排序方式: 共有13条查询结果,搜索用时 0 毫秒
1.
针对摘挂列车编组调车作业计划编制问题,基于强化学习技术和Q学习算法,提出1种调车作业计划优化方法。在表格调车法的基础上,将调车作业计划分为下落和重组2个部分。通过动作、状态和奖励3要素构建调车作业问题的强化学习模型,以调车机车为智能体,以车组下落的股道编号为动作,以待编车列的下落情况为状态,形成车组挂车、摘车具体条件和车辆重组流程,并依据车组下落的连接状态和车辆重组后产生的总调车程设计奖励函数。改进Q学习算法求解模型,以最小化调车程为目标,建立待编车列与最优调车作业计划之间的映射关系,智能体学习充分后即可求解得到最优的调车作业计划。通过3组算例对比验证本方法效果,结果表明:相较于统筹对口法和排序二叉树法,本方法使用的股道数量更少、调车作业计划更优;相较于分支定界法,本方法可在更短时间内求解质量近似的调车作业计划。因而,本方法有助于提高车站调车作业计划编制的智能化决策水平。 相似文献
2.
3.
研究城市路网交通流的动态特性,揭示交通拥堵、环境污染和交通事故的产生原因和规律,能为城市交通问题的解决提供理论依据.元胞自动机模型是研究城市路网交通流动态特性的一个有效工具,能够再现许多重要的交通流特征.从路段模型、交叉口模型和路网模型3个方面总结和评述了国内外各种典型交通流元胞自动机模型.在现有模型的基础上,通过对车辆起讫点分布、路径选择行为、双向通行多车道路段车辆换道规则、不同控制交叉口的车辆更新规则以及网络拓扑结构等方面进行改进,可以提高元胞自动机模型在城市路网交通流仿真中的真实性. 相似文献
4.
5.
针对城市轨道交通站点客流预测问题,本文提出一种基于注意力机制的动态时空神经网络(DSTNN)模型。模型采用多分支并行架构,能够有效提取地铁客流的复杂时空特征,在空间维度上,全局和局部注意力机制相结合,实现站点间动态时空关联和静态拓扑结构的捕捉;在时间维度上,使用双向长短时记忆和注意力机制共同学习客流数据的时变规律。在杭州地铁数据集上进行实验,结果表明:相较于经典预测模型和深度学习模型,DSTNN具有更高的预测精度和训练效率。在4种不同的预测时长下,DSTNN模型平均绝对误差的平均值较基线中扩散卷积循环神经网络模型(DCRNN)和物理虚拟结合图网络模型(PVCGN)分别降低6.63%和2.57%。此外,可视化分析证明了本模型对时空关联的动态学习能力,消融实验验证了各分支的有效性。 相似文献
6.
结合微观仿真元胞自动机模型和机动车排放MOVES模型,以十字信号控制交叉口为仿真对象,研究交叉口信号配时与机动车排放之间的关系.元胞自动机模型将交叉口和路段划分为3.5 m×3.5 m的元胞,每辆车占2 个元胞,交叉口内转弯车辆减速慢行,直行车辆速度不受限制,提高了交通仿真的真实性和机动车排放测算的准确性.仿真结果表明:最佳信号周期随着车辆到达率的增加而增加,使得交叉口通行效率达到最大化;行程时间随着左转车比例的增加而增加,对于不同的车辆到达率,均存在一个极限值,当左转车比例低于该极限值时,行程时间变化不大,高于该极限值时,行程时间快速增加;从通行能力、行程时间和尾气排放的角度,交叉口具有不同的最佳信号周期,且差异较大. 相似文献
7.
结合微观仿真元胞自动机模型和机动车排放MOVES模型,以十字信号控制交叉口为仿真对象,研究交叉口信号配时与机动车排放之间的关系.元胞自动机模型将交叉口和路段划分为3.5 m×3.5 m的元胞,每辆车占2 个元胞,交叉口内转弯车辆减速慢行,直行车辆速度不受限制,提高了交通仿真的真实性和机动车排放测算的准确性.仿真结果表明:最佳信号周期随着车辆到达率的增加而增加,使得交叉口通行效率达到最大化;行程时间随着左转车比例的增加而增加,对于不同的车辆到达率,均存在一个极限值,当左转车比例低于该极限值时,行程时间变化不大,高于该极限值时,行程时间快速增加;从通行能力、行程时间和尾气排放的角度,交叉口具有不同的最佳信号周期,且差异较大. 相似文献
8.
轨道电路的长度直接影响投资成本及行车密度。推导出了准移动闭塞列车安全间隔时间的计算公式,提出了城市轨道交通轨道电路长度的确定方法及在不同条件下的优选值。 相似文献
9.
允许车辆借反向车道超车的双向交通道路是城市路网的重要组成部分.本文考虑了双向交通道路的车辆行驶规则,研究了无信号控制交叉口的车辆优先通行权分配规则,构建了一个双向交通的城市路网交通流元胞自动机模型,研究了城市路网交通流的动态特性.研究结果表明,临界密度随着路网规模的增加而下降,路网交通密度的增加会加速拥堵闭环的形成,换道概率的增加会降低路网车速和缩短局部死锁现象形成的时间,单位时间换道车辆数与换道概率及交通密度之间存在着密切的关系. 相似文献
10.