[发明专利]一种轨道交通系统成本关联多域影响要素大数据驱动分析方法

权利要求书

1.一种轨道交通系统成本关联多域影响要素大数据驱动分析方法，其特征在于，包括以下几个步骤：

步骤1：分解轨道交通系统全生命周期成本，得到阶段成本要素层、阶段子成本要素层和年度子成本要素层；

步骤2：获取N条轨道交通系统线路的年度子成本要素层历史数据；

步骤3：计算N条线路在不同阶段年限组合情况下的轨道交通系统全生命周期成本；

步骤4：计算N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标C_s、性能域指标C_p、环境域指标C_e；

步骤5：建立基于安全域、性能域和环境域的LCC分析模型；

步骤6：建立基于安全域、性能域和环境域的LCC分析模型的影响要素驱动数据；

所述影响要素驱动数据中每个元素称为影响要素，由决策设计阶段年限T₁，施工建设阶段年限T₂、运营维护阶段年限T₃和线路中值数据组成；

所述线路中值数据是指当决策设计阶段年限T₁＝3，施工建设阶段年限T₂＝5和运营维护阶段年限T₃＝60时，LCC处于所有轨道交通系统线路LCC中值的轨道交通系统线路中所有阶段子成本层的数据；

步骤7：获取安全域强相关要素、性能域强相关要素和环境域强相关要素；

步骤7.1：设定影响要素驱动数据变化范围；

步骤7.2：依次单一改变影响要素驱动数据中影响要素的值；

所述影响要素驱动数据表示为[a₁,a₂,…,a_q,…,a_Q],依次对a₁～a_Q中的每个值在设定变化范围内等差变化为100组值；对于任意影响要素a_q，将a_q在设定变化范围内等差变化为100组值，其他影响要素值保持不变，得到100组a_q的影响要素驱动数据；

步骤7.3：基于步骤4的计算方式，计算出每个影响要素在设定变化范围内变化引起的安全域指标、性能域指标和环境域指标的变化值，计算变化值对于原始影响要素驱动数据输出值的变化幅度，依据影响要素引起的安全域指标、性能域指标和环境域指标的变化幅度大小，对影响要素进行排序；

步骤7.4：设置强相关阈值，将引起安全域指标、性能域指标和环境域指标变化幅度大于强相关阈值的影响要素作为强相关要素，得到安全域强相关要素、性能域强相关要素和环境域强相关要素；

步骤8：获取全生命周期成本敏感要素；

步骤8.1：依次将步骤7.3得到的每个影响要素在设定变化范围变化引起的安全域指标、性能域指标和环境域指标的变化值，输入到基于安全域、性能域和环境域的LCC分析模型；

所述安全域指标、性能域指标和环境域指标的变化值对于每个影响要素存在100组变化值，将100组变化值输入到基于安全域、性能域和环境域的LCC分析模型，输出得到100组全生命周期成本变化值；

步骤8.2：计算每个影响要素间接引起的全生命周期成本变化值相对原始影响要素驱动数据输出的全生命周期成本值的变化幅度，依据变化幅度大小，对影响要素进行排序；

步骤8.3：设置敏感阈值，将引起全生命周期成本变化幅度大于敏感阈值的影响要素作为全生命周期成本敏感要素；

所述建立基于安全域、性能域和环境域的LCC分析模型的具体步骤如下：

步骤B1：数据归一化处理；

将N条轨道交通系统线路在不同阶段年限组合情况下的安全域指标C_s、性能域指标C_p、环境域指标C_e、决策设计阶段年限T₁、施工建设阶段年限T₂、运营维护阶段年限T₃和LCC进行归一化处理；

步骤B2：建立100个Elman神经网络训练模型；

依次将步骤B1处理后的安全域指标C_s、性能域指标C_p、环境域指标C_e、决策设计阶段年限T₁、施工建设阶段年限T₂和运营维护阶段年限T₃的归一化值作为输入数据，将对应的LCC的归一化值作为输出数据，设置100组不同的Elman神经网络参数，训练Elman神经网络，得到100个Elman神经网络训练模型；

步骤B3：筛选获取基于安全域、性能域和环境域的LCC分析模型；

将用于训练Elman神经网络训练模型的输入数据分别输入至100个Elman神经网络训练模型中，分别计算100个Elman神经网络训练模型输出的LCC向量和真实LCC向量的均方根误差RMSE：

其中，LCC(l)和分别为第l条轨道交通系统线路的全生命周期成本真实值和预测值；

筛选出均方根误差RMSE最小的Elman神经网络训练模型作为基于安全域、性能域和环境域的LCC分析模型。