CN109552370A - 基于客流量的列车运行图生成方法 - Google Patents
基于客流量的列车运行图生成方法 Download PDFInfo
- Publication number
- CN109552370A CN109552370A CN201811518415.2A CN201811518415A CN109552370A CN 109552370 A CN109552370 A CN 109552370A CN 201811518415 A CN201811518415 A CN 201811518415A CN 109552370 A CN109552370 A CN 109552370A
- Authority
- CN
- China
- Prior art keywords
- flow
- volume
- data
- passengers
- passengers data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/40—Handling position reports or trackside vehicle data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/04—Automatic systems, e.g. controlled by train; Change-over to manual control
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例提供一种基于客流量的列车运行图生成方法。所述方法包括:获取原始客流量数据;所述原始客流量数据包括至少两个预测周期的客流量数据;根据当前预测周期的前一个预测周期的第一客流量数据、以及预设的平衡指数平滑模型,对所述第一客流量数据进行平滑处理,得到所述当前预测周期的第二客流量数据;根据预设滤波模型,对所述第二客流量数据进行滤波处理,得到所述当前预测周期的最优估计值;根据预设约束条件以及所述预测周期的最优估计值,生成列车运行图。本发明实施例解决了现有技术中,运行图时刻表编制的复杂度与效率,导致编图效率低以及编图质量差的问题。
Description
技术领域
本发明实施例涉及轨道交通技术领域,尤其涉及一种基于客流量的列车运行图生成方法。
背景技术
城市轨道交通信号系统用于列车进路控制、列车间隔控制、调度指挥、信息管理、设备工况监测及维护管理等工作,其在轨道交通领域发挥着重要作用,是保证列车运行安全,实现行车指挥和列车运行现代化,提高运输效率的关键系统设备。以地铁信号系统为例,其指挥着地铁车辆按运营人员编制的运行图时刻表高效有序地沿地铁线路运行。
随着轨道交通线路的开行数量增多,断面客流量不均衡性显著以及不同时间段的客流量具有较大的差异性等问题,导致运营人员编制合理有效的运行图越来越耗时。具体地,现有技术中,运行图时刻表生成通常是人工统计分析列车在运营线路上各站的停站时间,经过反复迭代处理,以生成符合运营要求的运行图。而仅凭借人工分析数据及提取相关数据,容易导致对客流量时空分布因素考虑不足,且运行图的生成耗时耗力,难于应对突发事件。
因此,运行图时刻表编制的复杂度与效率严重制约着编图人员的编图效率及编图质量。
发明内容
本发明实施例提供一种基于客流量的列车运行图生成方法,用以解决现有技术中,运行图时刻表编制的复杂度与效率,导致编图效率低以及编图质量差的问题。
本发明实施例提供一种基于客流量的列车运行图生成方法,所述方法包括:
获取原始客流量数据;所述原始客流量数据包括至少两个预测周期的客流量数据;
根据当前预测周期的前一个预测周期的第一客流量数据、以及预设的平衡指数平滑模型,对所述第一客流量数据进行平滑处理,得到所述当前预测周期的第二客流量数据;其中,所述平衡指数平滑模型为对指数平滑模型进行预设反向递推得到的;
根据预设滤波模型,对所述第二客流量数据进行滤波处理,得到所述当前预测周期的最优估计值;
根据预设约束条件以及所述预测周期的最优估计值,生成列车运行图。
本发明实施例提供的基于客流量的列车运行图生成方法,通过获取原始客流量数据,根据当前预测周期的前一个预测周期的第一客流量数据、以及预设的平衡指数平滑模型,对所述第一客流量数据进行平滑处理,得到所述当前预测周期的第二客流量数据;根据预设滤波模型,对所述第二客流量数据进行滤波处理,得到所述当前预测周期的最优估计值;根据预设约束条件以及所述预测周期的最优估计值,生成列车运行图,采用自动生成算法,提高了运行图时刻表生成效率与质量;通过对原始客流量数据进行平衡指数平滑以及滤波处理,使得客流量数据符合实际客流分布规律且经过处理的客流量数据更加符合算法输入,提高了算法生成的效率;基于客流量因素生成列车运行图时刻表,使得运行图更加符合客流需求,有利于提高运营效率,降低运营成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于客流量的列车运行图生成方法的流程示意图;
图2为本发明实施例的第一示例的示意图之一;
图3为本发明实施例的第一示例的示意图之二;
图4为本发明实施例的第二示例的示意图;
图5为本发明实施例的第三示例的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
图1示出了本发明实施例提供的一种基于客流量的列车运行图生成方法的流程示意图。
如图1所示,本发明实施例提供的基于客流量的列车运行图生成方法,所述方法具体包括以下步骤:
步骤101,获取原始客流量数据;所述原始客流量数据包括至少两个预测周期的客流量数据。
其中,原始客流量数据为未经数据处理的历史数据,以一地铁线路为例,原始客流量数据为该地铁线路在预设数据采样期间的历史客流量数据。可选地,原始客流量数据可以是运营公司通过城市轨道交通自动售检票系统(Automatic Fare Collection System,AFC)系统获取到的原始客流量数据,还可对原始客流量数据进行初步分析,得到客流量的时空分布曲线图与断面客流量分布图。
预测周期即观测周期,可以为列车运行图中的最小时间单位。
步骤102,根据当前预测周期的前一个预测周期的第一客流量数据、以及预设的平衡指数平滑模型,对所述第一客流量数据进行平滑处理,得到所述当前预测周期的第二客流量数据;其中,所述平衡指数平滑模型为对指数平滑模型进行预设反向递推得到的。
其中,原始客流量数据在空间和时间上都存在一定的波动性,通常呈现锯齿现象,不利于客流量的时空分布分析,因此需要经过一定的数据处理。具体的,将当前预测周期的前一个预测周期的客流量数据(即第一客流量数据),输入至预设的平衡指数平滑模型,通过预设的平衡指数平滑模型对所述第一客流量数据进行平滑处理,得到当前预测周期的第二客流量数据。
进一步地,所述平衡指数平滑模型为对指数平滑模型进行预设反向递推得到的。指数平滑模型即三次指数平滑模型,具体地,指数平滑模型是一种预测,模型,其主要依据历史客流量数据的加权和,对不同的数据给予不同的权重,比如对近期数据赋予较大的权重,远期数据给予较小的权重,得出客流量数据与时间序列的关系。由于客流量数据呈周期性变化,采用三次指数平滑,适用于非线性时间序列的预测,以适应数据的周期性变化。
但三次指数平滑法的滤波结果的曲线容易出现一定程度的“右偏移”,当平滑系数较小时尤为明显,且在斜率较大的曲线中将较大的误差。因此,本发明实施例中,通过对指数平滑模型进行预设反向递推,得到平衡指数平滑模型;通过对第一客流量数据进行平滑处理,过滤锯齿数据,得到平稳的第二客流量数据。
步骤103,根据预设滤波模型,对所述第二客流量数据进行滤波处理,得到所述当前预测周期的最优估计值。
其中,得到第二客流量数据后,由于第二客流量数据的时间序列是非线性的且随时间变化的,具有较高的随机性和不稳定性,因此,通过预设滤波模型对第二客流量数据进行滤波处理,得到当前预测周期的最优估计值,即最优预测值;可选地,预设滤波模型可以采用卡尔曼滤波模型,由于卡尔曼滤波模型采用灵活性、适应性较广的状态空间模型的系统分析法、递推算法,使基于卡尔曼滤波理论的客流量预测模型便于实现,且适用于对整个线路客流量进行预测。
步骤104,根据预设约束条件以及所述预测周期的最优估计值,生成列车运行图。
其中,预设约束条件为针对列车的约束条件,比如车辆最大载客参数,列车编组参数,线路折返能力参数,车辆短出车能力参数,正线最小追踪参数等。在得到最优估计值后,进一步根据预设约束条件确定列车的运行参数;运行参数包括发车间隔、载客参数和/或编组参数等;根据运行参数,生成列车运行图。通过预设约束条件对线路运行特性、列车载客特性、列车编组、线路折返能力、车辆段出车能力及正线最小追踪能力的分析,得到量化的运行参数作为算法的输入,使得列车运行图更符合运营需求。
依据预设约束条件以及客流量数据的时空分布特征等诸多因素,自动生成列车运行图的时刻表,一方面可提高提高列车满载率,加快列车周转,减少运用车数,提高服务水平以及车辆运用经济性;另一方面克服了人工编图的局限性,提高了运营公司应对突发事件编图的效率与质量。
本发明上述实施例中,通过获取原始客流量数据,根据当前预测周期的前一个预测周期的第一客流量数据、以及预设的平衡指数平滑模型,对所述第一客流量数据进行平滑处理,得到所述当前预测周期的第二客流量数据;根据预设滤波模型,对所述第二客流量数据进行滤波处理,得到所述当前预测周期的最优估计值;根据预设约束条件以及所述预测周期的最优估计值,生成列车运行图,采用自动生成算法,提高了运行图时刻表生成效率与质量;通过对原始客流量数据进行平衡指数平滑以及滤波处理,使得客流量数据符合实际客流分布规律且经过处理的客流量数据更加符合算法输入,提高了算法生成的效率;基于客流量因素生成列车运行图时刻表,使得运行图更加符合客流需求,有利于提高运营效率,降低运营成本。本发明实施例解决了现有技术中,运行图时刻表编制的复杂度与效率,导致编图效率低以及编图质量差的问题。
可选地,本发明实施例中,所述获取原始客流量数据的步骤,包括:
获取原始客流量数据,对所述原始客流量数据进行数据预处理;所述数据预处理包括异常数据和/或缺失数据的预处理。
其中,由于轨道交通领域,复杂多变的环境条件容易导致采集的原始客流量数据出现干扰和异常,因此需要对原始客流量数据进行预处理操作;预处理操作主要包括异常数据和/或缺失数据的预处理。
对于异常数据,可通过设定最高阈值和/或最低阈值来实现,对于高出最高阈值和/或低于最低阈值的数据,选择用前一时刻或后一时刻的数据取代该异常数据。
对于缺失数据,通过插入前一时刻或后一时刻的数据均值来补充该缺失数据。
可选地,本发明实施例中,所述对所述第一客流量数据进行平滑处理的步骤,包括:
根据以下公式组,对所述第一客流量数据进行平衡平滑处理:
其中,T为预测周期;为所述第二客流量数据,即对所述第一客流量数据进行平滑处理得到的第二客流量数据;α为预设平滑系数,α与指数平滑模型中的平滑系数相同;
at、bt、ct是中间变量,均可根据St1、St2以及St3来表示;
具体地,St1为对第t周期(即第t个预测周期)的所述第一客流量数据进行一次指数平滑反向递推的结果,即根据指数平滑模型对第一客流量数据进行一次指数平滑后,再进行反向递推;
St2为对第t周期的所述第一客流量数据进行二次指数平滑反向递推的结果,即根据指数平滑模型对第一客流量数据进行二次指数平滑后,再进行反向递推;
St3为对第t周期的所述第一客流量数据进行三次指数平滑反向递推的结果,即根据指数平滑模型对第一客流量数据进行三次指数平滑后,再进行反向递推。
由于指数平滑模型中的三次指数平滑法的滤波结果的曲线容易出现一定程度的“右偏移”,当平滑系数较小时尤为明显,且在斜率较大的曲线中将较大的误差。因此,本发明实施例中,通过对指数平滑模型进行指数平滑模型,得到平衡指数平滑模型;通过对第一客流量数据进行平滑处理,过滤锯齿数据,得到平稳的第二客流量数据。
具体地,反向递推的过程如下公式组所示:
其中,yt1第t周期的第一客流量数据,反向递推实际上有一个“左偏移量”,正好抵消正向递推的“右偏移量”,达到纠正偏差的目的。基于上述公式组得出的平滑结果,可以利用三次指数平滑模型对交通流数据进行短期预测。
可选地,本发明实施例中,所述对所述第一客流量数据进行平滑处理的步骤之前,所述方法包括:
根据所述指数平滑模型对所述第一客流量数据进行指数平滑处理。
其中,原始客流量数据在空间和时间上都存在一定的波动性,通常呈现锯齿现象,不利于客流量的时空分布分析,因此首先需要经过指数平滑处理得到处理结果,再输入至预设的平衡指数平滑模型进行平滑处理,对处理结果进行预设反向递推,得到平稳的第二客流量数据。
具体地,本发明实施例中,所述根据所述指数平滑模型对所述第一客流量数据进行指数平滑处理的步骤,包括:
根据以下公式组,对所述第一客流量数据进行指数平滑处理:
其中,St1为对第t周期的所述第一客流量数据进行一次指数平滑的结果;
St2为对第t周期的所述第一客流量数据进行二次指数平滑的结果;
St3为对第t周期的所述第一客流量数据进行三次指数平滑的结果。
其中,α为预设平滑系数,取值范围为[0,1];运用三次指数平滑法的关键在于预设平滑系数α的选取,预设平滑系数α越大,则近期的倾向性变动影响越大;反之,则近期的倾向性变动影响越小。在实际应用中,α的取值是根据时间序列的变化特性来选取的,若时间序列的波动不大,比较平稳,则α应取小一些,例如0.1~0.3;若时间序列具有迅速且明显的变动倾向,则α应取大一些,例如0.6~0.9。由于交通数据的波动较大,应选取较大的α。
作为第一示例,图2示出了进行指数平滑处理的预测效果图,其中,实际值与三次指数平滑的结果之间的结果颇为近似,不会引起误差。
图3示出了一条轨道交通线路的客流量数据平滑滤波的结果,该线路包括A-K,共11个站点,客流量数据在0-8K(8000)之间。
可选地,本发明实施例中,所述根据预设滤波模型,对所述第二客流量数据进行滤波处理,得到所述当前预测周期的最优估计值的步骤,包括:
根据以下公式,对所述第二客流量数据进行滤波处理,得到所述当前预测周期后预设数目个预测周期的客流量数据的最优估计值:
X(t)=X(t|t-1)+K(t)[Q(t)-A(t)X(t|t-1)];
其中,X(t)为所述最优估计值;X(t-1)为所述前一个预测周期的最优估计值;K(t)为所述当前预测周期的增益;A(t)为观测矩阵;Q(t)为所述第二客流量数据。
其中,得到第二客流量数据后,根据上述公式对所述第二客流量数据进行滤波处理,得到后续预测周期的最优估计值。
作为一示例,假设Q(t+k)为当前预测周期之后第k个预测周期的客流量数据,它与前后车站客流量有关。Q(t)是当前预测周期各车站的交通流量向量,Q(t-1)是前一个预测周期各车站的客流量向量,考虑到一些较长的线路,可依据三个预测周期各出入口的客流量对车站进行客流量预测。
作为又一示例,预设滤波模型可以为卡尔曼滤波预测模型,其由状态方程(公式1)和观测方程(公式2)组成:
状态方程X(t)=B(t)X(t-1)+u(t-1) (1);
观测方程Q(t+k)=A(t)X(t)+w(t) (2);
式中,X(t)为状态向量,X(t)=[H0,H1,H2]T,H0,H1,H2为参数矩阵,Hi=[c'1(t),c'2(t),…,c'n(t)],c是状态变量;
B(t)为状态转移矩阵,B(t)=I;
u(t-1)为模型噪声,假定为零均值的白色噪声,它的协方差矩阵为H(t-1);
Q(t+k)为观测向量;
A(t)为观测矩阵,A(t)=[QT(t),QT(t-1),QT(T-2)];
Q(t)=[q1(t),q2(t),…,qn(t)]T为交通流量向量;
n为路段上入口和出口处所考虑的检测器数的总数;
w(f)为观测噪声,假定为零均值的白色噪声,它的协方差矩阵为R(f)。
则卡尔曼滤波模型具体计算流程如下:
①变量初始化,当t=0时,H(t),R(t),P0没有先验数据,可设为对角矩阵,X(t0|t0-1)设为零向量,P(0|0)=P0;
②根据t-1预测周期的滤波值X(t-1)通过以下公式3计算预测值X(t|t-1),同时根据t-1时段得到的滤波误差P(t-1)根据以下公式4计算预测误差方阵P(t|t-1)。
X(t|t-1)=B(t)X(t-1) (3);
P(t|t-1)=B(t-1)P(t-1)BT(t-1)+Q(t-1) (4);
③根据收集到的实时交通信息通过公式5计算卡尔曼(Kalman)增益K(t),根据求得的卡尔曼增益和现在状态的预测结果通过公式6计算现在状态的最优估计值,同时根据公式7更新当前时刻的滤波误差P(t)。
K(t)=P(t|t-1)AT(t)[A(t)P(t|t-1)AT(t)+R(t)]-1 (5);
X(t)=X(t|t-1)+K(t)[Q(t)-A(t)X(t|t-1)] (6);
P(t)=[I-K(t)A(t)]P(t|t-1) (7);
④重复步骤2和步骤3进行下一次滤波,依次循环。
作为第二示例,图4示出了对所述第二客流量数据进行滤波处理,得到所述当前预测周期的最优估计值的一个具体示例,从图4可以看出时间点为2时刻的客流量为1400,预测到时间点为4时刻的客流量的最优估计值为1425,实际客流量为1450,预测到时间点为6时刻的客流量的最优估计值为1426,实际客流量为1355;可以看出实际值与最优估计值的变化趋势基本符合,且与实际值误差较小,符合运营需求。
可选地,本发明实施例中,所述根据预设约束条件以及所述预测周期的最优估计值,生成列车运行图的步骤,包括:
根据预设约束条件以及所述预测周期的最优估计值,确定轨道车辆的运行参数;所述预设约束条件所述轨道车辆的发车间隔、载客参数和/或编组参数;所述运行参数包括所述轨道车辆的发车时间和/或停车时间;
根据所述运行参数,生成列车运行图。
其中,预设约束条件为针对列车的约束条件,比如车辆最大载客参数,列车编组参数,线路折返能力参数,车辆短出车能力参数,正线最小追踪参数等。在得到最优估计值后,进一步根据预设约束条件确定列车的运行参数;运行参数包括发车时间和/或停车时间等;根据运行参数,生成列车运行图。
作为第三示例,图5为一个列车运行图的具体示例,其中,S1为上行发车曲线,S2为下行发车曲线,S3为加车的发车曲线。通过预设约束条件对线路运行特性、列车载客特性、列车编组、线路折返能力、车辆段出车能力及正线最小追踪能力的分析,得到量化的运行参数作为算法的输入,使得列车运行图更符合运营需求。
本发明上述实施例中,通过获取原始客流量数据,根据当前预测周期的前一个预测周期的第一客流量数据、以及预设的平衡指数平滑模型,对所述第一客流量数据进行平滑处理,得到所述当前预测周期的第二客流量数据;根据预设滤波模型,对所述第二客流量数据进行滤波处理,得到所述当前预测周期的最优估计值;根据预设约束条件以及所述预测周期的最优估计值,生成列车运行图,采用自动生成算法,提高了运行图时刻表生成效率与质量;通过对原始客流量数据进行平衡指数平滑以及滤波处理,使得客流量数据符合实际客流分布规律且经过处理的客流量数据更加符合算法输入,提高了算法生成的效率;基于客流量因素生成列车运行图时刻表,使得运行图更加符合客流需求,有利于提高运营效率,降低运营成本。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于客流量的列车运行图生成方法,其特征在于,所述方法包括:
获取原始客流量数据;所述原始客流量数据包括至少两个预测周期的客流量数据;
根据当前预测周期的前一个预测周期的第一客流量数据、以及预设的平衡指数平滑模型,对所述第一客流量数据进行平滑处理,得到所述当前预测周期的第二客流量数据;其中,所述平衡指数平滑模型为对指数平滑模型进行预设反向递推得到的;
根据预设滤波模型,对所述第二客流量数据进行滤波处理,得到所述当前预测周期的最优估计值;
根据预设约束条件以及所述预测周期的最优估计值,生成列车运行图。
2.根据权利要求1所述的方法,其特征在于,所述获取原始客流量数据的步骤,包括:
获取原始客流量数据,对所述原始客流量数据进行数据预处理;所述数据预处理包括异常数据和/或缺失数据的预处理。
3.根据权利要求1所述的方法,其特征在于,所述对所述第一客流量数据进行平滑处理的步骤,包括:
根据以下公式组,对所述第一客流量数据进行平衡平滑处理:
其中,T为预测周期;为所述第二客流量数据;α为预设平滑系数;
at、bt、ct是中间变量;
St1为对第t周期的所述第一客流量数据进行一次指数平滑反向递推的结果;
St2为对第t周期的所述第一客流量数据进行二次指数平滑反向递推的结果;
St3为对第t周期的所述第一客流量数据进行三次指数平滑反向递推的结果。
4.根据权利要求3所述的方法,其特征在于,所述对所述第一客流量数据进行平滑处理的步骤之前,所述方法包括:
根据所述指数平滑模型对所述第一客流量数据进行指数平滑处理。
5.根据权利要求4所述的方法,其特征在于,所述根据所述指数平滑模型对所述第一客流量数据进行指数平滑处理的步骤,包括:
根据以下公式组,对所述第一客流量数据进行指数平滑处理:
6.根据权利要求1所述的方法,其特征在于,所述根据预设滤波模型,对所述第二客流量数据进行滤波处理,得到所述当前预测周期的最优估计值的步骤,包括:
根据以下公式,对所述第二客流量数据进行滤波处理,得到所述当前预测周期后预设数目个预测周期的客流量数据的最优估计值:
X(t)=X(t|t-1)+K(t)[Q(t)-A(t)X(t|t-1)],
其中,X(t)为所述最优估计值;X(t-1)为所述前一个预测周期的最优估计值;K(t)为所述当前预测周期的增益;A(t)为观测矩阵;Q(t)为所述第二客流量数据。
7.根据权利要求1所述的方法,其特征在于,所述根据预设约束条件以及所述预测周期的最优估计值,生成列车运行图的步骤,包括:
根据预设约束条件以及所述预测周期的最优估计值,确定轨道车辆的运行参数;所述预设约束条件所述轨道车辆的发车间隔、载客参数和/或编组参数;所述运行参数包括所述轨道车辆的发车时间和/或停车时间;
根据所述运行参数,生成列车运行图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518415.2A CN109552370B (zh) | 2018-12-12 | 2018-12-12 | 基于客流量的列车运行图生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518415.2A CN109552370B (zh) | 2018-12-12 | 2018-12-12 | 基于客流量的列车运行图生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109552370A true CN109552370A (zh) | 2019-04-02 |
CN109552370B CN109552370B (zh) | 2020-09-04 |
Family
ID=65869945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811518415.2A Active CN109552370B (zh) | 2018-12-12 | 2018-12-12 | 基于客流量的列车运行图生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109552370B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111055891A (zh) * | 2019-12-26 | 2020-04-24 | 交控科技股份有限公司 | 列车运行图调整方法 |
CN111741536A (zh) * | 2020-08-21 | 2020-10-02 | 深圳微品致远信息科技有限公司 | 一种用于5g网络的动态网络切片方法和系统 |
CN117585041A (zh) * | 2023-11-14 | 2024-02-23 | 中交机电工程局有限公司 | 一种基于物联网的城市轨道交通综合监控系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103101560A (zh) * | 2011-11-14 | 2013-05-15 | 北京南车时代信息技术有限公司 | 一种列车运行控制方法、装置及列车运行监督系统 |
CN103390196A (zh) * | 2013-06-14 | 2013-11-13 | 北京交通大学 | 复杂约束条件的高速列车运行计划编制优化方法与系统 |
CN105740556A (zh) * | 2016-02-02 | 2016-07-06 | 北京交通大学 | 基于客流需求的列车运行图自动编制方法 |
CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
RU2653901C1 (ru) * | 2017-05-30 | 2018-05-15 | Открытое Акционерное Общество "Научно-Исследовательский И Проектно-Конструкторский Институт Информатизации, Автоматизации И Связи На Железнодорожном Транспорте" | Система для определения оптимального места остановки головного вагона электропоезда в зависимости от количества вагонов в его составе и специфики остановочного пункта |
-
2018
- 2018-12-12 CN CN201811518415.2A patent/CN109552370B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103101560A (zh) * | 2011-11-14 | 2013-05-15 | 北京南车时代信息技术有限公司 | 一种列车运行控制方法、装置及列车运行监督系统 |
CN103390196A (zh) * | 2013-06-14 | 2013-11-13 | 北京交通大学 | 复杂约束条件的高速列车运行计划编制优化方法与系统 |
CN105740556A (zh) * | 2016-02-02 | 2016-07-06 | 北京交通大学 | 基于客流需求的列车运行图自动编制方法 |
CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
RU2653901C1 (ru) * | 2017-05-30 | 2018-05-15 | Открытое Акционерное Общество "Научно-Исследовательский И Проектно-Конструкторский Институт Информатизации, Автоматизации И Связи На Железнодорожном Транспорте" | Система для определения оптимального места остановки головного вагона электропоезда в зависимости от количества вагонов в его составе и специфики остановочного пункта |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111055891A (zh) * | 2019-12-26 | 2020-04-24 | 交控科技股份有限公司 | 列车运行图调整方法 |
CN111055891B (zh) * | 2019-12-26 | 2021-09-10 | 交控科技股份有限公司 | 列车运行图调整方法 |
CN111741536A (zh) * | 2020-08-21 | 2020-10-02 | 深圳微品致远信息科技有限公司 | 一种用于5g网络的动态网络切片方法和系统 |
CN111741536B (zh) * | 2020-08-21 | 2020-12-18 | 深圳微品致远信息科技有限公司 | 一种用于5g网络的动态网络切片方法和系统 |
CN117585041A (zh) * | 2023-11-14 | 2024-02-23 | 中交机电工程局有限公司 | 一种基于物联网的城市轨道交通综合监控系统 |
CN117585041B (zh) * | 2023-11-14 | 2024-06-14 | 中交机电工程局有限公司 | 一种基于物联网的城市轨道交通综合监控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109552370B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866649B (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
CN109552370A (zh) | 基于客流量的列车运行图生成方法 | |
CN105761492B (zh) | 一种基于网络流的大范围高速路网动态配流方法 | |
CN108346010B (zh) | 基于用户需求分析的共享汽车调度方法 | |
CN105719019A (zh) | 一种考虑用户预约数据的公共自行车高峰期需求预测方法 | |
CN106651089A (zh) | 生产调度问题的分布集鲁棒模型的建模及优化求解方法 | |
CN106485359A (zh) | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 | |
CN100580594C (zh) | 基于加工能力特征模型的机器组调度方法 | |
CN110516866B (zh) | 一种用于城市轨交列车拥挤度的实时估计方法 | |
CN103295075A (zh) | 一种超短期电力负荷预测与预警方法 | |
CN106773711A (zh) | 一种铁路机车运行操纵系统的混合任务调度方法及模型 | |
CN111882097B (zh) | 一种车辆维护人员调度方法和系统 | |
CN107025806B (zh) | 一种单阶段临时航迹鲁棒优化方法 | |
CN105897512A (zh) | 一种虚拟专用网络vpn的监测方法及系统 | |
CN106652530A (zh) | 一种调度时刻表生成方法及装置 | |
CN108665178A (zh) | 一种基于afc的地铁站内楼扶梯客流量预测方法 | |
CN105489061A (zh) | 公共自行车云端智能泊车及调配系统 | |
CN109784570B (zh) | 基于信息物理融合系统的智慧车间柔性生产调度方法 | |
CN110503237A (zh) | 一种城市轨道交通站台聚集人数短期预测的方法 | |
CN109308539A (zh) | 实时估算轨道交通线网中换乘站的乘客滞留状态的方法 | |
CN109299825A (zh) | 一种基于轨道交通实时客流的预测方法及预测系统 | |
CN106021918B (zh) | 一种轨道交通网络化运行推演算法 | |
CN107272407A (zh) | 一种ato系统行程方案的评价方法及系统 | |
CN111832929B (zh) | 一种机场值机的动态调度方法及系统 | |
CN115796442A (zh) | 城市轨道交通区间客流量确定方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |