货物列车编组计划国内外研究综述

货物列车编组计划(TFP)在铁路运输组织工作中具有非常重要的作用,其编制是一项复杂的课题。目前,在编组计划编制理论和方法研究上取得了丰硕的成果。本文从研究对象、建模方法、求解算法分别介绍国内外TFP的研究现状;在此基础上,对比并评述国内外编组计划在编制流程、构成内容和建模方法3个方面的特点;最后探讨在优化方法和优化内容上进一步研究的思路。     

分组列车优化组织理论与方法研究

<正>分组列车的组织条件要求较高且程度更复杂,但却有利于提高铁路货物运输的效率和效益。基于系统工程原理以及微观机理融合宏观机制的指导思想,采用定性分析与定量测度相结合、理论推导与仿真实验相融合的方法,系统地研究分组列车的组织特征、集结特性、组织条件和编组方案优化等问题,主要内容和结论如下。(1)分组列车车流组织特征分析。分析分组列车在编成站、换挂站和终到站的作业流程、组织条件和组织形式,并与单组列车进行对比。结果表     

基于人机工学的固有驾驶信息盲区界定研究

为界定驾驶员固有信息盲区,提高驾驶信息的有效识读率,研究了驾驶信息固有盲区．按不同道路类型,运用视觉几何学原理,构建了驾驶员视觉盲区模型;运用心理声学模型及逆声场空间转换技术,构建了驾驶员听觉视觉盲区模型．通过计算示例验证了模型的实用可行性．     

驾驶员注意力量化转换模型研究

为研究驾驶员注意力转移规律,提出驾驶员注意力转换模型.将驾驶注意力分布状态划分为驾驶态、干扰态、内敛态,构建注意力转移状态空间.依据短时连续驾驶过程中注意力分布的齐次性,将马尔科夫过程引入到研究中,构建连续短时片段内驾驶员注意力转移模型.针对长时连续驾驶中注意力在各状态分布的非齐次性,通过时段划分采用短时模型叠加的方法得到长时连续驾驶注意力转移的近似处理模型组.结合实验数据对模型进行了检验,结果分析表明平均误差MAPE均小于5%,具有较高精度,模型可用.     

基于贝叶斯判别的驾驶行为危险状态辨识

为有效辨识危险性驾驶行为,以事故发生概率为依据,对驾驶行为的危险状态分级.采用单因子方差分析提取危险状态辨识主因子.基于贝叶斯判别构建了驾驶行为危险状态辨识模型.将在连续驾驶条件下5名驾驶员驾驶行为状态指标测试数据分为两组,分别用于标定与测试模型.测试结果表明错判率为4.3%.     

编组站配流中解编时刻参数的计算

编组站列车的解编顺序之间既相互联系又相互制约,配流方案作为二者的函数,只有当二者确定后,才能实现列车的配流.编组站配流时对车流的来源要求比较具体,解体与编组时刻的确定需要依据编组站现场的时间作业标准.为了实现编组站的精确配流,分析了解编作业与固定作业的冲突情况,按照考虑固定作业和调机干扰与否,确定了几个与列车的解体时刻和编组时刻有关的参数,并给出了其计算方法.这为编组站配流模型的建立打下了基础.     

固定车组重量分组列车集结特性研究0

货车集结过程的占用时间构成其在站停留时间的主要部分,其耗费是编组计 划优化的重要参数,对其规律研究具有现实意义.固定车组重量分组列车的集结过程构成 两个相互关联的成批到达、成批瞬时服务的排队系统.首先根据车流到达的不确定性,将 基本组和补轴组两个去向到达批中的车数和间隔时间都视为随机变量,假定二者分别服 从泊松分布和指数分布且相互独立;然后应用随机过程理论和数值计算方法量化测度.结 果表明：平均集结批次与固定重量正相关、与到达强度负相关,可由二者比值近似估计; 平均集结占用时间都与固定重量和到达间隔时间正相关、与到达强度负相关,可由固定 重量与车流频率的比值近似估计;集结占用时间越长,总集结耗费越大,且附加耗费所占 比例也越大.     

不确定条件下分组列车在编成站的集结参数研究

分组列车与单组列车是我国铁路车流组织的两种形式,对其编组方案综合优化需要的集结参数研究具有理论和现实意义.车组重量不固定的分组列车在编成站的集结消耗与单组列车相同,而车组重量固定的分组列车的集结消耗包含固有和附加两类.根据集结的动态特性和车组到达的不确定性,将到达车组的车辆数和到达间隔时间都视为随机变量,在合理假定其分...     

基于客流的有轨电车发车时刻模型研究

阐明国内现有对公共交通发车时刻表的研究模型计算复杂,未考虑影响运营的多重因素,针对城市有轨电车系统,提出一种以车站客流量为依据、不均匀的发车时刻模型。首先以有轨电车最大、最小满载率和发车间隔作为约束,兼顾运营企业收入与有轨电车系统对乘客的服务水平;然后以断面客流作为确定发车间隔的依据,得到有轨电车的全天发车时刻表;最后通过影响发车的随机波动因素对发车时刻进行校正。该方法在实践中较以往的方法更加容易执行。     

基于马尔可夫过程的驾驶员视觉注意力转移模型研究

为研究驾驶员在车辆驾驶时的视觉注意力的转移规律,构建了注意力转移模型.基于马尔可夫过程,在将驾驶员重点视觉域划分为主视区、左后视镜、右后视镜、正后视镜、仪表盘5个子域的基础上,构建了视觉注意力转移模型,并给出了模型的求解算法.最后结合实例验证了模型的可行性.