非接触式遥感路面状态检测预警系统研究与应用

为了实现道路路面状态检测和预警,自主开发了非接触式遥感路面状态检测预警系统。采用红外遥感和多光谱测量技术,以路面温度、空气湿度及水或冰或雪的厚度和透光率等参数为核心,对系统技术原理和算法、数据分析处理和控制及数据传输等关键技术进行了研究。通过水、冰及雪对3个波长光的不同吸光系数,确定了路面覆盖物的类型,计算了水、冰及雪的厚度。经多次现场测试数据验证,测试结果准确可靠,各项功能和性能满足实际要求。该系统已在中国多条高速公路中成功应用,为交管部门实施交通预警及疏导方案提供了数据依据,极大地提高了应对突发天气状况的及时性和准确性,有力保障了道路交通安全,取得了显著的安全效益和社会经济效益,具有广泛的推广应用前景。     

非稳态载荷对二维轮轨纯滚动接触应力和变形的影响

为了揭示轮轨波状表面与非稳态载荷的内在联系, 利用有限元法, 建立了二维弹塑性轮轨纯滚动接触计算模型, 分析法向接触载荷波动值对钢轨残余应力、应变和变形的影响。模型中材料本构采用考虑棘轮效应的Jiang-Sehitoglu模型, 非稳态仅考虑法向接触载荷的简谐变化, 用弹塑性无限半空间表面上重复移动赫兹法向压力分布模拟反复纯滚动接触过程。发现非稳态法向接触载荷作用下产生同样波长的波状接触表面; 随滚动次数的增加, 残余应力增大, 但很快趋于稳定, 而残余应变也增大, 但增大速率衰减; 载荷波动值越大, 波谷和波峰处的纵向残余应力越大, 波谷处的轴向残余应力、残余剪应变和表面纵向位移越大, 而波峰处的轴向残余应力、残余剪应变和表面纵向位移越小, 波深越大。     

车辆-轨道耦合动力学系统可视化仿真

为了提高车辆-轨道耦合动力学系统可视化仿真的逼真度, 采用迹线法计算了车轮踏面接触轮廓面, 以平面方式表现轮轨动态接触关系, 钢轨以梁的形式参与振动, 通过实时建立具有一定垂向、横向和扭转振动形态的钢轨模型来模拟钢轨的振动行为。仿真结果表明, 在保证优良的实时性的同时, 可以清晰地观察轮轨接触点的变化情况, 免去了在复杂的三维场景中变换视点的操作, 使轮轨动态接触关系更简洁, 通过实时创建钢轨模型, 使钢轨振动行为的模拟更逼真。     

钢轨感应电流分布特性

利用微元法, 推导了钢轨感应电流的数学模型。以大秦铁路实时同步测试数据为基础, 分析了电气化铁道钢轨感应电流的形成机理、分布特性、影响因素及其对钢轨电压的影响。实测数据对比表明: 该模型误差在10%以内, 可以满足工程要求; 机车与牵引变电所的距离越大, 钢轨感应电流越大, 其分布为中间大, 两端小; 衰减常数越大, 钢轨感应电流越大, 感应电流饱和速度越快; 钢轨感应电流具有降低钢轨电压的效果, 机车与牵引变电所的距离越大, 效果越明显, 随着距离的增加, 感应电流对钢轨电流输入点的电压最大可以降低55%。     

Short-term forecasting of high-speed rail demand: A hybrid approach combining ensemble empirical mode decomposition and gray support vector machine with real-world applications in China

Short-term forecasting of high-speed rail (HSR) passenger flow provides daily ridership estimates that account for day-to-day demand variations in the near future (e.g., next week, next month). It is one of the most critical tasks in high-speed passenger rail planning, operational decision-making and dynamic operation adjustment. An accurate short-term HSR demand prediction provides a basis for effective rail revenue management. In this paper, a hybrid short-term demand forecasting approach is developed by combining the ensemble empirical mode decomposition (EEMD) and grey support vector machine (GSVM) models. There are three steps in this hybrid forecasting approach: (i) decompose short-term passenger flow data with noises into a number of intrinsic mode functions (IMFs) and a trend term; (ii) predict each IMF using GSVM calibrated by the particle swarm optimization (PSO); (iii) reconstruct the refined IMF components to produce the final predicted daily HSR passenger flow, where the PSO is also applied to achieve the optimal refactoring combination. This innovative hybrid approach is demonstrated with three typical origin–destination pairs along the Wuhan-Guangzhou HSR in China. Mean absolute percentage errors of the EEMD-GSVM predictions using testing sets are 6.7%, 5.1% and 6.5%, respectively, which are much lower than those of two existing forecasting approaches (support vector machine and autoregressive integrated moving average). Application results indicate that the proposed hybrid forecasting approach performs well in terms of prediction accuracy and is especially suitable for short-term HSR passenger flow forecasting.     

Development and validation of a direct mode choice model

A direct discrete mode choice model is introduced using relative attributes of competing modes as well as socioeconomic characteristics of travelers. The model is calibrated and validated for two available historic databases in the Dallas–Fort Worth region. The validation is conducted against the outputs of a current nested logit model used by the regional planning organization as well as the observed values based on transit ridership surveys for a newly inaugurated commuter rail service. The calibrated model is applied after the introduction of this new transit mode. The results show that the estimated mode shares by the proposed model have a statistically better consistency with the observed values than the estimates of the conventional nested logit model. Unlike the logit model, the structure of the direct model based on relative attributes also has the advantage of not needing recalibration each time a new travel mode is introduced. The model is found to be easier to calibrate and produces more accurate results than the nested logit model, commonly used by many metropolitan planning organizations.     

列车晚点情况下的地铁运营调整自组织机制研究

在细致梳理他组织模式下的列车运行调整规则与策略基础上,引入智能体概念,借鉴“沙丁鱼群”运动效应,将邻近两列车间的运行时间距离划分为排斥间隔、协同间隔和吸引间隔,继而建立列车间的协同运动关系.运用仿真技术实现了晚点情况下的列车运行调整自组织算例,论证了自组织调整机制的有效性和应用性.     

基于粒子群算法的城轨列车节能驾驶优化模型

为了降低城市轨道交通中列车在站间运行的能耗, 研究了列车的站间节能驾驶策略, 在考虑线路限速和坡度的情况下, 建立了时间约束下的列车节能优化模型, 采用粒子群算法优化目标速度序列得出了列车节能驾驶策略。节能驾驶优化方法通过2个阶段来实现, 第1阶段在站间运行时间不变的情况下, 采用粒子群算法优化了列车在站间的节能驾驶策略, 得到了运行时间和能耗的关系, 第2阶段在多站间总运行时间不变的前提下, 将运行时间进行重新分配, 得到了列车在全线运行的节能驾驶策略。以北京地铁亦庄线实际线路数据和车辆参数为基础, 对优化方法进行仿真验证。仿真结果表明: 经过第1阶段的优化, 列车在万源街-荣京东街的单站间运行能耗降低了6.15%, 经过第2阶段的优化, 列车在多站间总运行能耗降低了14.77%。可见, 优化模型可以有效降低列车的运行能耗, 为列车时刻表的编制提供依据。     

北京市城市轨道交通通勤大客流特征分析

分析了城市轨道交通通勤大客流的产生原因、特征及其主要表现.结合大客流对线网的影响作用,构建大客流指标体系,提出针对通勤大客流时空分布特征的评价分析方法;定义相对满载率,对大客流时空传播进行量化表征.基于北京市城市轨道交通运营统计数据,对北京市城市轨道交通早高峰通勤大客流的总体特征及时空变化进行分析,定位了发生大客流的线路、车站和断面,获取早高峰通勤大客流在规模、方向、时空分布等方面的基本规律.结果表明,换乘方向客流不均衡对换乘站大客流具有重要影响;最拥堵断面常分布于郊区线与主干线换乘点附近;换乘站较多的线路,拥挤持续时间较短且疏散较快.     

铁路枢纽内快运班列车流组织的鲁棒优化研究

针对当前生产运营中较少考虑货运站点货物需求不确定性以及客户对货物运到期限的要求,设计双层时空服务网络描述枢纽内快运班列车流组织过程.该网络分为货源层和编组层,货源层中带有方向别的车流选择延迟弧或运输弧在相应时段到达编组层中的编组站.同时考虑编组站办理方向总数和车流组织基本约束,构建了铁路枢纽内快运班列车流组织鲁棒优化模型(CR),使用IBMILOG Cplex软件对模型进行精确求解.通过算例和大规模测试进行验证分析,结果表明,当ω=0.03时,鲁棒模型的目标函数值比随机优化模型(CS)的目标函数值降低5.10%,发送车数提高5.66%,最长求解时间为82 s,鲁棒性强于随机优化模型.虽然确定性模型(CD)在—些情景下可以获得较优的解,但是在需求不确定的条件下,确定性模型目标函数值要差于随机优化模型和鲁棒模型.当枢纽内货运站点数设为50时,时空网络服务弧段数达317,模型的求解时间为1 375.4 s,在可以接受的时间范围内.