-
公开(公告)号：CN111476449A
公开(公告)日：2020-07-31
申请号：CN201910952490.8
申请日：2019-10-09
Applicant: 北京交通大学
Abstract: 本发明公开了一种基于改进K均值聚类算法的地铁车站运营时段划分方法，包括如下步骤：1)确定聚类中心的个数K，2)输入初始温度T、降温系数α、最低降温温度Tlowest，马尔科夫链长度为inIteration；3)计算任意两个样本xi和xj的距离；4)计算样本集合S中所有样本的平均距离MeanDis(S)，5)计算任意样本对象xi的密度Den(xi)，6)根据公式 计算距离平方和误差为SDSE(i)，设定a＝1，本发明提到的基于改进K均值聚类算法的地铁车站运营时段划分方法初始解更好，算法速度更快，且最后适应度更高。
-
公开(公告)号：CN109063313A
公开(公告)日：2018-12-21
申请号：CN201810834730.X
申请日：2018-07-26
Applicant: 北京交通大学
Abstract: 本发明实施例提供了一种基于机器学习的列车牵引能耗计算方法。该方法包括：建立离散化的列车牵引能耗计算模型；对既有数据进行选择，处理，形成离散化的数据集；将数据集划分为训练集与测试集，利用训练集训练标定随机森林回归与支持向量机回归机器学习算法的最优参数，并用测试集验证其用于计算牵引能耗的效果。利用机器学习算法随机森林回归与支持向量机回归的新方法计算列车牵引速度曲线的能耗，其中随机森林回归同时可以得到曲线某位移处的速度的重要度排序。机器学习方法计算列车牵引能耗，计算过程简单，计算精度高，计算成本低。
-
Patent Agency Ranking
公开(公告)号：CN111815166B
公开(公告)日：2023-10-17
申请号：CN202010656829.2
申请日：2020-07-09
Applicant: 北京交通大学
IPC: G06Q10/067 , G06Q10/0631 , G06Q50/26
Abstract: 本发明实施例提供了一种基于客流分配的城市公共交通系统的协同优化方法，包括：步骤1，将城市公共交通系统用虚拟网络进行表示；所述城市公共交通系统包括：城市轨道交通、公交网络；步骤2，建立基于公共交通一体化网络的客流分配模型；步骤3，建立城市轨道交通与公交时刻表换乘协同最大化模型；步骤4，建立城市轨道交通与公交时刻表协同最大化与运营区间服务水平的双目标模型；步骤5，利用线性加权将第二阶段双目标转化为单目标，并进行求解。本发明用来协同优化城市轨道交通与公交网络时刻表，有助于提高由城市轨道交通与公交组成的城市公共支架网络的整体服务水平，吸引公共交通出行。
-
公开(公告)号：CN111476449B
公开(公告)日：2022-05-24
申请号：CN201910952490.8
申请日：2019-10-09
Applicant: 北京交通大学
Abstract: 本发明公开了一种基于改进K均值聚类算法的地铁车站运营时段划分方法，包括如下步骤：1)确定聚类中心的个数K，2)输入初始温度T、降温系数α、最低降温温度Tlowest，马尔科夫链长度为inIteration；3)计算任意两个样本xi和xj的距离；4)计算样本集合S中所有样本的平均距离MeanDis(S)，5)计算任意样本对象xi的密度Den(xi)，6)根据公式计算距离平方和误差为SDSE(i)，设定a＝1，本发明提到的基于改进K均值聚类算法的地铁车站运营时段划分方法初始解更好，算法速度更快，且最后适应度更高。
-
公开(公告)号：CN111815166A
公开(公告)日：2020-10-23
申请号：CN202010656829.2
申请日：2020-07-09
Applicant: 北京交通大学
Abstract: 本发明实施例提供了一种基于客流分配的城市公共交通系统的协同优化方法，包括：步骤1，将城市公共交通系统用虚拟网络进行表示；所述城市公共交通系统包括：城市轨道交通、公交网络；步骤2，建立基于公共交通一体化网络的客流分配模型；步骤3，建立城市轨道交通与公交时刻表换乘协同最大化模型；步骤4，建立城市轨道交通与公交时刻表协同最大化与运营区间服务水平的双目标模型；步骤5，利用线性加权将第二阶段双目标转化为单目标，并进行求解。本发明用来协同优化城市轨道交通与公交网络时刻表，有助于提高由城市轨道交通与公交组成的城市公共支架网络的整体服务水平，吸引公共交通出行。
-
公开(公告)号：CN115204231A
公开(公告)日：2022-10-18
申请号：CN202210848103.8
申请日：2022-07-19
Applicant: 北京交通大学
Abstract: 本发明提供了基于EEG脑电多维特征的数字化人机界面认知负荷评估方法，包括以下步骤：S1，基于CNN‑LSTM的EEG脑电时域特征提取；S2，基于深度置信网络的EEG脑电频域特征提取；S3，基于Multi‑CNN的EEG脑电时频域特征提取；S4，基于支持向量机的界面认知负荷分类。本发明与其他应用单一的界面认知负荷评估方法相比，能更准确提取EEG的时域特征与频域特征以及时频域特征，具有更强的鲁棒性，并且有助于指导数字界面优化并最终提高人机工效。
-
公开(公告)号：CN109063313B
公开(公告)日：2020-10-09
申请号：CN201810834730.X
申请日：2018-07-26
Applicant: 北京交通大学
IPC: G06F30/15 , G06F30/27 , G06F16/2458 , G06K9/62
Abstract: 本发明实施例提供了一种基于机器学习的列车牵引能耗计算方法。该方法包括：建立离散化的列车牵引能耗计算模型；对既有数据进行选择，处理，形成离散化的数据集；将数据集划分为训练集与测试集，利用训练集训练标定随机森林回归与支持向量机回归机器学习算法的最优参数，并用测试集验证其用于计算牵引能耗的效果。利用机器学习算法随机森林回归与支持向量机回归的新方法计算列车牵引速度曲线的能耗，其中随机森林回归同时可以得到曲线某位移处的速度的重要度排序。机器学习方法计算列车牵引能耗，计算过程简单，计算精度高，计算成本低。
-
-
-
-
-
-
Search Results
7
records
(took 0.022 seconds)
