CN109774750B - 一种基于虚拟耦合模式的动态调度时空决策方法 - Google Patents

一种基于虚拟耦合模式的动态调度时空决策方法 Download PDF

Info

Publication number
CN109774750B
CN109774750B CN201910019669.8A CN201910019669A CN109774750B CN 109774750 B CN109774750 B CN 109774750B CN 201910019669 A CN201910019669 A CN 201910019669A CN 109774750 B CN109774750 B CN 109774750B
Authority
CN
China
Prior art keywords
train
passenger flow
station
train group
time
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.)
Active
Application number
CN201910019669.8A
Other languages
English (en)
Other versions
CN109774750A (zh
Inventor
刘岭
王莹
张波
韦伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CRSC Research and Design Institute Group Co Ltd
Original Assignee
CRSC Research and Design Institute Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CRSC Research and Design Institute Group Co Ltd filed Critical CRSC Research and Design Institute Group Co Ltd
Priority to CN201910019669.8A priority Critical patent/CN109774750B/zh
Publication of CN109774750A publication Critical patent/CN109774750A/zh
Application granted granted Critical
Publication of CN109774750B publication Critical patent/CN109774750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供一种基于虚拟耦合模式的动态调度时空决策方法，属于列车调度决策方法领域，所述方法包括：构建实时客流的动态调度时空决策模型；确定以下中的一种或多种调度参数：客流时间分布、客流空间分布、车次虚拟解挂次数、车站解编能力、车辆编组数量。本发明的虚拟耦合模式中动车组单元更小，车底组织更加灵活，可将动态编组技术作为重要的调度策略，根据实时客流变化进行动态调度能够适应客流的时空分布不均衡特征，实现运能可配置。

Description

一种基于虚拟耦合模式的动态调度时空决策方法
技术领域
本发明属于列车调度决策方法领域，特别涉及一种基于虚拟耦合模式的动态调度时空决策方法。
背景技术
随着轨道交通的不断发展和旅客出行需求的增加，运输能力供给紧张仍然是轨道交通中最为重要的问题。由于在目前的运营环境中轨道交通运输能力供给调整空间有限，通过制定合理的调度策略成为缓解供需矛盾的主要手段之一。
在日常的运营中，目前的调度方式仍是偏重于计划调度，以计划客流为导向，如图1所示，通过分析客流的特征并借助预测方法从不同粒度、不同角度得到预测的客流量；在预测客流的基础上，依托高速铁路网络结构，编制列车开行方案、列车运行图以及车底周转计划等，在此基础上会根据不同的研究目标对得到的计划进行优化，将优化后的计划作为实际运营、调度的基础，根据长期的客流规律在每日运营开始前确定基本的调度决策。这种调度方式适应性仍较差，同时存在运输资源浪费、检备率高；并不能真正实现适应实时客流变化的调度，计划调度对于目前轨道交通运营中存在的供需矛盾的解决仍存在较大局限性。
发明内容
针对上述问题，本发明一种基于虚拟耦合模式的动态调度时空决策方法，所述方法包括：
构建实时客流的动态调度时空决策模型；
确定以下中的一种或多种调度参数：
客流时间分布、客流空间分布、车次虚拟解挂次数、车站解编能力、车辆编组数量；
基于所述时空决策模型与所述确定的调度参数，确定调度决策。
进一步地，所述构建实时客流的动态调度时空决策模型包括，确定以下参数；
列车单元的定员、列车群的组成决策变量、区间(i,i+1)的运输距离、列车群r在区间(i,i+1)实际的客流量；
基于上述确定的参数，确定所述调度时空决策的目标函数。
进一步地，所述构建实时客流的动态调度时空决策模型还包括，基于所述确定的参数，形成以下约束：
列车群的列车数量变化关系约束、列车群的组成决策变量约束、列车群解编条件约束、列车群的列车数量变化约束、列车群的虚拟解编作业次数约束、列车群在车站内减少和增加的列车数量约束、车站存车数量约束、客流量/定员的约束、售票上限的约束、决策变量的取值约束。
进一步地，所述调度时空决策的目标函数如下；
Figure BDA0001940343190000021
Figure BDA0001940343190000022
Figure BDA0001940343190000023
Figure BDA0001940343190000024
Figure BDA0001940343190000025
0≤δr≤M1 (6)
Figure BDA0001940343190000026
Figure BDA0001940343190000027
Figure BDA0001940343190000028
Figure BDA0001940343190000029
Figure BDA00019403431900000210
Figure BDA00019403431900000211
Figure BDA0001940343190000031
Figure BDA0001940343190000032
Figure BDA0001940343190000033
式中，d(i,i+1)——区间(i,i+1)的运输距离；
Dr——一个列车单元的定员；
M0——列车群r在车站i列车数量的变化的最大值；
M1——列车群i允许虚拟解编总次数；
M2——一个时段内所有列车群在车站i内虚拟解编的列车的最大值；
M3——一个时段内所有列车群在车站i内虚拟联挂的列车的最大值；
Bi——车站i在一个时段内的存车数量最大值；
C(i,i+1)——区间(i,i+1)能力最大值；
R——列车群集合，r表示某个列车群，r∈R；
N——车站集合，i表示某个车站，i∈N；
T——时段集合，t表示某个时段，t∈T；
s(i,i+1)——区间集合，其中，区间集合由两个相邻车站构成，(i,i+1)表示由车站i和i+1构成的区间；
Figure BDA0001940343190000034
——列车群的组成决策变量，列车群r到达车站i的列车数量；
Figure BDA0001940343190000035
——列车群的组成决策变量，列车群r离开车站i的列车数量；
Figure BDA0001940343190000036
——列车群的组成决策变量，列车群r在区间(i,i+1)的列车数量，可等同于
Figure BDA0001940343190000037
和
Figure BDA0001940343190000038
Figure BDA0001940343190000039
——列车群r在区间(i,i+1)计划的列车数量；
Figure BDA00019403431900000310
——列车群r在区间(i,i+1)变化的列车数量；
Figure BDA00019403431900000311
——列车群r在车站i最大可能的列车数量；
Figure BDA00019403431900000312
——列车群r在区间(i,i+1)实际的客流量；
δr——列车群r在研究时段、研究区段列车虚拟解编作业次数；
Figure BDA00019403431900000313
——列车群r的列车数量是否在车站i发生变化，
Figure BDA00019403431900000314
Figure BDA00019403431900000315
——列车群r能否在车站i进行虚拟解编作业，
Figure BDA00019403431900000316
Figure BDA0001940343190000041
——在t时段，列车群r是否在车站i停站，
Figure BDA0001940343190000042
进一步地，所述关系式(2)-(10)为模型的有效性约束；所述关系式(11)-(12)为模型时效性约束；所述关系式(13)-(15)为模型的客流约束。
进一步地，所述客流空间分布包括同一时间范围内以下中的一种或多种客流量分布情况：
不同区域客流量、不同线路客流量、不同区段客流量、不同方向客流量、同一线路不同车次客流量。
进一步地，所述客流时间分布包括同一区段内一个或多个列车群客流量分布情况。
进一步地，所述确定调度决策为调整列车群的组成。
本发明的虚拟耦合模式中动车组单元更小，车底组织更加灵活，可将动态编组技术作为重要的调度策略，根据实时客流变化进行动态调度能够适应客流的时空分布不均衡特征，实现运能可配置。本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
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示出了根据现有技术的计划编制流程示意图；
图2示出了根据本发明实施例的整体流程示意图；
图3示出了根据本发明实施例的虚拟耦合模式下应对空间分布不均衡的动态调度决策示意图；
图4示出了根据本发明实施例的虚拟耦合模式下应对时间分布不均衡的动态调度决策示意图；
图5示出了根据本发明实施例的建模系统梳理过程的流程示意图；
图6示出了根据本发明实施例的模型求解结果的示意图；
图7示出了根据本发明实施例的不同情景列车平均客座率比较示意图；
图8示出了根据本发明实施例的不同模式剩余空座与里程乘积对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图2所示的一种基于虚拟耦合模式的动态调度时空决策方法，该方法包括：
步骤一，构建实时客流的动态调度时空决策模型；
具体的，构建实时客流的动态调度时空决策模型包括，确定以下参数：
列车单元的定员、列车群的组成决策变量、区间(i,i+1)的运输距离、列车群r在区间(i,i+1)实际的客流量，基于上述确定的参数，确定所述调度时空决策的目标函数。
具体的，所述构建实时客流的动态调度时空决策模型还包括，基于所述确定的参数，形成以下约束：
列车群的列车数量变化关系约束、列车群的组成决策变量约束、列车群解编条件约束、列车群的列车数量变化约束、列车群的虚拟解编作业次数约束、列车群在车站内减少和增加的列车数量约束、车站存车数量约束、客流量/定员的约束、售票上限的约束、决策变量的取值约束。
具体的，所述调度时空决策的目标函数如下所示：
Figure BDA0001940343190000051
Figure BDA0001940343190000052
Figure BDA0001940343190000061
Figure BDA0001940343190000062
Figure BDA0001940343190000063
0≤δr≤M1 (6)
Figure BDA0001940343190000064
Figure BDA0001940343190000065
Figure BDA0001940343190000066
Figure BDA0001940343190000067
Figure BDA0001940343190000068
Figure BDA0001940343190000069
Figure BDA00019403431900000610
Figure BDA00019403431900000611
Figure BDA00019403431900000612
构建该模型时涉及到大量的符号，主要可分为参数符号、集合符号和变量符号三类；各分类中的符号及其含义说明如下：
1)参数类符号及含义
d(i,i+1)——区间(i,i+1)的运输距离；
Dr——一个列车组单元的定员；
M0——列车群r在车站i列车数量的变化的最大值；
M1——列车群i允许虚拟解编总次数；
M2——一个时段内所有列车群在车站i内虚拟解编的列车的最大值；
M3——一个时段内所有列车群在车站i内虚拟联挂的列车的最大值；
Bi——车站i在一个时段内的存车数量最大值；
C(i,i+1)——区间(i,i+1)能力最大值；
2)集合类符号及含义
R——列车群集合，r表示某个列车群，r∈R；
N——车站集合，i表示某个车站，i∈N；
T——时段集合，t表示某个时段，t∈T；
s(i,i+1)——区间集合，其中，区间集合由两个相邻车站构成，(i,i+1)表示由车站i和i+1构成的区间。
3)变量类符号及含义
Figure BDA00019403431900000718
——列车群的组成决策变量，列车群r到达车站i的列车数量；
Figure BDA0001940343190000072
——列车群的组成决策变量，列车群r离开车站i的列车数量；
Figure BDA0001940343190000073
——列车群的组成决策变量，列车群r在区间(i,i+1)的编组数量，可等同于
Figure BDA0001940343190000074
和
Figure BDA0001940343190000075
Figure BDA0001940343190000076
——列车群r在区间(i,i+1)计划的列车数量；
Figure BDA0001940343190000077
——列车群r在区间(i,i+1)变化的列车数量；
Figure BDA0001940343190000078
——列车群r在车站i最大可能的列车数量；
Figure BDA0001940343190000079
——列车群r在区间(i,i+1)实际的客流量
δr——列车群r在研究时段、研究区段列车虚拟解编作业次数；
Figure BDA00019403431900000710
——列车群r的列车数量是否在车站i发生变化，
Figure BDA00019403431900000711
Figure BDA00019403431900000712
——列车群r能否在车站i进行虚拟解编作业，
Figure BDA00019403431900000713
Figure BDA00019403431900000714
——在t时段，列车群r是否在车站i停站，
Figure BDA00019403431900000715
其中，关系式(1)为模型的目标函数，该模型以研究时段、研究区段内所有列车群空载座位与空载里程的乘积(空座里程)最小为研究目标。
其中，关系式(2)-(10)为模型的有效性约束，关系式(2)表示列车群的实际列车数量等初始计划列车群的列车数量与变化的列车数量之和；关系式(3)表示模型中决策变量之间的关系；关系式(4)表示列车群r的列车数量在车站i发生变化时，必须满足列车群r在车站i停站、车站i可作为车底解挂作业的车站、列车群r在车站i停站时间满足其虚拟解挂所需的作业时间，其中
Figure BDA00019403431900000716
为0-1变量，
Figure BDA00019403431900000717
表示列车群r在车站i不停站或车站i不能对列车群r进行虚拟解挂作业或停站时间不满足虚拟解挂的时间，只要满足其中一个条件
Figure BDA0001940343190000081
为0；关系式(5)表示列车群r列车数量的变化需在一定的范围内；关系式(6)-(8)表示列车群r的虚拟解编作业次数δr需在一定范围内，引入中间变量
Figure BDA0001940343190000082
若列车r在车站i列车数量变化
Figure BDA0001940343190000083
为1；关系式(9)、关系式(10)分别表示所有列车群在车站i减少和增加的列车数量需小于一定值。
所述有效性的约束是根据实际的资源条件展开；若有部分条件不能满足则不能完成相应的调度命令。
其中，关系式(11)-(12)为模型时效性约束；将研究时段划分为多个均匀的时段，关系式(11)-(12)表示在时段t内车站i的存车数量不能大于车站自身的存车能力，其中
Figure BDA0001940343190000084
为0-1变量，
Figure BDA0001940343190000085
表示在t时段，列车群r在车站i停站。
所述时效性约束是指制定调度基本决策的频率需提高至2-3h一次才能保证调度的动态性，同时为了确保其时效性需及时获取实时客流需求；若调度决策频率太低或不能及时获取实时客流，则调度决策时效性将会大大降低。
其中，关系式(13)-(15)为模型的客流约束；关系式(13)表示列车群r在区间(i,i+1)的列车数量需满足客流量/定员并向上取整；关系式(14)表示所有在区间(i,i+1)的客流量总和不能超过区间的售票上限；关系式(15)限定了模型中部分变量的取值范围，决策变量均为正整数。
适应实时客流的虚拟耦合动态调度的模型以列车群中列车数量为决策变量，同时模型中存在部分非线性的模型约束，同时每列车到达第一个车站的列车数量作为已知量输入，该模型为确定部分决策变量的整数非线性规划模型。
其中，所述客流约束表现为列车数量需满足客流量/定员并向上取整、客流量总和不能超过区间的售票上限、模型中部分变量的取值范围，决策变量均为正整数。
上述面向实时客流的动态调度时空决策模型中，决策变量是列车r到达车站i的列车数量
Figure BDA0001940343190000091
与离开车站i的列车数量
Figure BDA0001940343190000092
模型输入给定的参数的各参数值，通过一定的求解算法，可得到满足关系式(2)-(15)中约束条件且使得关系式(1)中优化目标成立的全局最优解，即最全局最优时决策变量的取值。
步骤二，确定以下中的一种或多种调度参数：
客流时间分布、客流空间分布、车次虚拟解挂次数、车站解编能力、车辆编组数量；
具体的，上述客流时间分布、客流空间分布，是通过售票情况获取实时客流在各车次的分布情况；
其中，所述客流空间分布包括同一时间范围内以下中的一种或多种客流量分布情况：
不同区域客流量、不同线路客流量、不同区段客流量、不同方向客流量、同一线路不同车次客流量。
其中，所述客流时间分布包括同一区段内一个或多个列车群客流量分布情况。
具体的，所述初步调度决策包括制定调整客流空间分布的决策和制定调整客流时间分布的决策。
其中，基于所述客流空间分布，调整列车群的组成；即所述制定调整客流空间分布的决策是采用虚拟耦合的模式，列车群在运行过程中可在客流量较大的区段增加列车数量，在客流量较小的区段减少列车数量。
示例性的，如图3所示，以A站为始发站、以B站为终到站的列车，经停车站C和车站D，若采用既有模式列车的编组与最大客流区段C-D直接相关，需全程采用16编组(目前高铁最大编组)的列车；改用虚拟耦合列车群的模式，客流突变的区段为C-D，列车群规模在运行过程中可在C站和D站进行一定的变化。假如采用动车组单元为4编组的列车群，所述调度策略为列车群在C站增加列车的数量，在D站减少列车的数量。
其中，所述制定调整客流时间分布的决策包括基于所述客流时间分布，调整列车群的组成；即所述制定调整客流时间分布的决策是根据旅客出行选择的偏好进行动态调度，实时调整列车群的组成，增加热门车次列车群的规模、降低上座率较低车次的列车群规模，从而进一步节约运输资源，能够更大程度地满足旅客的出行需求，提高旅客出行的满意度。
示例性的，在图4所示，用线条粗细代表列车上客流量，线条越粗代表客流量越大，在一个时间段内，存在多列相同OD的列车，既有模式下选择列车2出行的旅客数量明显高于选择列车1出行的旅客数量。基于虚拟耦合模式时，所述调度策略为根据实时客流情况缩小列车群1的规模，减去X列车，增加列车群2的规模，增加X列车。
步骤三，基于所述时空决策模型与所述确定的调度参数，确定调度决策。
其中，所述实时客流的动态调度时空决策模型主要受到出行需求、运输能力、车底配属等因素的影响，这些因素构成模型的主要约束；具体的，所述最终的调整决策是在虚拟耦合的模式下，以可变编组技术为核心的调度策略，可灵活控制列车群的规模。
所述基于实时客流动态调度时空决策模型，以实时客流分布与动车组车底周转计划等信息为基本输入；研究旨在解决在虚拟耦合模式下，通过更加科学的调度策略，实现运输资源的可配置从而进一步缓解供需不平衡的问题；如图5所示，将实际客流在车次实际分布、列车时刻表、动车组车底计划等相关信息为基本输入，以运能可配置为研究目标，在满足出行需求、运输能力限制、车底配置、列车虚拟解挂限制、车站等模型约束内，建立实时客流的动态调度时空决策模型。
最后，通过做出调度决策，结合实际运输资源(包括指车底配置、车站的规模、车站的布局)情况，形成有效的可操作的调度命令，将调度决策下放到调度台，调度执行。
以京沪高铁上海虹桥-滁州区段进行说明。
选取京沪高铁上海虹桥-滁州区段(里程343km，运行时间约2小时)，选取由上海虹桥开往北京方向的所有11:00-13:00到达南京南的11列列车作为研究范围内的所有车次制定动态调度方案。
模型中主要参数确定为：每个车次虚拟解挂次数(M0)最多为2，车站解编能力(M2和M3)为8，动车组单元为2编组；模型中共有1206个变量和2341个约束。
模型求解结果如图6所示，三角形代表列车在该站停站，空心三角形表示停站时列车群进行虚拟解编作业，其中有5个列车群在苏州北站进行虚拟解编作业，其中有5个列车群进行了2次虚拟解编的作业，有2个列车群进行了1次虚拟解编的作业。
分别求解既有模式、虚拟耦合4编组模式(场景3)和虚拟耦合2编组模式(场景1)的客座率，其中既有模式场景采用目前的多编组技术(8编或16编)，列车编组根据最大客流区间确定。
分析三种场景下，列车在各区段的平均客座率，如图7所示，调整后的方案平均客座率均较高，虚拟耦合的场景相较既有模式列车平均客座率均有不同程度的提升，所有列车平均客座率均可提升至90％以上，其中有33％的车次的平均客座率可提升10％及以上。
分析三种场景下剩余空座与里程乘积(目标函数)的指标，如图8所示，采用虚拟耦合列车群的组织模式列车的空座里程都有大幅降低，采用虚拟耦合列车群4编组模式，上海虹桥-南京南区段空座里程降低22.3％，则虚拟耦合列车群2编组模式与既有模式相比，空座里程降低43％。
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 (6)

1.一种基于虚拟耦合模式的动态调度时空决策方法，其特征在于：所述方法包括：
构建实时客流的动态调度时空决策模型；
所述构建实时客流的动态调度时空决策模型包括，
确定以下参数：列车单元的定员、列车群的组成决策变量、区间(i,i+1)的运输距离、列车群r在区间(i,i+1)实际的客流量；
基于上述确定的参数，确定所述调度时空决策的目标函数；
所述调度时空决策的目标函数如下：
Figure FDA0002957822180000011
Figure FDA0002957822180000012
Figure FDA0002957822180000013
Figure FDA0002957822180000014
Figure FDA0002957822180000015
0≤δr≤M1 (6)
Figure FDA0002957822180000016
Figure FDA0002957822180000017
Figure FDA0002957822180000018
Figure FDA0002957822180000019
Figure FDA00029578221800000110
Figure FDA00029578221800000111
Figure FDA00029578221800000112
Figure FDA00029578221800000113
Figure FDA0002957822180000021
式中，d(i,i+1)——区间(i,i+1)的运输距离；
Dr——一个列车单元的定员；
M0——列车群r在车站i列车数量的变化的最大值；
M1——列车群i允许虚拟解编总次数；
M2——一个时段内所有列车群在车站i内虚拟解编的列车的最大值；
M3——一个时段内所有列车群在车站i内虚拟联挂的列车的最大值；
Bi——车站i在一个时段内的存车数量最大值；
C(i,i+1)——区间(i,i+1)能力最大值；
R——列车群集合，r表示某个列车群，r∈R；
N——车站集合，i表示某个车站，i∈N；
T——时段集合，t表示某个时段，t∈T；
s(i,i+1)——区间集合，其中，区间集合由两个相邻车站构成，(i,i+1)表示由车站i和i+1构成的区间；
Figure FDA0002957822180000022
——列车群的组成决策变量，列车群r到达车站i的列车数量；
Figure FDA0002957822180000023
——列车群的组成决策变量，列车群r离开车站i的列车数量；
Figure FDA0002957822180000024
——列车群的组成决策变量，列车群r在区间(i,i+1)的列车数量，可等同于
Figure FDA0002957822180000025
和
Figure FDA0002957822180000026
Figure FDA0002957822180000027
——列车群r在区间(i,i+1)计划的列车数量；
Figure FDA0002957822180000028
——列车群r在区间(i,i+1)变化的列车数量；
Figure FDA0002957822180000029
——列车群r在车站i最大可能的列车数量；
Figure FDA00029578221800000210
——列车群r在区间(i,i+1)实际的客流量；
δr——列车群r在研究时段、研究区段列车虚拟解编作业次数；
Figure FDA00029578221800000211
——列车群r的列车数量是否在车站i发生变化，
Figure FDA00029578221800000212
Figure FDA00029578221800000213
——列车群r能否在车站i进行虚拟解编作业，
Figure FDA00029578221800000214
Figure FDA0002957822180000031
——在t时段，列车群r是否在车站i停站，
Figure FDA0002957822180000032
确定以下中的一种或多种调度参数：
客流时间分布、客流空间分布、车次虚拟解挂次数、车站解编能力、车辆编组数量；
基于所述时空决策模型与所述确定的调度参数，确定调度决策。
2.根据权利要求1所述的方法，其特征在于：所述构建实时客流的动态调度时空决策模型还包括，
基于所述确定的参数，形成以下约束：列车群的列车数量变化关系约束、列车群的组成决策变量约束、列车群解编条件约束、列车群的列车数量变化约束、列车群的虚拟解编作业次数约束、列车群在车站内减少和增加的列车数量约束、车站存车数量约束、客流量/定员的约束、售票上限的约束、决策变量的取值约束。
3.根据权利要求1所述的方法，其特征在于：所述关系式(2)-(10)为模型的有效性约束；所述关系式(11)-(12)为模型时效性约束；所述关系式(13)-(15)为模型的客流约束。
4.根据权利要求1-3任意一项所述的方法，其特征在于：所述客流空间分布包括同一时间范围内以下中的一种或多种客流量分布情况：
不同区域客流量、不同线路客流量、不同区段客流量、不同方向客流量、同一线路不同车次客流量。
5.根据权利要求1-3任意一项所述的方法，其特征在于：所述客流时间分布包括同一区段内一个或多个列车群客流量分布情况。
6.根据权利要求1-3任意一项所述的方法，其特征在于：所述确定调度决策为调整列车群的组成。
CN201910019669.8A 2019-01-09 2019-01-09 一种基于虚拟耦合模式的动态调度时空决策方法 Active CN109774750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910019669.8A CN109774750B (zh) 2019-01-09 2019-01-09 一种基于虚拟耦合模式的动态调度时空决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910019669.8A CN109774750B (zh) 2019-01-09 2019-01-09 一种基于虚拟耦合模式的动态调度时空决策方法

Publications (2)

Publication Number Publication Date
CN109774750A CN109774750A (zh) 2019-05-21
CN109774750B true CN109774750B (zh) 2021-04-20

Family

ID=66500217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910019669.8A Active CN109774750B (zh) 2019-01-09 2019-01-09 一种基于虚拟耦合模式的动态调度时空决策方法

Country Status (1)

Country Link
CN (1) CN109774750B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110803195A (zh) * 2019-11-28 2020-02-18 通号城市轨道交通技术有限公司 一种列车的虚拟联挂模式的切换方法及装置
CN110920695B (zh) * 2019-12-02 2021-11-12 交控科技股份有限公司 基于互联互通的车辆配置优化方法及装置
CN111260190B (zh) * 2020-01-09 2023-07-21 中国铁道科学研究院集团有限公司电子计算技术研究所 铁路区段的客流密度的评估方法及其装置
CN111231991B (zh) * 2020-04-26 2020-09-08 北京全路通信信号研究设计院集团有限公司 灵活编组下单位时间的非编组周期内列车数量的计算方法
CN111231992B (zh) * 2020-04-26 2020-09-08 北京全路通信信号研究设计院集团有限公司 编组周期内不进行编组作业的列车数量的计算方法
CN112706803B (zh) * 2021-01-07 2021-08-17 北京交通大学 一种地铁列车救援自动调整方法及系统
CN113911181B (zh) * 2021-08-06 2022-11-04 同济大学 一种基于虚拟编组的列车控制系统兼容方法
CN114104041A (zh) * 2021-12-02 2022-03-01 北京城建设计发展集团股份有限公司 一种轨道交通运能策略优化方法、系统及电子设备
CN114604295B (zh) * 2022-04-01 2023-01-03 北京交通大学 一种列车虚拟编组运行方式的建立方法
CN114725971B (zh) * 2022-06-10 2022-09-06 北京大学 一种基于混合储能系统的运行决策方法及系统
CN115743247B (zh) * 2022-11-07 2024-09-27 同济大学 一种面向双线汇合线路的虚拟编组列车编队结构决策方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4926343A (en) * 1985-02-28 1990-05-15 Hitachi, Ltd. Transit schedule generating method and system
CN103246956A (zh) * 2013-05-06 2013-08-14 北京交通大学 随机需求条件下高速铁路网络中旅客列车灵活调度的方法
CN105128894A (zh) * 2015-09-02 2015-12-09 深圳市地铁集团有限公司 一种列车的运行调度方法及运行调度系统
CN106056242A (zh) * 2016-05-25 2016-10-26 中南大学 基于客流动态分配的高铁列车开行方案评价方法
CN107330539A (zh) * 2017-05-18 2017-11-07 北京交通大学 基于客流分配的铁路列车运行图与停站方案协同优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108146471B (zh) * 2017-12-22 2020-07-03 交控科技股份有限公司 采用基于车车通信的cbtc系统应对潮汐客流的运行方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4926343A (en) * 1985-02-28 1990-05-15 Hitachi, Ltd. Transit schedule generating method and system
CN103246956A (zh) * 2013-05-06 2013-08-14 北京交通大学 随机需求条件下高速铁路网络中旅客列车灵活调度的方法
CN105128894A (zh) * 2015-09-02 2015-12-09 深圳市地铁集团有限公司 一种列车的运行调度方法及运行调度系统
CN106056242A (zh) * 2016-05-25 2016-10-26 中南大学 基于客流动态分配的高铁列车开行方案评价方法
CN107330539A (zh) * 2017-05-18 2017-11-07 北京交通大学 基于客流分配的铁路列车运行图与停站方案协同优化方法

Also Published As

Publication number Publication date
CN109774750A (zh) 2019-05-21

Similar Documents

Publication Publication Date Title
CN109774750B (zh) 一种基于虚拟耦合模式的动态调度时空决策方法
Su et al. Design of running grades for energy-efficient train regulation: a case study for beijing yizhuang line
Huang et al. Joint train scheduling optimization with service quality and energy efficiency in urban rail transit networks
CN110782079B (zh) 基于停站方案节能的高速铁路列车运行图的调整方法
Gong et al. Train timetabling with dynamic and random passenger demand: A stochastic optimization method
CN111932034B (zh) 一种区域多制式轨道交通列车开行方案编制方法及其系统
Zhan et al. Energy-efficient high-speed train rescheduling during a major disruption
CN112231796B (zh) 考虑旅客时空出行分布的周期列车停站方案优化建模方法
Li et al. Comprehensive optimization of a metro timetable considering passenger waiting time and energy efficiency
Zhou et al. Integrated timetable rescheduling for multidispatching sections of high-speed railways during large-scale disruptions
Bie et al. Bus scheduling of overlapping routes with multi-vehicle types based on passenger OD data
CN112070298B (zh) 一种目标城市铁路互联互通运营组织方案优化方法
CN111815166A (zh) 基于客流分配的城市公共交通系统的协同优化方法和装置
CN112580866A (zh) 基于全程车与区间车组合调度的公交线路串车优化方法
Tang et al. Optimization for operation scheme of express and local trains in suburban rail transit lines based on station classification and bi-level programming
Ling et al. Dynamic train formation and dispatching for rail transit based on virtually coupled train set
CN117875674B (zh) 一种基于Q-learning的公交调度方法
Zhou et al. Metro scheduling to minimize travel time and operating cost considering spatial and temporal constraints on passenger boarding
Geng et al. Integrated scheduling of metro trains and shuttle buses with passenger flow control strategy on an oversaturated metro line
Yildiz et al. A Timetable Optimization Model for the Istanbul, Turkey, Metro Network Considering a Novel Regenerative Braking Energy Model
Tian A short-turning strategy for the management of bus bunching considering variable spatial-temporal running time
Hou et al. Automatic Train Regulation with Time Tuning and Holding Control under the Saturated Passenger Demand Condition
Hou et al. Optimization of Passenger and Freight Collaborative Transportation for Urban Rail Transit under Virtual Coupling Condition.
Li et al. Metro train scheduling optimization for virtual coupling based train control
Hu et al. An integrated optimization approach of high-speed railway line plan to network load-balancing

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