Flexible Train Composition Mode–Based Rolling Stock Circulation Planning Problem for Regional Rapid Rail Transit
Notice bibliographique
Résumé
Regional rapid rail transit is an emerging rail transit system in China in recent years, with the same level of service frequency and longer station spacing as metro. The traditional fixed train composition mode has weak adaptability to its unbalanced transport demand in time and space, leading to high rolling stock traveling kilometers and operation costs. As a novel operation strategy, the flexible train composition mode can make up for this shortcoming, but the matched rolling stock circulation planning is a complex optimization problem. This paper proposes an operation mechanism of the rolling stock circulation plan under flexible train composition mode with multiple coupling/decoupling operation sites for regional rapid rail transit, where trains can change compositions at both terminal and intermediate stations. A mixed‐integer nonlinear programming (MINLP) model is constructed for rolling stock circulation planning based on the proposed mechanism. The optimization objective is to minimize the total operation costs of train services, depot entry/exit processes, and coupling/decoupling activities at terminal and intermediate stations. The model is then reformulated to an equivalent mixed‐integer linear programming (MILP) model, which can be solved by the CPLEX solver. A numerical experiment based on the real‐world data from a regional rapid rail transit line in China is designed to verify the effectiveness of the model and solution approaches. The results show that the obtained rolling stock circulation plan effectively reduces the rolling stock traveling kilometers and operation costs with the pregiven timetable. The methods in this paper provide dispatchers with more options to better match the transport demand of regional rapid rail transit.
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 ».