文摘

近年来,城市轨道交通网络体系结构逐渐增加,轨道交通客流和交通负荷之间的矛盾加深,和它的承载能力也被测试。客流风险已成为轨道交通中最重要的风险来源。限制轨道交通服务质量的关键是如何有效地监控和管理轨道交通客流和提供准确和方便的预警人员。为了有效地管理复杂的客流,前提是区分运动目标的实时状态。时间序列数据特征提取和LSTM数据融合被用来分析交通数据序列的多层次轨道交通网络模型。物联网的多层次轨道交通集成建模的数据融合的方法。从实验数据可以看出,在数据融合模式,网络综合评价预测的值拟合效果可以快速收敛,和错误率小于4%。通过对比均方误差(MSE)和平均绝对误差(MAE)数据的传统方法和实验方法用于本文通过两个不同的数据集,这是明白,美在数据融合方法降低了8与传统方法相比,和MSE下降了33个,表明该方法可以带来更好的模拟效果模型。协同的改善和补充功能网络和高效的加速度和方便的元素的不可避免的结果整合多层市区轨道交通。

1。介绍

数据融合是一个新兴的研究领域。近年来,数据融合技术不断应用于各个行业,取得了一定的成果。加速metropolitanization和城市流动非常强调中国城市的进步。城市规模增加,交通拥堵恶化,城市景观越来越污染了。两个主要策略被用来解决许多的交通挑战由于快速demographicization和流动性。第一个目标是提供一个增速甚至城市道路地图及其互补交通基础设施居民使用小型汽车旅行,目的是解决交通拥堵和延误问题。这个automobile-oriented交通发展战略已经实施,兴建和发达的城市,交通拥堵等问题逐渐浮出水面。第二,有限的城市空间的资产,特别是在城市地区,无法满足发展需求的道路和机动旅行所需的配套设施。

在这个阶段,城市轨道交通发展的类型从一个地铁不同的操作类型,包括地铁、轻轨、城际列车。地铁的特点是大型运输体积,低故障率,安全、稳定的旅游,是深受不同的城市。许多城市将首选日常旅游基础设施。之间的轨道交通建设现代化城市的程度是一个重要的指标来衡量城市的运输系统,它有一个巨大的动力来提高造成的困境之间的交通压力增加城市客流的增加造成的。城市轨道交通的持续改进可以缓解地面交通拥挤的情况,将改变城市的风格,刷新城市交通环境,促进城市的发展,人民出行带来便利,提高人们的工作效率。多层次轨道交通网络的实时检测通过时间序列数据特征提取数据融合和数据模型建设不仅可以提高预测精度,也方便居民的旅游。

多层次轨道交通系统为框架来指导新城市郊区的发展是未来的方向的大城市多中心发展模式。许多大城市在中国已经建立了一个轨道交通线路连接郊区新城与城市地区,但在大多数情况下,没有达到预期的效果。与此同时,一些大城市已经开始构建多层次轨道交通系统在郊区新城指导新城镇的发展。指的是相对成功的多层次轨道交通系统有助于提供想法和经历一个多层次城市轨道交通系统的建设。的基础上,比较和郊区新城建设案例的分析指导下不同的公共运输,郊区新城的特点适应多层次轨道交通系统进行了总结。通过城市发展的经验的指导下多级在上海轨道交通,本文讨论了缺陷的新城市郊区的引导下,轨道交通在中国现阶段的建设模式,探索多层次郊区新城的轨道交通系统符合中国社会和经济发展的阶段和多层次轨道交通系统模型的紧凑、高密度、集约化发展的郊区的新城市空间。

2。相关工作

规划和政策对高铁车站的选址和广泛的补充身体、交通和市政规划是很重要的。梁研究的资本化效应快速发展北京的接近轨道交通和快速公交系统(BRT)和得出结论,属性在轨道交通站附近的平均价格溢价是5%左右。然而,没有发现显著影响快速公交车站区域(1]。为了填补这个缺口在城市轨道交通识别服务和加强多层次的协调城市交通模式,郑建立了城市公共交通系统基于禁忌搜索算法的优化方法2]。程认为,表现不佳是由于频繁的原型碰撞,和动态原型配置和适应可以提供更好的结果通过减少这些碰撞3]。蔡解决这一差距通过控制社会经济和交通特征评估高铁在多个空间的空间影响水平评估的总体影响大都市地区(4]。然而,先前的研究已经产生了好坏参半的结果对这种影响的大小,和一些影响因素的评估过程控制。

是时尚的多传感器结构来更好地理解感知周围环境的智能车辆,和他们中的很多人是用来处理传感任务在一个富裕的上下文是一个合乎逻辑的答案。陈提出了一种基于卷积神经网络和深度学习的框架分析单个视频帧的裂纹检测(5]。Bouain提出了一种多传感器数据融合嵌入式设计车辆使用立体相机和感知任务光探测和测距传感器(6]。Gomathi关注比较朴素贝叶斯,多层感知器,序列最小优化、随机森林,和支持向量机。结果表明支持向量机结合萤火虫优化提供了更好的结果(7]。Alsafasfeh提出了一种基于反向传播神经网络的数据融合模型(摘要)模型。在信息传输的过程中,神经网络的输出函数用于处理大量的感知数据,和感官的特征值数据提取和传输到汇聚节点,为了解决大量的问题无效或冗余数据(8]。赵提出了一种新的建模方法离散制造系统的整体运营风险,基于操作数据的特征和性质。在任务可靠性框架、操作性能改进是基于量化机器性能、任务执行,和产品质量9]。桠溪依赖性的增强数据拯救代谢特性错过了传统软件和代谢功能分类为四个信心水平根据色谱峰形状和相应的MS / MS谱的存在(10]。这些研究在一定程度上是有益的,但在某些情况下,示威游行是不充分或不准确的,可以进一步改善。

3所示。多层次轨道交通数据融合系统

3.1。城市建设和城市轨道交通之间的关系

目前,中国各种都市圈成形。轨道交通建设主要集中在城市,大城市和中小城市,主要是通过高速公路连接。没有多层次轨道交通建设的例子。研究轨道交通之间的相互作用和空间结构仍在内心层面的城市,有一个缺乏理论研究和实证研究的发展由多层次轨道交通引导城市空间结构(11]。中国大都市的建设起步较晚,但其发展速度远远快于其他地区。然而,东京等大城市的发展历史,纽约,巴黎,伦敦,目前更多的研究了,不符合中国国情12]。作为世界上第二大市区,首尔市区类似中国的大城市的城市发展过程和轨道交通建设序列。市区有一个稳定的空间结构和开发轨道交通系统。其开发过程具有重要的研究价值。首尔市区是世界上第二大市区(13]。

通过比较分析郊区新城的指导下多层次轨道交通系统和其他城市公共交通的指导下,构建一个多层次的可行性和优越性轨道交通系统指导郊区新城的建设可以研究的基础上总结的经验之间的交通连接郊区新城和城市区域(14]。多层次轨道交通由城市轨道交通和城际轨道交通,主要指城市轨道交通模式,进行上下班需要在市区内(15]。城市轨道交通的客流主要负责城市交通走廊,是公共交通系统的骨干。它可以有效地满足城市居民的旅游需求,缓解城市交通的压力,促进城市的可持续发展。与传统汽车相比,汽车,和其他运输模式,轨道交通有很多优势,如运输能力大、效率高、安全、守时、能源节约和环境保护,充分利用城市空间(16]。常见的跟踪类型如表所示1。

轨道交通作为主要连接工具之间居民的日常行为和城市空间,确保城市交通系统之间的紧密联系的新城市和城市空间。通过构建一个良好的耦合关系,新城市郊区的旅游效率可以大大提高17]。同样,郊区新城的规划和建设,城市空间布局和车站等领域设计,也影响轨道交通的运营效率。然而,在实践中相结合的郊区新城的建设轨道交通系统在中国,仍然存在问题,如轨道交通车站与城市空间的解偶联的新城镇和郊区轨道交通的失败来引导居民使用公共交通工具。这还需要进一步的研究来改善郊区新城建设之间的配合和轨道交通系统。

在过去,在大城市轨道交通系统的规划在中国目前专注于网络规划和建设,缺乏发展战略规划18]。每个系统的功能定位模糊,交通水平层次不够清晰。大多数铁路运输系统支持地铁系统在公共交通的发展19]。有一个缺乏深入的研究和分析低收入和中批量轨道交通的功能定位系统。除了几个主要城市规划选择,大多数城市在很大程度上忽略了低收入和medium-rail公共交通系统。随着城市的发展模式向市区,市区的发展模式逐渐浮出水面(20.]。一个铁路系统一直无法适应各种旅游需求,及各种铁路系统,如轻轨,单轨,磁悬浮,和现代有轨电车,已经开始出现。集成是必要的,以确保轨道交通系统的连续性和效率在市区各级。许多大城市已经开始构建多层次轨道交通系统为不同的需求、区域、运输能力、标准和路线的特点。

轨道交通系统的研究侧重于研究单一轨道交通系统,与大多数的研究涉及之间的多层次轨道交通系统也是两个级别的国家高速铁路和城际铁路和城市轨道交通(21]。很少有研究轨道交通新城市郊区和市区和郊区之间的新城市22]。在城市建造并运营了很长一段时间,由于不清楚各级铁路网络的功能,下面的问题被暴露出来。高密度的城市行网络拥塞造成的。广泛的交通区域造成混乱的功能定位和服务范围不同的线路。一些铁路服务在新开发区和城市边缘地区相对较低甚至没有。

关于互动研究城市轨道交通与城市空间结构之间的关系,研究方法主要是基于理论和实证方法的结合,导致大多数指标获得的研究有很强的“区域”特征和没有普遍的指导价值23]。同时,鉴于中国的社会发展阶段是不同于西方发达国家,一些经验和规划设计策略不能直接使用。相比之下,在东南亚,如东京和其他地方,在大城市的规划实践与高强度和集约化发展,高密度的实现和强化土地组合指导紧凑集约发展城市大力发展公共交通系统(24]。

郊区的新城市轨道交通模式下的多层次轨道交通系统涉及到经济、社会、环境和其他方面。等相关理论的指导下,城市交通和城市经济学,它从一个跨学科进行和multiangle研究视角。基于实际经验建设先进的国内外新城市郊区,多层次轨道交通系统和多层次轨道交通模式适合郊区新城提出从规划设计的角度。它主要采用分析方法,结合理论研究和实证研究。定性分析的主要方法,定量分析是分析方法的补充。

不同类型的轨道交通系统有不同的技术特点,满足不同区域的交通需求和水平。根据典型的轨道交通规划、建设、经营国内外管理经验,多层次轨道交通系统是一个综合交通系统与主人和奴隶和主从合作。多层次轨道交通系统指在这项研究是由大容量轨道交通和中、小容量的轨道交通。涉及的主要研究对象是城市轨道交通、城市轨道交通、轻轨,现代有轨电车。主要结构如图1和2。

根据轨道交通网络系统功能类型,主要分为四个级别:干线铁路、城际铁路、地方铁路和城市轨道交通。各级轨道交通系统的交通系统有不同的特点,操作速度,站间距,服务范围和服务目标,如表所示2。主要铁路包括高速铁路和普通铁路。考虑到旅行速度,这里只分析了高速铁路和高速铁路的服务目标主要是长途交通对象在指定范围内。

不同类型的轨道交通运营速度和承载能力有明显差异,所以有一个内在关系的多层次轨道交通网络和多尺度空间相互对应,相互适应,相互协调。大城市的公共交通系统,轨道交通为主体能够满足城市居民对长途通勤的时间要求。外围延伸的中心城区建设用地的开发强度的降低和减少轨道交通网络的服务范围和服务可访问性让大部分地区的活力相对较低。只有沿着轨道交通线路可以有良好的发展活力和发展潜力,在周边城市和铁路建设的前提,以确保一个就业人口和就业的浓度。从根本上说,铁路和空间的时空适应性主要是基于可访问性。通过不同的交通模式的合作,如轨道交通系统、站间距,操作模式,等等,预期的服务区域之间的兼容性和运输服务水平是保证。中国大多数城市轨道交通系统的层次划分不清楚,通常作为地铁系统建设的主要任务,甚至认为,地铁网络的不断扩展和致密化可以代替其他类型的轨道交通。在美国、西欧、日本、和其他成熟地区,相对完整的轨道交通网络已经建成。城市铁路的广泛报道中扮演一个重要的角色在解决城市和郊区之间的交通城市和卫星城市之间。轨道交通与城市之间的关系如图3。

随着大城市的范围继续蔓延到新的周边城市,对城市的铁路建设的需求也在增加。当越来越多的地区开始部署城市铁路建设,如何解决存在的问题将成为大都市地区的未来发展的关键。轨道交通网络的协调发展系统和大都市区空间结构是一个综合的系统,这是由两个子系统,轨道交通网络和空间结构。这两个子系统也包含一些元素各自的子系统。轨道交通网络子系统元素主要指网络数量和网络质量的内容元素。其中,网络的变化量是指网络的类型等因素的改善,经营规模,网络的里程,站的数量,和车站的水平。网络质量的变化主要是指网络连接度的优化和改进,转移方便,易访问性的程度,服务范围的程度。空间结构的演变市区的子系统包括两个方面:规模结构和地区结构。结构通常是指城市人口规模或在一定区域建设用地的规模。区域结构是指城市空间分布模式和城市市区拓扑空间组织结构。 In order for the system composed of the evolution of the rail transit network in the metropolitan area and the evolution of the spatial structure to reach the level of coordinated development, the elements in the respective systems need to promote each other. Specifically, there is an interactive development relationship between the two aspects of the rail transit network subsystem and the two aspects of the space structure subsystem. The coordination between the rail transit network and urban structure is shown in Figure4。

3.2。RNN)递归神经网络(时间序列数据特征提取

数据融合主要利用多个传感器的数据资源或信息资源在不同的时间和空间,并利用计算机技术,人工智能,和其他技术获取多个传感器的观测数据或信息来源在时间序列,以便系统可以获得更多组件的完整信息。时间序列数据和普通数据之间的主要区别是,时间序列数据包含的时间特征。因此,当时间序列数据分析,有必要考虑时间序列特征,试图保留时间特征信息的最大数量。常用的时间序列特征提取方法可以分为四类:statistical-based特征提取方法,transformation-based特征提取方法,变化基于理论的特征提取方法和基于模型的特征提取方法。递归神经网络结构,复发性网络保留前通过隐藏的状态和输入信息作为网络的输出电流,这有效地解决了问题的持久性逻辑序列和数据之间的关联信息。其中,是由输入层和输出层之前的隐藏层,如以下公式所示:

然后,输出层的输出显示在以下公式:

输出层的残余和反向传导过程RNN的时间t如下:

当序列长度T,其残差都是0。此时,倒数的参数B, P,和M时间t给出如下:

如果有 在输入层,简化公式

时间 ,通过递归地求和公式,RNN网络的导数对重量参数可以获得如下:

价值的递归神经网络的隐层不仅取决于当前的输入。最后一个隐层的价值也会影响隐层的值。数据融合过程中,融合多源、异构数据通过选择适当的模型和融合方法来获得更准确的信息。作为一个多源信息融合技术、数据融合技术最初是广泛应用于复杂的战场环境自动决策基于战场信息。随着计算机技术和信息技术的发展,数据融合也广泛应用于民用领域。

3.3。数据融合模型基于LSTM(长短期记忆网络)

LSTM递归神经网络是一种特殊的。由于其特殊的网络结构,适用于长时间间隔预测事件。目前,长期和短期记忆网络有广泛的应用。LSTM主要用于机器人、自动目标识别、交通控制、农业、遥感、医疗诊断、模式识别等领域。从公式可以看出,RNN网络,残留会随着时间衰减。

长期短期记忆网络time-recurrent神经网络,这是专门设计来解决长期依赖问题的递归神经网络。这一现象的关键是非线性激活函数f,常用的非线性激活函数是乙状结肠函数和双曲正切函数。大多数用于非线性激活函数的隐层与对称rbf属性。线性输出层权值的输出隐层节点,并在线性输出层神经元的数目是一样的输出向量的维数。输入向量的非线性转换,从输入空间采样点。自激活函数的斜率f间隔(−1,1)外有一个小变化,也就是说,导数f的很小,f的值将大大削弱反向传播很长一段时间后,最终将导致反馈在某个时刻。对先前的信息信号几乎没有影响,如以下公式所示:

作为一个经验法则,RNNs更难以处理长时间跨度的序列。为了解决这个问题,LSTM网络取代RNN的隐层单元和存储单元,并使用存储单元来存储信息。是输入的时间吗t,存储单元包含两个时间的状态t和时间 ,即:

根据该任务的特殊性,研究在现有的工作中,为了更好地分析数据融合模型的优点,提出模型评价美,MSE和指数 。美和MSE的值越小,模型结果的误差值越小。更好的性能,模型的泛化能力越强。具体的公式表示如下:

4所示。优化多层次轨道交通集成物联网

4.1。测量的发展空间结构的基于遥感图像的大都市地区

而电动汽车城市的问题逐渐浮出水面,公共transportation-oriented城市设计开始赢得决策者和研究人员的尊重。综合考虑区域的地理空间和亲密联系,上海市区内的建设用地和昆山市主要应用领域为研究对象的土地利用在上海市区。研究,监督分类和非监督分类进行处理在上海地区使用历史图像数据和昆山地区,和图像判读处理完成结合手动修正和解释。类似于土地利用分类方法在北京市区土地利用在上海市区分为四类:建设用地、农业用地、林业土地和土地沿着河流和湖泊。然后,一个动态数据库建设用地的开发利用在上海市区。土地利用的历史图像数据在上海市区是基于需求的研究空间结构的演变。1997年的卫星图像数据,2002年,2007年,2012年和2017年获得五年进化周期,如图5。

比较上海市区建设用地的规模随着时间的显示,从1997年到2017年,上海地区建设用地的面积迅速增长,土地的规模迅速扩大逐渐沿着走廊向外传播,和周边地区开始蔓延。有越来越多的组类型建设用地集聚地区。总之,建设用地的不断扩张和轨道交通的不断建设,上海市区的多中心集群结构特征越来越明显。从最初的港口发展沿着黄浦江,建设卫星城市,如闵行、嘉定、松江、在浦东陆家嘴的发展,长江的南岸,和杭州湾北岸,增长率在上海的主要城市建设用地已经放缓下来,变得更饱和。的指导下径向轨道交通,周边的发展新城市节点如嘉定、青浦、奉贤、松江、南汇加速,区域空间发展模式已逐渐从集中沿江开发转向多中心同步发展。接触正越来越近,昆山、苏州等城市已成为发展趋势。

为了测试车辆系统安全指数,信号系统安全指数,供电系统安全指数,通信系统的安全指数,间隔机电系统安全指数和轨道安全保证指数无限回火处理,本文采用融合方法形成线层设备索引。司机的业务能力指数和调度程序的业务能力指数是综合形成了代码管理指数。基于城市轨道交通的实际运行数据,一个月的操作数据被选中,和10个随机选择的计算方法和计算宏观安全评价指数,如表所示3。

4.2。数据集测试多层的轨道交通

为了验证本章提出的算法的有效性,其效果验证数据集标准的人群。如图6的比较结果物联网安全数据融合的方法,本文采用其他方法在上海人群数据集上市,美和均方误差进行了比较。第1部分使用传统的多层轨道交通数据模型,和第2部分使用的数据融合模型方法比较和分析上海人群数据。

图6显示的变化美和MSE培训在上海标准人群数据集。从图可以看出,与一些先前的模型相比,计算精度的数据融合模型已得到改进。在第1部分中,美28和MSE的58。在第2部分中,20和25的MSE的美。尤其是与MCNN multiarray结构相比,美和MSE指标已经大大提高。结果表明,该模型具有更好的比传统的多尺度提取能力。同时,与传统算法相比,数据融合算法在第2部分的美是减少8和MSE 33与传统方法相比,和模型取得了良好的效果。

道路网络线路安全的综合指数,道路网络容量和能力匹配度,道路网络连接状态指数,道路交通网络传输能力匹配度,和道路网络环境综合指数作为小波神经网络的输入,专家们得分结果。作为输出节点,隐层节点的数量由经验公式,给出测试结果如图7。

最后,该项目自调优算法确定为10。表中的数据作为测试样本的预测网络经过训练样本。设置为系统误差ε= 0.001。通过运行图表,它是发现,在数据融合模式,网络综合评价预测的值拟合效果可以快速收敛,和错误率小于4%。从数据可以看出,实验方法具有良好的数据拟合效果。

4.3。起飞时间预测城市Multirail交通

在计算过程中,每一行的运营成本是总成本的日常操作和维护和能源消费,平均每一行的单元操作成本的价值,包括城市轨道交通和常规公共交通。其他参数的值在模型中设置合理根据预测结果和调查数据。的发车间隔之前和之后的解决方案,每一行,每一行的时候到达转运站,经过计算和解决。计算离职时间间隔的上海轨道交通1号线和6传统公共运输和到达时间在转运站,如图8。

它可以清楚地看到从图8解决方案之前,出发的时间间隔的城市轨道交通和常规公交线路没有规律性。解决后,出发的时间间隔的上海轨道交通1号线和6常规公共交通都显示一个整数倍数关系。从数据可以看出,数据点的行号D表明,起飞时间后的解决方案是完全不同于实际起飞时间。时差是1.5分钟,误差为30%。其他途径解决时间几乎匹配实际的时间。因此,科学合理的起飞时间每一行车辆在离开车站然后制定;确保上海轨道交通1号线和6常规公共交通车辆到达转运站协调转移到最大限度。

5。结论

通过定性和定量比较分析总结上海交通情况下遵循多层次轨道交通系统的特点下的多级rails大都会地区多层次轨道交通系统进行了分析和分类。根据不同的特点和类别,参考内部原因和教训进行了分析。轨道交通网络的致密化过程改进的大都会地区的辐射能力和服务质量,加强了每个节点之间的网络连接。城市空间的扩张和升级反过来刺激系统的升级和发展,层次结构,规模,轨道交通网络的鲁棒性。同时,节点分化效应带来的轨道交通网络的升级引导大都市的形成。几个中央增长点和空间发展轴,进一步优化的空间结构系统的大都市,和促进“multi-center-multi-corridor”空间结构体系的形成。比较中国的大都市地区差距和国外成熟的大都市地区不是在核心领域,但主要是在城市外围microcenters和节点的数量。microcenters和节点的开发和建设城市轨道交通网络密切相关。

数据可用性

原始数据支持本文的结论将由作者提供,没有过度的预订。

的利益冲突

作者宣称没有利益冲突。