高速铁路车站通过能力适应性分析及能力提高方案研究

发布时间：2021-01-14 01:27

　　高速铁路车站是高速铁路网络的传输枢纽和运转节点,其通过能力通常是高速铁路网络整体能力的瓶颈点。诸多文献计算的高速车站通过能力是理论值,对车站日常的生产运营工作起不到指导作用,故而将求解车站通过能力数值的问题转换为判断车站未来客流需求与车站提供的通过能力是否匹配问题,进而提出相应的能力提高方案,此对于车站的运营组织工作具有重要意义。本文在借鉴相关理论研究的基础上,将求解高速铁路车站通过能力值问题转换为能力适应性匹配分析。高速铁路车站通过能力适应性问题是对车站未来客流下能力状况的判断,基于这个理念,需要知道车站未来的客流情况,以未来的客流变化情况判断车站能力是否满足运输需求,为此,分别建立了客流预测模型和高速铁路车站通过能力适应性模型来研究此问题。对于客流预测,提出了“月度客流发送量”的概念,建立了高速铁路车站客流发送量预测模型,包括以BP神经网络、ELM构建的基准模型以及基准模型结合EMD算法、VMD算法的组合预测模型。以兰州西客运站衔接各个方向的客流发送量数据为原始数据信号,根据预测效果评估指标,VMD-BP神经网络组合预测模型预测精度最高,该站衔接的兰新客运专线、普速线、中川城际线、... 

【文章来源】：兰州交通大学甘肃省

【文章页数】：99 页

【学位级别】：硕士

【部分图文】：

兰新客运专线基准模型预测对比图

兰州交通大学硕士学位论文-27-图3.4兰新客运专线客流发送量VMD分解结果兰新客运专线客流发送量作为原始数据信号通过EMD和VMD分解算法处理后，分别与BP神经网络和ELM模型相结合，分别形成4个组合预测模型。其中经过VMD分解算法，与BP神经网络结合，BP神经网络的输入层神经元个数为4，隐含层个数为11，输出层个数为1，VMD-BP神经网络组合预测模型中的BP神经网络的结构如图3.5所示[25]。VMD-BP神经网络组合预测模型核心代码如附录B所示。图3.5VMD-BP模型中BP神经网络结构图兰州西客运站衔接四线的客流发送量数据分别经EMD和VMD分解算法处理后，与BP神经网络、ELM基准模型相结合形成的组合预测模型的预测效果与真实数据的1211x1输入层（4）隐含层（11）输出层（1）x4.........y

高速铁路车站通过能力适应性分析及能力提高方案研究-28-对比如图3.6所示[25]。各线预测数据与真实数据对比如附录C所示。（a）兰新客运专线（b）普速线（c）中川城际线（d）徐兰客运专线图3.6兰州西客运站衔接各线组合模型预测结果对比图基准预测模型与组合预测模型预测兰州西客运站衔接各线的客流发送量各项评估指标对比如表3.2所示[25]。表3.2兰州西客运站衔接各线客流发送量各项评估指标对比表预测模型BP神经网络ELMEMD-ELMEMD-BP神经网络VMD-ELMVMD-BP神经网络兰新线MAPE(%)11.25810.4036.1724.0223.2913.230RMSE1151.6331089.616593.243380.558294.592292.593MAE858.241790.086447.89293.951244.097240.526普速线MAPE(%)8.1728.0623.6213.4253.3893.241RMSE131.292130.24056.88753.98453.38050.919MAE107.369104.46647.93245.62943.67241.689


本文编号：2975931