欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023103076961
申请人: 青岛理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种地铁站闸机疏散能力的预测方法,其特征在于,包括以下步骤:步骤一:采用基于社会力模型的个体运动仿真软件,对应实地场景,构建闸机场景的三维仿真模型;

步骤二:构建预测模型、预测模型的训练集和测试集,将模拟个体放入步骤一构建的三维仿真模型中,模拟多种场景,得到预测模型的训练集和测试集;

步骤三:使用沙猫群算法对预测模型进行优化,利用步骤二中得到的训练集对优化后的预测模型进行训练,得到训练完成的模型,所述的使用沙猫群算法对预测模型进行优化的步骤包括:步骤3‑1:数据预处理,划分训练样本和测试样本;

步骤3‑2:根据输入特征的数量与预测特征的数量确定预测模型神经网络的输入层神经元数量与输出层神经元数量,输入特征是闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,预测特征是人群通过闸机的疏散时间;

步骤3‑3:设置神经网络的初始权值与阈值;

步骤3‑4:引入目标函数,利用训练集对预测模型进行训练,引入正则化系数、单位矩阵、核函数,用于增强神经网络的稳定性;

步骤3‑5:初始化沙猫种群,设置正则化系数和核函数参数的取值范围;

步骤3‑6:利用沙猫群算法对预测模型中的正则化系数和核函数参数进行优化,重构预测算法,将正则化系数和核函数参数作为沙猫群优化算法的一组候选解,计算沙猫适应度值,更新最佳沙猫位置;

步骤3‑7:通过迭代计算,得到沙猫群算法的目标函数中最优值对应的候选解,并作为核极限学习机预测模型中的正则化系数和核函数参数,完成模型的训练;

步骤四:向步骤三中得到的训练完成的模型中输入测试集中闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,得到对应人群通过闸机的疏散时间的预测值,计算均方误差用以评价模型的有效性,得到可用于预测闸机疏散能力的时间预测模型。

2.根据权利要求1所述的地铁站闸机疏散能力的预测方法,其特征是,所述步骤3‑2中还包括:根据柯尔莫哥洛夫定理定义隐藏层层数,确定隐藏层中神经元数量。

3.根据权利要求2所述的地铁站闸机疏散能力的预测方法,其特征是,所述步骤3‑4中,预测模型的学习目标函数F(x)用矩阵表示为:F(x)=h(x)×β=H×β=L,其中,x为输入向量,h(x)、H为隐层节点输出,β为输出权值,L为期望输出。

4.根据权利要求3所述的地铁站闸机疏散能力的预测方法,其特征是,所述步骤3‑4中,*对预测模型进行训练包括:将网络训练变为线性系统求解,所述β根据β=H·L确定,其中,*H为H的广义逆矩阵;

引入正则化系数C和单位矩阵I,则输出权值的最小二乘解为:T

引入核函数到极限学习机中,核矩阵为:ΩELM=HH=h(xi)h(xj)=K(xi,xj),其中,xi、xj为试验输入向量,h(xi)、h(xj)为隐层节点输出矩阵,K为核函数中的径向基函数,定义为:2

K(x,y)=exp(‑α||x‑y||),其中,α是内核函数参数,x,y表示输入空间的向量。

5.根据权利要求4所述的地铁站闸机疏散能力的预测方法,其特征是,根据正则化系数、单位矩阵、核函数的定义,所述预测模型的学习目标函数F(x)的矩阵可表达为:其中,(x1,x2,...,xn)为给定训练样本,n为样本数量。

6.根据权利要求5所述的地铁站闸机疏散能力的预测方法,其特征是,所述沙猫群算法是一种基于种群的方法,所述种群被称为沙猫群,每一个猫显示问题变量的值,将相关结构定义为向量,在d维优化问题中,沙猫表示问题解的1×d数组,定义如下:Sand Cati=[x1,x2,…,xd];i∈pop(1,n),每个变量值(x1,x2,…,xd)都是浮点数,pop表示种群。

7.根据权利要求6所述的地铁站闸机疏散能力的预测方法,其特征是,在运行所述沙猫群算法时,包括以下步骤:步骤3‑6‑1:根据问题的大小(Npop×Nd),(pop=1,2,...,n),用沙猫种群创建一个候选矩阵,其中:Npop代表种群个数,Nd是维度数,Xi为第i个沙猫群,xij为第i个种群的第j维度;

步骤3‑6‑2:通过对定义的适应度函数的评估得到每只沙猫的适应度成本,沙猫群种群的适应度函数为:适应度函数定义

确定问题的相关参数,获得沙猫群算法参数的最佳值;

步骤3‑6‑3:获取一次迭代完成时,此次迭代中适应度函数最优的沙猫,表达为:其中,Xi=(xi1,xi2,xi3,...,xid)表示每只沙猫的最优解;

步骤3‑6‑4:根据沙猫的听觉特性确定沙猫的敏感范围, 其中表示沙猫的敏感范围,SM模拟了沙猫的听觉特性,iterc是当前迭代次数,itermax是最大迭代次数;

步骤3‑6‑5:确定每只沙猫的灵敏度范围, 为沙猫的灵敏度范围;

步骤3‑6‑6:根据最优解、当前位置以及灵敏度范围来更新沙猫的位置,并搜索到其他最好的猎物位置,在新的搜索区域中找到新的局部最优,获得的位置位于当前位置和猎物位置之间,搜索过程表达为: 其中 表示新的局部最优, 为最优解、 为当前位置、t表示进行的搜索次数;

步骤3‑6‑7:利用沙猫群算法的攻击阶段确定当前位置与最佳位置之间的距离,为最佳位置, 为随机位置,θ为沙猫运动方向上的随机角度;

步骤3‑6‑8:定义参数R,参数R为步骤3‑6‑6中的搜索与步骤3‑6‑7中的利用两者之间转换的主要参数, 参数R取决于 R取值的波动范围在迭代过程中线性地减少,当R的随机值为[‑1,1]时,沙猫的下一个位置可以在其当前位置和狩猎位置之间的任何位置,当R小于或等于1时,沙猫群算法迫使搜索代理利用,否则,搜索代理被迫搜索和寻找猎物,表达为:步骤3‑6‑9:通过沙猫群算法的迭代计算,得到沙猫群算法的目标函数最优值对应的候选解,即核极限学习机模型最优的正则化系数C和核函数参数α。

8.根据权利要求1所述的地铁站闸机疏散能力的预测方法,其特征是,在步骤二中,所述模拟多种场景,包括多次更改闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,改变步骤一构建的三维仿真模型中的闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,得到多组不同闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量下的人群通过闸机的疏散时间,作为预测模型的训练集和测试集。