论文部分内容阅读
开行方案是高铁开行的基本依据,是根据需求匹配运力的基本载体,其编制方法及优化一直是研究的热点。在开行方案编制及优化过程中,既有研究主要利用经典数学优化方法及现代演化方法进行建模及求解,但此类问题目标多且约束复杂,使算法复杂性与计算量均很大。当前,机器学习研究在各领域已取得广泛应用,适于解决数据挖掘等问题,加之高铁数据的不断积累,为利用机器学习解决开行方案编制问题提供了新的途径。为此,本文提出了一套基于机器学习的高铁开行方案编制方法,主要研究工作包含以下四个方面:(1)构建了高铁开行方案编制的求解框架。结合编制开行方案时的实际及理论业务流程,对本文所要解决的问题进一步准确描述;根据问题描述,提出研究所需的假设条件,建立了宽约束条件下以机器学习模型作为目标函数的高铁开行方案模型,并提出了高铁开行方案求解框架。(2)建立了基于机器学习的高铁开行方案评估模型。通过分析高铁相关指标选取客座率作为评估开行方案的关键指标;对高铁开行方案的相关数据经特征提取、数据标准化、特征选择三个步骤构建出可适用于机器学习的输入数据特征;其次,根据高铁开行方案特征维度高,各车次具有时空相关性的特点,选取LSTM深度学习模型作为评估模型,并设计了基于LSTM的高铁开行方案评估模型;最后,研究了使用高铁开行方案及客座率数据训练LSTM模型的算法,并对模型的性能评价进一步优化。(3)提出了一种基于机器学习的高铁开行方案编制方法。因高铁开行方案初始可行集对搜索过程影响较大,设计了面向高铁开行方案的初始化方法,降低了算法的搜索空间,并提高了算法的起点。通过聚类的方法,计算出“保留”列车的集合,使之在迭代计算中保持不变,并设计了针对可变列车部分的交叉与变异遗传算子。接着给出基于机器学习评估模型及遗传算法的高铁开行方案编制算法流程,并对算法可行性及收敛性等进一步分析。(4)针对京沪高铁开行方案的编制进行了案例验证实验。首先描述了京沪高铁的现有的背景,其次说明了实验数据及环境的准备工作,对实验所用的方法进行具体说明:通过实验,验证了本文所提出的基于机器学习的高铁开行方案编制方法的可行性,并对结果进行了分析讨论。