基于DNN神经网络的地铁洪涝灾害评估研究

为科学评估地铁洪涝灾害发生的可能性,增强地铁洪涝灾害的防治和应急能力,减少人员伤害和财产损失,以我国已发生的地铁洪涝灾害历史事件中提取的相关数据作为样本,通过解构地铁洪涝灾害的致灾因素,从自然因素、周边环境和防汛能力3个维度,共13个致灾因素分析地铁洪涝灾害发生的原因及相关信息,并基于DNN神经网络方法构建用于预测是否会发生地铁洪涝灾害的神经网络模型。结果表明：(1)地铁洪涝灾害预测模型在准确率和F1 Score指标评价上均表现良好,准确率为85%, F1 Score值为0.9,且测试集结果与实际是否发生地铁洪涝灾害情况基本一致;(2)防汛能力较差和不良的周边环境因素会加重地铁车站承灾环境的脆弱性,应予重点关注;(3)自然因素是构成地铁洪涝灾害的关键要素,应多加强自然因素和防汛信息调度之间的及时性。     

基于SPSO-BP的暗挖法地铁车站施工工期预测研究

在地铁建设过程中,车站作为其不可或缺的组成部分,其施工工期对整个项目的进度控制和施工期间资源的合理配置具有重要作用。因此,实现地铁车站施工工期的精准预测至关重要。文章在深入分析暗挖法地铁车站施工工期影响因素的基础上,基于Spearman相关性分析筛选出18个影响因素,并采用SPSO算法优化BP神经网络,构建基于SPSO-BP的工期预测模型。实验结果表明,相比于传统的BP神经网络、PSO-BP模型以及未经特征筛选的SPSO-B P模型,SPSO-BP模型在小样本的施工工期预测上具有更高的预测精度和效率。     

基于空间加权的LS-SVM城市轨道交通车站客流量预测

为提高城市轨道交通车站客流预测模型精度,简化模型数据需求规模,提出基于空间加权的LS-SVM城市轨道交通车站客流预测模型。基于交通网络距离重新划分车站的影响范围,提出分距离影响带的线型和指数型空间权重系数方程,结合空间权重系数,输入区域特征变量和车站属性变量构建城市轨道交通车站客流LSSVM预测模型,运用动态改变惯性权重自适应粒子群优化算法(DCW-APSO)对模型参数进行优化选取。应用模型预测2011年成都市地铁1号线部分车站客流,并与其他模型进行比较,结果表明:模型明显提高客流预测精度,简化数据需求量,作为城市轨道交通客流预测的补充模型可以进一步提高系统的可靠性。     

BP-Adaboost集成学习算法在地铁施工沉降预测中的应用研究

为解决传统地铁施工沉降预测模型中沉降不随时间有序线性变化的问题,文章基于 BP 神经网络结合 Adaboost 增强学习方法构建 BP-Adaboost 集成学习预测算法,并将其应用于某地铁基坑施工地表沉降预测。实践表明,应用 BP-Adaboost 集成学习算法预测地铁施工地表沉降,不仅能够满足相关规范限值要求,而且相较于 BP 神经网络算法、灰色GM(1,1)算法其与实测数据的拟合精度更高,能够更好地反应地铁施工地表沉降规律,可为地铁施工安全提供技术保障。     

UKF地铁短时客流预测研究

为获得较为可靠的地铁车站实时客流,提出基于神经网络与无迹变换卡尔曼滤波(UKF)结合的信息融合预测方法。首先利用各站点间进出客流时空相关性,在运行时间约束下组织预测向量,以BP神经网络为函数表达给出目标站点客流的初步预测值。在此基础上,利用无迹变换卡尔曼滤波解决神经网络过学习造成的误差,以提高预测结果精度。最后选取实例验证算法的准确性,结果表明,该改进算法可有效提高预测精度,满足运营需求。     

京沪高铁列车运行晚点预测方法研究

为快速、准确地掌握列车的运行状态及未来的运行趋势，需要对列车运行晚点预测方法进行深入研究。文章根据对北京—上海高速铁路（简称：京沪高铁）2020年列车运行数据的分析，包括停站时长对于晚点的影响及不同初始晚点时长下的传播车站数，提出了基于循环神经网络（RNN,Recurrent Neural Network）的全段预测方法，使用同步多对多模式的RNN模型作为基础模型结构，建立列车运行晚点预测模型。在特征值的选择上，采用集成梯度打分法，从多个特征值中选择12个最显著的变量作为模型自变量。采用该模型对京沪高铁2020年晚点数据进行验证，结果表明，该模型在验证集上5 min的误差范围内可以达到89%的准确率，该预测方法可以满足实际生产的需要，有助于调度部门进行科学决策，有利于提升铁路旅客服务质量。     

基于深度残差神经网络的地铁站台门与列车门间异物自动检测方法研究

针对地铁站台门与列车门间现有异物检测方法的精度差、误报率高的问题,提出基于深度残差神经网络图像识别原理,利用地铁站台发车指示器图像数据实现站台门与列车门间异物实时检测.首先,搭建基于深度残差神经网络ResNet50模型的自动异物检测系统;然后,采集站台发车指示器视频帧信息建立数据集并完成系统训练;最后,分析自动异物检测系统对验证信息集的处理效果,并将该系统应用于实际地铁车站中.处理效果表明:实际应用验证中最低准确率为98.7％,单张视频帧处理总耗时不超过65 ms,满足地铁实际运营的要求.     

基于广义动态模糊神经网络的短时车站进站客流量预测

针对轨道交通车站短时进站客流的不均衡性、高度非线性和时变性特点,结合逻辑推理能力强的模糊技术与自学习能力强的神经网络,提出一种基于广义动态模糊神经网络(GD-FNN)的短时进站客流量预测方法。以北京轨道交通各车站的进站客流量数据为例,分析轨道交通车站的进站客流特征,确定影响短时客流分布的主要因素;然后采用GD-FNN方法构建车站短时进站量的预测模型,实现对北京轨道交通系统若干车站进站量的预测。预测结果表明:该方法与传统的神经网络相比,预测效果更准确(最大相对误差小于8%),稳定性好。     

基于深度学习的车站旅客密度检测研究

车站旅客密度是智能客运车站的重要基础信息。首先阐述模式识别、深度卷积神经网络、实时检测算法在图像检测领域的发展历程,并重点分析Faster-RCNN算法和SSD算法的原理;然后定义车站旅客密度检测评价指标,并对VOC数据集下训练的模型进行试验测试;最后构建车站行人数据集,用Faster-RCNN算法训练模型,模型在低密度场景和高密度场景的检测准确率分别为88%和85%。结果表明:公开数据集VOC下训练的模型无法直接用于车站旅客密度检测,基于车站行人数据集和Faster-RCNN算法训练的模型可满足现场需求。     

融合人工智能算法的铁路路基沉降预测方法

首先利用三阶多项式拟合、GM(1,1)和BP神经网络等算法构建了铁路路基沉降单预测模型；然后基于误差法和熵值法，以合肥地铁4号线盾构隧道下穿既有铁路的监测数据为基础，融合三阶多项式拟合、GM(1,1)和BP神经网络构建了组合预测模型，实现铁路路基沉降的分阶段预测；最后，利用平均绝对误差、均方误差和平均绝对百分比误差评价模型精度。结果表明：基于误差法和熵值法的组合预测模型能显著提高预测精度，预测相对误差均小于±5%，预测均方根误差均小于±0.1 mm，验证了提出的组合预测模型的有效性。     

基于多阶段特征优选的高速铁路列车晚点预测模型

为克服大规模高维数据集不相关和冗余信息对列车晚点预测模型性能的影响，提出一种融合多阶段（MS）特征优选方法和改进深度神经网络（IDNN）模型的高速铁路列车晚点预测模型（简称MS-IDNN模型）。首先，利用MS特征优选方法，基于列车运行实绩提取影响列车晚点的相关特征，构建初始特征集，并对其进行数据清洗和特征优选，生成最优特征子集；其次，将列车晚点特征映射为IDNN模型的神经元，采取全连接方式提取特征间的交互关系，并叠加多个浅层神经网络以克服深度神经网络反向传播过程中梯度消失的缺陷，实现列车到达晚点的精准预测；最后，以武广高速铁路列车运行实绩为例，验证MS-IDNN模型的有效性。结果表明：相比初始特征集，构建得到的最优特征子集特征维度降低了54.29%；相比6种基线模型，MS-IDNN模型的平均绝对误差和均方根误差分别至少降低4.85%和8.97%，在沿线至少66.66%的车站中表现出更高的预测性能；MS-IDNN模型能够有效剔除数据集中的不相关和冗余信息，提升列车晚点预测精度。     

基于广义动态模糊神经网络的轨道交通车站进站量预测1

针对轨道交通车站短时进站客流的不均衡性、高度非线性和时变性特点，结合逻辑推理能力强的模糊技术与自学习能力强的神经网络，提出一种基于广义动态模糊神经网络（GD-FNN）的短时进站量预测方法。以北京轨道交通各车站的进站客流量数据为例，分析轨道交通车站的进站客流特征，确定影响短时客流分布的主要因素；然后采用GD-FNN方法构建车站短时进站量的预测模型，实现北京轨道交通系统若干车站进站量的预测，预测结果表明，该方法与传统的神经网络相比，预测效果更准确（最大相对误差小于8%），稳定性好。     

基于IPSO-XGB的城市轨道交通车站服务质量评价

针对城市轨道交通车站服务质量评价体系不够完善和指标赋权方法较单一的现状,结合当前乘客消费理念及出行习惯,构建基于乘客感知的初始评价指标体系。应用改进粒子群算法(IPSO)与极端梯度提升树(XGB)的混合算法IPSO-XGB计算各指标权重,结合乘客满意度,形成IPA矩阵,得到最终的评价结果,并进一步精简评价指标体系。以长沙地铁五一广场站为例,用分类误差率衡量算法优劣,对车站服务质量进行评价,并将其结果与分类回归树、神经网络等评价算法进行对比。研究结果表明:本文提出的IPSO-XGB评价算法的分类误差率最小,可降至3.85%。     

大型活动期间地铁车站客流预测方法研究

以中国进出口商品交易会(广交会)为研究对象,对大型活动期间地铁车站客流组成及其分布特征进行了分析,并基于历史客流数据提出广交会期间车站客流量的提取方法.基于灰色预测理论构建了广交会期间地铁车站客流量预测模型,依托2018年秋季广交会期间地铁车站客流数据对该模型进行了验证.结果 表明,所提方法可高精度预测广交会期间的地铁车站客流量.     

基于BP人工神经网络的基坑围护结构变形预测方法研究

基坑的变形分析是基坑工程设计中的一个重要组成部分,如何预测基坑围护结构的变形是需要解决的问题。在分析基坑围护结构变形影响因素的基础上,采用BP(Error Back-Propagation,简称EBP或BP)人工神经网络方法建立了基坑围护结构变形的预测模型。结合南京地铁二号线逸仙桥车站基坑变形的现场监测数据对网络模型的预测结果与实测进行了对比。结果表明,利用大量的基坑工程现场实测资料,采用神经网络BP算法,可以较为准确地预测基坑围护结构的变形量,预测值与实测值吻合较好;必须坚持现场监测,并将最新监测信息及时反馈,将其添加到学习训练样本中,让神经网络重新学习,以提高基坑工程围护结构变形的预报精度。     

基于PSO-SVM的轨道交通车站安全态势预测研究

提出一种基于PSO-SVM算法的安全态势预测模型,用于城市轨道交通车站安全态势预测研究。首先介绍支持向量机(SVM)和粒子群优化算法(PSO)的基本概念,以高斯径向基函数为核函数建立支持向量机安全态势预测模型,然后应用粒子群算法优化模型参数,得到优化的预测模型,再以某车站为例进行仿真实验,结果表明利用PSO-SVM算法预测车站安全态势值具有可行性。该预测方法对车站安全运营和乘客安全出行具有一定指导意义。     

城市轨道交通车站高峰客流偏差研究

城市轨道交通车站设计时,大多数城市采用预测的城市高峰小时客流作为设计客流。但由于城市轨道交通车站客流的高峰出现时段与城市高峰小时不完全一致,导致某些车站设计客流偏小。为研究城市高峰小时客流与车站高峰小时客流的差异,通过引入车站高峰客流偏差系数,合理确定车站设计客流。以西安市地铁为例,运用最小二乘支持向量机建立预测车站高峰客流偏差系数的模型,得出训练集拟合优度为0.71,测试集预测平均相对误差为2.41%,模型拟合效果良好,表明最小二乘支持向量机能够很好地预测车站高峰客流偏差系数。     

基于DEACO-WNN的盾构施工地表沉降预测

研究目的:近年来,我国地铁建设飞速发展,全国有近四十个城市在修建地铁。盾构施工是地铁建设的主要施工方式,由于盾构施工引起的地表沉降问题,为施工安全带来很多的困扰。为了减少施工过程中的安全隐患,提高施工质量和效益,对盾构施工引起的地表沉降进行研究意义重大。研究结论:本文通过对盾构施工地表沉降的影响因素和预测模型进行研究,得到以下结论:(1)在研究了对于盾构施工地表沉降较为敏感的参数中选取了覆土厚度、压缩模量、凝聚力、天然密度、内摩擦角、千斤顶推力、注浆压力,并将其作为输入层建立了小波神经网络预测模型;(2)用差分进化蚁群算法以相对熵为标准对小波神经网络的初始权值、伸缩参数和平移参数进行优化,使得预测模型的收敛速度和预测精度都有显著提高;(3)通过北京地铁6号线实地工程数据进行验证,预测模型的最小误差仅为0.5%,预测精度在实际工程所允许的范围内;(4)本文所建立的模型对盾构施工安全防护领域具有指导意义,通过对地表沉降的有效预测来改进施工工艺,进而增强施工的安全性。     

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。     

城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。