摘要：研究增开列车条件下高速铁路列车运行图的调整问题,并综合考虑列车车站进路的影响。通过构建Time-Station-Track三维时空扩展网络,刻画列车对铁路时空资源的占用。将原多目标优化问题转化为求解列车占用网络弧段最小费用单目标问题,并构建基于Time-Station-Track网络的0-1整数规划模型。针对模型特点,设计拉格朗日松弛算法,将问题进一步分解为求解单列车网络最短路径子问题,由于问题被松弛后求得的解可能不可行。因此,提出基于列车优先序列的启发式策略对对偶解进行可行化。最后以宝兰客运专线为例,验证模型的正确性和算法的可行性。

摘要：以快运需求与列车服务最佳匹配为导向,根据高铁快运服务流程,构建考虑图定列车装载能力、停站方案、发车时间以及唯一性等约束的图定列车配装方案优化模型。模型以优化决策图定列车对于快运需求的服务方案为目的,以各站点剩余快运箱数量最少为优化目标。若图定列车难以满足快运需求,需以各站点剩余快运箱为研究对象,增开快运专列并对其开行方案进行优化。通过引入快运专列备选集,预先给定最大列车开行对数及其运行区段,建立考虑列车能力、车站能力、区段通过能力以及箱流守恒等约束的快运专列开行方案优化模型,综合决策快运专列开行对数、运行区段、停站方案以及箱流分配方案等内容。针对模型特点,设计包含增开、停开列车以及增加、减少停站次数等邻域解搜索策略的模拟退火算法,并提出专门的初始解生成以及箱流分配启发式策略。以兰新高速铁路为背景进行实例验证,结果表明,所提方法能有效满足各站点快运需求,解决快运箱的滞留问题,并且所得快运专列的开行方案效果良好,具有较高的箱流满载率及与各站点快运需求相耦合的停站方案。研究结果能有效解决快运需求与列车开行方案的匹配问题,有助于提高高铁快运服务水平和铁路企业经济效益。

摘要：充分考虑箱流的中转方案,研究铁路集装箱运输动态服务网络的设计方法。以总成本最小为优化目标,构建了铁路集装箱运输动态服务网络设计的线性规划模型。根据模型特点,采用Benders算法进行求解,将问题分解为服务网络设计的主问题及箱流分配的子问题,通过计算子问题的对偶模型不断产生主问题的割平面,由此进行迭代求解。为克服算法收敛速度慢的缺点,在主问题模型中添加有效不等式,使主问题更加紧致。以北京、郑州等集装箱办理站构建的运输网络为例,验证了模型和算法的有效性。算例结果表明,对于求解大规模的集装箱运输动态服务网络设计问题,改进后的算法运行46 s得到优化解,GAP为1.56%,未改进的Benders算法运行相同时间后,GAP为45.17%,改进策略的运用有效提高了计算效率;所得服务网络的总成本比所有箱流均采用直达运输模式服务网络的总成本减少了20%;与现有集装箱班列开行方案相比,优化后的班列发车时段、开行频率在满足运输需求的同时,保证了各组箱流能在规定运到期限内送至目的站。

摘要：为准确预测新疆煤炭铁路外运量,本文提出一种融合麻雀搜索算法与长短时记忆网络的(SSA-LSTM)预测模型,模型引入麻雀搜索算法对长短时记忆网络(Long Short-Term Memory,LSTM)模型的超参数进行优化,以提高模型预测性能。以2015—2022年新疆煤炭铁路外运量数据为基础,综合考虑经济、运输等多种因素,对各影响因素的灰色关联度进行计算,验证所选因素与预测指标具有较强的关联度。对影响因素中的GDP数据进行消费者价格指数(Consumer Price Index, CPI)处理,并将处理后的数据输入模型进行预测,最后应用该模型对未来新疆煤炭初、近、远期铁路外运量进行预测。研究结果表明,SSA-LSTM模型的预测效果显著优于BP(Back Propagation)神经网络和传统LSTM模型,平均绝对百分比误差(MAPE)为0.88%,均方根误差(RMSE)为49.9。同时,与未经CPI处理的预测相比,经过CPI处理后预测误差更小,MAPE和RMSE分别降低了75.8%和56.2%。本文为新疆煤炭铁路外运量预测提供了一种有效方法,为疆煤外运通道设计提供了重要数据支撑。

摘要：精确的OD(origin-destination)客流预测可为铁路运行管理、决策优化等提供良好保障。为准确捕捉高速铁路站点间的动态时空关联,解决全局流量特征和局部拓扑特征难以共同学习的问题,提出一种考虑站间协同作用的多尺度动态时空神经网络(multi-scale synergistic station-based dynamic spatio-temporal neural network,MSSDSTNN)OD客流预测模型。模型多分支并行结构的设计,可以有效地捕获与客流量相关的复杂时空特征;通过融合全局与局部注意力机制,达到识别站点间动态时空关联及线网拓扑结构的目的;同时采用自适应噪声完全集成经验模式分解方法对站点的原始客流数据进行分析,并引入简化粒子群算法实现对长短期记忆神经网络关键参数的动态寻优。选取成绵乐城际与成渝高铁的客流数据,在不同时间粒度下,运用12种既有模型进行比较研究,以评估它们与MSSDSTNN模型的性能差异。结果表明:MSSDSTNN模型比其他模型具有更高的预测精度和拟合效果,尤其在较短的时间粒度下,MSSDSTNN模型展现出显著的优越性。在15 min时间粒度下,MSSDSTNN模型的平均绝对误差、均方根误差、平均绝对百分比误差相较于对比方法中性能排名第2的预测模型分别下降了7.55%、12.12%和26.15%;在拟合优度方面,MSSDSTNN模型的决定系数相较于第2名上升了0.41%。可视化结果展现了模型对时空关联动态变化的学习效果,消融实验证明了各分支的必要性,所提方法可为运营部门的决策提供有价值的参考。

摘要：为了应对突发传染性疫情对高速列车运输工作的影响,降低疫情在高速铁路旅客运输过程中扩散的风险,安全、高效地完成突发疫情条件下高速铁路旅客运输任务,对突发疫情条件下高速列车运行调整问题展开研究。在分析传染性疫情对高速列车运行影响的基础上,根据其严重程度,将车站所在地划分为“疫情爆发地”和“疫情发生地”。为压缩旅客在站内乘降时的接触时间,降低疫情传播可能性,针对车站所在地疫情的具体情况,分别采取增加列车追踪间隔、车站发到时间间隔及禁停等措施,设计疫情影响条件下列车到站追踪间隔和车站发到时间计算方法。以列车总晚点时间为目标,以列车在“疫情爆发地”车站禁停规则、在“疫情发生地”车站到达间隔、列车在区间最少运行时分、在站最少停站时分为约束,建立考虑旅客接触时间的高速列车运行调整模型。针对该模型,运用量子粒子群算法进行求解,得到了突发传染疫情条件下的列车运行调整计划,该计划准确响应了突发疫情条件下减少旅客接触的要求,并很好地控制了高速列车的总晚点时间。将计算结果与经典粒子群算法计算所得结果进行对比,发现计算效率提高12.54%。给出的算例计算结果证明了所建立模型的有效性和算法的高效性,所提出的方法可为突发疫情条件下的列车运行调度工作提供决策支持。

摘要：文章以高速铁路运输组织为基础,旨在研究高速铁路列车运行图的优化问题。引入了列车到发时间的软时间窗,以列车到发时间与期望发车时间域之间的偏离程度最小为目标,以不同速度等级列车之间的合理越行为主要约束条件,构建了基于软时间窗的列车运行图优化模型。充分考虑列车运行线冲突的因素,将消解冲突的策略嵌套在模拟退火算法中,使得求解过程更为高效、准确。设计了基于模拟退火算法的全局优化启发式算法。最后,通过对算例的求解,验证了该理论方法的有效性及算法的较好收敛性。

摘要：为充分发挥高铁干线运输能力及溢出效应,采用高速铁路载客动车组捎带模式,以时变箱流需求为导向,旨在对考虑箱流中转情形下的高速铁路快捷货物运输方案进行优化。基于既有列车运行图,在生成列车接续关系矩阵的基础上构建运输方案优化模型,以快运箱总运达时间最短为目标,考虑箱流守恒、列车装载能力、箱流中转等约束。基于模型特性,设计模拟退火算法求解,在生成初始解的基础上,设计以消解违背列车能力约束冲突为核心的可行化算法。以宁杭高速铁路为背景验证模型及算法的有效性。结果表明,与不考虑箱流中转情形相比,该模型所得运输方案无快运箱滞留且列车平均满载率提升14%。此外,合理地估算列车装载能力对于获得较好的箱流运输方案具有重要作用。