[发明专利]一种轨道交通系统成本关键要素多域交互影响分析方法

摘要

本发明提供了一种轨道交通系统成本关键要素多域交互影响分析方法，通过对轨道交通系统成本大数据分解，将安全域、性能域、环境域和安全域边界条件进行量化，建立基于数据驱动的轨道交通系统成本要素安全域、性能域、环境域交互影响规律模型，在保证安全的前提下，分析成本要素在安全域、性能域、环境域的交互映射关系，确定轨道交通系统成本关键要素，为轨道交通系统全生命周期成本控制提供理论支撑。

主权项

1.一种轨道交通系统成本关键要素多域交互影响分析方法，其特征在于，包括以下几个步骤：步骤1：轨道交通系统在全生命周期的成本数据的获取与分解；依据轨道交通系统的发展进程，将轨道交通系统在全生命周期的成本数据分解为四个阶段成本，依次为决策设计阶段成本、施工建设阶段成本、运营维护阶段成本以及报废回收阶段成本；将每个阶段成本按照所包含各种成本的性质，分解成多个宏观子成本；将每个宏观子成本按照所包含各种成本的承担主体，分解成多个基本子成本；所有的阶段成本作为第一分解层，所有的宏观子成本作为第二分解层，所有的基本子成本作为第三分解层；记轨道交通系统在全生命周期成本为LCC，记基本子成本为xi,i＝1,2,3,…,n1，n1为所有基本子成本的数量，记宏观子成本为X′j′,j′＝1,2,3,…,n′2，n′2为宏观子成本的数量：将轨道交通系统线路的成本数据按照上述分解过程进行分解，得到各在运营的轨道交通系统线路的基本子成本数据，形成样本数据集；步骤2：构建轨道交通系统成本的安全域、性能域以及环境域；步骤2.1：建立宏观子成本和基本子成本的隶属度；记去除其他成本后的宏观子成本为Xj,j＝1,2,3,…,n2，n2为去除其他成本后的宏观子成本的数量；记基本子成本在安全域、性能域以及环境域的隶属度分别为满足记宏观子成本在安全域、性能域以及环境域的隶属度分别为满足步骤2.2：按照以下公式量化安全域、性能域以及环境域；Ca+Cx+Ch＝LCC(x)其中，Ca为安全域成本，Cx为性能域成本，Ch为环境域成本；步骤3：按照以下公式对轨道交通系统成本的安全域指标进行量化；其中，n3为安全性评价指标的数量，Qk为第k条在运营轨道交通系统线路的安全域指标，Qk>0表示第k条在运营轨道交通系统线路处于安全状态，此时Qk越大表示安全程度越高；Qk＜0表示第k条在运营轨道交通系统线路处于危险状态，此时Qk越小表示危险程度越高；Qk＝0表示第k条在运营轨道交通系统线路处于安全边界状态；qk,p为第k条在运营轨道交通系统线路的第p个安全性评价指标的指标值，k＝1,2,3…,n4，n4为在运营轨道交通系统线路的数量，p＝1,2,3,…n3，记满足qk,p＜3的安全性评价指标为第k条在运营轨道交通系统线路的危险指标，Nk为第k条在运营轨道交通系统线路危险指标的下标集合；采用专家评价方法，依次对每一条在运营轨道交通系统线路形成安全性调查问卷并进行分数评定，安全性调查问卷包含n3个安全性评价指标，每个评价指标设定5个安全等级，对应的分数为“1，2，3，4，5”，5代表的安全程度最高，1代表的安全程度最低，3代表安全与危险的临界值；步骤4：构建交互影响模型；依据宏观子成本、宏观子成本的隶属度、轨道交通系统的安全域成本、性能域成本、环境域成本以及安全域指标，建立安全域、性能域、环境域交互影响模型，建立安全域边界模型；依次将轨道交通系统成本数据样本集中第k条在运营轨道交通系统线路的Xj和Qk分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的安全域边界模型；依次将轨道交通系统成本数据样本集中各在运营轨道交通系统线路的每个X_j，根据隶属度按照以下公式分解为安全宏观成本要素性能宏观成本要素环境宏观成本要素依次将每条在运营轨道交通系统线路的和C^a分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素‑安全域影响模型；依次将每条在运营轨道交通系统线路的和C^x分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素‑性能域影响模型；依次将每条在运营轨道交通系统线路的和C^h分别作为PID神经网络的输入和输出，训练PID神经网络，得到基于PID神经网络的安全宏观成本要素‑环境域影响模型；依次将每条在运营轨道交通系统线路的和C^a分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素‑安全域影响模型；依次将每条在运营轨道交通系统线路的和C^x分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素‑性能域影响模型；依次将每条在运营轨道交通系统线路的和C^h分别作为LSSVM的输入和输出，训练LSSVM，得到基于LSSVM的性能宏观成本要素‑环境域影响模型；依次将每条在运营轨道交通系统线路的和C^a分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素‑安全域影响模型；依次将每条在运营轨道交通系统线路的和C^x分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素‑性能域影响模型；依次将每条在运营轨道交通系统线路的和C^h分别作为Elman神经网络的输入和输出，训练Elman神经网络，得到基于Elman神经网络的性能宏观成本要素‑环境域影响模型；步骤5：依据安全域边界模型以及交互影响模型，确定成本关键要素；以步骤4训练获得的基于Elman神经网络的安全域边界模型的各输入层权重作为各宏观子成本X_j的安全域边界权重，记为以步骤4获得的基于PID神经网络的安全宏观成本要素‑安全域影响模型、基于LSSVM的性能宏观成本要素‑安全域影响模型和基于Elman神经网络的环境宏观成本要素‑安全域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个安全域影响相关模型中的权重，将3个权重的均值，作为宏观子成本X_j的安全域权重，记为以步骤4获得的基于PID神经网络的安全宏观成本要素‑性能域影响模型、基于LSSVM的性能宏观成本要素‑性能域影响模型和基于Elman神经网络的环境宏观成本要素‑性能域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个性能域影响相关模型中的权重，将3个权重的均值，作为宏观子成本X_j的性能域权重，记为以步骤4获得的基于PID神经网络的安全宏观成本要素‑环境域影响模型、基于LSSVM的性能宏观成本要素‑环境域影响模型和基于Elman神经网络的环境宏观成本要素‑环境域影响模型的各输入层权重，依次作为安全宏观成本要素性能宏观成本要素和环境宏观成本要素在3个环境域影响相关模型中的权重，将3个权重的均值，作为宏观子成本X_j的环境域权重，记为记宏观子成本X_j的关键度系数为key_j,将关键度系数降序排列，以关键度系数最高的3个宏观成本要素作为轨道交通系统全生周期成本关键要素。