基于实际数据分析的列车晚点传播过程构建方法与实例

基于轨道区段锁闭时间理论,提出了两趟列车间晚点传播过程的构建方法,在此基础上研究了构建多趟列车晚点传播链(树)的方法.以荷兰铁路繁忙干线之一的莱顿—海牙—鹿特丹—多特雷赫特—多特雷赫特南站线路为背景,选取2009年2月的数据,从列车间晚点传播链和列车间结构性晚点传播两个方面对上述方法进行验证.结果表明,该方法简便易行、可操作性强,能够较准确地构建实际的列车晚点传播过程,有一定推广价值.     

基于均衡和接续的路网列车运行图调整研究

铁路中的换乘车站如果发生突发事件,会造成路网中部分列车到达换乘站晚点,晚点超出一定范围时与之接续的列车将不再保持接续关系,导致旅客无法完成换乘且接续列车晚点。本文建立了基于均衡和接续的路网列车运行调整模型,调整后使列车到达终点站的时刻与原计划时刻偏差最小并且总延误时间最小。使用Gurobi优化软件对模型进行了求解,结果表明,调整后的运行图能够有效缓解突发事件对列车运行造成的影响,且晚点在一定的范围内,通过列车接续能够保证旅客的顺利换乘。     

用和声搜索算法求解技术站列车解编方案

确定到达列车的解体顺序和出发列车的编组顺序(即列车解编方案)是技术站编组调机运用计划的核心问题.本文为解决该问题,构建相应的优化模型,利用结合邻域搜索的和声搜索算法进行求解,采用目标函数值评价新的和声,邻域搜索策略用于获取新的和声.最后利用算例对所设计算法的求解效率进行分析验证,表明:算法收敛速度较快,而与邻域搜索策略的结合,有利于扩展其搜索范围与提升全局搜索能力,降低对选择概率的依赖.通过对不同参数条件下计算时间的测试说明,所设计算法能够满足技术站编组列车解编方案编制的要求.     

列车运行调整问题的图论模型与启发式算法

列车运行调整就是在列车出现晚点时,改变列车在车站的到发时间及区间运行时分,提高正点率。结合我国铁路现状及发展前景,提出列车运行调整的图论模型,建立相应整数规划模型,用C语言编制启发式算法求解算例,并对算例进行了分析和比较。     

基于站台不停车的地铁列车概念设计研究

列车每站减速、停车、加速所花费的时间几乎占据了期间列车行驶总时间的一半,这些时间可以进行优化利用。地铁每站上下列车的乘客数量远远少于车厢内等候的乘客数量,列车整体乘客的无效等待时间比较长。实现地铁列车过站不停车、同时站站可以换乘,能够显著提高地铁整体运营效率,节约地铁乘客的整体时间。经过对三种地铁列车不停车模式的比较分析,同时对侧面可分离列车车厢模式的列车进行概念设计研究,认为此模式可以实现对现有地铁系统改造较小,同时地铁列车站站不停、乘客站站可以上下车换乘。     

基于时空资源的铁路客运站到发线运用调整

从离散化的到发线时空资源的微观描述出发,研究列车加权总晚点时间与到发线使用费用之和最小为优化目标的客运站到发线运用方案调整方法,以保证列车运行安全、满足列车在站到发作业要求为约束条件,建立了求解客运站到发线运用方案调整问题的线性0-1规划模型,并设计了求解模型的遗传模拟退火算法,以快速得到问题的满意解.同时,以某一客运站为例对模型和算法进行验证,结果表明,该模型较好地描述了实际问题,并能在较短时间内获得满意解,实现了客运站到发线运用的实时调整,并为列车调度员随后的列车运行调整工作提供依据.     

单线列车运行调整目标体系与算法模型的研究

为了解决列车运行调整优化过程中调整目标存在目标单一、适应性不强、不能满足实际运行情况等问题,在对各种常用的性能指标进行综合分析的基础上,并结合现场调查与调度经验,利用满意优化理论,分析了晚点列车的等级、晚点时间、晚点列车数量等不同性能指标对调整目标满意度的影响.提出了基于满意优化理论的列车运行调整目标体系模型,并将该模型与传统的列车运行调整目标体系在同样的实例环境下进行了仿真.仿真结果表明,与传统的列车运行调整目标体系相比,该模型在实际运行过程中具有更好的优化性和有效性.     

对TDOA无线定位技术的研究与展望

TDOA(Time Difference Of Arrival)是一种基于时间到达 差来定位的技术,起始于"罗兰"导航系统,主要利用船上设备测量多个已经方位信号源的信号到达时间差来确定自身位置;对无线电监测来讲,TDOA就是利用一个信号源到达多个监测站的时间差来确定信号源的位置. TDOA技术概述 时差测向法(TDOA)是利用电磁波波前到达某一测向站不同天线单元的时差,采用距离单位的TDOA避免了传统相位测量的相位模糊问题,从而可以通过距离较远的天线接收单元(或不同位置的监测站)实现定位.     

呼叫中心到达过程的建模与预测

呼叫中心到达量的拟合和预测对呼叫中心人力需求计算和排班有着重要作用.根据用户在呼叫中心的不同阶段,可以将到达量分为交互式语音应答(interactive voice response,IVR)到达量和人工服务到达量.国外学者主要对人工服务到达量进行拟合和预测,非齐次泊松过程作为一种模拟到达过程的方法得到广泛使用.而这里首次提出对IVR到达量进行研究,对比实际数据与非齐次泊松过程的均值和方差,发现该呼叫中心IVR到达量呈现"过离散(overdispersion)"现象,不能使用泊松分布拟合.因此选择时间序列模型对IVR到达量进行拟合和预测,用残差的白噪声检验拟合效果,平均绝对误差(mean absolute error,MAE)值判断模型预测优劣.最后使用线性回归模型分析IVR到达量与人工服务到达量之间的关系.结果表明:自回归滑动平均ARIMA(autoregressive integrated moving average)(1,0,1)模型能更好地对该呼叫中心正常天数(normal days,ND)的IVR到达量进行短期预测,而Winters指数平滑法能更好地对春节期间(Spring Festival,SF)的IVR到达量进行短期预测;通过回归模型可以预测呼叫中心人工服务到达量.     

地铁终点站的实时调度算法

研究地铁终点站的实时调度问题,主要包括列车进站折返路线的安排和列车出站时间的调整.将该问题建模成一个带阻塞的车间作业调度的双目标优化问题,2个目标函数分别为最优化准时性和规律性,即最小化列车的早点/晚点时间和最优化连续两车的间隔.分2个阶段进行优化,首先,在只考虑准时性的前提下优化第一个目标函数,然后在不影响第一个目标函数的基础上优化第二个目标函数.提出了最小化早点/晚点时间的贪心算法和保证准时性前提下最优化连续两车间隔的分组迭代算法.采用C#技术实现了原型系统,对所提方案进行了验证.实验结果表明,所提算法能够出色完成实时调度的任务.     

基于mRMR-ESN的单变量光伏功率预测

设计了两种预测模型:利用天气变量作为输入的传统多变量预测模型;利用历史功率数据作为输入的新型单变量预测模型.采用最小冗余最大相关(min-redundancy and max-relevance,mRMR) 方法分别对两种模型进行特征提取,并选用在时间序列预测方面具有优势的回声状态网络( echo state network,ESN)对未来5min的光伏功率进行仿真预测.仿真结果表明,采用mRMR方法对历史光伏功率数据进行特征提取,确定能够使预测模型达到最优效果的特征子集,并将其作为单变量预测模型的输入,可以得到更准确的预测效果.所构建的新型单变量预测模型能够为光伏电站提供新的光伏预测思路.     

潮汐发电中调和分析与人工神经网络预测潮位

潮汐电站发电量与每日潮差的大小有关,通过对潮水位的预测,可以预估潮汐电站的发电量以及编制适合的发电计划。对现有的经典调和分析法和新兴起的人工神经网络潮位预测方法进行了比较分析,总结了两种方法的发展现状和存在的问题。分析表明,人工神经网络方法预测精度更高,和实测数据对比其具有更小的误差;调和分析误差稍大,但是满足国家海洋局规定的允许误差。调和分析法和人工神经网络法的预测结果均可应用于潮汐发电当中。     

基于组合预测方法的安徽经济发展预测

利用最优加权组合法,对时间序列模型、灰色预测模型和神经网络模型进行组合,通过计算确定其权重,得出未来五年安徽省的GDP,同时根据平均绝对百分误差、均方根误差以及泰尔系数,将组合预测模型与单一的预测模型进行比较,得出组合预测模型的精度比单一预测模型预测精度高,并根据组合预测结果可以看出在未来五年安徽省的经济会持续稳定的发展。     

改进型BP神经网络的港口吞吐量预测

为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来三年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来三年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差叠加,具有较好的适用性。     

安徽省城镇居民人均消费的组合预测

在灰色预测、回归预测和时序预测基础上,建立1990到2009年安徽省居民人均消费组合预测模型,并通过误差指标评价体系对组合模型和单项预测模型进行评价,结果表明组合预测模型的各误差指标远低于三种单项预测模型预测误差指标值。最后预测了我省近三年城镇居民人均消费值并进行了评价。     

基于二次修正的短时行程时间预测模型

为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差三个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.     

基于自适应多步预测的前向链路功率控制算法

为了克服码分多址系统中前向链路功率控制中的延时差错问题，提出了一种新基于多步预测的前向链路功率控制模型，即考虑到功率控制中控制延时的影响，将信道变化和干扰变化统一为一个时变量，对无线环境变化做出动态的多步相关性预测，移动台根据预测的结果对基站发射功率进行控制。在此基础上，提出了一种利用自适应技术实现多步预测的前向链路功率控制算法，采用这种算法可以动态地跟踪无线环境变化，并且部分地克服了由于信道环境时变造成的功率控制失误问题。通过与传统0固定步长算法仿真的对比，证明了上述算法的有效性。     

Predicting heartbeat arrival time for failure detection over internet using auto-regressive exogenous model

Predicting heartbeat message arrival time is crucial for the quality of failure detection service over internet. However, internet dynamic characteristics make it very difficult to understand message behavior and accurately predict heartbeat arrival time. To solve this problem, a novel black-box model is proposed to predict the next heartbeat arrival time. Heartbeat arrival time is modeled as auto-regressive process, heartbeat sending time is modeled as exogenous variable, the model's coefficients are estimated based on the sliding window of observations and this result is used to predict the next heartbeat arrival time. Simulation shows that this adaptive auto-regressive exogenous (ARX) model can accurately capture heartbeat arrival dynamics and minimize prediction error in different network environments.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。