基于VMD-BP神经网络模型的铁路车站月度客流发送量预测研究

为确定合理的列车开行对数,首先分别以BP神经网络(BP Neutral Network)和极限学习机(Extreme Leaning Machine, ELM)构建基准模型;在此基础上,结合经验模态分解算法(Empirical Mode Decomposition, EMD)和变分模态分解算法(Variational Mode Decomposition,VMD)适合处理非线性、非平稳数据的特点,对客流发送数据进行处理,然后分别与基准模型组合形成组合模型,并提出了月度客流发送量的概念,建立了滚动的月度客流发送量预测机制。最后,以兰州西站衔接各线的客流日发送数据为原始数据,以各基准模型和组合模型对月度客流发送量进行了预测,并对预测结果和指标加以分析对比。研究结果表明:(1)以客流发送量作为原始数据,VMD算法分解效果优于EMD算法;(2)对比各基准模型和组合模型,VMD-BP神经网络组合模型预测精度最高,适用于铁路车站月度客流发送量预测问题。     

基于Anylogic的高速铁路换乘接续客流仿真优化

为探究旅客在高铁枢纽内的接续换乘行为的走行流线及站内设施设备的利用是否合理,本文从旅客流线出发,根据西安北站的站内布置和旅客行为选择,利用Anylogic软件分别针对三种场景下的旅客站内接续换乘流线进行仿真分析.仿真数据显示,日常及大客流时期站厅换乘流线设备较站外换乘利用率低,站厅换乘通道未得到充分利用,可增加站台引导...