一种基于BIM与人工智能的城市轨道交通数据分析方法

技术领域

本发明涉及BIM与人工智能城市轨道交通领域，尤其涉及一种基于BIM与人工智能的城市轨道交通数据分析方法。

背景技术

建筑信息模型(Building Information Modeling，BIM)是以建筑工程项目的各项相关信息数据作为模型的基础，进行建筑模型的建立，通过数字信息仿真模拟建筑物所具有的真实信息。同时随着城市轨道交通建设的加快，轨道交通的数据监测平台所采集的数据量级和复杂度也在快速增长，这不仅增加了监控和运营的难度，也对数据分析带来了新的挑战和机遇。目前已有基于大数据的轨道交通数据分析方法，但是其效率较低、准确度不够高。

因此，如何利用好从BIM数据库中获取到的轨道交通线路各阶段的数据以及数据监测平台所采集到的数据，进行数据建模分析，是目前需要迫切解决的问题。本发明提出的一种基于BIM与人工智能的城市轨道交通数据分析方法有着更加合理的数据模型，能提高效率和准确度。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于BIM与人工智能的城市轨道交通数据分析方法。

为了实现本发明的上述目的，本发明提供了一种基于BIM与人工智能的城市轨道交通数据分析方法包括以下步骤：

S1，获取城市轨道交通线路中各站点运维过程中的数据以及轨道交通数据监测平台的数据保存至服务器中；

S2，对S1获取到的数据进行预处理，并对数据特征进行降维；

S3，将S2处理后的数据送入到GRU网络中进行预测，轨道交通部门决策人员根据预测的结果动态调整各站点发车的时间间隔并安排足够的工作人员。

在本发明的一种优选实施方式中，所述S1包括以下步骤：

S1-1，从BIM数据库中获取城市轨道交通线路中各站点运维过程中的数据，包括各站点的地理位置、建筑面积、出口数量以及进出的闸机数量之一或者任意组合，并将获取到的数据保存至服务器；

S1-2，从轨道交通数据监测平台获取各站点客流数据和发车时间间隔，客流数据的采集时间间隔为x分钟，采集时间为从早上6点半到晚上10点，并将获取到数据保存至服务器。

在本发明的一种优选实施方式中，所述S2包括以下步骤：

S2-1，所述预处理包括将获取的两种数据中的异常值分别进行清空以及对两种数据中缺失值则采用该特征数据的均值进行填充，求解均值的方法为：

其中，

N为该特征数据的总数，

x

S2-2，所述降维处理包括：将BIM运维数据和轨道交通站点内的监测数据重新排列成矩阵

对Z中的每一行数据进行零均值化处理，所述零均值化的处理为将Z中每行的数据减去该行的均值，即

对所述零均值化后的数据求解协方差矩阵：

其中，矩阵Z为BIM运维数据和轨道交通站点内的监测数据重新排列而成，(·)

对协方差矩阵进行特征值分解得到n个特征向量{e

其中，Λ为特征值矩阵，

λ

λ

λ

λ

将特征向量按对应特征值大小从上到下按行排列成矩阵，取前l行组成矩阵P，降维后的数据表示为Y＝PZ。

在本发明的一种优选实施方式中，所述S3包括以下步骤：

S3-1，将S2处理后的数据输入到GRU网络中进行预测，所述的数据是时间离散的，所述数据的时间隔为x分钟；所述GRU网络预测时利用历史信息和当天的数据输出第二天不同时刻的客流数据信息；

S3-2，轨道交通部门决策人员根据预测的结果动态调整发车的时间间隔，并配置轨道交通站点内的工作人员，保障乘客的及时出行提高乘客乘车的满意度。

在本发明的一种优选实施方式中，S3-1所述GRU网络为训练后的网络，包括：

GRU网络训练使用近一年时间的监测数据，在训练过程中，所述GRU网络中的记忆存储单元可以对历史的信息进行存储，并应用到预测数据上，提高预测结果的准确度；

在模型中使用的GRU网络具体描述如下：

所述模型中使用的GRU单元中，输入的数据由当前输入数据x

r

其中，r

W

h

x

t时刻更新门的输出为：

z

其中，z

σ为激活函数，

W

h

x

通过重置门和当前的输入值得到候选集

其中，tanh为激活函数，

r

h

x

最后GRU单元的输出为：

其中，h

z

h

将网络的输出值与真实值进行比较，通过反向误差传播算法来更新网络参数，来提高网络的计算精度。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

采用GRU网络用对预测客流量信息贡献度大的特征数据来进行分析预测，使用当天的客流数据和GRU网络中存储的数据来预测第二天的客流量，并将预测到的数据及时反馈给轨道交通部门，决策人员根据客流的变化动态的调整发车间隔以及安排站点工作人员，减少车站内因无法乘车而逗留的乘客，提高乘客的满意度。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明的流程图；

图2是本发明的GRU网络结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明提出了一种基于BIM与人工智能的城市轨道交通数据分析方法，结合BIM数据库，采用GRU网络，能够快速准确地得到相应的轨道交通车次和人员的调配方案，提高了效率和乘客的满意度。

结合附图1对本发明进行详细说明，主要包括以下步骤：

步骤S101，开始。

步骤S102，首先从BIM数据库中获取城市轨道交通线路中某条线路中各站点运维过程中的数据，可以得到其中一个站点的具体信息为：建筑面积8000平方米、出口数量为4个、每个出口的闸机数量为7个，如此依次获取该条线路上共10个站点的信息，并将获取到的信息上传至服务器。

步骤S103，从轨道交通数据监测平台中获取各轻轨站点客流数据和发车时间间隔，客流数据的采集时间间隔设定为30分钟，每天每个站点从早上6点半到晚上10点半共有33条客流数据，并将获取到的数据发送到服务器。

步骤S104，对保存在服务器上的BIM运维数据和轨道交通站点内的监测数据进行预处理，具体操作为：将获取的两种数据中的异常值分别进行清空，对两种数据中缺失值采用该特征数据的均值进行填充，求解均值的方法为：

其中，N为该特征数据的总数，x

步骤S105，由于收集到的数据包含的特征较多，造成网络训练缓慢，因此需要对数据的特征进行降维处理，将BIM运维数据和轨道交通站点内的监测数据重新排列成

对Z中的每一行数据进行零均值化处理，零均值化的处理方式为将Z中每行的数据减去该行的均值，即

对进行零均值化后的数据求解协方差矩阵，即：

其中(·)

其中，Λ为特征值矩阵，λ

步骤S106，图2示出了GRU网络结构图，x

GRU网络训练使用的是近一年内的监测数据，在训练过程中，由于GRU网络中的记忆存储单元可以对历史的信息进行存储，并应用到预测数据上，能够提高预测结果的准确度。GRU网络具体实施方式如下：

首先将当前输入数据x

r

其中，r

z

其中，z

其中，

然后将网络的输出值与真实值进行比较，通过反向误差传播算法来更新网络参数，从而来提高网络的计算精度。

将降维后的数据输入到训练后的GRU网络中进行预测，数据的时间隔为30分钟，GRU网络可以对具有时间离散的数据进行预测，同时记忆存储单元中的数据可以提高预测的精度；GRU网络预测时利用的是近一年内的历史客流信息和当天的数据，输出结果为第二天不同时刻的客流数据信息。

步骤S107，参考图1，轨道交通部门决策人员就可以根据预测的结果动态调整发车的时间间隔，如果客流量较多，可以缩短发车时间间隔，或增加车次；如果客流量较少，则增加发车时间间隔，或减少车次。不仅如此，还要根据客流量来合理配置轨道交通站点内的工作人员，保障乘客的及时出行，从而提高乘客的满意度。

步骤S108，结束。

本实施例中结合BIM与人工智能的城市轨道交通数据分析及预测过程结束。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。