CN114020808A - 基于多日客流融合的城市轨道交通行车方案计算方法 - Google Patents
基于多日客流融合的城市轨道交通行车方案计算方法 Download PDFInfo
- Publication number
- CN114020808A CN114020808A CN202111285336.3A CN202111285336A CN114020808A CN 114020808 A CN114020808 A CN 114020808A CN 202111285336 A CN202111285336 A CN 202111285336A CN 114020808 A CN114020808 A CN 114020808A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- driving
- time
- interval
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 49
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 abstract 1
- 235000019580 granularity Nutrition 0.000 description 25
- 238000010586 diagram Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多日客流融合的城市轨道交通行车方案计算方法,包括以下步骤:S1:根据线路基础信息,自定义设置交路路径、计算时域、计算时间粒度、行车间隔取值范围约束和最大满载率约束;S2:根据计算时域和时间粒度,对相应的多日客流数据进行预处理,再采用聚类分析方法获取不同时段的断面客流需求量;S3:分不同交路形式,结合全列车定员人数,分类计算每个时间粒度内满足客流需求量、满载率和取值范围约束的行车间隔及双交路开行比例;S4:按时间顺序输出行车方案计算结果和对应的客流需求量,合并结果相同或相近的时间粒度形成多峰期方案。本发明具有提高多日客流数据处理效率、精细化运能运量匹配、贴合运营实践规则等优点。
Description
技术领域
本发明涉及轨道交通行车计划技术领域,尤其是涉及一种基于多日客流融合的城市轨道交通行车方案计算方法。
背景技术
城市轨道交通主要服务于通勤客流,运营单位需要制定与客流需求相匹配的列车开行方案。除了线路基础设施的限制,客流特征是制定列车开行方案的主要依据。客流的潮汐性、双向不均匀性、时空不均衡性等影响开行方案的复杂程度。
开行方案主要包括行车间隔方案、车辆编组方案和列车停站方案。车辆编组方案一般在线路设计之初确定,停站方案根据初期客流预测和信号系统条件确定,两者较少有更新。而行车间隔方案不仅要适应不同时空范围客流需求,还要根据不同时期的客流变化进行修改。因此运营实践中提到开行方案时主要指的是行车间隔方案,简称行车方案,包括开行交路或交路组合、每个方向行车间隔及多交路开行比例。根据不同条件下的客流特征,结合线路满载率的要求和变化,需要制定和更新多种版本的行车方案。
断面客流数据可以作为制定行车方案的基础。目前断面客流数据的获取方式已较为成熟,当天运营结束后,各城市轨道交通通过票务清分系统计算每条线当天的断面客流数据,并与历史数据一并存储。但由于缺乏用客流数据直接计算行车方案的辅助决策工具,编图人员需要首先分析客流数据,再人工推定行车方案,不仅效率低,而且容易出现人为误差。另外,精准化的运营需要结合多个特征日大量的客流数据进行分析和决策,目前的方法很难达到。相关研究主要关注客流驱动的不均匀时刻表和不规则停站方案,理论和结果较难直接应用于实践。
发明内容
有鉴于此,本发明的目的是针对现有技术的不足,提供一种基于多日客流融合的城市轨道交通行车方案计算方法,该方法在满足行车方案自定义配置和约束的基础上,融合多日客流数据计算行车方案,并输出可用于运行图编制的行车方案结果。
为达到上述目的,本发明采用以下技术方案:
基于多日客流融合的城市轨道交通行车方案计算方法,包括以下步骤:
步骤S1:根据线路基础信息,自定义设置交路路径、计算时域、计算时间粒度、行车间隔取值范围约束和最大满载率约束;
步骤S2:根据计算时域和时间粒度,对相应的多日客流数据进行预处理,再采用聚类分析方法获取不同时段的断面客流需求量;
步骤S3:分不同交路形式,结合全列车定员人数,分类计算每个时间粒度内满足客流需求量、满载率和取值范围约束的行车间隔及双交路开行比例;
步骤S4:按时间顺序输出行车方案计算结果和对应的客流需求量,合并结果相同或相近的时间粒度形成多峰期方案,从而用于运行图编制。
优选地,所述的步骤S2中的多日是指多个连续的相同特征日,如多个连续的周一。
优选地,所述的步骤S2中的对相应的多日客流数据进行预处理,还包括以下步骤:
步骤S2.1:对每日的客流数据,首先根据计算时域的开始、结束时间截取到该范围内的原始客流数据;
步骤S2.2:将原始数据统一转换为最小统计粒度数据,即按最小统计粒度重新划分每个断面的客流数据;
步骤S2.3:结合所选方案的计算时间粒度,对重新划分的客流数据进行匹配和加和,得到每个计算时间粒度下的样本客流数据。
优选地,所述的步骤S2中的采用聚类分析方法获取不同时段的断面客流需求量具体为:
针对每个平峰时段的断面,考虑数据的离散程度较高问题,采用聚类算法对每个断面的多日样本客流数据进行中心数为2的聚类分析,得到数据较多的组为常态数据组,较少的组为异常数据,提取常态数据的聚类中心数值,作为平峰时段该断面的客流需求量;
针对每个高峰时段的断面,注重满足最大的客流需求量,在采用聚类算法得到常态数据组的基础上,提取常态数据中的最大值,作为高峰时段该断面的客流需求量。
优选地,所述的步骤S3中的分不同交路形式指的是分单交路和双交路,其中双交路是指具有重合部分,即共线段的两个交路。
优选地,所述的步骤S3中的分类计算每个时间粒度内满足客流需求量、最大满载率和取值范围约束的行车间隔及双交路开行比例,具体为:
按双方向满足客流需求分两种情况:情况一为上行和下行均满足上下行所有断面客流需求量中的最大值,此时只计算一次且上下行行车间隔相同;情况二为上行和下行分别满足各自方向的断面客流需求量最大值,此时分上下行各计算一次,上下行行车间隔可以不同。基本计算方法为:
期望行车间隔=计算时间粒度/期望开行列次 (2)
计算行车间隔=max[min(期望行车间隔,最大行车间隔),最小行车间隔] (3)。
优选地,对于单交路形式,采用所述的基本计算方法计算每个时间粒度内满足客流需求量、满载率和取值范围约束的行车间隔及双交路开行比例;
对于双交路形式,在所述的基本计算方法的基础上,还需增加修正计算方法:
先对每个非共线段,按基本方法计算初始行车间隔,再按式(4)得到初始开行列次;
再对共线段,每个交路初始列次为其所有非共线段初始列次中的最大值,根据两交路列次相比判断最接近的开行比例;按比例反推修正每个交路开行列次,合计为共线段初始列次;检查共线段初始列次是否满足共线段断面客流需求量最大值,满足则计算共线段行车间隔,确定两交路开行比例;不满足则得到列次差值,将两交路列次各增加差值的一半,再次判断开行比例和修正列次,得到最终的共线段行车间隔和两交路开行比例。
优选地,所述的步骤S4中的合并计算结果相同或相近的时间粒度形成多峰期方案是指根据实际需要对连续时间粒度的相近方案进行合并,合并后间隔取其中的最小值。其中,双交路形式下合并时还需要开行比例相同。
与现有技术相比,本发明具有以下优点:
1、支持融合多日客流数据,区别不同时段客流特征,为编图人员提供高效的数据处理方法,提高行车方案制定效率。
2、细分时间粒度计算行车方案,既使运能运量精准匹配,又自下而上得到峰期划分,使决策更贴合实际需求。
3、分不同交路形式、考虑双方向行车间隔均匀与否的需要,使行车方案更接近运营实践规则。
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所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明的整体流程示意图;
图2为本发明中计算双交路行车方案的流程图。
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的附图1和附图2,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于多日客流融合的城市轨道交通行车方案计算方法,在设置行车方案基础信息的基础上,预处理和聚类分析多日客流数据,考虑分方向、分交路特征计算满足方案约束和客流需求的行车间隔及双交路开行比例,并输出可用于运行图编制的多峰期行车方案结果。
参考图1,对本发明作进一步的说明,本发明的方法包括以下实施步骤:
S1:根据线路信息和运营时长规定,自定义设置行车方案的基础信息,包括交路路径、计算时域、计算时间粒度、行车间隔取值范围约束和最大满载率约束。其中,计算时域及运营开始时间和结束时间决定的时长;计算时间粒度默认为30分钟,还可以根据需要选择其他时间粒度;行车间隔取值范围是指运营要求的最大和最小间隔约束;最大满载率为全线所有断面不能超出的满载率取值。
S2:根据步骤S1中的计算时域和时间粒度,首先对相应的多个连续相同特征日的客流数据进行预处理,包括截取每日的客流数据得到计算时域内的数据,按最小统计粒度重新划分每个断面的客流数据,结合计算时间粒度进行二次匹配和加和,得到样本客流数据;针对每个平峰时段的断面,采用聚类算法对每个断面的多日样本客流数据进行中心数为2的聚类分析,得到数据较多的组为常态数据组,较少的组为异常数据,提取常态数据的聚类中心数值,作为平峰时段该断面的客流需求量;针对每个高峰时段的断面,在采用聚类算法得到常态数据组的基础上,提取常态数据中的最大值,作为高峰时段该断面的客流需求量。其中,最小统计粒度默认为5分钟,还可以根据要求配置其他统计粒度。
S3:分单交路和双交路形式,结合全列车定员人数,分双向均匀和不均匀两类情况计算每个时间粒度内满足步骤S2中的客流需求量和步骤S1中的满载率和取值范围约束的行车间隔及双交路开行比例。按双方向满足客流需求分两种情况:情况一为上行和下行均满足上下行所有断面客流需求量中的最大值,此时只计算一次且上下行行车间隔相同;情况二为上行和下行分别满足各自方向的断面客流需求量最大值,此时计算两次,上下行行车间隔可以不同。基本计算方法为:
期望行车间隔=计算时间粒度/期望开行列次 (2)
计算行车间隔=max[min(期望行车间隔,最大行车间隔),最小行车间隔] (3)
对于单交路,基本计算方法即可满足;对于双交路,还需增加修正计算方法,参考图2:
先对每个非共线段,按基本方法计算初始行车间隔,再按式(4)得到初始开行列次;
再对共线段,计算每个交路初始列次为其所有非共线段初始列次中的最大值,根据两交路列次相比判断最接近的开行比例,如1:1,1:2,2:1等;按比例反推修正每个交路开行列次,合计为共线段初始列次;检查共线段初始列次是否满足共线段断面客流需求量最大值,满足则计算共线段行车间隔,确定两交路开行比例;不满足则得到列次差值,将两交路列次各增加差值的一半,再次判断开行比例和修正列次,得到最终的共线段行车间隔和两交路开行比例。
S4:按时间顺序输出步骤S3中的行车方案计算结果和步骤S2中对应的客流需求量,根据实际需要对连续时间粒度的相近方案进行合并,双交路形式下合并时需要开行比例相同,合并后间隔取其中的最小值,形成多峰期方案,从而用于运行图编制。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.基于多日客流融合的城市轨道交通行车方案计算方法,其特征在于,包括以下步骤:
步骤S1:根据线路基础信息,自定义设置交路路径、计算时域、计算时间粒度、行车间隔取值范围约束和最大满载率约束;
步骤S2:根据计算时域和时间粒度,对相应的多日客流数据进行预处理,再采用聚类分析方法获取不同时段的断面客流需求量;
步骤S3:分不同交路形式,结合全列车定员人数,分类计算每个时间粒度内满足客流需求量、满载率和取值范围约束的行车间隔及双交路开行比例;
步骤S4:按时间顺序输出行车方案计算结果和对应的客流需求量,合并结果相同或相近的时间粒度形成多峰期方案,从而用于运行图编制。
2.根据权利要求1所述的基于多日客流融合的城市轨道交通行车方案计算方法,其特征在于,所述的多日是指多个连续的相同特征日。
3.根据权利要求1所述的基于多日客流融合的城市轨道交通行车方案计算方法,其特征在于,所述的对相应的多日客流数据进行预处理,还包括以下步骤:
步骤S2.1:对每日的客流数据,首先根据计算时域的开始、结束时间截取到该范围内的原始客流数据;
步骤S2.2:将原始数据统一转换为最小统计粒度数据,最小统计粒度数据为按最小统计粒度重新划分每个断面的客流数据;
步骤S2.3:结合所选方案的计算时间粒度,对重新划分的客流数据进行匹配和加和,得到每个计算时间粒度下的样本客流数据。
4.根据权利要求1所述的基于多日客流融合的城市轨道交通行车方案计算方法,其特征在于,所述的采用聚类分析方法获取不同时段的断面客流需求量的具体内容如下:
针对每个平峰时段的断面,考虑数据的离散程度较高问题,采用聚类算法对每个断面的多日样本客流数据进行中心数为2的聚类分析,得到数据较多的组为常态数据组,较少的组为异常数据,提取常态数据的聚类中心数值,作为平峰时段该断面的客流需求量;
针对每个高峰时段的断面,注重满足最大的客流需求量,在采用聚类算法得到常态数据组的基础上,提取常态数据中的最大值,作为高峰时段该断面的客流需求量。
5.根据权利要求1所述的基于多日客流融合的城市轨道交通行车方案计算方法,其特征在于,所述的分不同交路形式指的是分单交路和双交路,其中双交路是指具有重合部分,即共线段的两个交路。
7.根据权利要求6所述的基于多日客流融合的城市轨道交通行车方案计算方法,其特征在于,对于单交路形式,采用所述的基本计算方法计算每个时间粒度内满足客流需求量、满载率和取值范围约束的行车间隔及双交路开行比例;
对于双交路形式,在所述的基本计算方法的基础上,还需增加修正计算方法,具体为:先对每个非共线段,按基本计算方法计算初始行车间隔,再按式(4)得到初始开行列次;
再对共线段,每个交路初始列次为其所有非共线段初始列次中的最大值,根据两交路列次相比判断最接近的开行比例;按比例反推修正每个交路开行列次,合计为共线段初始列次;检查共线段初始列次是否满足共线段断面客流需求量最大值,满足则计算共线段行车间隔,确定两交路开行比例;不满足则得到列次差值,将两交路列次各增加差值的一半,再次判断开行比例和修正列次,得到最终的共线段行车间隔和两交路开行比例。
8.根据权利要求6所述的基于多日客流融合的城市轨道交通行车方案计算方法,其特征在于,所述的分类计算,具体为:
按双方向满足客流需求分两种情况:情况一为上行和下行均满足上下行所有断面客流需求量中的最大值,此时只计算一次且上下行行车间隔相同;情况二为上行和下行分别满足各自方向的断面客流需求量最大值,此时分上下行各计算一次,上下行行车间隔可以不同。
9.根据权利要求1所述的基于多日客流融合的城市轨道交通行车方案计算方法,其特征在于,所述的合并计算结果相同或相近的时间粒度形成多峰期方案是指根据实际需要对连续时间粒度的相近方案进行合并,合并后间隔取其中的最小值;其中,双交路形式下合并时还需要开行比例相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111285336.3A CN114020808A (zh) | 2021-11-01 | 2021-11-01 | 基于多日客流融合的城市轨道交通行车方案计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111285336.3A CN114020808A (zh) | 2021-11-01 | 2021-11-01 | 基于多日客流融合的城市轨道交通行车方案计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114020808A true CN114020808A (zh) | 2022-02-08 |
Family
ID=80059500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111285336.3A Pending CN114020808A (zh) | 2021-11-01 | 2021-11-01 | 基于多日客流融合的城市轨道交通行车方案计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114020808A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759535A (zh) * | 2022-11-22 | 2023-03-07 | 北京轨道交通路网管理有限公司 | 轨道交通运行图的分析方法及装置 |
-
2021
- 2021-11-01 CN CN202111285336.3A patent/CN114020808A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759535A (zh) * | 2022-11-22 | 2023-03-07 | 北京轨道交通路网管理有限公司 | 轨道交通运行图的分析方法及装置 |
CN115759535B (zh) * | 2022-11-22 | 2023-07-11 | 北京轨道交通路网管理有限公司 | 轨道交通运行图的分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200211374A1 (en) | System, method, and apparatus for analyzing a traffic road condition | |
CN102819955B (zh) | 基于车辆行程数据的道路网运行评价方法 | |
CN104809112B (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
CN103956050A (zh) | 基于车辆行程数据的道路网运行评价方法 | |
Lu et al. | Characterization of truck traffic in California for mechanistic–empirical design | |
CN110634292B (zh) | 一种基于路阻性能函数的行程时间可靠性估计方法 | |
CN102592447A (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN102800197A (zh) | 一种城市道路路段动态交通流基础数据的预处理方法 | |
CN111652520B (zh) | 一种基于大数据的路面养护智能决策系统及方法 | |
CN102521965A (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN114020808A (zh) | 基于多日客流融合的城市轨道交通行车方案计算方法 | |
CN112150802A (zh) | 基于地面公交运行状态可靠性的城市道路等级划分方法 | |
CN113920727B (zh) | 一种由施工引发道路拥堵的预测方法及系统 | |
Stembord | Quality of service on the main road network in the netherlands | |
CN116204576B (zh) | 一种公共交通数据生成gtfs格式数据的生成方法及系统 | |
CN110021178B (zh) | 一种基于路口相似度的信号配时方案推荐方法 | |
CN103077312A (zh) | 一种城市轨道交通线路建设时序的自动判定方法 | |
CN115293743A (zh) | 一种轨道交通运营时段划分方法、设备及存储介质 | |
CN112053570B (zh) | 一种城市交通路网运行状态监测评价方法及系统 | |
CN112330516B (zh) | 一种生成公路路面维修计划的方法和装置 | |
CN113762613A (zh) | 一种基于养护优先级排序的公路网养护规划方法 | |
CN113822502A (zh) | 一种公交运营规划方法、公交运营状态评估方法及其设备 | |
CN110555558A (zh) | 一种线路质量优化系统和方法 | |
CN111199303A (zh) | 一种分析铁路基础设施能力的参数压缩法 | |
CN110555991B (zh) | 一种线路质量优化的系统和方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Liu Fengbo Inventor after: Dou Liang Inventor after: Zhang Meng Inventor after: Cai Jingpeng Inventor after: Zhao Liujie Inventor after: Zhang Qi Inventor after: Feng Yu Inventor after: Lei Yunpeng Inventor before: Liu Fengbo |