[发明专利]一种基于深度学习的地铁运行优化算法及系统

说明书

本发明涉及一种深度学习的技术领域，揭露了一种基于深度学习的地铁运行优化算法，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；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；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。本发明还提供了一种基于深度学习的地铁运行优化系统。本发明实现了地铁运行的优化。

技术领域

本发明涉及深度学习的技术领域，尤其涉及一种基于深度学习的地铁运行优化算法及系统。

背景技术

随着轨道交通行业的飞速发展，越来越多的人选择城市轨道交通出行，城市轨道交通在缓解地面交通拥堵情况的同时，地铁出行的安全和效率问题逐渐变成社会持续关注的重点。

在地铁客流量检测算法中，传统深度学习模型运算量大，跟踪速度慢，且在高密度遮挡环境下跟踪效率低，无法满足地铁站内拥挤人群环境下的高效、精确、实时的跟踪要求；同时传统地铁客流预测模型的精度具有受客流随机波动影响较大等问题。

鉴于此，如何对地铁中的客流量进行更为准确的检测以及预测，并根据客流量的预测结果，优化地铁运行策略，成为本领域技术人员亟待解决的问题。

发明内容

本发明提出一种基于深度学习的地铁运行优化算法及系统，通过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，并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；根据预测得到的下一时刻地铁中的客流量，构建构建基于高铁最大客流量的地铁运行目标函数，改进地铁的在站停留时间以及发车时间，实现地铁运行优化。

为实现上述目的，本发明提供的一种基于深度学习的地铁运行优化算法，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。

可选地，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：

在本发明一个具体实施例中，本发明利用地铁中的摄像头采集不同时刻地铁图像数据；

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：