期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
机器学习在铁路列车调度调整中的应用综述 被引量:5
1
作者 文超 李津 +3 位作者 李忠灿 智利军 田锐 邵杰 《交通运输工程与信息学报》 2022年第1期1-14,共14页
随着铁路信息化进程的加快,铁路大数据与人工智能技术有力地支撑了我国铁路的高质量发展。本文回顾了近10年机器学习方法在铁路列车调度调整领域的主要研究成果,将列车调度调整问题分为列车晚点状态分析与评估、列车晚点传播预测和列车... 随着铁路信息化进程的加快,铁路大数据与人工智能技术有力地支撑了我国铁路的高质量发展。本文回顾了近10年机器学习方法在铁路列车调度调整领域的主要研究成果,将列车调度调整问题分为列车晚点状态分析与评估、列车晚点传播预测和列车运行调整智能化决策三个方面,分别总结和分析了机器学习方法在上述三方面的应用情况。在列车晚点状态分析与评估方面,既有研究主要集中于传统统计分析,其描述和预测性能往往有限。在列车晚点传播预测方面,传统机器学习和深度学习方法被应用于晚点致因、晚点持续时长、列车晚点状态演化及晚点恢复预测问题的建模。在列车运行调整智能化决策方面,既有研究主要侧重于运用强化学习、模糊神经网络方法建模,机器学习方法应用于列车调度辅助决策系统仍是研究的主要难点和关键。在归纳了既有研究特征的基础上,展望了机器学习方法在铁路调度调整研究方面的最新动向。以深度学习为代表的高级机器学习应用于列车调度调整智能决策将是未来的发展重点。 展开更多
关键词 智能铁路 列车运行调整 列车晚点 机器学习
下载PDF
高铁故障晚点时间预测的支持向量回归模型 被引量:3
2
作者 汤轶雄 徐传玲 +2 位作者 文超 李忠灿 邵杰 《中国安全科学学报》 CAS CSCD 北大核心 2019年第S02期18-23,共6页
为准确预测高速铁路(HSR)列车故障引起的总晚点时间,基于广铁集团高速铁路列车晚点实绩数据,分别运用软间隔支持向量机回归(ε-SVR)和容错比支持向量机回归(ν-SVR)方法以初始晚点时间、影响列车数、晚点致因为自变量,总晚点时间为因变... 为准确预测高速铁路(HSR)列车故障引起的总晚点时间,基于广铁集团高速铁路列车晚点实绩数据,分别运用软间隔支持向量机回归(ε-SVR)和容错比支持向量机回归(ν-SVR)方法以初始晚点时间、影响列车数、晚点致因为自变量,总晚点时间为因变量构建SVR模型。使用测试数据进行模型预测能力评估,结果表明:在20%相对允许误差范围内,ε-SVR和ν-SVR模型的预测精度均超过了0.8,且ν-SVR模型的预测精度要高于ε-SVR模型。 展开更多
关键词 高速铁路(HSR) 列车运行实绩 初始晚点 晚点时间预测 支持向量回归(SVR)模型
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部