列车停站方案_浅谈地铁列车停站方案.doc

本文阐述了地铁列车停站方案及影响因素。停站方案有站站停车、区段停车、跨站停车、部分列车跨多站停车。非站站停车利于减少车辆运用和运营成本,但会影响部分乘客时间。影响方案比选的因素有站间OD客流特征、乘客服务水平、列车越行、运营经济性和运营组织复杂性等。

浅谈地铁列车停站方案

精品论文 参考文献

浅谈地铁列车停站方案

深圳市地铁集团运营总部客运三分公司 站务三部 广东 深圳 518000 本文简单阐述了地铁中的列车停站方案和影响因素: 1. 列车停站方案 1.1 列车停站的种类 此时,区段停车方案比较适用于大部分乘客的乘车区间是郊区段各站与市区段终点站之间的通勤出行,如远郊区与中央商务区之间、远郊区车站与轨道交通环线换乘站之间的通勤出行;跨站停车方案比较适用于C类车站上下车客流较大,并且乘客乘车距离较远的情形。 1.站站停车:列车在全线所有车站均停车,如图1-1所示。与非站站停车相比,线路上开行列车种类简单、不存在列车越行,乘客无需换乘、也无需关注站台上的列车信息显示。在跨区段、长距离出行乘客比例较大时,站站停车在车辆运用与服务水平方面均未达到最佳状态。 2.区段停车:区段停车在长短交路情况下采用,长交路列车在短交路区段外每站停车,但在短交路区段内不停车通过;而短交路列车则在短交路区段内每站停车,短交路列车的中间折返站同时又是乘客换乘站,如图1-2所示。与站站停车相比,区段停车方案中的长交路列车在短交路区段内不停站通过,列车停站次数的减少使长交路列车停站时间及起停附加时间总和也相应减少,提高了列车旅行速度、压缩了列车周转时间。因此,采用区段停车方案有利于压缩长距离出行乘客的乘车时间和减少车辆运用、降低运营成本。但是区段停车方案也存在若干问题:首先,在行车量较大的情况下,有可能会产生列车越行情形,需要在部分中间站修建侧线;其次,在不同交路区段间上下车的乘客会增加换乘时间,而在短交路区段间上下车的乘客则会延长候车时间。 3.跨站停车:跨站停车实在长交路的情况下采用,将线路上开行的列车分为A、B两类,全线的车站分为A、B、C三类,其中A、B类车站按相邻分布的原则设置,C类车站 可按每隔4或6个车站选择一个的原则设置。A类列车在A、C类车站停车、在B类车站通过;B类列车在B、C类车站停车、在A类车站通过,如图1-3所示。与站站停车方案比较,跨站停车方案的优点类似于区段停车方案。但由于A、B两类车站的列车到达间隔加大,在A、B两类车站上车乘客的候车时间有所增加;此外,在A、B两类车站间上下车的乘客需要在C类车站换乘,会增加换乘时间及带来不便。因此,跨站停车方案比较适用于C类车站上下车客流较大,并且乘客乘车距离较远的情形。 4.部分列车跨多站停车:部分列车跨多站停车是指线路上开行两类长交路列车,即普速、站站停车列车和快速、跨多站停车列车,快速列车只在线路上的主要客流集散站停车,而在其他站则不停站通过,如图1-4所示。该停车方案在提高跨多站停车列车旅行速度的同时,避免了跨站停车方案存在的部分乘客需要换乘问题,做到既能提高运营经济性,又不降低对乘客的服务水平。此外,该停站方案的运用比较灵活,运营部门可根据客流特征、按不同比例确定快速列车开行对数。在线路通过能力利用率比较高的情况下,采用该停车方案通常会引起快速列车越行普速列车;如果不安排列车越行,则只能以损失线路通过能力来保证追踪列车间隔时间。 1.2影响列车停站方案的因素 采用非站站停车方案通常有利于减少车辆运用与降低运营成本,但采用非站站停车方案也会出现一部分乘客节约了乘车时间、另一部分乘客又增加了候车时间和换乘时间的情形,乘客节约时间总和取决于站间OD客流的空间分布特征。此外,由于轨道交通车站一般不设置侧线,采用非站站停车方案还会产生列车越行问题。因此,影响列车停站方案比选的主要因素为站间OD客流特征、乘客服务水平、列车越行、运营经济性和运营组织复杂性等。 1.站间OD客流特征:在长距离出行乘客比例较大及某些发到站间的直达客流也较大时,采用非站站停车方案通常是有利的。此时,区段停车方案比较适用于大部分乘客的乘车区间是郊区段各站与市区段终点站之间的通勤出行,如远郊区与中央商务区之间、远郊区车站与轨道交通环线换乘站之间的通勤出行;跨站停车方案比较适用于C类车站上下车客流较大,并且乘客乘车距离较远的情形。在线路上以同一区段内发到的短途客流为主时,不宜采用非站站停车方案。 2.乘客服务水平:采用非站站停车方案,在压缩长距离出行乘客乘车时间的同时,也会出现一部分乘客增加换乘时间或候车时间的情形。因此,采用非站站停车方案是否可行,应根据站间OD客流,定量分析计算长途乘客节约的出行时间与部分乘客增加的换乘与候车时间。一般而言,如果乘客的节约时间大于增加时间总和,或者乘客的节约时间与增加时间基本持平,采用非站站停车是可行的,能提高或至少不降

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值