[發明專利]一種基于BIM與人工智能的城市軌道交通數據分析方法

在審

• 申請號: 202110160192.2
• 申請日: 2021-02-05
• 公開（公告）號: CN112905659A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 姚鴻方
• 申請（專利權）人: 希盟泰克（重慶）實業發展有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/26;G06Q50/26
• 代理公司: 重慶天成卓越專利代理事務所(普通合伙) 50240
• 代理人: 王宏松

1.一種基于BIM與人工智能的城市軌道交通數據分析方法，其特征在于，包括以下步驟：

S1，獲取城市軌道交通線路中各站點運維過程中的數據以及軌道交通數據監測平臺的數據保存至服務器中；

S2，對S1獲取到的數據進行預處理，并對數據特征進行降維；

S3，將S2處理后的數據送入到GRU網絡中進行預測，軌道交通部門決策人員根據預測的結果動態調整各站點發車的時間間隔并安排足夠的工作人員。

2.根據權利要求1所述的一種基于BIM與人工智能的城市軌道交通數據分析方法，其特征在于，所述S1包括以下步驟：

S1-1，從BIM數據庫中獲取城市軌道交通線路中各站點運維過程中的數據，包括各站點的地理位置、建筑面積、出口數量以及進出的閘機數量之一或者任意組合，并將獲取到的數據保存至服務器；

S1-2，從軌道交通數據監測平臺獲取各站點客流數據和發車時間間隔，客流數據的采集時間間隔為x分鐘，采集時間為從早上6點半到晚上10點，并將獲取到的數據保存至服務器。

3.根據權利要求1所述的一種基于BIM與人工智能的城市軌道交通數據分析方法，其特征在于，所述S2包括以下步驟：

S2-1，所述預處理包括將獲取的兩種數據中的異常值分別進行清空以及對兩種數據中缺失值則采用該特征數據的均值進行填充，求解均值的方法為：

其中，為特征數據的均值，

N為該特征數據的總數，

x_i為該特征中第i個數據；

S2-2，所述降維處理包括：將BIM運維數據和軌道交通站點內的監測數據重新排列成矩陣其中n為特征總數，m為時間戳，求得數據每個特征的均值為其中z_i,k為第i個特征上的第k個數據；

對Z中的每一行數據進行零均值化處理，所述零均值化的處理為將Z中每行的數據減去該行的均值，即其中，z_i表示Z中第i行的數據，表示數據每個特征的均值；

對所述零均值化后的數據求解協方差矩陣：

其中，矩陣Z為BIM運維數據和軌道交通站點內的監測數據重新排列而成，(·)^T表示矩陣的轉置，m為時間戳，z'_0,0表示矩陣Z零均值化后第1行第1列的數據，z′_1,0表示零均值化后第2行第1列的數據，z'_n-1,0表示矩陣Z零均值化后第n行第1列的數據，z'_0,1表示矩陣Z零均值化后第1行第2列的數據，z′_1,1表示矩陣Z零均值化后第2行第2列的數據，z'_n-1,1表示矩陣Z零均值化后第n行第2列的數據，z'_0,m-1表示矩陣Z零均值化后第1行第m列的數據，z′_1,m-1表示矩陣Z零均值化后第2行第m列的數據，z'_n-1,m-1表示矩陣Z零均值化后第n行第m列的數據；

對協方差矩陣進行特征值分解得到n個特征向量{e₁,e₂,...,e_n}，e_n表示第n個特征值；特征向量對應的特征值為：

其中，Λ為特征值矩陣，

λ₁為第1個特征值，

λ₂為第2個特征值，

λ_n為第n個特征值，

λ_i為第i個特征值，i∈[1,2,...,n]；

將特征向量按對應特征值大小從上到下按行排列成矩陣，取前l行組成矩陣P，降維后的數據表示為Y＝PZ。

4.根據權利要求1所述的一種基于BIM與人工智能的城市軌道交通數據分析方法，其特征在于，所述S3包括以下步驟：

S3-1，將S2處理后的數據輸入到GRU網絡中進行預測，所述的數據是時間離散的，所述數據的時間隔為x分鐘；所述GRU網絡預測時利用歷史信息和當天的數據輸出第二天不同時刻的客流數據信息；

S3-2，軌道交通部門決策人員根據預測的結果動態調整發車的時間間隔，并配置軌道交通站點內的工作人員。

5.根據權利要求1所述的一種基于BIM與人工智能的城市軌道交通數據分析方法，其特征在于，S3-1所述GRU網絡為訓練后的網絡，包括：

GRU網絡訓練使用近一年時間的監測數據，在訓練過程中，所述GRU網絡中的記憶存儲單元可以對歷史的信息進行存儲，并應用到預測數據上，提高預測結果的準確度；

在模型中使用的GRU網絡具體描述如下：

所述模型中使用的GRU單元中，輸入的數據由當前輸入數據x_t以及上一個時刻的輸出h_t-1組成，輸出數據保存了部分前一時刻的值，設GRU網絡的輸入數據為x＝[x₁,x₂...,x_n]，x₁表示第1特征的輸入數據，x₂表示第2特征的輸入數據，x_n表示第n特征的輸入數據，則t時刻重置門的輸出為：

r_t＝σ(W_r·[h_t-1,x_t])，

其中，r_t為t時刻重置門的輸出，σ為激活函數，

W_r為重置門的參數，

h_t-1為上一個時刻的GRU單元的輸出值，

x_t為t時刻GRU單元的輸入數據，x_t(t∈[1,2,...,n])；

t時刻更新門的輸出為：

z_t＝σ(W_z·[h_t-1,x_t])，

其中，z_t為t時刻更新門的輸出，

σ為激活函數，

W_z為更新門的參數，

h_t-1為上一個時刻的GRU單元的輸出值，

x_t為t時刻GRU單元的輸入數據，x_t(t∈[1,2,...,n])；

通過重置門和當前的輸入值得到候選集為：

其中，tanh為激活函數，

為權重參數，

r_t為重置門的輸出，

h_t-1為上一個時刻的GRU單元的輸出值，

x_t為t時刻GRU單元的輸入數據，x_t(t∈[1,2,...,n])；

最后GRU單元的輸出為：

其中，h_t為t時刻的GRU單元的輸出值，

z_t為更新門的輸出，

h_t-1為上一個時刻即t-1時刻GRU單元的輸出值，

為候選集。