Optimization Train Stop Planning for High‐Speed Railway Considering Flexible Ticket Pricing and Elastic Demand
Notice bibliographique
Résumé
Currently, the optimization of train stop planning of high‐speed railways does not adequately account for how ticket adjustment and train departure time affect passenger expectations. To better align supply and demand dynamics and maximize passenger utility, it is essential to optimize train stop planning, ticket pricing strategies, and passenger flow allocation from a system‐wide perspective. The paper proposes a synergistic optimization model for train stop planning, ticket pricing, and passenger flow allocation of high‐speed railway. The optimization model aims to maximize the operational revenues of the transportation enterprise while minimizing the total travel costs of passengers. The number of train stops, range of ticket price fluctuations, transportation capacity, and price response function are taken into consideration. A double‐layer simulated annealing algorithm is designed to solve the model. Finally, a real case based on the Hohhot East–Beijing North high‐speed railway in China verifies the correctness and validity of the model. A comparative analysis of the operational benefits of the railroad transportation enterprises and the travel utility of the passengers under the original plan and the synergistic optimization plan is carried out to verify the validity of the model and the algorithm. The results show that the method proposed in this paper can improve the operational efficiency of transportation enterprises by 18.54% and reduce the passenger travel time costs by 12.13% without increasing the number of trains and the number of stops. The optimized plan can reduce train operation costs, meet passenger flow demand, and improve the operational efficiency of transportation enterprises and the travel utility of passengers.
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 ».