO优化BP神经网络的城市常规公交车行程时间预测模型。首先,通过文献综述及实测数据分析城市常规公交车辆的运行特征,筛选站点距离、路段所在区域、站点停靠时间、行驶车速、站点间信号灯数量、站点间红灯停留时间作为预测模型的输入变量;其次,在构建基于BP神经网络的城市常规公交车行程时间预测模型的基础上,借助PSO算法的全局搜索能力对BP神经网络预测模型的初始权值和阈值进行优化,并据此设计了基于PSO算法优化BP神经网络的城市常规公交车行程时间预测步骤;最后,以成都市147路常规公交车行程时间为例进行验证。案例研究表明:基于PSO-BP神经网络和基于BP神经网络预测模型均可实现较为理想的预测效果,且基于PSO-BP神经网络预测模型的均方误差和平均绝对百分比误差比BP神经网络预测模型降低了13.2和4.4%,具有更好的预测精度。

基于CIM和智能优化的配电网工程数据全过程分析

针对单一智能优化算法在处理海量电网数据时存在精度较低等问题,提出一种基于CIM和智能优化的配电网工程数据全过程分析处理技术。在全面剖析配电网工程全过程管控内容的基础上,利用公共信息模型对各成本因素进行并联叠加分析,进而构建工程成本最小化的优化目标。通过引入遗传算法(GA)改进蚁群优化算法(ACO),构建GA-ACO算法用于求解目标函数,以获得最优的工程成本方案。基于某一配网工程数据对所提技术进行测试分析的结果表明,其所得到的工程成本费用较实际值降低了1.74%,优于其他对比技术,具有良好的应用价值。

基于蚁群算法的最优路径选择问题的研究

交通网络中最优路径的选择尤为重要,各国学者在这方面做了大量的研究和改进。提出了一种基于蚁群算法的最优路径选择问题的新方法。在最优路径的选择过程中采用蚁群算法并对其进行建模,能够发挥算法并行性、正反馈、协作性等特点,使各蚂蚁个体之间相互协作,在较短的时间内发现较优解。研究及模拟实验结果表明,蚁群算法是一种鲁棒性较强的新型模拟仿生算法,具有较好的发展前景。

基于蚁群算法的动态路径选择优化方法

为了确保城市路网交通流平稳运行和各路段交通流量合理分配,提出了一种基于伪随机状态转移规则的动态路径选择优化方法.该方法首先计算路段上流量和路阻,利用伪随机状态转移规则和路径、路段信息素更新规则,模拟了出行者在路网节点的择路行为,实现了路径选择过程中静态先验知识、动态交通状态及路径选择随机性的综合.算例结果表明,该方法能够体现不同OD需求下路径选择的叠加效果和时延效果,相对于平衡分配法可获得更好的路网交通均衡性,对于时变路况环境下的路径诱导系统也具有一定的应用价值.

改进的蚁群算法在动态路径诱导中的应用研究

针对基本蚁群算法收敛速度慢和易陷入局部最优的缺点,在对信息素和启发信息进行标准化以消除量纲和取值范围影响的基础上,提出带方向的信息素更新和混沌选择策略来改进蚁群算法。将路网节点间的相对位置信息引入信息素更新,以加快搜索速度;使用混沌扰动改进选择策略,以避免出现早熟停滞现象。并将其用于城市交通动态路径诱导的研究中,以重庆市渝中半岛的路网为实例计算以最短行程时间为目标的最优路径,结果表明该算法是有效、可行的,比基本蚁群算法具有更好的全局搜索能力。

公交线网空间可达性优化研究

在一定条件下,通过不同的线路布设方案可实现区域内公交线网的空间最佳可达性。为量化研究这一问题,首先,结合现有的可达性相关研究现状,提出了公交线网可达性的相关概念。在此基础上,建立了规划阶段公交线网空间可达性的优化模型,并设计了遗传算法对模型进行求解。最后,通过算例对模型及方法进行了验证。结果表明:该公交线网规划方法科学有效,能够提高整体公交线网的空间可达性,保证城市居民出行的实际需求,为公交线网的布局规划与调整提供方法和依据。

基于蚁群算法的港口集装箱运输网络径流优化

针对区域性港口集装箱海上运输网络系统的最小费用流问题,引入新兴的智能仿生蚁群优化算法,用蚁群在搜索食物源的过程中所体现出来的寻优能力来解决集装箱海上运输网络系统的非线性NP-C问题;构建蚁群优化模型对某外贸经济区域内的集装箱运输网络系统进行优化计算,结果表明,所提出的优化模型可以使网络费用流在较短时间内收敛到最优状态,为下一步合理进行集装箱运输网络的航线配置提供了一个参考依据.

基于四维消耗的公交线网优化模型及蚁群算法

针对城市公交线网的优化问题,应用四维消耗概念进行了综合研究,给出了公交线网优化的多目标线性规划模型及蚁群算法.在定义时间、空间、环境、能源等四维消耗概念的基础上,从点、线、面3个方面对公交线网优化问题进行研究.在考虑效益最大化、成本最小化、发展可持续化的情况下,利用效用函数建立了公交线网优化的多目标线性规划模型.并用蚁群算法对多目标线性规划模型求解,得到最佳的公交线路网络布局结构和公交线网运营效率.实例表明,利用蚁群算法优化后公交线网利用率增大、可达性良好、乘客出行时间减少,优化结果符合城市交通的实际情况,该方法合理可行.

智能交流接触器全过程动态优化设计

提出一种基于蚁群算法和人工神经网络的智能交流接触器全过程动态优化设计方案。在接触器吸合阶段,通过建立蚁群算法的动态优化计算程序,寻找最佳的控制参数与结构参数,实现合闸过程的最优控制,大大减少了触头的弹跳,降低了铁心之间的撞击,从而优化铁心结构。在分断过程中,通过建立测试线圈上感应电压变化规律神经网络曲线库,预测相应磁路中磁通变化规律,由此建立分断过程动态计算数学模型,进一步进行全过程动态优化设计,加快智能交流接触器的产品化进程。

基于混沌小波网络的交通流预测算法研究

实时准确的交通流量预测是实现智能交通诱导及控制的前提与关键,也是智能化交通管理的客观需要.结合交通流预测的特点,提出了一种基于小波网络的路段交通流预测方法,把混沌优化算法引入小波网络的拓扑构造,结合提出的相似时段的预测思想,给出了一种基于混沌优化算法的小波网络交通流量预测模型.实验结果表明,引入相似时段的预测思想可以有效提高交通流的预测精度。

公交线路网优化的双层模型及其解法

提出了一种优化公交网络的双层模型,其中上层模型是以直达客流密度最大为目标,基于公交站点客流分布数据优化公交网络。考虑到随着网络的变化公交乘客的出行行为会发生相应变化,为此,下层模型在优化的网络上重新进行公交客流分配,其分配的结果(新的客流矩阵)又会影响公交网络的设计。然后,采用了改进的蚁群算法和标号法对该双层模型进行了求解。最后,利用大连市主城区的数据对该方法进行了检验。

基于MAST的智慧公交优化调度研究

对客运需求较小且时空分布不均衡的城郊和乡村开设公交线路所面临问题分析的基础上,设计了一个利用移动互联网技术的城郊乡村智慧公交调度系统.简述了包括乘客信息交互模块、数据库、预测模块、调度决策支持模块等组成的系统结构及原理.在此基础上,分别建立发车计划模型和实时调度在线调整模型,采用遗传算法优化求解.最后,基于调度系统的历史信息及预约信息的实验结果表明,本运营方式能够提升服务水平,增加公交企业效益,且随预约乘客比例增加,该方式的优势愈加明显.

包含禁行路线路网的最优路径HNN算法

为了解决包含禁行路线路网的最优路径快速求解问题,研究了不含禁行路线路网和包含禁行路线路网的特点,建立了相应的路网数学模型。通过路网转化法把包含禁行路线的路网转化为不含禁行路线的路网,降低了最优路径求解的难度。研究了霍普费尔特神经网络(Hopfield Neural Network,HNN)的特点,设计了适合求解路网最优路径的HNN算法,在算法中采用动态邻接矩阵,节省了计算机内存,减少了运算时间。将所研究的路网转化方法和设计的HNN算法应用于所研发的车辆诱导系统中,并进行了实际路网测试,结果表明应用该方法能够在包含禁行路线路网中求解最优路径,且比经典算法的运算效率高。

基于遗传算法公交线路网优化模型仿真研究

研究了城市公交线路网优化问题。由于公交车的容量、耗时、站点配置等问题,传统的遗传算法在公交线路网优化中的运行效率不高等。为提高公共交通车辆调度效率,提出了改进的遗传算法公交线路网优化模型,保证公交公司不亏损和乘客乘车成本两者前提下,构造了遗传算法适应度函数以及约束条件,并建立有效的初始化算法种群,从而建立新的公交线路网优化模型,在求解模型过程中,采用了改进的遗传算法求解优化模型,即在传统遗传算法中加入了优先级编码方式以及多染色体结构。仿真结果表明改进算法的可行性,并与传统的遗传算法相比,算法种群的整体性能要优于传统的遗传算法,对提高遗传算法的运行效率有较高的作用。

基于萤火虫算法优化BP神经网络的公交行程时间预测

通过对公交车辆行驶特性以及行驶环境的实际分析,本文确立了影响公交车辆行程时间的几个关键因素:天气状况、时间段(高峰/平峰)、交通流量以及路段长度。结合BP神经网络具有的非线性映射能力、自学习和自适应能力、泛化能力强和萤火虫算法的参数少、操作简单、稳定性好等优点,本文提出一种利用萤火虫算法对BP神经网络进行优化的算法,以减少神经网络的训练时间和提高其预测稳定性。然后利用GPS数据和实时采样数据对神经网络进行训练和建模,实现公交车辆行程时间的准确预测。将该优化算法与传统的BP神经网络算法和卡尔曼滤波算法用MATLAB分别仿真测试,对比结果显示,该算法对公交行程时间的预测具有更高的准确性且结果更加稳定。