数据驱动模型用于预测高铁的延迟恢复
高速铁路(HSR)面临的主要挑战之一是预测火车一旦被延迟,可以恢复多快的运行速度。 高铁线路下游站点的延迟恢复的准确预测可以帮助火车调度员调整时间表,并告知乘客预期的延迟,从而提高服务可靠性并提高乘客满意度。 在本文中,我们介绍了使用广州铁路局武广高铁集中交通控制系统(CTC)的列车运行记录来开发数据驱动的延迟恢复预测模型的结果。 我们首先确定了导致延迟的主要变量,包括总停留时间(TD),运行缓冲区(RB)时间,主要延迟(PD)的大小以及各个部分的影响。 校准和评估了两个替代模型,即多元线性回归(MLR)和随机森林回归(RFR)。 测试数据集上的验证结果表明,两种模型均具有良好的性能,其中RFR模型在预测准确性方面优于MLR。 具体而言,评估结果表明,当预测公差小于3分钟时,RFR模型可以达到高达90.9%的预测精度,而对于MLR模型,该值为84.4%。