为解决文本类地铁应急处置流程存在的流程顺序关系不明确、流程执行人员模糊等问题,提出了基于BiLSTM-CRF(Bidirectional Long Short-Term Memory-Conditional Random Field)的地铁应急处置知识抽取与推理方法。首先,利用BiLSTM-CRF方...
详细信息
为解决文本类地铁应急处置流程存在的流程顺序关系不明确、流程执行人员模糊等问题,提出了基于BiLSTM-CRF(Bidirectional Long Short-Term Memory-Conditional Random Field)的地铁应急处置知识抽取与推理方法。首先,利用BiLSTM-CRF方法对地铁应急处置流程的文本资料进行命名实体识别,完成文本资料的知识抽取;其次,选用TransD模型对识别后实体数据进行知识推理,从而完成以实体和属性对为节点、关系对为边的知识图谱构建;最后,利用Neo4j图数据库对构建的地铁应急处置流程知识图谱进行了可视化展示和案例分析。研究结果表明,基于BiLSTM-CRF的知识抽取模型的精确率、召回率和F1值均达到了90%以上,且基于BiLSTM-CRF的TransD模型的推理结果准确率提升了22.92%,保证了知识图谱构建的准确性,可为地铁应急管理提供决策支持。
省域铁路成网条件下列车开行方案涉及线路制式、等级以及列车种类等多因素影响,叠加客流选择的多样性,使优化问题更加复杂化。为刻画网络条件下客流和列车流的耦合,利用深度优先搜索(Depth First Search,DFS)算法构建客流径路备选集;基...
详细信息
省域铁路成网条件下列车开行方案涉及线路制式、等级以及列车种类等多因素影响,叠加客流选择的多样性,使优化问题更加复杂化。为刻画网络条件下客流和列车流的耦合,利用深度优先搜索(Depth First Search,DFS)算法构建客流径路备选集;基于列车开行方案的编制原则建立列车径路备选集,以列车运行成本和旅客出行总时间最小为优化目标,构建双目标非线性优化模型,设计NSGA-II(Non-dominated Sorting Genetic Algorithm-II)算法进行求解;从列车运行、旅客出行和企业运营这3个维度建立多准则评价指标体系,利用熵权-TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)方法比选Pareto前沿面上的典型解,选取相对接近度最高的解作为建议方案。依托Z省铁路网进行大规模实例研究,结果表明:模型求解得到的Pareto前沿面收敛性和分布性较好,具有较强鲁棒性,与多目标粒子群优化算法(Multi-objective Particle Swarm Optimization,MOPSO)相比取得的结果更佳。通过熵权-TOPSIS方法多准则评价比选,得到方案II为该省推荐列车开行方案,省域范围内开行列车660对·d-1,相较优化前,旅客出行时间成本和列车运行成本显著降低,线路利用率过低或过高区段比例大幅减少,运能紧张区段得到有效疏解。
暂无评论