[发明专利]一种基于深度学习的地铁运行优化算法及系统

权利要求书

1.一种基于深度学习的地铁运行优化算法，其特征在于，所述方法包括：

获取地铁图像数据，并对地铁图像数据进行图像灰度化和灰度拉伸的预处理，得到预处理后的地铁图像数据；

利用基于深度学习的地铁客流量检测模型对地铁中客流量进行实时检测，得到不同时刻地铁客流量的检测结果；

根据不同时刻的地铁客流量检测结果，利用基于小波变换的地铁客流量预测算法对下一时刻地铁中的客流量进行预测，得到下一时刻地铁中的客流量；

根据预测得到的地铁中下一时刻的客流量，构建基于高铁最大客流量的地铁运行目标函数；

利用基于遗传算法的目标函数求解方法对地铁运行目标函数进行求解，对地铁的在站停留时间以及发车时间进行更新，实现地铁运行优化。

2.如权利要求1所述的一种基于深度学习的地铁运行优化算法，其特征在于，所述对地铁图像数据进行图像灰度化和灰度拉伸的预处理，包括：

1)通过对地铁图像数据中每一个像素的三个分量求最大值，并将该最大值设置为该像素点的灰度值，得到地铁图像数据的灰度图，所述灰度化处理的公式为：

G(i，j)＝max{R(i，j)，G(i，j)，B(i，j)}

其中：

(i，j)为存储图像中的一个像素点；

R(i，j)，G(i，j)，B(i，j)分别为像素点(i，j)在R、G、B三个颜色通道中的值；

G(i，j)为像素点(i，j)的灰度值；

2)根据所述灰度图像，利用分段线性变换的方式对图像的灰度进行拉伸的公式为：

其中：

f(x，y)为灰度图像的灰度图；

MAX_f(x，y)，MIN_f(x，y)分别为灰度图的最大灰度值和最小灰度值。

3.如权利要求2所述的一种基于深度学习的地铁运行优化算法，其特征在于，所述利用基于深度学习的地铁客流量检测模型对地铁中客流量进行实时检测，包括：

1)将预处理后的地铁图像数据作为基于深度学习的地铁客流量检测模型的输入，利用13层卷积层和3层池化层对地铁图像数据进行处理，得到地铁图像数据的特征图x；

2)利用膨胀卷积层对特征图进行膨胀卷积处理，得到特征图的膨胀卷积输出：

其中：

y(m，n)为特征图中特征点坐标(m，n)的膨胀卷积输出；

M为特征图的长；

N为特征图的宽；

r表示膨胀率；

并利用1×1像素大小的卷积核对膨胀卷积结果进行卷积计算，输出地铁图像中的客流标记结果；

3)根据地铁图像中的客流标记结果，利用几何自适应的高斯核方法得到区域分布人像的概率，即通过将人像覆盖区域换算得来，其概率为每处像素分布的人数，整合起来即为人群密度图；所述几何自适应的高斯核方法计算公式为：

σ_i＝βd_i

其中：

F(x)为人群密度图；

x_i为地铁图像中人像中心坐标位置；

x表示地铁图像；

G表示高斯核；

σ_i表示高斯核标准差；

β表示高斯核参数，将其设置为0.3；

d_i为图像中第i个人像距离其k邻近人像的欧式距离和的平均。