CN114368420A - 一种车站调车作业工作量的预测方法 - Google Patents

Abstract

本发明公开了一种车站调车作业工作量的预测方法，首先通过无线调车机车信号和监控***STP数据构建衡量调车作业工作量的时序数据；将所构建的时序数据的各子序列数据分发到Hadoop集群节点上，将DTW距离矩阵划分成多个子矩阵，采取并行计算的方法得到时间序列DTW距离；根据所得到的DTW距离搜索在历年数据中与当前数据相似度最高的场景，并以此为依据来预测车站调车作业工作量。该方法能有效预测车站在特定时段的调车作业工作量，并据此进行运输资源的适当调配，给铁路相关部门在运输调度指挥上提供判断依据。

Description

一种车站调车作业工作量的预测方法

技术领域

本发明涉及铁路运输研究技术领域，尤其涉及一种车站调车作业工作量的预测方法。

背景技术

均衡运输是铁路运输组织工作的重要原则，每个站段基本拥有固定的运输资源，但这种方式会造成运输资源的浪费或紧张，即运输资源使用不合理，所以在不同的时间根据站场作业繁忙程度来合理的搭配使用运输资源，提升车站作业组织方法和调车作业效率，是目前铁路运输研究的重要课题之一。无线调车机车信号和监控***(STP,ShuntingTrain Protection)是调车安全防护的重要辅助设备，通过其地面设备将获取的集中联锁车站调车作业相关信号、道岔、轨道电路区段信息进行处理，车地采用无线通信方式，通过车载设备接入列车运行监控装置实现对调车机车信号显示和车列速度监控并进行控车，地面上位机存储所有的调车作业过程所产生的数据。STP数据包括联锁数据(站场设备实时表示)，机车数据(机车速度里程等)，作业单数据(摘挂钩数，摘挂车列等数据)等重要数据。

现有技术中针对调车作业工作量的衡量只是简单的统计每年的摘挂车列数、摘挂次数等宏观指标，并不能从大数据的角度去各个方面地衡量调车作业工作量，缺乏预测车站调车作业工作量的解决方案。

发明内容

本发明的目的是提供一种车站调车作业工作量的预测方法，该方法能有效预测车站在特定时段的调车作业工作量，并据此进行运输资源的适当调配，给铁路相关部门在运输调度指挥上提供判断依据。

本发明的目的是通过以下技术方案实现的：

一种车站调车作业工作量的预测方法，所述方法包括：

步骤1、通过无线调车机车信号和监控***STP数据构建衡量调车作业工作量的时序数据；其中，所述STP数据是在车站STP运行过程中，所记录的与调车作业相关的地面信号联锁、机车运行状态数据，具体包括联锁数据、控制数据、机车数据、作业单数据、跟踪数据；

步骤2、将所构建的时序数据的各子序列数据分发到Hadoop集群节点上，将动态时间规整DTW距离矩阵划分成多个子矩阵，采取并行计算的方法得到时序数据的DTW距离；

步骤3、根据所得到的DTW距离搜索在历年数据中与当前数据相似度最高的场景，并以此为依据来预测车站调车作业工作量。

由上述本发明提供的技术方案可以看出，上述方法能有效预测车站在特定时段的调车作业工作量，并据此进行运输资源的适当调配，给铁路相关部门在运输调度指挥上提供判断依据。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的车站调车作业工作量的预测方法流程示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，这并不构成对本发明的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1所示为本发明实施例提供的车站调车作业工作量的预测方法流程示意图，所述方法包括：

步骤1、通过无线调车机车信号和监控***STP数据构建衡量调车作业工作量的时序数据；

其中，所述STP数据是在车站STP运行过程中，所记录的与调车作业相关的地面信号联锁、机车运行状态数据，具体包括联锁数据、控制数据、机车数据、作业单数据、跟踪数据。

具体实现中，是通过STP数据中的机车数据、作业单数据获取与调车作业工作量相关的因素，进行归一化处理，计算出单位天数的调车工作量影响因子；

再通过联锁数据中的咽喉道岔占用数、开放进路数、调车信号机开放数、区段占用数，并结合所计算出的单位天数的调车工作量影响因子得出最终衡量调车作业工作量的值。

举例来说，上述构建衡量调车作业工作量的时序数据的过程具体为：

由于调车作业的工作量与众多因素相关，在这里我们可以首先以天为单位，分别统计每天车站内所有调车在车站内作业时的公里数、摘挂车列的数量、调车作业勾数；其中，公里数由机车数据得到，摘挂车列的数量和调车作业勾数由作业单数据得到，由于3种数据的单位范围都不一样，所以先分别对它们进行归一化处理，所采用的归一化方式为最大-最小标准化，公式为：

式中，x′为归一化后的[0,1]的无量纲的值；x为数据的原始值；minA为x的范围最小值；maxA为x的范围最大值；

根据实际情况，一天单个调车在站内调车作业公里数一般不会超过400公里，所以调车公里数最大值为车站调车数乘以400公里，最小值为0；一天车站内调车作业摘挂车列的数量最大值为40000辆，最小值为0；一天调车作业勾数最大值为，最小值为0。然后分别计算出3种数据归一化后的值，将权重配给不同数据，之后相加得出衡量车站一天调车作业工作量的值，公式为：

y＝εa+γb+(1-ε-γ)c

式中，y为单位天数的调车工作量的影响因子；ε为调车公里数的权重系数；a为归一化后的车站调车公里数；γ为调车作业摘挂车列数量的权重系数；b为归一化后的车站调车作业摘挂车列数量；c为归一化后的调车作业勾数；

由此计算出单位天数的调车工作量的影响因子y，因为y是由单位天数的调车公里数、摘挂车列数量、调车作业勾数所决定，这些数据较为宏观，无法时刻体现车站调车作业的繁忙程度，所以将它作为一个影响因子；

能够时刻体现调车作业繁忙程度的数据为实时体现站场变化的联锁数据，在这里使用咽喉道岔组占用数、开放进路数、调车信号机开放数、区段占用数来衡量车站调车作业的工作量，先将这4种数据归一化，然后根据权重累加，最后加上单位天数的调车工作量的影响因子y，得到最终衡量调车作业工作量的值，公式为：

m＝η(ωd+αe+θf+(1-ω-α-θ)g)+ρy′

式中，m为最终衡量车站调车作业工作量的值；η为联锁数据的权重系数；ω为咽喉道岔组占用数的权重系数；d为归一化后的咽喉道岔组占用数；α为开放进路数的权重系数；e为归一化后的开放进路数；θ为调车信号机开放数的权重系数；f为归一化后的调车信号机开放数；g为归一化后的区段占用数；ρ为影响因子的权重系数；y′为影响因子y归一化后的值。

步骤2、将所构建的时序数据的各子序列数据分发到Hadoop集群节点上，将动态时间规整DTW(Dynamic Time Warping)距离矩阵划分成多个子矩阵，采取并行计算的方法得到时序数据的DTW距离；

在该步骤中，Hadoop是大数据分布式的一种架构；DTW距离是一种衡量两个长度不同的时间序列相似度的方法，主要应用于模板匹配中，比如说用在孤立词语音识别(识别两段语音是否表示同一个单词)、手势识别、数据挖掘和信息检索等。

DTW距离矩阵的计算公式为：

式中，D_dtw为DTW距离矩阵；X为长度为m的时间序列；Y为长度为n的时间序列；i＝1，2，…，m；j＝1，2，…，n；x_i为X序列的第i个点；y_j为Y序列的第j个点；min为最小值函数；Rest为除去序列第一个点之后剩余的序列；

由于STP联锁数据200毫秒存储一次，数据量巨大，所以使用直接实现的DTW算法效率太低不可接受，本实施例借由Hadoop，MapReduce等大数据手段，设计了一种高性能的车站调车作业工作量预测算法，具体来说：

首先将所构建的时序数据设为X＝{x1,，x2，x3，…，xm}，长度为m，需要进行相似性搜索的时序数据设为R＝{r1，r2，r3，…，rn}，长度为n；为了利用Hadoop并行计算提高效率的优势，将X和R都拆分成若干个子序列，X分为a个长度为m/a的子序列，子序列为x0，x1，…，xa-1；R分为b个长度为n/b的子序列，子序列为r1，r2，…，rb-1；

利用Hadoop分布式缓存机制，将各子序列数据分发到Hadoop集群节点上，构造a×b个规模为[m/a]×[n/b]的子矩阵D(p，q)，p＝1，2，…，a；q＝1，2，…，b；

然后计算D(1，1)的DTW距离，把D(1，1)最后一行和最后一列存储在HDFS(HadoopDistributed File System)中；从HDFS中读取计算D(1，1)的最后一行和最后一列，分别***到D(2，1)的第0行和D(1，2)的第0列，用于DTW距离计算；最后将D(2，1)和D(1，2)的最后一行以及最后一列存入HDFS中；再获取D(2，1)的最后一行，***到D(3，1)的第0行；读取D(1，2)的最后一行，存入D(2，2)的第0行；读取D(2，1)的最后一列，***到D(2，2)第0列；读取D(1，2)的最后一列，***到D(1，3)的第0列；上述操作完成后，通过Hadoop并行计算得到D(3，1)、D(2，2)和D(1，3)的DTW距离；

通过上述过程，以此类推：读取子矩阵D(p-1，q)的最后一行及D(p，q-1)的最后一列，分别***到D(p，q)的第0行和第0列，将D(p，q)的最后一行***到D(p+1，q)的第0行，将D(p，q)的最后一列***到D(p，q+1)的第0列；然后通过Hadoop并行计算每条子矩阵的DTW距离(一次MapReduce过程计算一条子矩阵)；

在计算过程中，将计算的DTW距离累加，并进行距离阈值判断，如果超过距离阈值，则结束计算；否则迭代p+q-1次，并行计算并输出D(p,q)的DTW距离；

其中，距离阈值是根据实际需求进行设定的，具体从两条时序数据上看，判定是否相似的一个阈值。

步骤3、根据所得到的DTW距离搜索在历年数据中与当前数据相似度最高的场景，并以此为依据来预测车站调车作业工作量。

在该步骤中，具体是根据计算得到的历年时序数据曲线和当前时序数据曲线的DTW距离来判断两条曲线的相似程度；

若判定相似，再根据历年时序数据曲线来预测当前时序数据曲线的走势，从而预测车站调车作业工作量。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。本文背景技术部分公开的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

Claims (5)

1.一种车站调车作业工作量的预测方法，其特征在于，所述方法包括：

步骤1、通过无线调车机车信号和监控***STP数据构建衡量调车作业工作量的时序数据；其中，所述STP数据是在车站STP运行过程中，所记录的与调车作业相关的地面信号联锁、机车运行状态数据，具体包括联锁数据、控制数据、机车数据、作业单数据、跟踪数据；

步骤2、将所构建的时序数据的各子序列数据分发到Hadoop集群节点上，将动态时间规整DTW距离矩阵划分成多个子矩阵，采取并行计算的方法得到时序数据的DTW距离；

步骤3、根据所得到的DTW距离搜索在历年数据中与当前数据相似度最高的场景，并以此为依据来预测车站调车作业工作量。

2.根据权利要求1所述车站调车作业工作量的预测方法，其特征在于，在步骤1中，具体是通过STP数据中的机车数据、作业单数据获取与调车作业工作量相关的因素，进行归一化处理，计算出单位天数的调车工作量影响因子；

再通过联锁数据中的咽喉道岔占用数、开放进路数、调车信号机开放数、区段占用数，并结合所计算出的单位天数的调车工作量影响因子得出最终衡量调车作业工作量的值。

3.根据权利要求1或2所述车站调车作业工作量的预测方法，其特征在于，所述步骤1的过程具体为：

首先以天为单位，分别统计每天车站内所有调车在车站内作业时的公里数、摘挂车列的数量、调车作业勾数；其中，公里数由机车数据得到，摘挂车列的数量和调车作业勾数由作业单数据得到，由于3种数据的单位范围都不一样，所以先分别对它们进行归一化处理，所采用的归一化方式为最大-最小标准化，公式为：

式中，x′为归一化后的[0,1]的无量纲的值；x为数据的原始值；min A为x的范围最小值；max A为x的范围最大值；

然后分别计算出3种数据归一化后的值，将权重配给不同数据，之后相加得出衡量车站一天调车作业工作量的值，公式为：

y＝εa+γb+(1-ε-γ)c

式中，y为单位天数的调车工作量的影响因子；ε为调车公里数的权重系数；a为归一化后的车站调车公里数；γ为调车作业摘挂车列数量的权重系数；b为归一化后的车站调车作业摘挂车列数量；c为归一化后的调车作业勾数；

由此计算出单位天数的调车工作量的影响因子y，然后使用咽喉道岔组占用数、开放进路数、调车信号机开放数、区段占用数来衡量车站调车作业的工作量，先将这4种数据归一化，然后根据权重累加，最后加上影响因子y，得到最终衡量调车作业工作量的值，公式为：

m＝η(ωd+αe+θf+(1-ω-α-θ)g)+ρy′

式中，m为最终衡量车站调车作业工作量的值；η为联锁数据的权重系数；ω为咽喉道岔组占用数的权重系数；d为归一化后的咽喉道岔组占用数；α为开放进路数的权重系数；e为归一化后的开放进路数；θ为调车信号机开放数的权重系数；f为归一化后的调车信号机开放数；g为归一化后的区段占用数；ρ为影响因子的权重系数；y′为影响因子y归一化后的值。

4.根据权利要求1所述车站调车作业工作量的预测方法，其特征在于，在步骤2中，DTW距离矩阵的计算公式为：

式中，D_dtw为DTW距离矩阵；X为长度为m的时间序列；Y为长度为n的时间序列；i＝1，2，…，m；j＝1，2，…，n；x_i为X序列的第i个点；y_j为Y序列的第j个点；min为最小值函数；Rest为除去序列第一个点之后剩余的序列；

首先将所构建的时序数据设为X＝{x1,，x2，x3，…，xm}，长度为m，需要进行相似性搜索的时序数据设为R＝{r1，r2，r3，…，rn}，长度为n；将X和R都拆分成若干个子序列，X分为a个长度为m/a的子序列，子序列为x0，x1，…，xa-1；R分为b个长度为n/b的子序列，子序列为r1，r2，…，rb-1；

利用Hadoop分布式缓存机制，将各子序列数据分发到Hadoop集群节点上，构造a×b个规模为[m/a]×[n/b]的子矩阵D(p，q)，p＝1，2，…，a；q＝1，2，…，b；

然后计算D(1，1)的DTW距离，把D(1，1)最后一行和最后一列存储在HDFS(HadoopDistributed File System)中；从HDFS中读取计算D(1，1)的最后一行和最后一列，分别***到D(2，1)的第0行和D(1，2)的第0列，用于DTW距离计算；最后将D(2，1)和D(1，2)的最后一行以及最后一列存入HDFS中；再获取D(2，1)的最后一行，***到D(3，1)的第0行；读取D(1，2)的最后一行，存入D(2，2)的第0行；读取D(2，1)的最后一列，***到D(2，2)第0列；读取D(1，2)的最后一列，***到D(1，3)的第0列；上述操作完成后，通过Hadoop并行计算得到D(3，1)、D(2，2)和D(1，3)的DTW距离；

通过上述过程，以此类推：读取子矩阵D(p-1，q)的最后一行及D(p，q-1)的最后一列，分别***到D(p，q)的第0行和第0列，将D(p，q)的最后一行***到D(p+1，q)的第0行，将D(p，q)的最后一列***到D(p，q+1)的第0列；然后通过Hadoop并行计算每条子矩阵的DTW距离；

在计算过程中，将计算的DTW距离累加，并进行距离阈值判断，如果超过距离阈值，则结束计算；否则迭代p+q-1次，并行计算并输出D(p,q)的DTW距离。

5.根据权利要求1所述车站调车作业工作量的预测方法，其特征在于，所述步骤3的过程具体为：

根据计算得到的历年时序数据曲线和当前时序数据曲线的DTW距离来判断两条曲线的相似程度；

若判定相似，再根据历年时序数据曲线来预测当前时序数据曲线的走势，从而预测车站调车作业工作量。

Images