کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6936119 1449660 2018 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Reinforcement learning approach for coordinated passenger inflow control of urban rail transit in peak hours
ترجمه فارسی عنوان
رویکرد یادگیری تقویتی برای کنترل جریان ورودی هماهنگ شده مسافرین در ساعتهای پائین
کلمات کلیدی
حمل و نقل راه آهن شهری، ظرفیت قطار، ایمنی عملیات، کنترل ورودی مسافر هماهنگ، تقویت یادگیری،
ترجمه چکیده
در اوج ساعت، زمانی که ظرفیت حمل و نقل عمومی حمل و نقل محدود به اندازه کافی برای پاسخگویی به نیازهای سفر نیست، تراکم مسافران منتظر پلت فرم می تواند از تراکم حیاتی این پلت فرم فراتر رود. استراتژی کنترل ورودی مسافر هماهنگ برای تنظیم / جریان جریان ورودی و تعدیل برخی از فشار تقاضا در ایستگاه های اتوبوسرانی شلوغ است تا اطمینان حاصل شود که بازده عملیاتی و ایمنی در چنین ایستگاه هایی برای همه مسافران. با این حال، چنین استراتژی معمولا توسط کارکنان عملیات در هر ایستگاه بر اساس تجربه کار عملی خود را توسعه داده است. به همین ترتیب، بهترین استراتژی / تصمیم گیری همیشه نمی تواند انجام شود و گاهی حتی می تواند بسیار ناخوشایند به دلیل عدم توانایی خود را برای عملکرد دینامیک تمام ایستگاه های مترو در کل شبکه حمل و نقل ریلی حساب. در این مقاله یک روش مبتنی بر یادگیری تقویت جدید برای بهینه سازی حجم جریان در طی یک دوره زمانی مشخص در هر ایستگاه با هدف به حداقل رساندن خطرات ایمنی ناشی از مسافران در ایستگاه های مترو توسعه داده شده است. اصول اساسی و اجزای اساسی یادگیری تقویتی و همچنین الگوریتم خاصی برای یادگیری مبتنی بر یادگیری ارائه شده است. آزمایش شبیه سازی انجام شده در یک خط مترو در دنیای واقعی در شانگهای ساخته شده است تا عملکرد این روش را آزمایش کند. نتایج شبیه سازی نشان می دهد که استراتژی کنترل جریان ورودی مبتنی بر یادگیری تقویت کننده در کاهش خطر خطرات ایمنی با کاهش فرکانس مسافران مواجه است. علاوه بر این، استراتژی همچنین به کاهش بار احتمالی مسافران در ایستگاه های خاص کمک می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
رویکرد یادگیری تقویتی برای کنترل جریان ورودی هماهنگ شده مسافرین در ساعتهای پائین
چکیده انگلیسی
In peak hours, when the limited transportation capacity of urban rail transit is not adequate enough to meet the travel demands, the density of the passengers waiting at the platform can exceed the critical density of the platform. Coordinated passenger inflow control strategy is required to adjust/meter the inflow volume and relieve some of the demand pressure at crowded metro stations so as to ensure both operational efficiency and safety at such stations for all passengers. However, such strategy is usually developed by the operation staff at each station based on their practical working experience. As such, the best strategy/decision cannot always be made and sometimes can even be highly undesirable due to their inability to account for the dynamic performance of all metro stations in the entire rail transit network. In this paper, a new reinforcement learning-based method is developed to optimize the inflow volume during a certain period of time at each station with the aim of minimizing the safety risks imposed on passengers at the metro stations. Basic principles and fundamental components of the reinforcement learning, as well as the reinforcement learning-based problem-specific algorithm are presented. The simulation experiment carried out on a real-world metro line in Shanghai is constructed to test the performance of the approach. Simulation results show that the reinforcement learning-based inflow volume control strategy is highly effective in minimizing the safety risks by reducing the frequency of passengers being stranded. Additionally, the strategy also helps to relieve the passenger congestion at certain stations.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Transportation Research Part C: Emerging Technologies - Volume 88, March 2018, Pages 1-16
نویسندگان
, , , , ,