天气因素对福州地铁客流的影响分析

地铁作为一种绿色出行方式,是缓解城市交通拥堵的重要手段。地铁客流受到多种因素影响,其中天气因素变化较快,会造成地铁客流的快速变化。了解天气因素对地铁客流的影响,有助于建立相应的运输组织响应措施。本文旨在量化分析天气因素对福州地铁客流量的影响,并考虑原始天气指标的局限性,引入体现舒适度的指标。建立地铁客流与天气因素(包括气压、相对湿度、风力、降水、风寒指数等级、综合舒适度指数等级等)之间的多元线性回归模型,量化影响方向和影响程度。此外,工作日与非工作日的客流模式差异较大,将两者分别建模分析。研究发现:工作日,降水、风寒指数等级和综合舒适度指数等级对地铁客流有显著影响;非工作日,降水、气压、相对湿度、风寒指数等级和综合舒适度指数等级对地铁客流有显著影响。总体而言,非工作日地铁客流对天气因素更加敏感。

基于粒子群优化与宽度学习系统的地铁客流预测模型

为了提高地铁客流量预测的准确性,基于传统的PSO(粒子群优化)算法与BLS (宽度学习系统),提出一种新的地铁客流预测模型,即PSO-BLS算法。首先,对地铁站点的繁华程度、前一时段进站量、前一时段出站量及前一时段断面客流量等参数进行分析,并根据分析结果提出需要根据工作日和双休日分别对地铁客流量进行预测。其次,利用PSO算法对BLS的特征层偏置进行优化。最后,以福州地铁1号线AFC(自动售检票)系统中记录的大量乘客出行数据为例,对所提PSO-BLS算法进行验证。验证结果表明:与传统的地铁客流量预测算法BP(反向传播)神经网络和ELM(极限学习机)相比,PSO-BLS算法获得的计算结果在多项性能指标中均取得了较优异的表现;对BLS的特征层偏置进行优化可以提高BLS的计算精度,为地铁客流量预测提供更精确的计算结果。

基于时段客流特征聚类的地铁运营时段划分

准确合理的运营时段划分方案是制定地铁列车开行方案的前提和基础,也是提高地铁运营效率的重要方式.为了合理划分地铁运营时段,本文构建时段客流特征向量以划分地铁运营时段.以10 min为时间间隔对全日运营时段进行分段,并根据时段内的客流变化特点构建各时段的特征向量.并以此为基础采用K-means算法进行聚类,同时以肘部法则、轮廓系数等聚类评估指标对结果进行评价,以确定最优聚类数,进而得到最优的运营时段划分方案.最后以福州地铁一号线为例,给出了该路线的运营时段划分方案,验证了该方法的可行性.

地铁列车驾驶技术发展综述:从人工驾驶到智能无人驾驶

基于国内外地铁列车驾驶技术的发展现状,提出并阐述了地铁列车驾驶技术发展的4个阶段为人工驾驶、自动驾驶、无人驾驶、智能无人驾驶。概括了我国无人驾驶地铁列车的建设情况,针对目前基于神经网络这类机器学习方法的列车控制方法可解释性差的弊端,引入了深度模糊系统的概念,提出了基于人机混合智能的地铁智能无人驾驶基本框图,为将处理紧急情况的专家经验、人工智能算法和无人驾驶系统结合起来,实现智能无人驾驶提供了一种具有前景的解决思路。

聚类集成技术在地铁站点类型研究中的应用

合理的地铁站点分类对站点管理和交通规划有重要的意义.针对现有的站点聚类分析研究中均采用单一的聚类方法取得的效果不够理想,鲁棒性不高等问题,提出了基于聚类集成方法的地铁站点类型研究方法,并提出了相应的稳定性判别指标.该方法结合福州地铁1号线工作日客流数据,首先运用层次聚类、k均值聚类和模糊C均值聚类三种方法产生基聚类;其次通过基于共协关系矩阵的集成方法实现对基聚类的集成.实验结果表明,聚类集成相较于其他三种方法在数据集划分上更加稳定.最终将福州地铁1号线站点分为超高流量站点、高流量站点、中流量站点以及低流量站点4类.

基于人机混合智能的地铁列车无人驾驶系统研究

基于国内外地铁列车驾驶技术的发展现状,阐述了地铁列车智能驾驶发展及研究的必要性。针对当前无人驾驶采用的机器学习算法可解释性差的缺陷,引入模糊系统,提出了基于人机混合智能的地铁列车无人驾驶系统,以两种方式实现人机混合智能。探索了结合认知系统的地铁列车无人驾驶系统,为实现真正意义上的强人工智能地铁列车无人驾驶系统提供了一种面向未来的解决方案。

基于禁忌搜索的公共自行车站点及车道选址优化

为提高公共交通系统的吸引力,从公共自行车和公交车接驳的角度,提出以公交站点为中心的公共自行车选址及自行车道设置的网络构建问题。首先,建立以最大化满足用户需求量为优化目标的非线性优化模型,并与只考虑站点选址的传统模型进行比较分析;在分析问题基础上,构造基于问题特性的邻域结构和邻域解生成准则,并最终设计基于禁忌搜索的问题求解方法。通过MATLAB编程进行仿真实验测试大量算例,结果表明所设计算法能够高效地求解各类规模算例,并给出高质量的公共自行车网络构建近似最优方案;此外,敏感性分析实验为规划者制定决策方案提供参考依据。

结合模拟退火与规则约简的模糊系统优化方法

从数据中学习模糊系统是其智能建模的重要方法之一,针对目前模糊系统建模及优化方法对于学习后的模糊系统的规则数以及结构优化关注不足而影响了其精度和可解释性的问题,提出了一种结合模拟退火与基于支持度约简规则的模糊系统优化方法。该方法通过支持度约简系统冗余规则进而提高模糊系统的可解释性;同时利用模拟退火算法优化模糊系统的隶属度函数参数进一步提高模糊系统的精度。针对回归任务,与BP(Back Propagation)神经网络、径向基(Radial Basis Function,RBF)神经网络以及经典的模糊算法WM(Wang-Mendel)在不同领域的3个经典数据集上进行实验比较,实验结果表明:该算法在预测方面取得了更高的精度;与WM算法相比,所提算法中规则数明显减少,进一步提高了系统的可解释性。

深度神经模糊系统算法及其回归应用

深度神经网络是人工智能的热点,可以很好处理高维大数据,却有可解释性差的不足.通过IF-THEN规则构建的模糊系统,具有可解释性强的优点,但在处理高维大数据时会遇到“维数灾难”问题.本文提出一种基于ANFIS(Adaptive network based fuzzy inference system)的深度神经模糊系统(Deep neural fuzzy system,DNFS)及两种基于分块和分层的启发式实现算法:DNFS1和DNFS2.通过四个面向回归应用的数据集的测试,我们发现:1)采用分块、分层学习的DNFS在准确度与可解释性上优于BP、RBF、GRNN等传统浅层神经网络算法,也优于LSTM和DBN等深度神经网络算法;2)在低维问题中,DNFS1具有一定优势;3)在面对高维问题时,DNFS2表现更为突出.本文的研究结果表明DNFS是一种新型深度学习方法,不仅可解释性好,而且能有效解决处理高维数据时模糊规则数目爆炸的问题,具有很好的发展前景.

基于改进遗传算法与支持度的模糊系统优化建模方法

模糊系统是一种可解释性强的人工智能方法,经典Wang-Mendel(WM)方法因能从数据中自动获取模糊规则,而成为一种重要的智能建模方法。但是该方法存在规则数目较多、精度不高等不足,且目前的改进方法普遍存在计算复杂、效率低等问题。为此,提出一种改进遗传算法与基于支持度的规则约简相结合的模糊系统优化建模新方法——遗传模糊系统(GFS),通过优化模糊系统的结构及隶属函数参数,由目标函数的不同组合构成GFS1、GFS2与GFS3这3种模型的具体实现算法。在标准及加噪的电能输出数据集上进行模糊建模试验,其结果表明:GFSi(i=1,2,3)模型预测精度高于WM方法且规则数更少;其抗噪能力显著优于径向基函数神经网络、反向传播神经网络;GFS3的适应度函数评估效果最佳,因此其性能最优。提出的方法在充分发挥模糊系统可解释性、鲁棒性强优势的同时保障了预测精度,是一种很有潜力的人工智能算法。

面向可解释性人工智能与大数据的模糊系统发展展望

模糊系统作为一种万能逼近器具有很强的可解释性,已被广泛应用在各个领域。尽管目前模糊系统的理论研究不够成熟,仍然存在诸如规则太多、优化困难、维度诅咒等问题,难以处理高维大数据。尽管深度神经网络取得了突出进展,能很好处理图像和语音等大数据,但其可解释性不好,难以用于安全相关的重要场合。因此,非常有必要研究一种基于模糊系统的可解释性强的人工智能算法。结合深度神经网络和模糊系统两者的优点,研究深度模糊系统及其算法,将有可能解决高维大数据问题。主要对模糊系统的发展历程与研究进展分别进行详细阐述,并根据其现有的问题指出其未来的发展方向,对进一步的研究问题进行展望。

基于回归分析的乘客平均延误时间模型研究

地铁是大城市交通出行的主要方式。对于地铁乘客来说,延误时间是影响乘客的满意度和地铁的服务水平的一个重要指标,与客流量和发车间隔密切相关。现有研究缺乏基于客流数据的乘客延误时间与客流量、进站时间及发车间隔之间定量关系的研究。文章根据福州地铁1号线的200多万条AFC刷卡原始数据统计分析出6 000多组客流量、进站时间、发车间隔和乘客延误时间的数据集,并通过3种经典回归分析算法进行分析,结果表明采用决策树回归算法的误差最小,可为地铁列车运行时刻表优化提供理论支撑。

结合Z-score与优化技术的神经模糊系统

在构建高维数据的深度神经模糊系统时,对模糊子模块的精度、时间的要求较高。为此,提出一种结合Zscore与优化技术的神经模糊系统,改进模糊规则的计算方式。根据不同方法调整前提参数与结论参数,提出基于BP+LSE的ZONFS1、基于LSE的ZONFS2、基于CGD+LSE的ZONFS3三种混合算法。实验结果表明,相较于ANFIS和ZONFS1算法,ZONFS3算法的耗时缩短了37%,且精度比DTR等算法提升了26%;相较于ZONFS3算法,ZONFS2的耗时减少,但精度降低;ZONFSi算法的平均总得分比ANFIS约高10分;相较于ANFIS算法,ZONFSi算法精度更高、耗时更少,在构建深度模型和处理高维数据方面优势显著。

面向手写体识别的DCNN抗噪性能研究

深度卷积神经网络(DCNN)是人工智能研究领域前沿方向。DCNN结构复杂、参数非常多、可解释性与鲁棒性不强,对图像数据集的清晰度要求很高,而目前关于DCNN抗噪性能研究还较欠缺。通过给手写体数据集DigitDataset的测试集添加4种不同幅度噪声,深入研究DCNN在手写体识别上的抗噪性能。研究结果表明:①噪声对DCNN性能影响很大,噪声幅度越大,精度下降越快;②指数噪声对精度影响最大,伽马噪声、瑞利噪声次之,高斯白噪声影响最小;③随着噪声参数a和参数b的增大,识别精度大幅度下降。该结果对DCNN的改进和高鲁棒性的深度学习系统(如深度模糊系统等)研究具有一定参考价值。

基于改进PSO与规则约简的模糊系统优化算法

模糊系统是一种具有强可解释性和高鲁棒性的智能方法,但目前仍存在精度不高、产生的模糊规则太多等缺陷。针对目前存在的问题,论文通过改进粒子群优化算法优化模糊系统高斯型隶属度函数的参数,以及计算规则支持度约简模糊规则,提出了CPSFS和SPSFS两种模糊系统优化算法。在两个不同领域的经典数据集上的研究结果表明:1)CPSFS算法在训练集和测试集上的预测精度明显优于传统的BP神经网络、RBF神经网络、线性回归等算法;2)CPSFS算法与SPSFS算法减少了大量模糊规则,保证了模型的可解释性;3)CPSFS算法在约简模糊规则后预测精度依然表现最优,符合新时代下回归问题对于AI技术的要求。