基于客流导向的长大市域轨道交通组织优化方法研究

以北京市轨道交通平谷线为依托,基于线路功能定位和客流需求,对车辆选型、运营交路方案进行探索性创新研究。提出一种行车组织优化模型及求解算法,并以运力运量、工程投资、客流-车流匹配率等关键性指标为比选目标,确定该市域快线的最佳行车组织方案,以期为类似市域快线行车组织方案的合理选择提供理论支撑。     

城市轨道交通智慧车站实施方案研究

研究城市轨道交通智慧车站实施方案,梳理近年来欧洲联盟及国内一些单位关于智慧车站的研究动向,介绍轨道交通智慧车站需求与内涵.以南昌地铁4号线智慧车站建设为例,设计智慧车站总体架构,分析智慧车站建设的技术难点,提出智慧车站实施方案.该方案已应用于南昌地铁4号线智慧车站的建设中,可为探索符合我国国情的智慧城市轨道交通发展路径...     

基于主曲线和自适应半径的多GPS轨迹数据融合算法

研究从大量低精度的GPS轨迹数据融合生成高精度GPS数据的快速有效算法,并产生若干关键数据点以简化描述GPS轨迹,具有提高数据精度、降低测量成本和减少数据存储空间的重要意义。本文依据K段主曲线、二分法、优化等理论方法,提出3种多GPS轨迹数据融合算法:最大距离融合算法MDA、数据分块算法DPA、自适应半径数据融合算法ARA。算法的仿真实验结果表明,ARA算法在数据精度、曲线光滑程度等方面明显优于其他两种算法。将3种算法应用于青藏铁路实测多轨迹GPS数据的融合,验证结果表明,ARA算法性能最优,平均横向误差在0.2m左右,约简率为2.01%,有效节约了数据的存储空间,能够较好地完成高精度轨迹的生成。     

基于数据驱动的列车智能驾驶算法研究

结合数据驱动控制理论和司机驾驶经验,提出数据驱动推理控制算法.考虑到列车运行控制的复杂性,在推理控制算法的基础上引入了牛顿迭代学习法以减小运行误差.在MATLAB环境构建了在线仿真模型,并运用实际线路进行了仿真比较,与PID控制算法的结果对比表明,该算法优于PID控制算法,基本符合驾驶经验,提高了舒适度、降低了能耗,同时满足停车精度和运行时间要求.     

基于深度强化学习DDDQN的高速列车智能调度调整方法

在高速铁路系统的日常运营中,列车经常受到各种突发事件的干扰而导致晚点,严重影响旅客出行体验。为在短时间内制定出列车运行调整方案并尽可能缩短列车晚点时间,提出一种将深度强化学习与整数规划模型相结合的列车智能调度调整方法(DDDQN)。首先,将线路划分为多个轨道区段相连接的形式,并基于车间作业调度问题,以最小化所有列车总晚点时间为目标,构建描述列车运行过程的整数规划模型。之后,将各列车视为智能体,根据实际运营需求定义了多智能体的状态、动作以及回报函数,并构造了2个深度神经网络以近似值函数。最后,结合上述整数规划模型设计了DDDQN的训练方法,先利用智能体在仿真环境中探索求出问题可行解,并通过2个神经网络之间的“互馈”机制,实现神经网络参数的更新。在此基础上求解整数规划模型,即可在短时间内得到问题最优解。利用京张高铁实际线路数据和运营数据进行仿真实验,通过比较3种不同求解方法在10个不同突发事件场景下得到的列车总晚点时间和求解时间,验证了所提出的DDDQN模型可以在短时间内得到问题的最优解,可降低至多30.43%的列车晚点时间以及至多68.33%的求解时间。DDDQN为提升高速铁路系统在突发...