第4期 胡雷，等：面向调线调坡的点云大数据分析及深度模型研究 ·801· 果F'(21,2)即为最优结果。 后，对已训练好的模型进行测试，测试集的损失 值为8.86，略低于训练集的损失值，说明构建的模 4 实验结果 型已学习到线路参数与侵限值之间的关系。 本文在时间上与效果上对比遗传算法以及人 4.2梯度下降结果 工调节的结果。在计算的准确性上，对比人工测 深度神经网络模型训练完成后，抽取模型的 量以及利用侵限值算出的疏散平台尺寸。 参数，构建以线路参数为未知数求取侵限值的表 达式，采用上述的梯度下降算法求取最优线路参 4.1深度神经网络训练结果 数。梯度下降损失函数收敛过程如图12所示，经 深度神经网络模型构建完成后，将训练数据 过多次迭代后，损失值达到收敛，线路侵限值达 集输入模型中进行训练，如图10、11所示。 到最小，即可获取最优的线路参数。 60 20 50 18 40 16 14 20 12 10 0 50 100150200 250300 10 203040 5060 迭代次数 迭代次数 图10全连接神经网络损失函数收敛过程 图12梯度下降损失函数收敛过程 Fig.10 Convergence process of Fully Connected NN Fig.12 Convergence process of loss value 4.3实验对比 30 遗传算法与深度神经网络模型的对比如表2 一实际值 25 所示，在结果、时间与计算资源方面，本文将深度 -+-拟合值 20 神经网络模型与遗传算法进行了对比。从表中可 以看出，深度神经网络模型在时间与计算资源的 消耗上具有明显优势。但根据调整后侵限比较， 10 神经网络的调节结果比遗传算法略差，而且，全 连接神经网络模型与CNN模型在优化效果上差 别不大，但综合计算时间和计算内存，全连接神 20040060080010001200 经网络模型比CNN模型在优化地铁线路问题中 迭代次数 显得更胜一筹。另外，图13对比了根据点云大数 图11卷积神经网络损失函数收敛过程 据算得的疏散平台尺寸与真实疏散平台尺寸。从 Fig.11 Convergence process of CNN 图中可以看出，通过本文的方法计算出的尺寸与 经过多次迭代后，全连接神经网络模型和 真实尺寸的偏差大多数在1~2cm,最大偏差不超 CNN模型的损失值（输出值与真实标签的标准 过3cm。所有偏差值均在误差允许范围内，表明 差)达到收敛，表示模型的训练过程已完成。随 本文计算疏散平台尺寸方法具有可靠性。 表2遗传算法与深度神经网络模型的对比 Table 2 Comparison between GA and deep model 调整方法 侵限点个数 侵限值总和 计算时间/min 计算内存/GB 原始设计线路 551 212122.09 一 一 遗传算法调整后 95 78346.67 180 2 全连接网络调整后 154 117269.56 5 0.15 CNN调整后 172 119654.69 13 0.47F 果 ′ (Ω1 ,Ω2 ) 即为最优结果。 4 实验结果 本文在时间上与效果上对比遗传算法以及人 工调节的结果。在计算的准确性上，对比人工测 量以及利用侵限值算出的疏散平台尺寸。 4.1 深度神经网络训练结果 深度神经网络模型构建完成后，将训练数据 集输入模型中进行训练，如图 10、11 所示。 50 60 40 30 20 10 0 50 100 150 200 250 300 损失值 迭代次数 图 10 全连接神经网络损失函数收敛过程 Fig. 10 Convergence process of Fully Connected NN 实际值 拟合值 25 30 20 15 10 5 0 200 400 600 800 1 000 1 200 均方误差值 迭代次数 图 11 卷积神经网络损失函数收敛过程 Fig. 11 Convergence process of CNN 经过多次迭代后，全连接神经网络模型和 CNN 模型的损失值 (输出值与真实标签的标准 差) 达到收敛，表示模型的训练过程已完成。随 后，对已训练好的模型进行测试，测试集的损失 值为 8.86，略低于训练集的损失值，说明构建的模 型已学习到线路参数与侵限值之间的关系。 4.2 梯度下降结果 深度神经网络模型训练完成后，抽取模型的 参数，构建以线路参数为未知数求取侵限值的表 达式，采用上述的梯度下降算法求取最优线路参 数。梯度下降损失函数收敛过程如图 12 所示，经 过多次迭代后，损失值达到收敛，线路侵限值达 到最小，即可获取最优的线路参数。 20 18 16 14 12 0 10 20 30 40 50 60 迭代次数 损失值 图 12 梯度下降损失函数收敛过程 Fig. 12 Convergence process of loss value 4.3 实验对比 遗传算法与深度神经网络模型的对比如表 2 所示，在结果、时间与计算资源方面，本文将深度 神经网络模型与遗传算法进行了对比。从表中可 以看出，深度神经网络模型在时间与计算资源的 消耗上具有明显优势。但根据调整后侵限比较， 神经网络的调节结果比遗传算法略差，而且，全 连接神经网络模型与 CNN 模型在优化效果上差 别不大，但综合计算时间和计算内存，全连接神 经网络模型比 CNN 模型在优化地铁线路问题中 显得更胜一筹。另外，图 13 对比了根据点云大数 据算得的疏散平台尺寸与真实疏散平台尺寸。从 图中可以看出，通过本文的方法计算出的尺寸与 真实尺寸的偏差大多数在 1~2 cm，最大偏差不超 过 3 cm。所有偏差值均在误差允许范围内，表明 本文计算疏散平台尺寸方法具有可靠性。 表 2 遗传算法与深度神经网络模型的对比 Table 2 Comparison between GA and deep model 调整方法 侵限点个数 侵限值总和 计算时间/min 计算内存/GB 原始设计线路 551 212 122.09 — — 遗传算法调整后 95 78 346.67 180 2 全连接网络调整后 154 117 269.56 5 0.15 CNN调整后 172 119 654.69 13 0.47 第 4 期 胡雷，等：面向调线调坡的点云大数据分析及深度模型研究 ·801·