地铁应急救援车辆配置绩效评估模型

分析了地铁应急救援车辆对地铁灾害事故实施救援的排队过程, 定义了救援车辆响应地铁灾害事故的状态空间, 基于随机生灭过程理论建立了救援车辆的联合排队模型, 得到救援状态平衡方程; 为了减小平衡方程求解的运算量与存储空间, 提出了基于稀疏矩阵压缩的联合排队状态概率改进求解算法, 给出了包括救援响应时间、救援车辆工作强度、跨区救援概率等地铁救援系统各项绩效评价指标计算方法; 为了验证模型与求解算法, 以实际的地铁线网为例, 研究了路轨两用救援车、履带式救援车和便携式救援车的性能指标。计算结果表明: 算法迭代7次以后, 收敛精度数量级达到了10^-8; 路轨两用救援车、履带式救援车和便携式救援车的平均响应时间分别约为14、20、10 min; 路轨两用救援车、履带式救援车跨区救援概率分别约为0.85、0.75, 便携式救援车跨区救援概率数量级为10^-5; 在各小区接收外部救援车方面, 路轨两用救援车和履带式救援车跨区救援概率约为0.7, 而便携式救援车跨区救援概率的数量级约为10^-6; 在救援强度的均衡性方面, 路轨两用救援车、履带式救援车和便携式救援车依次降低。     

基于M/G(n)/C/C排队模型的高速公路 行程时间估计

为解决现有高速公路行程时间估计并未考虑交通流实时变化特性的问题,以宏观交通流中 流量—密度—速度之间的关系为基础,以速度与密度的线性模型和指数模型为例,假设车辆到达 服从泊松分布,构建了高速公路路段M/G(n)/C/C状态相关性排队模型,该排队模型服务时间与系 统内的车辆数有关,充分反映了交通流的随机性。在Vissim 中构建仿真路网,通过对比仿真实验 结果与模型计算结果可知,两者基本一致,误差在5%以内,且指数模型较线性模型适用范围更 广,更符合实际情况。     

基于排队模型的电子收费技术应用效益评价

定量分析了电子收费(Electronic Toll Collection，简称ETC)技术应用产生的社会经济效益。本文通过比较分析的方法，基于排队模型，建立了ETC技术应用在提高收费站通行能力、减少收费产生的交通延误以及降低能耗与尾气排放的效益评价模型。模型的计算结果表明，在收费站通行能力相对不足的条件下，ETC技术应用社会经济效益非常显著。     

云平台在海岸指挥港口建设中的模型研究

在经济全球化程度不断深入的背景下,港口己经不再是孤立的物流节点,逐渐成为物流中的重要环节。在海岸指挥港口建设过程中,港口除了注重自身的需求和发展,同时也要考虑港口间的协调和互动,为此引入了基于云平台的港口建设模型。本文对网络排队的数学模型进行深入研究,提出一种基于云平台的多港口联动船舶排队算法。     

基于排队论的修船码头移泊调度系统

修船码头移泊调度是修船厂作业的重要组成部分,文章基于排队论对修船码头移泊调度系统进行分析,阐述了该系统的排队流程,并建立了修船码头移泊调度排队模型,研究了码头泊位调度系统的运行效率,确定系统参数的最优值,以决定系统的结构是否合理,设计改进的措施等。     

三峡坝上待闸锚地建设规模探讨

受恶劣天气、汛期大流量、船闸停航检修等因素影响,三峡坝上大量船舶积压,待闸锚地锚位数量严重不足。利用排队论相关理论,建立待闸锚地排队模型,并结合过闸船舶的统计资料对现有锚地规模进行分析评价,可为三峡待闸锚地的建设规模提供参考。     

基于时间序列排队模型的泊位服务水平研究

采用基于时间序列的排队模型,通过R/R/c/∞/n模型对船舶的个体参数及泊位系统的系统参数进行计算,对船舶的在港动态过程以及泊位的利用情况进行实时跟踪,确定船舶所接受的服务水平及码头所提供的服务水平.本模型改进了经典排队模型输入和服务过程必须服从某种分布的缺点,能够实际反映码头的运行效率和服务水平.根据港口历史的运营情况,假设到达船舶数目变化,预测船舶数目变化后的服务水平,模拟结果能为码头企业调整码头业务、建设新泊位以及航运企业选择船舶停靠港口提供理论依据.     

GI(1)+GI(2)/M/1排队模型

文献 [1 ]引入一类具有广泛应用前景的随机过程———Markov骨架过程 借助Markov骨架过程的方法研究GI( 1) GI( 2 ) /M/1排队模型 ,求出了此模型的到达过程、等待时间及队长的瞬时概率分布     

地铁候车系统的PH/PH~[0,C_1]/1/C批量服务排队模型

在考虑客流到达和服务随机性的基础上,首先验证了理论上可以逼近任意分布的PH分布能很好地拟合客流到达和服务规律,然后建立了描述地铁候车排队现象的PH/PH~[0,C_1]/1/C批量服务排队模型,并采用AnyLogic软件仿真验证了模型的通用性和准确性。结果表明,针对9组不同到达率和变异系数的客流数据,仿真模拟和排队模型计算的各项指标的最大绝对误差在0.01~6.06之间,最大相对误差在0.91%~7.69%之间,并且模型结果均在仿真结果的95%置信区间内,故该模型可较好地描述地铁候车排队现象。