Optimization of the Operation Plan of Airport Express Train with Consideration of Train Departure Time Window
Notice bibliographique
Résumé
This paper proposes an optimization model for the train operation scheme of the Airport Express Line (AEL) based on the expected arrival time of passengers by the introduction of the train departure time to cope with the time‐dependent passenger flow and provide better prompt train service according to passengers’ demand. Considering factors such as train sections, station arrangement, passenger capacity, departure time windows, passenger flow conservation, and boarding and disembarkation processes, this paper also aims to find the optimal combination of the passengers’ total travel time and the train operation cost. A set of alternative train options is introduced to simplify the model and convert integer variables related to train pairs into 0‐1 variables. The elaborately designed simulated annealing algorithm mainly focuses on the key elements of strategies like initial solution generation, neighborhood solution construction, and the allocation of passenger flows, tailored to the model’s unique features and the time‐dependent passenger flow. Neighborhood solution strategies include the increase or haut of train operations and the adjustment of the number of stops, which refines the solution space and boosts the process efficiency of the heuristic algorithm. Additionally, the model and algorithm proposed in this paper are practiced during the peak hour of Nanjing Metro Line S1 for empirical validation. The research findings demonstrate that the optimized train operation scheme is better synchronized with the fluctuating number of time‐dependent passenger flows and exhibits notable improvement in computational efficiency and convergence.
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 | 0,000 |
| 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 ».