-
公开(公告)号：CN116562553A
公开(公告)日：2023-08-08
申请号：CN202310467034.0
申请日：2023-04-27
Applicant: 北京交通大学 , 南昌轨道交通集团有限公司 , 中铁第四勘察设计院集团有限公司
IPC: G06Q10/0631 , G06Q10/109 , G06Q50/30 , G06N3/04 , B61L27/10
Abstract: 本发明公开了一种列车智能调度优化方法、系统及电子设备，涉及列车智能调度技术领域。方法包括获取待测列车当前时刻的实绩运行数据；将实绩运行数据，输入到多任务深度强化学习模型中，得到待测列车下一时刻的调度策略；多任务深度强化学习模型是利用多场景下的列车的历史运行数据，对双对偶神经网络模型进行训练后得到的；根据待测列车下一时刻的调度策略，控制待测列车运行。本发明通过构建多任务深度强化学习模型能够完成对多场景下的列车调度，提高列车调度的合理性。
-
公开(公告)号：CN116109234B
公开(公告)日：2023-08-08
申请号：CN202211526434.6
申请日：2022-12-01
Applicant: 北京交通大学
IPC: G06Q10/087 , G06Q10/04 , G06Q10/0631 , G06F18/23213 , G06F16/29 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于预测与决策一体化的快递系统智能订单分配方法。该方法包括：构建预测模型，该预测模型基于历史订单量获得后续时间段的预测订单数量；构建聚类优化模型，该聚类优化模型使用所述预测订单数量和感兴趣区域的地理位置信息，在设定的优化目标和约束条件下将感兴趣区域聚类为多个类别；基于所述预测模型和所述聚类优化模型构建端到端的订单预测深度学习模型；训练所述订单预测深度学习模型，其中在前向传播中，将聚类结果转换为离散解，以获得最终聚类结果，反向传播的目标是通过所述聚类优化模型和所述预测模型将损失函数反向传播。本发明提高了订单分配的效率和准确性。
-
公开(公告)号：CN115146844A
公开(公告)日：2022-10-04
申请号：CN202210735909.6
申请日：2022-06-27
Applicant: 北京交通大学
Abstract: 本发明公开了一种基于多任务学习的多模式交通短时客流协同预测方法。该方法包括：获取目标区域内三种交通模式的客流数据，包括地铁和公交的进站客流时间序列，以及出租车的流入时间序列：将获取的三种模式的客流时间序列输入到经训练的预测模型，输出后续时间段三种交通模式的流入客流信息。本发明协同考虑地铁、出租车和公交三种交通方式的进站客流并分别准确地预测不同交通方式的未来时段客流，实现对区域内多模式交通短时客流的准确预测。
-
公开(公告)号：CN117593878B
公开(公告)日：2024-12-20
申请号：CN202311345507.6
申请日：2023-10-17
Applicant: 北京交通大学
IPC: G08G1/01 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明公开了一种突发事件下的城市轨道交通短时OD需求预测方法。该方法包括：在当前时间段t，获取观测到的OD需求序列、实时进站流数据和轨道交通网络图；将所述OD需求序列、所述实时进站流数据和所述轨道交通网络图输入到经训练的预测模型，预测下一个时间段的轨道交通系统的OD需求。本发明能够有效整合周时和日时OD需求模式，以捕捉长短时历史OD分布信息，在满足短时OD需求预测实时性要求的同时，提高了突发事件下OD需求的预测精度。
-
公开(公告)号：CN116246457B
公开(公告)日：2024-10-08
申请号：CN202211622742.9
申请日：2022-12-16
Applicant: 北京交通大学
IPC: G08G1/01 , G06N3/08 , G06N3/0442 , G06N3/0464
Abstract: 本发明公开一种路口联合建模的对偶图卷积网络的行程时间估计方法。该方法包括：获取目标路径和对应的出发时间；针对所述目标路径和对应的出发时间，利用对偶图卷积网络估计行程时间，该对偶图卷积网络以设定的损失函数最小化为目标，利用历史轨迹数据集训练获得，其中所述对偶图卷积网络包括嵌入层、时空图学习层和多任务学习层，所述时空图学习层通过对节点图和边图进行对偶图卷积捕获时空特征，所述节点图的每个节点和边分别代表一个路口和路段，所述边图的节点是节点图中的对应边。本发明采用对偶图卷积方法来捕获路口和路段的复杂关系，能够对交叉路口和路段进行联合建模，提升了行程估计时间的准确性。
-
Patent Agency Ranking
公开(公告)号：CN117593878A
公开(公告)日：2024-02-23
申请号：CN202311345507.6
申请日：2023-10-17
Applicant: 北京交通大学
IPC: G08G1/01 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明公开了一种突发事件下的城市轨道交通短时OD需求预测方法。该方法包括：在当前时间段t，获取观测到的OD需求序列、实时进站流数据和轨道交通网络图；将所述OD需求序列、所述实时进站流数据和所述轨道交通网络图输入到经训练的预测模型，预测下一个时间段的轨道交通系统的OD需求。本发明能够有效整合周时和日时OD需求模式，以捕捉长短时历史OD分布信息，在满足短时OD需求预测实时性要求的同时，提高了突发事件下OD需求的预测精度。
-
公开(公告)号：CN112001548B
公开(公告)日：2023-10-20
申请号：CN202010861302.3
申请日：2020-08-25
Applicant: 北京交通大学
IPC: G06Q10/04 , G06Q10/0639 , G06Q50/30 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的OD客流预测方法。该方法包括：获取历史的OD矩阵信息和实时的进站客流时间序列信息，将所述历史的OD矩阵信息和所述实时的进站客流时间序列信息输入至经训练的深度学习模型，获得预测的后续时间段的OD矩阵信息，其中所述深度学习模型包括主干结构和分支结构，该主干结构以所述历史的OD矩阵信息作为输入以提取高级特征，该分支结构以所述实时的进站客流时间序列作为输入，并通过对该主干结构的输出进行调整，进而获得预测的后续时间段的OD矩阵信息。本发明能够提高OD短时客流预测的实时性和精确度。
-
公开(公告)号：CN114626585B
公开(公告)日：2023-09-08
申请号：CN202210188660.1
申请日：2022-02-28
Applicant: 北京交通大学
IPC: G06Q10/04 , G06Q50/26 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/0442 , G06N3/084 , G08G1/01
Abstract: 本发明公开了一种基于生成对抗网络的城市轨道交通短时客流预测方法。该方法包括：针对城市轨道交通网络构建图结构，并将客流量作为车站的属性特征；基于所述图结构获取多个模式下反映历史客流信息的时间序列数据，所述多个模式根据与客流预测时刻的不同时间间隔进行划分；将所述多个模式下的时间序列数据输入至图卷积神经网络获取各模式下客流的时空相关性；将所述图卷积神经网络输出的不同模式数据进行合并后输入到生成器，以生成城市轨道交通网络中目标车站在后续时刻的交通客流信息，其中所述生成器利用设定的目标函数通过训练生成对抗网络获得。本发明提高了客流预测精度，并降低了模型的复杂度。
-
公开(公告)号：CN116246457A
公开(公告)日：2023-06-09
申请号：CN202211622742.9
申请日：2022-12-16
Applicant: 北京交通大学
IPC: G08G1/01 , G06N3/08 , G06N3/0442 , G06N3/0464
Abstract: 本发明公开一种路口联合建模的对偶图卷积网络的行程时间估计方法。该方法包括：获取目标路径和对应的出发时间；针对所述目标路径和对应的出发时间，利用对偶图卷积网络估计行程时间，该对偶图卷积网络以设定的损失函数最小化为目标，利用历史轨迹数据集训练获得，其中所述对偶图卷积网络包括嵌入层、时空图学习层和多任务学习层，所述时空图学习层通过对节点图和边图进行对偶图卷积捕获时空特征，所述节点图的每个节点和边分别代表一个路口和路段，所述边图的节点是节点图中的对应边。本发明采用对偶图卷积方法来捕获路口和路段的复杂关系，能够对交叉路口和路段进行联合建模，提升了行程估计时间的准确性。
-
公开(公告)号：CN115965163A
公开(公告)日：2023-04-14
申请号：CN202310115130.9
申请日：2023-02-07
Applicant: 北京交通大学
IPC: G06Q10/04 , G06Q50/30 , G06N3/0464 , G06N3/0475 , G06N3/049 , G06N3/094
Abstract: 本发明公开了一种基于时空图生成对抗损失的轨道交通短时客流预测方法。该方法包括：将城市轨道交通网络定义为图；将客流量作为城市轨道交通网络中地铁站的属性特征，其中每个地铁站包含进站客流矩阵和出站客流矩阵作为特征值；通过训练深度学习模型学习映射函数，以利用在历史时刻各地铁站的特征值来预测未来时刻的客流，其中深度学习模型包括生成器网络和判别器网络，该生成器网络以多模式历史客流数据作为输入，用于捕获每个模式中客流的时间和空间相关性，并合并多模式的输出传递至所述判别器网络；所述判别器网络用于区分真实的客流量和生成器网络所预测的客流量。本发明在时空尺度的约束下提升了预测精度和效率，并降低了内存占用。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.025 seconds)
