基于深度学习的城市轨道交通线路跳停策略优化方法
机器学习
2022-09-08 v1
摘要
各车站乘客需求率的差异凸显了采用运营策略以提供需求响应型服务的重要性。为改善乘客出行时间，本研究引入一种先进的数据驱动优化方法以确定城市轨道交通线路的最优跳停模式。具体而言，首先利用整月的时间序列智能卡数据，采用长短期记忆（LSTM）深度学习模型预测高峰小时的站点级需求率。该预测基于前四个小时，并且尤为重要的一点是，高峰小时的真实需求率是只能在高峰小时运营结束后获得的后验信息。此外，使用实时预测而非假设固定需求率，使我们能够考虑可能不利于后续分析的意外实时变化。然后，我们将LSTM模型的输出作为优化模型的输入，以最小化乘客总出行时间为目标。考虑到问题的指数级性质，我们提出一种蚁群优化技术以在可接受的时间内求解。最后，利用真实案例数据评估了所提模型与求解算法的性能。结果表明，所提方法可通过改善乘客车内时间与候车时间提升服务性能。
引用
@article{arxiv.2109.08786,
title = {A Deep-Learning Based Optimization Approach to Address Stop-Skipping Strategy in Urban Rail Transit Lines},
author = {Mohammadjavad Javadinasr and Amir Bahador Parsa and Abolfazl and Mohammadian},
journal= {arXiv preprint arXiv:2109.08786},
year = {2022}
}
备注
23 pages, 6 figures