考虑动态购票需求的高速铁路票额分配

针对预售期内不同OD旅客购票行为及其购票过程的差异性,在利用复合非齐次泊松过程对不同OD旅客购票过程进行定量化研究的基础上,以铁路部门和旅客的系统效益最大化为目标,构建了考虑不同OD旅客动态购票需求特点的高速铁路多列车票额分配随机非线性整数规划模型,通过需求仿真将模型转化成确定性线性整数规划模型并利用Lingo 12.0进行求解。以京沪高铁列车为例进行购票过程仿真,结果表明:与先到先得的购票策略及不考虑动态购票需求的方案相比,本文构建的模型能使铁路部门和旅客的系统效益分别提高约5.2%和13%;并且本方案能在充分利用列车席位能力的前提下,更好地适应旅客不同售票阶段的购票需求特点。所构建模型能够为高速铁路多列车票额分配提供优化方法。     

铁路客运票额预售控制决策模型研究

客票发售是列车能力利用的具体表现,票额出售即为能力占用,预售期购票需求的变化直接影响着列车能力的占用过程。本文在已知基于列车沿途停靠站的票额分配计划下,以客流需求预测值和最低票额保护值为约束。考虑预售期购票趋势与不同OD旅客的平均购票强度等因素,利用半马尔可夫决策过程来描述票额预售过程,提出单次决策期望收益模型,并以此推广至列车全程及整个预售期,最终构建以最大期望票价收益为目标的单列车票额预售控制决策模型。通过算例对模型进行了验证,结果表明本文提出的方法在考虑旅客需求的同时,可改善列车能力利用,提高列车客座率与收益。     

“中国速度”再创世界高铁纪录沪宁城际高速铁路投入运营

<正> 2010年7月1日上午8时,上海虹桥站至南京站G5000次、南京站至上海虹桥站G5001次列车同时相向发车,标志着沪宁城际高速铁路正式投入运营。     

旅客列车车票预售期设置研究

在2014年底和2016年底,全国铁路客票预售期有两次重大调整,且变化幅度较大,然而对于如何设定旅客列车车票预售期缺少相关理论参考。从旅客行为(开行列车余票信息数据分析)、旅客心理(行为调查数据分析)、运输方式间竞合模式(公路运输、铁路运输、航空运输间关系)3个方面出发,运用数据调查、数据挖掘、数据分析等方法,设定旅客列车车票预售期。基于研究结果建议旅客列车车票预售期按照节假日和非节假日进行设定。非节假日期间旅客列车车票预售期设置为15 d,节假日期间旅客列车车票预售期设置为45 d。在寒暑假期间,开通学生票购票通道的同时,设置学生票预售期为45 d。     

沪宁城际高铁开通运营

<正>2010年7月1日上午8时,上海虹桥站至南京站G5000次、南京站至上海虹桥站G5001次列车同时相向发车,沪宁城际高速铁路正式投入运营。这是目前我国乃至世界上标准最高、里程最长、运营速度最快的一条城际高速铁路。中共中央政治局委     

基于PHM的高速铁路牵引电机滚动轴承健康状态预测

针对高速铁路牵引电机滚动轴承健康状态预测问题,提出了基于深度堆叠去噪自编码器累积(DSDAE)和时滞最小二乘支持向量机(TDLSSVM)的预测方法。在提取高速铁路牵引电机滚动轴承健康状态的多种特征后,用深度堆叠去噪自编码器进行特征降维,并累积计算得到相关的健康指标。将健康指标作为训练数据用以构建时滞最小二乘支持向量机(TDSVR)模型,通过对健康指标的预测实现对健康状态进行评估。在公开数据集上做了DSDAE与TDSVR、累积马氏距离(MDCUSUM)与TDSVR、DSDAE与TDLSSVM和MDCUSUM与TDLSSVM四种方案的对比实验;在高速铁路某型号的牵引电机滚动轴承数据集上做了DSDAE与TDLSSVM方案的实验。通过对预测指标的分析可知,DSDAE与TDLSSVM方案可以很好地预测滚动轴承的健康状态变化趋势。     

基于深度学习的轨道不平顺与车体垂向加速度映射模型

高速列车在长期服役条件下，其车辆悬挂系统等参数与设计值差异较大。多体动力学仿真模型难以模拟真实运营环境，且计算效率较低。为更加准确、快速地评价各种轨道结构以及不平顺激励下车体的垂向振动响应，根据实测轨道不平顺与车体垂向加速度的时空数据传递特征，建立一种卷积长短期记忆组合模型，该模型将轨道不平顺与列车运行速度作为输入，实现对车体垂向加速度的预测。结果表明，卷积长短期记忆模型预测的平均绝对百分比误差值为5.64%,相比动力学仿真模型减少3.57%。在预测一段3 km长线路的垂向车体加速度时，动力学仿真模型需要花费约53 s,而卷积长短期记忆网络只需要花费约1.6 s,预测效率提升33倍。     

基于最小二乘支持向量机的高速铁路路基沉降预测

高速铁路路基的施工环境复杂,沉降监测数据往往是不等时距的.鉴于最小二乘支持向量机拥有强大的非线性拟合能力,使用最小二乘支持向量机建立沉降与时间的关系函数,以等时间步长插值得到路基的等时距沉降时间序列,建立基于最小二乘支持向量机的高速铁路路基沉降预测模型.分别运用给出的预测模型和BP神经网络与灰色理论联合方法对杭甬铁路客运专线上虞北站5个路基沉降监测断面进行路基沉降预测,并与现场实测数据对比.结果表明,短时距的最小二乘支持向量机预测模型比BP神经网络与灰色理论联合方法的预测精度高,预测结果更稳定,外推预测沉降更可靠.     

基于网格搜索支持向量机的边坡稳定性系数预测

边坡稳定性分析是岩土工程的一个常见问题,影响参数较多。首先将影响边坡稳定性的样本集合建立支持向量机(Support Vector Machine,SVM)回归模型,而后使用网格搜索法(Grid-search)优化支持向量机的参数,并将优化过参数的支持向量机回归模型与贝叶斯岭回归模型、普通线性回归模型、梯度增强回归模型的预测结果进行对比。研究结果表明:优化后的SVM回归模型预测方法在边坡安全系数预测方法中更为精准稳定,具有一定的实际应用价值。     

基于深度学习长短期记忆网络结构的地铁站短时客流量预测

准确预测地铁站短时客流量,有助于提前开展安全预警工作,快速做出人员疏导方案。根据上海轨道交通2016年3月2. 4亿条刷卡数据,以及该时间段的天气数据,利用Pearson相关分析法提取了客流量的7个外部天气影响因子,以及3个基于历史数据的内部影响因子。通过对数据的分析,综合考虑工作日、非工作日和高峰时段对客流的影响,提取2个内部显著影响因子。以上海轨道交通莘庄站为例,提出了一种基于深度学习长短期记忆(LSTM)网络结构的地铁站短时客流预测方法。最后,将预测结果与典型时间序列预测算法MLR(多元线性回归)和BP(反向传播)神经网络进行对比,验证了LSTM网络在地铁站短时客流量预测中具有更高的准确性和很好的适用性。     

基于CNN-LSTM融合神经网络的CRTSⅡ型轨道板温度预测方法

准确预测CRTSⅡ型轨道板温度可对轨道板内高温的出现及时进行预警，减小高温时期涨板对列车运营带来的威胁。同时考虑外界环境温度对轨道板温度影响的时滞效应与轨道板自身在时间上的温度变化规律，提出基于卷积神经网络(CNN)与长短期记忆网络(LSTM)融合模型的板温预测方法。先通过CNN在时间轴上对气温与轨温进行卷积提取出过去一段时间内外界气象条件对当前时刻板温的影响，再将CNN在各个时间点上的输出作为LSTM的输入特征利用轨道板自身的传热规律对板温进行预测。结果表明：过去12 h内的外界气象条件对当前时刻的板温有较大影响，利用训练好的CNN-LSTM在测试集上对未来40 min的板温进行预测，其预测误差绝对值的数学期望为0.925℃。     

基于支持向量回归的大型客运站客流量预测应用研究

准确预测大型客运站发送客流量,是铁路依据旅客出行需求制订开行方案、编制运行图和完成客流输送任务的重要基础。简要介绍支持向量回归的概念和原理;以汉口车站2017年1月—12月日实际发送客流量作为样本数据集,分析大型铁路客运车站客流特点,即年度客流呈现明显周期波动性、长周期内因多次节假日出现客流大幅激增;将样本数据集分为训练集及测试集,利用支持向量回归模型对剔除节假日前后的客流量进行预测,预测误差对比表明:排除节假日突发大客流的影响后,由支持向量回归模型计算得到车站日常发送客流量的预测精度可明显提高。     

华南地区高速铁路客运市场调查

通过对旅客发放问卷调查,分析以广州南站为中心的武广、广深港(广深段)高速铁路及广珠城际铁路旅客需求、客流构成和旅客经济状况、出行几率与目的、所选择购票与出行方式等特点,据此提出高速铁路、城际铁路客运市场营销策略,以期为旅客提供更便捷、更舒适的服务.     

考虑日期属性和天气因素的铁路城际短期客流预测方法

分析2014—2018年上海至南京的单向铁路客流数据发现,日期属性和天气因素会对铁路城际短期客流的波动产生显著影响。为此,结合对非线性时间序列数据处理具有优势的长短期记忆(LSTM)神经网络模型,以及可弥补模型中超参数设置主观性的粒子群优化(PSO)算法,将日期属性和天气因素纳入模型的影响因素体系,提出1种基于PSO-LSTM组合预测模型的铁路城际短期客流预测方法,以解决因短期客流波动性大、随机性强而产生的准确预测难度大等问题。利用2014—2018年上海至南京的单向铁路客流以及上海的天气信息,设置预测输入步长为14 d、输出步长为7 d,对模型进行实例验证。结果表明:与实际客流相比,该模型的最终预测平均误差为6.75%;与删除1个影响因素的PSO-LSTM组合预测模型,以及结合了BP神经网络的PSO-BP组合预测模型相比,该模型具有最优预测精度。     

武广高速铁路列车晚点恢复时间预测的随机森林模型

基于列车运行实绩的列车晚点恢复模型是铁路晚点管理的重要内容,是运行图优化和行车指挥的理论基础和依据。为了研究高速列车初始晚点恢复的机理,进行初始晚点恢复预测,本文以武广高速铁路列车运行实绩数据为研究基础,将列车在初始晚点站的晚点时间(PD)、列车晚点后经停各站的总停站缓冲时间(TD)、列车晚点后经停各区间的总区间缓冲时间(RB),以及标识列车是否晚点通过株洲西—长沙南区间的0-1变量(ZC)作为自变量,运用R语言编程建立了以晚点恢复时间(RT)为因变量的高速列车初始晚点恢复随机森林回归模型。对275个测试集数据的预测结果表明:模型允许误差在3min情况下,模型的预测精度能达到90%以上。随机森林模型与多元线性回归模型、支持向量机模型的对比表明,随机森林模型具有最优的预测精度。     

高铁动态票价与停站方案联合优化方法

在高铁市场化运营过程中,高铁票价直接影响旅客需求,列车停站方案则会影响运输能力供给分配。目前高铁票价缺乏科学灵活的市场化调节机制,停站方案的制定也未能充分考虑票价调整对旅客需求的影响。为实现高铁供求关系的更好匹配,提升其市场化运营水平和竞争力,有必要研究基于客流需求和列车服务水平的高铁动态定价方法。基于旅客出行需求的价格弹性特征和列车停站方案对供需关系的影响规律,根据旅客购票规律将预售期划分成多个售票时段后,以最大化总的高铁运输收益和最小化总的旅客出行时间价值损失为目标,考虑票价范围、列车运能、票额配置、OD直达等约束条件,构建高铁动态票价、票额分配与列车停站方案联合优化的非线性混合整数规划模型,并结合问题特征设计双层模拟退火求解算法。以京沪高速铁路为例进行计算分析,优化后的综合方案能够使高铁运输收益增长3%以上,并使总的旅客出行时间价值损失降低8%以上。优化后的动态票价策略为预售期初期设置低折扣系数、后期设置高折扣系数,可以在提高客票收入的同时有效引导更多旅客更早购票。优化的列车停站方案能够在维持较高的客流水平的同时尽可能满足更多的客流需求。     

基于SAHDE-RVM的铁路短期风速预测研究

针对铁路短期风速预测方法中人工神经网络(ANN)易陷入局部最小值、支持向量机(SVM)核函数选择困难等缺陷,提出采用一种基于自适应混合差分进化相关向量机(SAHDE-RVM)对铁路短期风速进行预测研究。首先,改进自适应差分进化算法,引入模拟退火算法对种群的当前最优个体进行二次寻优,形成自适应混合差分进化算法,然后将自适应混合差分进化算法与相关向量机结合,建立自适应混合差分进化相关向量机模型,最后利用本文模型对国内某两段不同铁路沿线实测风速数据进行预测,预测结果表明,本文模型的预测指标均优于传统差分进化算法(DE)参数寻优的相关向量机模型及最小二乘支持向量机(LS-SVM)模型,具有更加出色的预测性能。     

铁路客运车站客流监测与预警系统

由于缺乏准确的实时客流数据,铁路客运车站的客运组织一直主要依靠经验来调配设备、人员等所需资源。为此,开发了铁路客运车站客流监测与预警系统,通过有效利用铁路客票预售数据、车站历史客流数据、旅客进出站实时数据、列车正晚点数据等相关数据,建立基于K均值聚类的支持向量回归机客流预测模型,实现车站每日进站客流、分时段进站客流、候车室客流的监测、预测及超限预警,方便车站工作人员随时掌握客流动态,及时根据客流变化进行设备和人员动态调配,更加精准、高效、安全、有序地开展车站客运组织作业,有助于改善车站客运服务水平,提升旅客出行体验。     

高铁沿线大风预测技术研究

风速预测是风致灾害预警的关键技术。针对高铁大风预测中延迟性和误报的问题,提出一种基于完整集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的组合预测模型对高铁沿线风速进行预测。为了减少预测模型的复杂度和提高模型预测精度,原始风速数据用CEEMDAN分解并利用样本熵(SE)理论将分解出的分量按照样本熵近似值重组成趋势、细节、随机三分量后用长短期记忆神经网络建立预测模型。以高铁沿线某段风速气象数据为例,实验结果表明,与其他预测方法相比,本方法可有效降低预测延迟性和提高预测精度,准确追踪风速的波动性和非线性非平稳的变化,性能更加优越。在高速铁路沿线大风预测中能够发挥良好的适用性,减少大风预警的误报或不报等情况的发生。     

车站综合显示系统LED终端布点与计算

<正>随着我国高速铁路(客运专线)建设进程的加快,一大批铁路客站相继建成。在购票、进站、候车、检票、上车、出站的各个环节,如何合理地对旅客进行视觉引导,为旅客提供高质量、清晰的导引服务越来越重要。由于大