Optimum Equilibrium Passenger Flow Control Strategies with Delay Penalty Functions under Oversaturated Condition on Urban Rail Transit
Notice bibliographique
Résumé
When passengers are oversaturated in the urban rail transit system and a further increase of train frequency is impossible, passenger flow control strategy is an indispensable approach to avoid congestion and ensure safety. To make the best use of train capacity and reduce the passenger waiting time, coordinative flow control is necessary at each station on a line. In most published studies, the equilibrium of passenger distributions among different stations and periods is not considered. As a result, two issues occur making it hard to implement in practical. First, a large number of passengers are held up outside a small number of stations for very long time. Second, there is a large variation of controlled flows for successive time intervals. To alleviate this problem, a single-line equilibrium passenger flow control model is constructed, which minimizes the total passenger delay. By applying different forms of the delay penalty function (constant and linear), flow control strategies such as independent flow control and equilibrium flow control can be reproduced. An improved simulated annealing algorithm is proposed to solve the model. A numerical case is studied to analyze the sensitivity of the functions, and the best parameter relationship in different functions could be confirmed. A real-world case from Batong Line corridor in Beijing subway is used to test the applicability of the model and algorithm, and the result shows that the solution with linear delay penalty functions can not only reduce the total passenger delay but also equilibrate the number of flow control passengers on spatial and temporal.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».