Estimation of train dwell time at short stops based on track occupation event data: A study at a Dutch railway station
Notice bibliographique
Résumé
Summary Train dwell time is one of the most unpredictable components of railway operations, mainly because of the varying volumes of alighting and boarding passengers. However, for reliable estimations of train running times and route conflicts on main lines, it is necessary to obtain accurate estimations of dwell times at the intermediate stops on the main line, the so‐called short stops. This is a great challenge for a more reliable, efficient and robust train operation. Previous research has shown that the dwell time is highly dependent on the number of boarding and alighting passengers. However, these numbers are usually not available in real time. This paper discusses the possibility of a dwell time estimation model at short stops without passenger demand information by means of a statistical analysis of track occupation data from the Netherlands. The analysis showed that the dwell times are best estimated for peak and off‐peak hours separately. The peak‐hour dwell times are estimated using a linear regression model of train length, dwell times at previous stops and dwell times of the preceding trains. The off‐peak‐hour dwell times are estimated using a non‐parametric regression model, in particular, the k‐nearest neighbor model. There are two major advantages of the proposed estimation models. First, the models do not need passenger flow data, which is usually impossible to obtain in real time in practice. Second, detailed parameters of rolling stock configuration and platform layout are not required, which makes the model more generic and eases implementation. A case study at Dutch railway stations shows that the estimation accuracy is 85.8%–88.5% during peak hours and 80.1% during off‐peak hours, which is relatively high. We conclude that the estimation of dwell times at short stop stations without passenger data is possible. Copyright © 2016 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».