CN114662778A - 一种城市轨道交通线网列车运行间隔协同决策方法 - Google Patents
一种城市轨道交通线网列车运行间隔协同决策方法 Download PDFInfo
- Publication number
- CN114662778A CN114662778A CN202210359748.5A CN202210359748A CN114662778A CN 114662778 A CN114662778 A CN 114662778A CN 202210359748 A CN202210359748 A CN 202210359748A CN 114662778 A CN114662778 A CN 114662778A
- Authority
- CN
- China
- Prior art keywords
- train
- station
- time
- passenger
- departure
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012546 transfer Methods 0.000 claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013459 approach Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000002175 menstrual effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种城市轨道交通线网列车运行间隔协同决策方法,包括以下步骤:步骤1:获取列车运行基本信息和动态客流数据;步骤2:根据列车运行基本信息,为每名乘客匹配到相应路径;步骤3:根据步骤2中的路径,刻画乘客的候车及上下车行为和列车在各站的到发及经停时间,以乘客总等待时间最短为优化目标,以乘客和列车为主体进行仿真;步骤4:若达到终止条件则退出仿真,即可得到各线路上换乘衔接最优的列车发车时间方案;本发明基于多主体仿真,将各具自身特点的主体依据其相互作用及逻辑结构联系在一起,构成一个系统,具有更强的适用性。
Description
技术领域
本发明涉及一种城市轨道交通优化方法,具体涉及一种城市轨道交通线网列车运行间隔协同决策方法。
背景技术
城市轨道交通系统各线间通过换乘站相连,随着其路网规模的不断扩大与完善,换乘站数量大幅增加,这使原本独立的线路关联得更加紧密。更多乘客需要通过换乘站完成各线路间的自由转换,以到达目的地。目前,大部分列车运行计划均是分线编制的,没有很好的考虑到线网间的联系。这使得各线间的换乘衔接成功率较低,并且会导致很多问题。如换乘站在高峰期涌现大量客流导致客流聚集,给车站造成巨大的压力。平峰时段乘客换乘等候时间较长,接近晚间运营结束时则会出现乘客可购票却无法成功换乘至下一接续列车的情况,致使乘客无法完成出行。
现有针对城市轨道交通换乘衔接优化的方法,主要存在以下几个方面的不足:1)从单个换乘站的角度优化;以单个换乘站为研究对象,得到的协调结果仅能针对以该站为换乘点的几条相关线路间实现乘客换乘接续时间优化。而不能实现整个线网中多个换乘站点的协调联动。2)以静态客流为数据基础;在城市轨道交通运营中,列车开行频率较高,乘客的乘车方式是随来随走,因此乘客到达车站的时空分布情况与列车运行图基本无关。在这种情况下,采用静态客流为数据,无法反映出随时间变化的不同客流OD需求,导致以此基础上调整的换乘衔接实用性不高。
发明内容
本发明针对现有技术存在的问题提供一种城市轨道交通线网列车运行间隔协同决策方法。
本发明采用的技术方案是:一种城市轨道交通线网列车运行间隔协同决策方法,包括以下步骤:
步骤1:获取列车运行基本信息和动态客流数据;
步骤2:根据列车运行基本信息,为每名乘客匹配到相应路径;
步骤3:根据步骤2中的路径,刻画乘客的候车及上下车行为和列车在各站的到发及经停时间,以乘客总等待时间最短为优化目标,以乘客和列车为主体进行仿真;
步骤4:若达到终止条件则退出仿真,即可得到各线路上换乘衔接最优的列车发车时间方案。
进一步的,仿真过程中,通过遗传算法进行求解;
以整个线网中每条线路上每辆列车的发车时间集合为个体,利用遗传算法进行编码;随机生成在研究时段内列车发车时间集合的初始种群;
对初始种群进行交叉变异后得到新的子代个体;
对每一个新的子代个体通过以乘客和列车为主体的仿真方法进行适应度值计算;
根据适应性函数,结合轮盘赌法和精英策略选择子代;判断是否达到收敛标准,如达到收敛标准则结束,否则进行下一轮迭代。
进一步的,所述步骤2中的为每名乘客匹配到相应路径的过程如下:
获取城市轨道交通线网数据,根据线网数据表中给出的各线车站序列和各站间的区间运行时分构建站间和运行时分的两个邻接矩阵;
根据邻接矩阵构造路网拓扑图,利用Dijkstra算法得到每一个车站至其他所有车站的最短路径和次最短路径;
将最短路径或次最短路径按途径车站的顺序将车站编号;将全部车站路径转化为站台路径。
进一步的,所述步骤3中的刻画乘客的候车及上下车行为和列车在各站的到发及经停时间包括以下内容:
S1:乘客通过闸机刷卡后,根据步骤2得到的路径,得到与线路和出行方向相对应的站台;将站台候车的全部乘客,按照到达站台时间先后顺序放置到站台P的候车队列集合QueueP中;
S2:对集合QueueP中的每一个乘客,判断其下车站台;
S3:判断列车是否到达车站,若到达车站则更新列车状态;若列车处于区间运行状态,则检查该列车与前方列车的间隔是否符合规定;若前序列车在站未发车则调整该列车运行时间,直到前序列车发车;若前序列车已经离开下一站,判断该列车到达时刻与下一站台上一列车的发车时刻的时间差是否满足到发间隔,若不满足则更新后方列车到达时刻;
S4:当列车在站时,对列车完成在站操作;即完成乘客上下车操作,计算停站时间;
S5:当时间与计算得到的列车本站发车时间相同,则列车离站;并判断是否为终点站;若不是终点站则更新列车在本站的到发时刻表;若是终点站则更新列车在本站的到发时刻表后,将该列车信息移至已抵达终点站的列车集合。
进一步的,所述仿真主体列车仿真过程如下:
S11:列车从车辆段始发;
S12:判断列车是否到站;
S13:列车到站停车,判断列车是否到达终点站;若是则判断列车是否满足发车条件;若否则列车折返或回车辆段;
S14:若列车满足发车条件,则列车离站,为区间运行,返回步骤S12。
进一步的,所述仿真主体乘客仿真过程如下:
S21:生成乘客,根据线网情况匹配最短路径;
S22:乘客进入相应站台;
S23:更新乘客候车队列,并判断乘客下车站台;
S24:判断乘客是否能上车,若能则转入步骤S25;若否则为滞留乘客,转入步骤S23;
S25:随车运行;
S26:判断乘客本站是否下车,若是则转入步骤S27;若否则转入步骤S25;
S27:判断本站是否为该乘客目的站;若是则乘客出站;若否则转入步骤S28;
S28:判断乘客目的站是否在本线上,若是则小交路到站,停留在本站台继续候车,转入步骤S22;若否则换乘,通过换乘通道至相应站台,转入步骤S22。
进一步的,所述S3过程如下:
S31:列车处于等待到达状态,且系统当前时间t等于计算得到的列车到达时间,则说明该列车此时到达车站;
S32:若此时列车到达的是终点站,则列车的停站时间为最大停站时间,待出发时间为到达时间加最长停站时间,更新列车状态;当系统时间t递增到该列车的待出发时刻后完成列车离站作业;
S33:若此时列车到达的是中途站,则更新列车状态,记录列车到站时间,完成列车在站操作;
S34:若系统当前时间t不等于计算得到的列车到达时间,则列车处于区间运行状态;
S35:若前序列车在站未发车,则判断最小追踪间隔;其中typ-p+1为列车从站台P至站把台P+1的运行时分;Nowtime为当前系统时间,为列车l在车站P的出发时间;若满足则转入步骤S36;若不满足,则运行速度减缓,并重新更新计算列车到达下站时间,直到前序列车出发;
进一步的,所述S4过程包括乘客下车操作、乘客上车操作和列车停站时间;
乘客下车操作过程如下:
S412:逐一判断此时在站台P下车的乘客是否到达目的站;即在每名乘客路径PsgPathi中,判断下车站台P对应索引值index是否等于乘客途径站台个数-1;若是则转入步骤S416,若否则转入步骤S413;
S413:获取站台P索引值+1对应的站台编号,判断该站台是否在本线路运行的交路中;若是则转入步骤S414,若否则转入步骤S415;
S415:获取乘客路径PsgPathi中索引index+1对应的站台编号;获取两条线路站台在该车站的乘客平均换乘走行时间trsps p-p′;乘客到达该换乘站台时间为将其按时间顺序插入新站台候车队列排序;
S416:从乘客集合中移除该乘客,添加至已到站乘客集合中;
乘客上车操作过程如下:若列车到达站台为途径站按下述过程操作,若为终点站则乘客无需上车;
S421:获取站台P对应的乘客候车队列Queuep,根据时间和容量约束条件判断乘客是否有资格上车;若两个约束条件均满足则该名乘客可以上车;
S422:在候车队列删除该上车乘客,更新该乘客等待时间;
S423:更新列车下车集合;
S424:更新列车实时载客量;
列车停站时间过程如下:
若列车所在站台为中途站台,则按照下述步骤计算列车停站时间:
S431:计算乘客的上下车时间:
S432:设定最大最小停站时间约束,若不满足约束则调整停站时间,若大于最大停站时间则将本站停站时间更新为最大停站时间;若小于最小停站时间则将本站停站时间更新为最小停站时间;
S436:更新列车为待发车状态;
若列车所在站台为终点站,则列车的停站时间为最大停站时间,待出发时间为到达时间加最长停站时间,更新列车状态。
本发明的有益效果是:
(1)本发明基于多主体仿真。在仿真过程中,详细刻画乘客的出行行为和列车在各站的到发及经停时间,得到乘客和列车在时空间层面的变化。同时将两个主体依据其相互作用及逻辑结构联系在一起,构成一个系统,具有更强的适用性;
(2)本发明在现有开行方案的基础上,通过优化列车的发车时间,缩短乘客换乘等待时间,提升乘客在换乘站的换乘效率,从而加强城市轨道交通服务水平。通过灵活调整列车停站时间,加快车底周转,提高车底使用效率、城市轨道交通线网的运输效率,同时减少城市轨道交通运营成本。
(3)本发明结合动态客流数据,能够更有针对性的对当前乘客情况,进行列车运行调整,使得优化后的运行图更具有实用性。
附图说明
图1为本发明流程示意图。
图2为列车的仿真流程示意图。
图3为乘客的仿真流程示意图。
图4为本发明实施例中车站及站台编号示意图。
图5为本发明实施例中车站及站台编号示意图。
图6为本发明实施例中列车编码示意图。
图7为本发明实施例中追踪间隔示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
如图1所示,一种城市轨道交通线网列车运行间隔协同决策方法,包括以下步骤:
步骤1:获取列车运行基本信息和动态客流数据;列车基本信息包括线网结构、车站布局、运营交路、列车运行基本信息。
步骤2:根据基本路网信息,对车站和站台进行编号,为每名乘客匹配到相应路径;
首先,对乘客上下车规则、大小交路情况下的上车选择进行假设。
如图4所示,从1号线开始按线路编号顺序和该线列车上行运行方向依次途径的车站顺序编号。如是换乘站,则保留最先线路途径时赋予的编号,后一线路标到该站时直接跳过该站继续编号。对于站台编号,统一为5位数字编码,第一位表示线路编号。第二位表示上下行:1表示上行,2表示下行(为简便将岛式站台也划分为上行站台和下行站台计数)。后三位表示车站编号,如11003表示1号线3车站的上行站台。
乘客在面临是否选择搭乘拥挤度高的列车时,抉择结果不同。一般情况下,通勤乘客对拥挤的敏感度较弱,而非通勤乘客相对于拥挤的敏感度较强,可能会选择搭乘下一班车。而在实际应用中乘客对拥挤度的敏感情况很难准确把握。另外,乘客的上下车速率会受许多条件影响,如乘客年龄、车内拥挤度、候车队列及上下车并行时的混乱度、上下车的人数及位置等。本方法中为简化上下车过程,假设乘客按照“先下后上”的原则,只要车内有剩余容量时乘客均选择上车,并且所有乘客以相同速率完成上下车运动。
在实际生活中,若乘客了解列车运营小交路无法到达计划的下车站点时,一般会有两种选择方案。即登上当前列车并在小交路终点站下车并在原地继续等待大交路列车,以及在候车站停留等待开行大交路的列车。本方法中,规定当乘客的目的车站在大交路上,但遇到当前到达列车为小交路运营时,均先选择登上列车。并在小交路终点站的站台同台换乘至能够到达目的站点的大交路运营列车。
首先寻找任意两站间可行路径
读取线网数据,根据线网数据表中给出的各线车站序列和各站间的区间运行时分构建站间和运行时分的两个邻接矩阵,在矩阵构造中添加一个虚拟的0号车站,作为车辆段。位于索引表示的第0行第0列,其数值表示从车辆段到始发车站的运行时分,这样刚好使得矩阵中索引为X的行便表示第X个车站。利用邻接矩阵构造路网拓扑图,在此基础上利用Dijkstra算法找到每一个车站至其他所有车站的最短路径和次最短路径。
途径车站路径转化为途径站台径路
将得到的最短或次短路径按途径车站的顺序比较车站编号,如果车站编号按顺序递增则为上行方向,否则为下行方向,依次匹配相应上下行站台编号。如遇到换乘情况,则找到对应换乘车站,将该车站分为两个站台记录到途径站台中,第一个为前一线路的下车站台编号、后一个为本站换乘线路后的上车站台编号。将上一步得到的全部车站路径转化成站台路径,并记录在psgPlatformPath集合中以便后续匹配乘客路径需求。如图5所示,从车站1至车站5的途径车站序列为1、2、5;途径站台编号为11001、11002、21002、21005。、
步骤3:根据步骤2中的路径,刻画乘客的候车及上下车行为和列车在各站的到发及经停时间,以乘客总等待时间最短为优化目标,以乘客和列车为主体进行仿真;
随系统时间每更新一次,两个主体也根据自身情况和约束完成一次状态的更新。
列车主体
如图2所示,列车作为城市轨道交通系统中必不可少的一个主体,其主要行为包括从车辆段发车、到站、停站、离站。其状态更新遵循区间运行时分和客流所影响的停站时间。此外,列车作为乘客位置移动的载体,为保证行车安全,必须考虑车内乘客的容量限制,因此每当列车进行上下车作业时,需更新车内实时载客量及乘客剩余容量。
乘客主体
乘客作为城市轨道交通系统中的核心主体,其主要属性有:乘客初始进入城市轨道交通系统的车站名称与进入该站时间、乘客目的车站。如图3所示,主要行为有乘客出现、乘客到达站台、乘客候车、乘客上下车、乘客换乘、乘客出站等一系列过程,随着时间的推移,乘客不断更新所处状态和位置,直至完成全部流程。
仿真过程如下:
生成列车
列车生成是指某时刻列车从车辆段始发,该时刻由首班车的发车时间和发车间隔确定。通过调整列车的发车时刻和停站时间,在保证安全的前提下,优化线网中的换乘衔接,减少乘客总等待时间。发车间隔可以在一定范围内任意取值,任意一条线路的某两辆列车间发车间隔发生变化,都会产生一个新的解。该优化模型构成了一个NP-Hard的组合问题。遗传算法作为人工智能领域中,基于自然种群遗传进化过程的启发式算法,其通过选择、交叉、变异、自然选择等方式概率化生成新物种寻优,自适应调整搜索方向,特别是在解决轨道交通事件调度问题中,表现出较好的优越性。
通过算法搜索确定在原始开行方案上每辆车的最优始发时刻,针对列车的发车时间进行编码。以路网中各线路每列车的发车时间集合(以秒为单位)作为个体。编码方式为浮点数(整数)编码。将每条线路的上下行分别看成一条单独的线路存在,研究其发车间隔。采用的发车间隔取值范围为a-b,(单位min,a、b值人工输入)。通过[3600/60×a]得到每条线路在研究时段的最大发车数。也就是在编码中为每条线路预留的格数,其顺序和数值代表着在研究时段内第几辆车的发车时间是第几秒钟,相邻两数相减所得即为相邻辆车的发车间隔。后一格时间等于前一格时间加上两车间的发车间隔,直到最后列车的出发时间超过研究时段的最大值时,将其值变为0。也就是说在该时段内,列车无需发车。
编码如图5所示,采用的发车间隔取值范围为6min~10min,3600/60×6,各线路的格数为10。
初始解集的发车间隔范围根据高平峰或各城市规定由人工输入,初始解集的间隔值选取在给出的范围内随机产生,得到初始解后,重点检验大小交路间的重叠区域间隔是否满足安全间隔的要求,保证初始解可行。
在初始种群的基础上,为丰富备选集合,对种群中的个体进行交叉变异操作。随机选取两个个体,在这两个即将配对的个体编码串中,随机设置两个交叉点,并交换两个交叉点之间的染色体片段。针对个体变异时,设变异率Pb,随机在(0,1)区间内生成一个数X,假设Pb>X。则对染色体进行变异操作,否则该个体不进行任何变化。变异时单个基因点以随机步长进行变异,即随机给某个基因点位置数值加上或者减去一个实数。
对得到的子代个体,通过四条约束检验调整子代个体的可行性。1)编码数组中相邻两位置,后一位置比前一位置值大,且相减的差值应该大于最小发车间隔。2)相邻两位置,后一位置比前一位置值大,相减的差值应该小于最大发车间隔。3)根据前两个约束,对不满足的发车时间进行调整。先冒泡排序的方法调整顺序后,针对不满足最大最小发车间隔的个体,依次向前向后顺延时间,保证其满足间隔约束,并把计算值超过研究时段的数值变为0。4)检查每条线路上的最大发车时间加上最小的发车间隔是否在研究时段内,如果在则再加开列车,发车时间为目前最大发车时间加开列车。发车时间为目前最大发车时间加最小发车间隔,反复该过程直至每条线路上的最大发车时间加上最小的发车间隔超出研究时段时长。
调整可行性后的子代和父代,通过适应度函数进行选择。基于每一个个体生成运行图,即按照其编码表示的发车时间进行发车,并通过下述仿真方法求得该个体对应的适应度值。列车依照该子代染色体给出的发车信息和开行方案,根据系统时间的更新,逐个生成新的列车对象,从车辆段驶出,初始化该列车的到发时刻表,按照线网和交路运行。
生成列车
刻画乘客的候车及上下车行为和列车在各站的到发及经停时间包括以下内容:
S1:乘客通过闸机刷卡后,根据步骤2得到的路径,得到与线路和出行方向相对应的站台;将站台候车的全部乘客,按照到达站台时间先后顺序放置到站台P的候车队列集合QueueP中;
乘客生成是从乘客刷卡通过闸机开始,记乘客i进站时间为分析挖掘乘客卡账户中累积的出行记录,基于梳理统计、贝叶斯推断等方法可以得到乘客出行OD的选择偏好以及出行行为特性。基于以上结果,假设均可以通过卡账户得到乘客出行行为进行OD预测。根据预测的OD数据,在psgPlatformPath集合中找到对应的最短路径和次最短路径。利用轮盘赌法确定乘客最终的匹配路径,将其储存在乘客i的途径站台即可PsgPathi中。此时系统时间为t,以Δt为步长更新时间,当值与系统时间t相同时生成一个出行径路和进站时间确定的乘客主体,记其编号为Psgi,路径为PsgPathi,放置于待出行乘客集合中。
乘客通过闸机刷卡后,根据匹配到的路径,到达与线路和出行方向相对应的站台。记车站S的评价乘客进站走行时间为也就是说当系统时间t更新等于时。乘客i进入正确站台开始候车,并将该名乘客从待出发集合中移除。实际情况中,乘客进入站台后会挑选一个合适的屏蔽门后开始排队,但其挑选过程是复杂且随机的,会受到扶梯及通道位置、车厢空调以及拥挤度提示等因素影响。因此仿真过程中,将站台候车的全部乘客,按照到达站台时间先后顺序放置到站台P的候车队列Queuep集合中。
S2:对集合QueueP中的每一个乘客,判断其下车站台;
针对每一个加入Queuep队列的乘客,判断其下车位置。通过两个局域变量,整数类型的PsgPathIndexi表示乘客途径站台PsgPathi的索引、布尔类型的Istransfer用于判断乘客是否换乘。初始PsgPathIndexi的值为0,每次循环递增1直到其值为乘客途径站台总数减一。从乘客的出发站台开始,把此时索引对应的站台编号除以1000取整得到线路编号。和当索引值为PsgPathIndexi+1同理计算的线路编号相比是否相同。如不相同则Istransfer=false,将当期索引值所对应的站台存入旅客属性nextoffstationi中记为乘客i在本线的下车车站。如果直至循环结束都相同,则说明乘客无需换乘,故将此乘客途径车站中最后一个站台编号加至乘客i对应属性nextoffstationi中。
S3:判断列车是否到达车站,若到达车站则更新列车状态;若列车处于区间运行状态,则检查该列车与前方列车的间隔是否符合规定;若前序列车在站未发车则调整该列车运行时间,直到前序列车发车;若前序列车已经离开下一站,判断该列车到达时刻与下一站台上一列车的发车时刻的时间差是否满足到发间隔,若不满足则更新后方列车到达时刻;
当是否处于等待到达状态IsReadyArrive的值为true,且系统当前时间t等于推算得到的列车到达时间时,则说明列车此时到达车站。若此时列车到达的是终点站,则列车的停站时间为最大停站时间,待出发时间为到达时间加最长停站时间,更新列车状态IsReadyArrive=true、列车是否处于在站状态IsAtStation=false、列车是否处于等待出发状态IsReadyGo=true,当系统时间t递增到该列车的待出发时刻后完成列车离站作业即可。若此时到达的是中途站,则更新列车状态IsReadyArrive=true、IsAtStation=false、IsReadyGo=true记录列车到站时间,并相应完成列车在站操作。
当IsReadyArrive的值为true,但系统当前时间t不等于推算得到的列车到达时间时,认为列车处于区间运行状态。在此状态下需要检查该列车与前方列车的安全间隔是否符合规定,避免前一列车在下一站停留时间的动态变化导致后方列车追踪时间过小的情况。
当前序列车在站未发车,检验最小追踪间隔,其中typ-p+1表示列车从站台P至站台P+1的运行时分,Nowtime表示当前系统时间,表示动车组l在车站P的出发时间。如果不满足则需要后一列车在区间的运行时间随系统当前时间增加1s,即列车下站到达时间运行速度减缓,直到前序列车出发,以保证安全时间间隔。追踪间隔如图7所示。
S4:当列车在站时,对列车完成在站操作;完成乘客上下车操作,计算停站时间;
当列车状态满足IsAtStation(列车是否处于在站状态)=true时,列车为在站状态,对该列车完成在站操作:乘客上下车操作、停站时间计算。
乘客下车操作:
S412:逐一判断在站台P下车的乘客下车后,是否到达终点站;在每名乘客路径PsgPathi中,判断站台P对应索引值index是否等于乘客途径站台个数-1;若是则转入步骤S416,若否则转入步骤S413;
S413:获取站台P对应索引值+1对应站台编号,判断该站台是否在本线路运行的交路中;若是则转入步骤S414,若否则转入步骤S415;
S414:下一站台在本线,说明该乘客的目的站并非在小交路上,因此乘客需在小交路肋车终到站下车,并同台换乘至大交路列车。则记录小交路列车到达站台的时间将作为该乘客在本站台的到达时间,按其到车站的时间顺序插入至本站台候车队列中;
S415:获取乘客路径PsgPathi中索引index+1对应的站台编号;获取两条线路站台在该车站的乘客平均换乘走行时间trsps p-p′;乘客到达该换乘站台时间为将其按时间顺序插入新站台候车队列排序;
S416:从乘客集合中移除该乘客,添加至已到站乘客集合中;
乘客上车操作:
若列车到达站台为途径站按下述过程操作,若为终点站则乘客无需上车;
S421:获取站台P对应的乘客候车队列Queuep,根据时间和容量约束条件判断乘客是否有资格上车;若两个约束条件均满足则该名乘客可以上车;按照到达顺序遍历队列中乘客顺序从n=1开始判断乘客是否有资格上车。
时间约束:要求检验乘客的到站台时间是否小于列车到站时间加最小停站时间。
S422:在候车队列删除该上车乘客,更新该乘客等待时间;
TWaiti=TWaiti+TWaiti′
TWaiti为乘客i的等待时间;
S423:更新列车下车集合;根据每个乘客的nextoffstationi属性,对应在本列车乘客下车集合{offstation}l的对应站台下车人数数据值加一。如发现nextoffstationi表示的站台步骤该列车的运行交路中。说明该乘客应该在本次小交路终点站下车,并在同站台等待长交路列车。则更新该乘客的nextoffstationi属性值为本次交路的终点站为下车站台,并在小交路终点站车站对应值加一。
列车停站时间:
列车停站时间受限于动态客流上下车时间与安全间隔约束。
S431:计算乘客的上下车时间:
S432:设定最大最小停站时间约束,若不满足约束则调整停站时间,若大于最大停站时间则将本站停站时间更新为最大停站时间;若小于最小停站时间则将本站停站时间更新为最小停站时间;
S436:更新列车为待发车状态;IsReadyArrive=false、IsAtStation=false、IsReadyGo=true。
若列车所在站台为终点站,则列车的停站时间为最大停站时间,待出发时间为到达时间加最长停站时间,更新列车状态。IsReadyArrive=false、IsAtStation=false、IsReadyGo=true。
S5:当时间与计算得到的列车本站发车时间相同,则列车离站;并判断是否为终点站;若不是终点站则更新列车在本站的到发时刻表;若是终点站则更新列车在本站的到发时刻表后,将该列车信息移至已抵达终点站的列车集合。
列车离站
当系统时间与推算得到的列车本站发车时间相同,且列车的出发状态IsReadyGo为true时,列车可以离站。用train.NextPlatformIndex+1值与本列车的交路途径站台数长度值相比较判断列车是否从终点站出发。若列车不是从终点站出发,找到train.NextPlatformIndex索引值在列车途径站台集合中对应的站台编号。根据站台编号除以1000的余数得到车站编号,根据车站编号找出相应运行时分。推算本列车到达下一站的时间,即本站出发时间加上相应区间运行时分,记录为改变列车状态IsReadyArrive=false、IsAtStation=false、IsReadyGo=true且更新列车在本站的到发时刻表。若列车是从终点站出发,则更新列车在本站的到发时刻表后,将该列车信息移除至已抵达终点站的列车集合。
步骤4:若达到终止条件则退出仿真,即可得到各线路上换乘衔接最优的列车发车时间方案。
加和所有已完成出行乘客集合中的等待时间,作为该个体的适应度值。根据适应性函数,选择个体。选择采用轮盘赌法和精英策略相结合。首先根据个体的适应度值计算每个个体在子代中出现的概率,并按照此概率随机选择个体构成子代种群。在此基础上,采取精英选择父代中部分最优的候选解,原封不动的复制到下一代中,代替轮盘赌法产生的子代最弱个体,并且通过精英主义被保留下来的个体仍然有资格被选为下一代的父代。算法的终止条件为算法的迭代次数达到预设的迭代次数、算法的运行时间达到预先设定的最长运行时间、连续一定次数的迭代更新未产生更好的解及连续多个种群计算得到的适应度函数取值相同。
本发明基于多主体仿真。在仿真过程中,详细刻画乘客的出行行为和列车在各站的到发及经停时间,得到乘客和列车在时空间层面的变化。同时将两个主体依据其相互作用及逻辑结构联系在一起,构成一个系统,具有更强的适用性。在现有开行方案的基础上,通过优化列车的发车时间,缩短乘客换乘等待时间,提升乘客在换乘站的换乘效率,从而加强城市轨道交通服务水平。通过灵活调整列车停站时间,加快车底周转,提高车底使用效率、城市轨道交通线网的运输效率,同时减少城市轨道交通运营成本。结合动态客流数据,能够更有针对性的对当前乘客情况,进行列车运行调整,使得优化后的运行图更具有实用性。
Claims (8)
1.一种城市轨道交通线网列车运行间隔协同决策方法,其特征在于,包括以下步骤:
步骤1:获取列车运行基本信息和动态客流数据;
步骤2:根据列车运行基本信息,为每名乘客匹配到相应路径;
步骤3:根据步骤2中的路径,刻画乘客的候车及上下车行为和列车在各站的到发及经停时间,以乘客总等待时间最短为优化目标,以乘客和列车为主体进行仿真;
步骤4:若达到终止条件则退出仿真,即可得到各线路上换乘衔接最优的列车发车时间方案。
2.根据权利要求1所述的一种城市轨道交通线网列车运行间隔协同决策方法,其特征在于,仿真过程中,通过遗传算法进行求解;
以整个线网中每条线路上每辆列车的发车时间集合为个体,利用遗传算法进行编码;随机生成在研究时段内列车发车时间集合的初始种群;
对初始种群进行交叉变异后得到新的子代个体;
对每一个新的子代个体通过以乘客和列车为主体的仿真方法进行适应度值计算;
根据适应性函数,结合轮盘赌法和精英策略选择子代;判断是否达到收敛标准,如达到收敛标准则结束,否则进行下一轮迭代。
3.根据权利要求2所述的一种城市轨道交通线网列车运行间隔协同决策方法,其特征在于,所述步骤2中的为每名乘客匹配到相应路径的过程如下:
获取城市轨道交通线网数据,根据线网数据表中给出的各线车站序列和各站间的区间运行时分构建站间和运行时分的两个邻接矩阵;
根据邻接矩阵构造路网拓扑图,利用Dijkstra算法得到每一个车站至其他所有车站的最短路径和次最短路径;
将最短路径或次最短路径按途径车站的顺序将车站编号;将全部车站路径转化为站台路径。
4.根据权利要求3所述的一种城市轨道交通线网列车运行间隔协同决策方法,其特征在于,所述步骤3中的刻画乘客的候车及上下车行为和列车在各站的到发及经停时间包括以下内容:
S1:乘客通过闸机刷卡后,根据步骤2得到的路径,得到与线路和出行方向相对应的站台;将站台候车的全部乘客,按照到达站台时间先后顺序放置到站台P的候车队列集合QueueP中;
S2:对集合QueueP中的每一个乘客,判断其下车站台;
S3:判断列车是否到达车站,若到达车站则更新列车状态;若列车处于区间运行状态,则检查该列车与前方列车的间隔是否符合规定;若前序列车在站未发车则调整该列车运行时间,直到前序列车发车;若前序列车已经离开下一站,判断该列车到达时刻与下一站台上一列车的发车时刻的时间差是否满足到发间隔,若不满足则更新后方列车到达时刻;
S4:当列车在站时,对列车完成在站操作;即完成乘客上下车操作,计算停站时间;
S5:当时间与计算得到的列车本站发车时间相同,则列车离站;并判断是否为终点站;若不是终点站则更新列车在本站的到发时刻表;若是终点站则更新列车在本站的到发时刻表后,将该列车信息移至已抵达终点站的列车集合。
5.根据权利要求3所述的一种城市轨道交通线网列车运行间隔协同决策方法,其特征在于,所述仿真主体列车仿真过程如下:
S11:列车从车辆段始发;
S12:判断列车是否到站;
S13:列车到站停车,判断列车是否到达终点站;若是则判断列车是否满足发车条件;若否则列车折返或回车辆段;
S14:若列车满足发车条件,则列车离站,为区间运行,返回步骤S12。
6.根据权利要求3所述的一种城市轨道交通线网列车运行间隔协同决策方法,其特征在于,所述仿真主体乘客仿真过程如下:
S21:生成乘客,根据线网情况匹配最短路径;
S22:乘客进入相应站台;
S23:更新乘客候车队列,并判断乘客下车站台;
S24:判断乘客是否能上车,若能则转入步骤S25;若否则为滞留乘客,转入步骤S23;
S25:随车运行;
S26:判断乘客本站是否下车,若是则转入步骤S27;若否则转入步骤S25;
S27:判断本站是否为该乘客目的站;若是则乘客出站;若否则转入步骤S28;
S28:判断乘客目的站是否在本线上,若是则小交路到站,停留在本站台继续候车,转入步骤S22;若否则换乘,通过换乘通道至相应站台,转入步骤S22。
7.根据权利要求4所述的一种城市轨道交通线网列车运行间隔协同决策方法,其特征在于,所述S3过程如下:
S31:列车处于等待到达状态,且系统当前时间t等于计算得到的列车到达时间,则说明该列车此时到达车站;
S32:若此时列车到达的是终点站,则列车的停站时间为最大停站时间,待出发时间为到达时间加最长停站时间,更新列车状态;当系统时间t递增到该列车的待出发时刻后完成列
车离站作业;
S33:若此时列车到达的是中途站,则更新列车状态,记录列车到站时间,完成列车在站操作;
S34:若系统当前时间t不等于计算得到的列车到达时间,则列车处于区间运行状态;
S35:若前序列车在站未发车,则判断最小追踪间隔;其中typ-p+1为列车从站台P至站台P+1的运行时分;Nowtime为当前系统时间,为列车l在车站P的出发时间;若满足则转入步骤S36;若不满足,则运行速度减缓,并重新更新计算列车到达下站时间,直到前序列车出发;
8.根据权利要求4所述的一种城市轨道交通线网列车运行间隔协同决策方法,其特征在于,所述S4过程包括乘客下车操作、乘客上车操作和列车停站时间;
乘客下车操作过程如下:
S412:逐一判断此时在站台P下车的乘客是否到达目的站;即在每名乘客路径PsgPathi中,判断站台P对应索引值index是否等于乘客途径站台个数-1;若是则转入步骤S416,若否则转入步骤S413;
S413:获取站台P索引值+1对应的站台编号,判断该站台是否在本线路运行的交路中;若是则转入步骤S414,若否则转入步骤S415;
S415:获取乘客路径PsgPathi中索引index+1对应的站台编号;获取两条线路站台在该车站的乘客平均换乘走行时间trsps p-p′;乘客到达该换乘站台时间为将其按时间顺序插入新站台候车队列排序;
S416:从乘客集合中移除该乘客,添加至已到站乘客集合中;
乘客上车操作过程如下:若列车到达站台为途径站按下述过程操作,若为终点站则乘客无需上车;
S421:获取站台P对应的乘客候车队列Queuep,根据时间和容量约束条件判断乘客是否有资格上车;若两个约束条件均满足则该名乘客可以上车;
S422:在候车队列删除该上车乘客,更新该乘客等待时间;
S423:更新列车下车集合;
S424:更新列车实时载客量;
列车停站时间过程如下:
若列车所在站台为中途站台,则按照下述步骤计算列车停站时间:
S431:计算乘客的上下车时间:
S432:设定最大最小停站时间约束,若不满足约束则调整停站时间,若大于最大停站时间则将本站停站时间更新为最大停站时间;若小于最小停站时间则将本站停站时间更新为最小停站时间;
S436:更新列车为待发车状态;
若列车所在站台为终点站,则列车的停站时间为最大停站时间,待出发时间为到达时间加最长停站时间,更新列车状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210359748.5A CN114662778B (zh) | 2022-04-06 | 2022-04-06 | 一种城市轨道交通线网列车运行间隔协同决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210359748.5A CN114662778B (zh) | 2022-04-06 | 2022-04-06 | 一种城市轨道交通线网列车运行间隔协同决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114662778A true CN114662778A (zh) | 2022-06-24 |
CN114662778B CN114662778B (zh) | 2022-10-14 |
Family
ID=82035000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210359748.5A Active CN114662778B (zh) | 2022-04-06 | 2022-04-06 | 一种城市轨道交通线网列车运行间隔协同决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662778B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997545A (zh) * | 2022-08-04 | 2022-09-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种轨道衔接优化方法、电子设备及存储介质 |
CN115017667A (zh) * | 2022-08-08 | 2022-09-06 | 西南交通大学 | 列车运行图与车底运用计划协同优化方法及装置 |
CN116187527A (zh) * | 2022-12-27 | 2023-05-30 | 北京交通大学 | 一种基于动态仿真的列车运行图快速疏解优化方法 |
CN116433308A (zh) * | 2023-06-13 | 2023-07-14 | 西南交通大学 | 一种基于进出站时间的多制式轨道交通动态计价方法 |
CN117592308A (zh) * | 2024-01-12 | 2024-02-23 | 成都运达科技股份有限公司 | 一种仿真线路的构建与重组方法、装置、系统及存储介质 |
WO2024114420A1 (zh) * | 2022-11-30 | 2024-06-06 | 比亚迪股份有限公司 | 列车等间隔调整方法、介质和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109760721A (zh) * | 2019-02-28 | 2019-05-17 | 南京理工大学 | 一种列车区间运行实时调整系统及方法 |
CN110187213A (zh) * | 2019-06-19 | 2019-08-30 | 河南辉煌科技股份有限公司 | 轨道电路列车运行仿真装置 |
CN113887068A (zh) * | 2021-10-21 | 2022-01-04 | 北京城建设计发展集团股份有限公司 | 城市轨道交通线网与车站协同仿真计算方法 |
-
2022
- 2022-04-06 CN CN202210359748.5A patent/CN114662778B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109760721A (zh) * | 2019-02-28 | 2019-05-17 | 南京理工大学 | 一种列车区间运行实时调整系统及方法 |
CN110187213A (zh) * | 2019-06-19 | 2019-08-30 | 河南辉煌科技股份有限公司 | 轨道电路列车运行仿真装置 |
CN113887068A (zh) * | 2021-10-21 | 2022-01-04 | 北京城建设计发展集团股份有限公司 | 城市轨道交通线网与车站协同仿真计算方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997545A (zh) * | 2022-08-04 | 2022-09-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种轨道衔接优化方法、电子设备及存储介质 |
CN114997545B (zh) * | 2022-08-04 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种轨道衔接优化方法、电子设备及存储介质 |
CN115017667A (zh) * | 2022-08-08 | 2022-09-06 | 西南交通大学 | 列车运行图与车底运用计划协同优化方法及装置 |
CN115017667B (zh) * | 2022-08-08 | 2022-11-29 | 西南交通大学 | 列车运行图与车底运用计划协同优化方法及装置 |
WO2024114420A1 (zh) * | 2022-11-30 | 2024-06-06 | 比亚迪股份有限公司 | 列车等间隔调整方法、介质和电子设备 |
CN116187527A (zh) * | 2022-12-27 | 2023-05-30 | 北京交通大学 | 一种基于动态仿真的列车运行图快速疏解优化方法 |
CN116187527B (zh) * | 2022-12-27 | 2023-08-18 | 北京交通大学 | 一种基于动态仿真的列车运行图快速疏解优化方法 |
CN116433308A (zh) * | 2023-06-13 | 2023-07-14 | 西南交通大学 | 一种基于进出站时间的多制式轨道交通动态计价方法 |
CN116433308B (zh) * | 2023-06-13 | 2023-08-15 | 西南交通大学 | 一种基于进出站时间的多制式轨道交通动态计价方法 |
CN117592308A (zh) * | 2024-01-12 | 2024-02-23 | 成都运达科技股份有限公司 | 一种仿真线路的构建与重组方法、装置、系统及存储介质 |
CN117592308B (zh) * | 2024-01-12 | 2024-04-12 | 成都运达科技股份有限公司 | 一种仿真线路的构建与重组方法、装置、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114662778B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114662778B (zh) | 一种城市轨道交通线网列车运行间隔协同决策方法 | |
CN110119835B (zh) | 一种基于区间计算的公交动态发车调度优化方法 | |
CN106652434B (zh) | 一种基于轨道交通协调的公交调度方法 | |
CN110598942B (zh) | 一种考虑区域全覆盖的接驳地铁的社区公交线网与发车频率同步优化方法 | |
CN109558985A (zh) | 一种基于bp神经网络的公交客流量预测方法 | |
CN114723125B (zh) | 一种结合深度学习和多任务优化的城际车订单分配方法 | |
JP2001310878A (ja) | エレベータ群最適管理方法 | |
CN114240002A (zh) | 基于深度强化学习的公交发车时刻表动态优化算法 | |
CN111724076A (zh) | 运营中断条件下区域多式轨道交通客流动态分配方法 | |
CN116070422A (zh) | 一种基于时空网络的灵活编组列车周转计划分解优化方法 | |
CN114742340A (zh) | 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法 | |
CN117195484B (zh) | 一种轨道交通管理方法及系统 | |
CN106228243B (zh) | 地铁车辆段回库股道安排方法 | |
Yu et al. | Optimization of urban bus operation frequency under common route condition with rail transit | |
CN116451867A (zh) | 一种基于时空出行路径标定的地铁短时客流预测方法 | |
Zhao | Railway traffic flow optimisation with differing control systems | |
CN113743679B (zh) | 基于赋权图和多旅行商的高铁路网维修调度方法及设备 | |
CN116127839A (zh) | 一种基于强化学习的公交站场服务中断防治方法 | |
CN114723141A (zh) | 一种brt多服务模式优化方法及系统 | |
CN114004440A (zh) | 一种基于Anylogic的综合枢纽客运组织评价方法 | |
Jung et al. | High Coverage Point-To-Point Transit: Hybrid evolutionary approach to local vehicle routing | |
CN112753041A (zh) | 用于管制多模式运输网络的方法 | |
CN112309158B (zh) | 一种基于分布估计算法的公共交通车辆调度方法 | |
CN115017654B (zh) | 用于测量和最小化城轨网络脆弱性的方法 | |
CN117601937B (zh) | 一种基于微观路网的高速铁路列车运行图编制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |