An Affinity Propagation-Based Clustering Method for the Temporal Dynamics Management of High-Speed Railway Passenger Demand
Notice bibliographique
Résumé
The number of passengers in a high-speed railway line normally varies significantly by the time periods, such as the peak and nonpeak hours. A reasonable classification of railway operation time intervals is essential for an adaptive adjustment of the train schedule. However, the passenger flow intervals are usually classified manually based on experience, which is subjective and inaccurate. Based on the time samples of actual passenger demand data for 365 days, this paper proposes an affinity propagation (AP) algorithm to automatically classify the passenger flow intervals. Specifically, the AP algorithm first merges time samples into different categories together with the passenger transmit volume of the stations, which are used as descriptive variables. Furthermore, clustering validity indexes, such as Calinski–Harabasz, Hartigan, and In-Group Proportion, are employed to examine the clustering results, and reasonable passenger flow intervals are finally obtained. A case study of the Zhengzhou-Xi’an high-speed railway indicates that our proposed AP algorithm has the best performance. Moreover, based on the passenger flow interval classification results obtained using the AP algorithm, the train operation plan fits the passenger demand better. As a result, the indexes of passenger demand satisfaction rate, average train occupancy rate, and passenger flow rate are improved by 7.6%, 16.7%, and 14.1%, respectively, in 2014. In 2015, the above three indicators are improved by 5.7%, 18.4%, and 14.4%, respectively.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».