CN116443080A - 一种轨道交通行车调度指挥方法、***、设备及介质 - Google Patents
一种轨道交通行车调度指挥方法、***、设备及介质 Download PDFInfo
- Publication number
- CN116443080A CN116443080A CN202310497726.XA CN202310497726A CN116443080A CN 116443080 A CN116443080 A CN 116443080A CN 202310497726 A CN202310497726 A CN 202310497726A CN 116443080 A CN116443080 A CN 116443080A
- Authority
- CN
- China
- Prior art keywords
- train
- running
- driving
- rail transit
- influence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 94
- 238000010586 diagram Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000008520 organization Effects 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims description 31
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 claims description 6
- 230000007306 turnover Effects 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 13
- 230000003993 interaction Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/10—Operations, e.g. scheduling or time tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/04—Automatic systems, e.g. controlled by train; Change-over to manual control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开一种轨道交通行车调度指挥方法、***、设备及介质,涉及列车运行组织领域。该方法包括:确定轨道交通***的基础线路参数和计划运营数据,并获取轨道交通***的综合运行状态信息;根据综合运行状态信息识别异常事件,确定异常事件对于行车的影响和列车运行态势;根据基础线路参数、计划运营数据、异常事件对于行车的影响和列车运行态势,制定动态列车运行图;根据动态列车运行图生成并下发调度指令。本发明能够从信息获取、信息分析、调度决策、调度指令生成四个方面提升轨道交通行车调度指挥***的自动化程度以适应精细化管理,增强异常事件的应急处置能力,有效降低对乘客服务带来的影响。
Description
技术领域
本发明涉及列车运行组织领域,特别是涉及一种轨道交通行车调度指挥方法、***、设备及介质。
背景技术
轨道交通具有快捷准时的特点,是现代公共交通的重要组成部分。大力发展城轨,构建综合、绿色、安全、智能的立体化现代化交通***可以有效缓解地面交通压力。轨道交通调度指挥是由运输部门设立的专门(调度)机构,统一实施轨道交通日常运输生产的组织与指挥,保证列车安全、准点运行。由于轨道交通***复杂且庞大,一人难以同时调度多种资源,所以划分为多个专业/领域,设置不同的调度岗位,实现对不同的资源分别进行调度。作为轨道交通***的“大脑”,调度人员的重要性不言而喻。
以全自动驾驶***为例,调度对象可以分为***、信息和行车三类。与***相关的调度岗位包括电力调度和环控调度,与信息有关的调度岗位包括乘客调度和信息调度,与行车相关的调度包括行车调度、车辆调度和车辆基地调度。轨道交通是以服务乘客为目标的复杂***,而车辆作为运送乘客的主要载体,是与乘客交互的重要装备之一,也是整个***的核心。相应地,在三类调度对象中行车最为关键。因此轨道交通调度指挥应以行车调度为核心,各个专业/部门紧密配合,共同高效完成同一宏观运营计划。随着客流需求和新建线路的不断增加,轨道交通运营由单线向网络化转变,运营规模以及行车密度的提升给调度指挥带来了严峻的挑战。因此提升轨道交通行车调度指挥***智能化水平,增强异常事件的应急处置能力是目前轨道交通***的重点研究方向之一。
轨道交通故障成因和场景复杂多样,演化过程非常复杂,特别是在复杂网络,甚至是多个节点故障的情况下,调度员依靠经验往往难以准确判断故障造成的影响。同时,故障信息收集与处置手段有限,报警信息颗粒度不足,影响故障诊断效率,同时在故障处置的过程中,调度员需要和设备、人员之间进行大量的信息交互,而这些信息的随机性和模糊性,加大了故障影响分析的难度。
此外,异常事件处置方案制定是一项复杂决策,需要考虑故障类型、故障影响范围、故障处置所需时间、列车运行间隔等众多因素。目前实际运营过程中,故障处置方案的生成主要依靠调度员经验和人工分析处理,异常处置操作繁多,存在信息掌握不全面、容易遗漏等问题。同时调度员能力层次不齐,部分调度员对设备熟悉程度较低,缺乏必要的故障处置经验,容易出行反应不及时、处置不当等问题。
最后,在发生异常事件,运营秩序紊乱的情况下,调度员需要综合考虑时空因素、可用资源以及调度指令下达的时间,平衡各种运营指标,在短时间内形成一个运行图调整方案。随着列车运行间隔的进一步减小,故障影响传播速度加快,受影响的列车和乘客数量增多,调度员很难在短时间形成最优处置策略。
综上所述,现有轨道交通行车调度指挥方式存在如下缺陷:
1、轨道交通异常事件成因和场景复杂多样,目前行车调度员依靠有限的信息和经验难以准确分析异常事件的影响范围。
2、异常事件发生后,行车调度员人工对运行图进行调整的方式存在个体差异,且容易出现反应不及时、处置不当等问题。
3、运行图调整中涉及的因素及资源约束复杂,列车运行间隔的减小会导致受影响的列车和乘客数量增多,调度员难以在短时间形成最优处置策略。
发明内容
本发明的目的是提供一种轨道交通行车调度指挥方法、***、设备及介质,以实现自动化的轨道交通行车调度指挥,增强异常事件的应急处置能力,降低对乘客服务带来的影响。
为实现上述目的,本发明提供了如下方案:
一种轨道交通行车调度指挥方法,包括:
确定轨道交通***的基础线路参数和计划运营数据,并获取轨道交通***的综合运行状态信息;
根据所述综合运行状态信息识别异常事件,确定异常事件对于行车的影响和列车运行态势;所述异常事件包括:列车延误、设备设施故障、突发大客流和外部环境异常;
根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,制定动态列车运行图;
根据所述动态列车运行图生成并下发调度指令。
可选地,确定轨道交通***的基础线路参数和计划运营数据,并获取轨道交通***的综合运行状态信息,具体包括:
根据轨道交通***的实际线路情况,确定轨道交通***的基础线路参数;
根据轨道交通***的运营情况,确定轨道交通***的计划运营数据;
获取轨道交通***的机电设备监控***、电力监控***、列车运行控制***、乘客信息***和环境监控***的运行状态信息,并将所述运行状态信息中的非结构化信息转换为结构化信息,得到综合运行状态信息。
可选地,根据所述综合运行状态信息识别异常事件,确定异常事件对于行车的影响和列车运行态势,具体包括:
根据所述综合运行状态信息,基于神经网络算法识别异常事件;
根据所述综合运行状态信息,构建面向轨道交通行车调度的知识图谱,并根据所述知识图谱确定异常事件对于行车的影响;所述异常事件对于行车的影响包括:列车最高运行速度、最小列车追踪间隔、可用的列车资源、受影响的车次和受影响的线路区域;
根据所述异常事件对于行车的影响,基于离散事件动态***确定列车运行态势。
可选地,根据所述综合运行状态信息,基于神经网络算法识别异常事件,具体包括:
根据所述综合运行状态信息,基于神经网络算法确定异常事件的类型和持续时长;
根据所述异常事件的类型和持续时长,确定异常事件的严重程度;
按照设定处理优先级和所述严重程度对不同异常事件进行分类显示。
可选地,根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,制定动态列车运行图,具体包括:
根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,构建离散时空网络;
以各运营指标的线性加权和最小为目标函数,基于所述离散时空网络建立多目标数学优化模型;所述各运营指标包括:列车延误时间、取消车次数量、中途折返车次数量和乘客等待时间;所述多目标数学优化模型的约束条件包括:网络流约束、车底周转约束、到达/发车时刻约束、服务车站约束、停站时间约束、线路资源约束和列车运行态势约束;
采用基于数据驱动的大规模分布式求解方法对所述多目标数学优化模型进行求解,得到动态列车运行图。
可选地,采用基于数据驱动的大规模分布式求解方法对所述多目标数学优化模型进行求解,得到动态列车运行图,具体包括:
以车次为单位对所述多目标数学优化模型的目标函数和约束条件进行分散化处理,得到若干个子优化模型;
基于所述离散时空网络对列车运行进行模拟仿真,得到模拟仿真数据;
采用强化学习的方法,根据所述模拟仿真数据确定列车运行调整策略;
应用所述列车运行调整策略,按照发车时间的早晚依次对各所述子优化模型进行求解,得到动态列车运行图。
可选地,所述调度指令包括:机电设备调度指令、电力设备调度指令、行车设备调度指令、列车运行信息和客流组织引导信息;所述行车设备调度指令包括:调整到发时分、停运车次、加开车次、备用车上线、变更列车运行交路、中途折返和单线双向运行。
一种轨道交通行车调度指挥***,包括:
信息获取子***,用于确定轨道交通***的基础线路参数和计划运营数据,并获取轨道交通***的综合运行状态信息;
信息分析子***,用于根据所述综合运行状态信息识别异常事件,确定异常事件对于行车的影响和列车运行态势;所述异常事件包括:列车延误、设备设施故障、突发大客流和外部环境异常;
调度决策子***,用于根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,制定动态列车运行图;
调度指令生成子***,用于根据所述动态列车运行图生成并下发调度指令。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的轨道交通行车调度指挥方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的轨道交通行车调度指挥方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的轨道交通行车调度方法,通过获取轨道交通***的综合运行状态信息,实现了对于轨道交通***信息的全面、精确感知;通过识别异常事件,并确定异常事件对于行车的影响和列车运行态势,能够为优化决策提供支撑;通过根据基础线路参数、计划运营数据、异常事件对于行车的影响和列车运行态势,制定动态列车运行图,能够自动生成调度策略,取代了行车调度员人工进行列车运行调整的方式,降低了调度人员的工作强度;通过根据动态列车运行图生成并下发调度指令,避免了人工通过电话下达调度指令不及时导致影响进一步扩大的风险。因此,本发明能够从信息获取、信息分析、调度决策、调度指令生成四个方面提升轨道交通行车调度指挥***的自动化程度以适应精细化管理,增强异常事件的应急处置能力,有效降低对乘客服务带来的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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的附图。
图1为本发明提供的轨道交通行车调度指挥方法的流程图;
图2为本发明提供的轨道交通行车调度指挥***与轨道交通其余相关子***间信息交互的详细示意图;
图3为本发明提供的轨道交通行车调度指挥***的模块图;
图4为本发明提供的调度决策子***的具体实现流程图。
符号说明:
信息获取子***—1,第一信息获取模块—11,第二信息获取模块—12,信息分析子***—2,调度决策子***—3,调度指令生成子***—4,机电设备监控***—5,电力监控***—6,列车运行控制***—7,乘客信息***—8,环境监控***—9。
具体实施方式
下面将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。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种轨道交通行车调度指挥方法、***、设备及介质,以实现自动化的轨道交通行车调度指挥,增强异常事件的应急处置能力,降低对乘客服务带来的影响。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种轨道交通行车调度指挥方法,包括:
步骤S1:确定轨道交通***的基础线路参数和计划运营数据,并获取轨道交通***的综合运行状态信息。
步骤S2:根据所述综合运行状态信息识别异常事件,确定异常事件对于行车的影响和列车运行态势;所述异常事件包括:列车延误、设备设施故障、突发大客流和外部环境异常。
步骤S3:根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,制定动态列车运行图。
步骤S4:根据所述动态列车运行图生成并下发调度指令。
如图2及图3所示,为了执行上述对应的方法,以实现相应的功能和技术效果,本发明还提供一种轨道交通行车调度指挥***,包括:
信息获取子***1,用于确定轨道交通***的基础线路参数和计划运营数据,并获取轨道交通***的综合运行状态信息。
信息分析子***2,用于根据所述综合运行状态信息识别异常事件,确定异常事件对于行车的影响和列车运行态势;所述异常事件包括:列车延误、设备设施故障、突发大客流和外部环境异常。
调度决策子***3,用于根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,制定动态列车运行图。
调度指令生成子***4,用于根据所述动态列车运行图生成并下发调度指令。
下面结合图1至图3,对本发明提供的轨道交通行车调度指挥方法及***进行详细说明。
步骤S1:确定轨道交通***的基础线路参数和计划运营数据,并获取轨道交通***的综合运行状态信息,具体包括:
步骤S1.1:根据轨道交通***的实际线路情况,确定轨道交通***的基础线路参数。其中,基础线路参数具体包括:线路限速区段信息、车站数量及位置、上下行方向定义、车辆段位置和各车站的存车线数量及配线线型。
步骤S1.2:根据轨道交通***的运营情况,确定轨道交通***的计划运营数据。其中,计划运营数据具体包括:车次时刻表、车底周转计划、最小追踪间隔、最短折返时间、备用车底集合和备车上线所需时间。
步骤S1.3:获取轨道交通***的机电设备监控***、电力监控***、列车运行控制***、乘客信息***和环境监控***等与行车相关的各专业***的运行状态信息,并将所述运行状态信息中的非结构化信息转换为结构化信息,得到综合运行状态信息。具体地,非结构化信息处理是指从文本、图片、图像和音频/视频等非结构化信息中提取结构化的关系数据。
参见图2,与机电设备监控***5建立通信接口,实时采集线路、车辆、通风空调、给排水、电梯、照明设备等机电设备状态;与电力监控***6建立通信接口,实时采集一、二、三级负荷的供电设备状态;与列车运行控制***7建立通信接口,实时采集信号机、转辙机等轨旁设备状态以及线上服务列车的运行状态(例如:速度、位置、驾驶模式、是否准点);与乘客信息***8建立通信接口,实时采集车站乘客动态以及乘客出入站信息;与环境监控***9建立接口,实时采集是否存在异物侵限、天气以及自然灾害信息。
对于采集得到的上述信息,分析文本、图片、图像和音频/视频等非结构化文件的结构类型特点,创建对应的文件模板,通过转换程序来读取这些非结构化信息的内容,然后使用不同的转换规则将其转换成为标准的XML文档,分析XML文档与关系数据库的映射关系,针对性的抽取关系并进行结构化表示,形成关系数据库。
在上述过程中,步骤S1.1及步骤S1.2由信息获取子***1中的第一信息获取模块11实现,步骤S1.3由信息获取子***1中的第二信息获取模块12实现。
步骤S2:根据所述综合运行状态信息识别异常事件,确定异常事件对于行车的影响和列车运行态势,具体包括:
步骤S2.1:根据所述综合运行状态信息,基于神经网络算法识别异常事件。
步骤S2.1具体包括:根据所述综合运行状态信息,基于神经网络算法确定异常事件的类型和持续时长;根据所述异常事件的类型和持续时长,确定异常事件的严重程度;按照设定处理优先级和所述严重程度对不同异常事件进行分类显示。优选地,所述神经网络算法为BP神经网络、卷积神经网络和循环神经网络中的任意一种。
在具体应用中,实时监督多专业信息(即综合运行状态信息),当发生异常事件时借助海量故障数据,应用人工智能算法对异常事件的类型和持续时长进行预测,根据异常事件的类型及持续时长对其严重程度进行评估,并按照设定处理优先级和严重程度对不同的异常事件进行分类显示(每种故障有独特的显示方式),通过界面显示颜色、报警形式(语音、图像等)等对故障预警,及时提示调度员,且方便辨识。
步骤S2.2:根据所述综合运行状态信息,构建面向轨道交通行车调度的知识图谱,并根据所述知识图谱确定异常事件对于行车的影响;所述异常事件对于行车的影响包括:列车最高运行速度、最小列车追踪间隔、可用的列车资源、受影响的车次和受影响的线路区域。
具体地,构建面向轨道交通行车调度的知识图谱,用于对综合运行状态信息进行融合,发掘轨道交通各个***与列车运行之间的复杂关系,若存在异常事件,则根据知识图谱抽取及存储的知识分析异常事件对于行车的影响,主要涵盖列车最高运行速度、最小列车追踪间隔、可用的列车资源、受影响的车次、受影响的线路区域等方面。
宏观层面,知识图谱的构建过程主要分为数据获取、知识获取、知识融合、知识推理四部分。微观层面,知识图谱的构建过程主要分为以下几方面:
(1)数据源是研究完备性的重要保障,因此数据采集与加工是知识图谱构建的基础。城市轨道交通行车调度知识图谱数据来源主要分为两种,结构化的***运行数据、半结构化以及非结构化的异常事件处置记录。
(2)在获取到相关数据之后,需要进行知识图谱数据的知识抽取,通过实体抽取、属性抽取和关系抽取三个步骤,使异常事件的影响可采用<实体,关系,实体>三元组的形式表示,形成由“点”和“边”表示的有向网络,图谱中的点表示实体,边表示实体之间的关系。
(3)由于城市轨道交通是一个涉及多专业的复杂***,对于同一个实体在不同专业下可能采取不同的描述方式,因此采用知识融合将不同知识库对实体的描述进行整合,通过知识对齐、知识合并和实体消歧获得实体的完整描述,从未形成高质量的知识库。
(4)在已有知识的基础上,进一步采用知识推理的技术,通过提取事实或总结归纳,推断出未知的知识,即利用图谱中现有的三元组,得到一些新的实体间的关系三元组。
步骤S2.3:根据所述异常事件对于行车的影响,基于离散事件动态***确定列车运行态势。
具体地,根据异常事件对于行车的影响以及运营过程中“列车-列车”与“列车-乘客”之间的交互作用机理,揭示列车延误的产生、传播过程,从而推演出列车在后续车站的运行态势,为决策奠定基础。
其中,列车-列车的交互作用机理指的是列车之间的相互影响关系,例如列车不能在同一时间共享线路资源,列车-乘客交互作用机理指的是列车停站过程中,乘客上下车过程是如何影响列车停站时间的,可以通过定义离散事件动态***(如:Petri网)得到。建立Petri网之后就可以描述***的演化过程,其中就包括了列车延误的产生、传播过程,以及列车在后续车站的运行态势。
步骤S3:根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,制定动态列车运行图,从而使列车运行秩序尽快恢复正常。
优选地,本发明基于离散时空网络建立多目标数学优化模型,使用线性加权对列车延误时间、取消车次数量、中途折返车次数量、乘客等待时间等多个运营指标进行权衡,能够在短时间内快速生成高质量的动态运行图。
如图4所示,步骤S3具体包括:
步骤S3.1:根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,构建离散时空网络。
具体地,离散时空网络需要根据异常事件影响的时间范围、地铁线路中的重要节点两类数据进行建立。将线路中的车站/存车线抽象为节点,列车的运行抽象为运行弧、停站弧以及进出存车线的弧,并将发生异常事件之后的时间段按照一定的时间间隔进行离散化,通过选取不同的运行弧可以刻画出列车在线路上的运行路径,构建得到如图4中的第一部分所示的离散时空网络。其中,横轴表示时间节点(以固定时间间隔离散化后的时间序列,涵盖异常事件影响的时间范围),纵轴表示空间中的节点(线路中的车站、存车线等),横轴和纵轴交叉的地方表示一个时空节点(物理含义是列车在某一个时间处于线路中的某一个位置),箭头(也叫做弧)连接两个时空节点,从而可以表示列车运行(举例来说列车8点从动物园站出发,9点到达西直门站,这就是离散时空网络中的两个时空节点,箭头就表示列车经过了这两个时空节点,反之没有经过,则没有箭头)。
本发明通过构建离散时空网络,为列车运行提供了公式化的表示方法,构建出所有列车可能占用的弧,就可以用0-1变量作为决策变量,0表示不占用当前弧,1表示占用,表示出决策变量,就可以在后续的步骤中进行数学建模。
步骤S3.2:以各运营指标的线性加权和最小为目标函数,基于所述离散时空网络建立多目标数学优化模型;所述各运营指标包括:列车延误时间、取消车次数量、中途折返车次数量和乘客等待时间;所述多目标数学优化模型的约束条件包括:网络流约束、车底周转约束、到达/发车时刻约束、服务车站约束、停站时间约束、线路资源约束和列车运行态势约束。
具体地,选取列车延误时间z1、取消车次数量z2、中途折返车次数量z3、乘客等待时间z4四个运营指标,进行线性加权后作为优化模型的目标函数,表示为:
z=ω1z1+ω2z2+ω3z3+ω4z4
其中,ω1,ω2,ω3,ω4分别为四个运营指标对应的权重,代表了运营指标的重要程度。本发明在轨道交通行车调度指挥***中预先设置有几组不同的权重值,给调度员提供不同侧重的运行图调整方案,从而方便调度员根据个体偏好、具体的现场情况等进行选择。
通过设置优化模型的约束,可以保证动态列车运行图的可行性。约束条件具体包括:
(1)网络流约束,即离散时空网络中进出车站节点的弧的数量相等,表示为:
其中,(i,j,t,t′)表示一条从时间t到t′连接节点i和j的弧,表示弧的集合,表示车次k是否占用弧(i,j,t,t′),/>表示车次的集合,/>表示车站节点的集合。
(2)车底周转约束,即一个车次只能由另一个车次衔接或由一个备用车底执行,表示为:
其中,表示存车线节点的集合。
(3)到达/发车时刻约束,即建立到达/发车时刻和决策变量的关系,表示为:
其中,ak,i和dk,i分别表示车次k在节点i的到达/发车时刻。
(4)服务车站约束,即建立服务车站指示和决策变量的关系,表示为:
其中,yk,i表示车次k是否服务车站节点i。
(5)停站时间约束,即将列车的停站时间限制在一定范围内,表示为:
其中,dmin和dmax分别表示停站时间的最大值和最小值,M为一个足够大的正数。
(6)线路资源约束,即对于所有的线路资源(包括正线、出入段线、存车线),不能被两个车底同时占用,表示为:
其中,hmin表示最短追踪间隔,dk′,i表示车次k′在节点i的发车时刻,车次k在一个节点的到达时间和车次k′在同一个节点的发车时间的间隔大于最短追踪间隔hmin。
(7)列车运行态势约束,即根据信息分析子***预测的列车运行态势,对相应车次的到发时刻进行限制,表示为:
其中,和/>分别表示信息分析子***预测的车次k在节点i的最早到达/发车时刻。
步骤S3.3:采用基于数据驱动的大规模分布式求解方法对所述多目标数学优化模型进行求解,得到动态列车运行图。
步骤S3.3具体包括:以车次为单位对所述多目标数学优化模型的目标函数和约束条件进行分散化处理,得到若干个子优化模型;基于所述离散时空网络对列车运行进行模拟仿真,得到模拟仿真数据;采用强化学习的方法,根据所述模拟仿真数据确定列车运行调整策略;应用所述列车运行调整策略,按照发车时间的早晚依次对各所述子优化模型进行求解,得到动态列车运行图。
由于列车、站点和线路数目众多,且约束条件之间耦合严重,所建匹配模型难以得到快速求解,因此采用基于数据驱动的大规模分布式求解方法对优化模型进行求解,具体实现步骤如下:
(1)分析约束条件和目标函数与各车次的耦合程度,以车次为单位对目标函数和约束条件进行分散化处理,将原优化模型分解成多个子优化模型。
其中,每个子模型分别是针对一个车次的优化,目标函数和约束中只保留包含该车次的部分。以列车延误时间为例,原始目标函数中的列车延误时间z1是对所有车次进行累加的,表示为其中k表示车次索引,/>表示所有车次的集合,/>表示某一个车次k的延误时间,其他运营指标同理,那么子优化模型中的目标函数就是
(2)基于离散时空网络对列车运行进行模拟仿真,采用强化学习的方法从模拟仿真得到的数据中学习运行调整经验,从而确定最后的列车运行调整策略。具体地,基于离散时空网络对列车运行进行模拟仿真,得到不同运行调整策略下延误传播和列车运行的推演结果,从而获取大量的列车运行模拟仿真数据,根据目标函数设置不同列车运行数据下仿真环境返回的奖励值,采用强化学习的方法根据返回的奖励值学习列车运行调整策略。其中,奖励值是指在特定运行调整策略下根据***推演结果得到的运营指标实现情况,强化学习是一个不断试错,根据奖励值优化策略的过程,越差的策略得到的奖励值越低,通过迭代实现运行调整策略的学习和优化。
(3)将学习到的列车运行调整策略用于处理分解之后以车次为单位的子优化模型,按照发车时间的早晚依次应用策略进行求解,从而在短时间内生成可行的动态列车运行图。其中,所述动态列车运行图中包括每个车次的起止车站、在每个车站的到发时刻以及起始、终止存车线。
步骤S4:根据所述动态列车运行图生成并下发调度指令,具体包括:
步骤S4.1:根据动态列车运行图对行车设备调度指令进行生成或提取,并发送至相关专业设备/人员,行车设备调度指令包括:调整到发时分、停运/加开车次、备用车上线、变更列车运行交路、中途折返、单线双向运行。
步骤S4.2:根据动态列车运行图对电力、机电设备、乘客服务等多个与行车相关的专业调度指令(即机电设备调度指令、电力设备调度指令、列车运行信息和客流组织引导信息)进行生成或提取,并发送至相关专业设备/人员。
其中,提取行车调度指令是考虑到没有达到完全自动化时,需要调度员确认后才能下达,根据运行图对行车调度指令进行提取不仅有利于调度员确认,也有利于其他工作人员理解执行。
进一步地,本发明还提供一种电子设备,包括存储器和处理器,该存储器用于存储计算机程序,该处理器用于运行计算机程序以使电子设备执行上述的轨道交通行车调度指挥方法。所述电子设备可以是服务器。
进一步地,本发明还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现上述的轨道交通行车调度指挥方法。
综上所述,本发明提供一种轨道交通行车调度指挥方法、***、设备及介质,能够从信息获取、信息分析、调度决策、调度指令生成四个方面提升轨道交通行车调度指挥***的自动化程度以适应精细化管理,增强异常事件的应急处置能力,有效降低对乘客服务带来的影响。
与现有技术相比,本发明具有以下优点:
(1)实现了对于轨道交通***信息的全面、精确感知。
(2)智能分析异常事件影响范围及列车运行态势,为优化决策提供支撑。
(3)自动生成调度策略,取代了行车调度员人工进行列车运行调整的方式,降低了调度人员的工作强度。
(4)自动提取并下达与调度策略匹配的调度指令,避免了人工通过电话下达调度指令不及时导致影响进一步扩大的风险。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种轨道交通行车调度指挥方法,其特征在于,包括:
确定轨道交通***的基础线路参数和计划运营数据,并获取轨道交通***的综合运行状态信息;
根据所述综合运行状态信息识别异常事件,确定异常事件对于行车的影响和列车运行态势;所述异常事件包括:列车延误、设备设施故障、突发大客流和外部环境异常;
根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,制定动态列车运行图;
根据所述动态列车运行图生成并下发调度指令。
2.根据权利要求1所述的轨道交通行车调度指挥方法,其特征在于,确定轨道交通***的基础线路参数和计划运营数据,并获取轨道交通***的综合运行状态信息,具体包括:
根据轨道交通***的实际线路情况,确定轨道交通***的基础线路参数;
根据轨道交通***的运营情况,确定轨道交通***的计划运营数据;
获取轨道交通***的机电设备监控***、电力监控***、列车运行控制***、乘客信息***和环境监控***的运行状态信息,并将所述运行状态信息中的非结构化信息转换为结构化信息,得到综合运行状态信息。
3.根据权利要求1所述的轨道交通行车调度指挥方法,其特征在于,根据所述综合运行状态信息识别异常事件,确定异常事件对于行车的影响和列车运行态势,具体包括:
根据所述综合运行状态信息,基于神经网络算法识别异常事件;
根据所述综合运行状态信息,构建面向轨道交通行车调度的知识图谱,并根据所述知识图谱确定异常事件对于行车的影响;所述异常事件对于行车的影响包括:列车最高运行速度、最小列车追踪间隔、可用的列车资源、受影响的车次和受影响的线路区域;
根据所述异常事件对于行车的影响,基于离散事件动态***确定列车运行态势。
4.根据权利要求3所述的轨道交通行车调度指挥方法,其特征在于,根据所述综合运行状态信息,基于神经网络算法识别异常事件,具体包括:
根据所述综合运行状态信息,基于神经网络算法确定异常事件的类型和持续时长;
根据所述异常事件的类型和持续时长,确定异常事件的严重程度;
按照设定处理优先级和所述严重程度对不同异常事件进行分类显示。
5.根据权利要求1所述的轨道交通行车调度指挥方法,其特征在于,根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,制定动态列车运行图,具体包括:
根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,构建离散时空网络;
以各运营指标的线性加权和最小为目标函数,基于所述离散时空网络建立多目标数学优化模型;所述各运营指标包括:列车延误时间、取消车次数量、中途折返车次数量和乘客等待时间;所述多目标数学优化模型的约束条件包括:网络流约束、车底周转约束、到达/发车时刻约束、服务车站约束、停站时间约束、线路资源约束和列车运行态势约束;
采用基于数据驱动的大规模分布式求解方法对所述多目标数学优化模型进行求解,得到动态列车运行图。
6.根据权利要求5所述的轨道交通行车调度指挥方法,其特征在于,采用基于数据驱动的大规模分布式求解方法对所述多目标数学优化模型进行求解,得到动态列车运行图,具体包括:
以车次为单位对所述多目标数学优化模型的目标函数和约束条件进行分散化处理,得到若干个子优化模型;
基于所述离散时空网络对列车运行进行模拟仿真,得到模拟仿真数据;
采用强化学习的方法,根据所述模拟仿真数据确定列车运行调整策略;
应用所述列车运行调整策略,按照发车时间的早晚依次对各所述子优化模型进行求解,得到动态列车运行图。
7.根据权利要求1所述的轨道交通行车调度指挥方法,其特征在于,所述调度指令包括:机电设备调度指令、电力设备调度指令、行车设备调度指令、列车运行信息和客流组织引导信息;所述行车设备调度指令包括:调整到发时分、停运车次、加开车次、备用车上线、变更列车运行交路、中途折返和单线双向运行。
8.一种轨道交通行车调度指挥***,其特征在于,包括:
信息获取子***,用于确定轨道交通***的基础线路参数和计划运营数据,并获取轨道交通***的综合运行状态信息;
信息分析子***,用于根据所述综合运行状态信息识别异常事件,确定异常事件对于行车的影响和列车运行态势;所述异常事件包括:列车延误、设备设施故障、突发大客流和外部环境异常;
调度决策子***,用于根据所述基础线路参数、所述计划运营数据、所述异常事件对于行车的影响和所述列车运行态势,制定动态列车运行图;
调度指令生成子***,用于根据所述动态列车运行图生成并下发调度指令。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至7中任意一项所述的轨道交通行车调度指挥方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的轨道交通行车调度指挥方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497726.XA CN116443080B (zh) | 2023-05-05 | 2023-05-05 | 一种轨道交通行车调度指挥方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497726.XA CN116443080B (zh) | 2023-05-05 | 2023-05-05 | 一种轨道交通行车调度指挥方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116443080A true CN116443080A (zh) | 2023-07-18 |
CN116443080B CN116443080B (zh) | 2023-12-29 |
Family
ID=87135714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310497726.XA Active CN116443080B (zh) | 2023-05-05 | 2023-05-05 | 一种轨道交通行车调度指挥方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116443080B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
CN107194497A (zh) * | 2017-04-27 | 2017-09-22 | 北京交通大学 | 一种突发事件下城市轨道交通乘客出行路径规划方法 |
CN111369181A (zh) * | 2020-06-01 | 2020-07-03 | 北京全路通信信号研究设计院集团有限公司 | 一种列车自主调度深度强化学习方法和模块 |
CN111376954A (zh) * | 2020-06-01 | 2020-07-07 | 北京全路通信信号研究设计院集团有限公司 | 一种列车自主调度方法和*** |
CN111768074A (zh) * | 2020-05-22 | 2020-10-13 | 北京交通大学 | 一种新型列车运行智能调整方法 |
CN112061183A (zh) * | 2020-08-28 | 2020-12-11 | 交控科技股份有限公司 | 列车运行调整方法及装置 |
AU2021100503A4 (en) * | 2020-12-04 | 2021-04-15 | East China Jiaotong University | Method and system for controlling heavy-haul train based on reinforcement learning |
CN113085956A (zh) * | 2021-04-13 | 2021-07-09 | 河南蓝信科技有限责任公司 | 一种高铁应急指导***及方法 |
CN114298669A (zh) * | 2021-12-22 | 2022-04-08 | 交控科技股份有限公司 | 用于列车运行图的调整方法、装置和列车 |
WO2022099849A1 (zh) * | 2020-11-10 | 2022-05-19 | 交控科技股份有限公司 | 轨道交通平行推演***及方法 |
CN115384586A (zh) * | 2022-10-28 | 2022-11-25 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种铁路平行调度***、方法及其应用 |
-
2023
- 2023-05-05 CN CN202310497726.XA patent/CN116443080B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
CN107194497A (zh) * | 2017-04-27 | 2017-09-22 | 北京交通大学 | 一种突发事件下城市轨道交通乘客出行路径规划方法 |
CN111768074A (zh) * | 2020-05-22 | 2020-10-13 | 北京交通大学 | 一种新型列车运行智能调整方法 |
CN111369181A (zh) * | 2020-06-01 | 2020-07-03 | 北京全路通信信号研究设计院集团有限公司 | 一种列车自主调度深度强化学习方法和模块 |
CN111376954A (zh) * | 2020-06-01 | 2020-07-07 | 北京全路通信信号研究设计院集团有限公司 | 一种列车自主调度方法和*** |
CN112061183A (zh) * | 2020-08-28 | 2020-12-11 | 交控科技股份有限公司 | 列车运行调整方法及装置 |
WO2022099849A1 (zh) * | 2020-11-10 | 2022-05-19 | 交控科技股份有限公司 | 轨道交通平行推演***及方法 |
AU2021100503A4 (en) * | 2020-12-04 | 2021-04-15 | East China Jiaotong University | Method and system for controlling heavy-haul train based on reinforcement learning |
CN113085956A (zh) * | 2021-04-13 | 2021-07-09 | 河南蓝信科技有限责任公司 | 一种高铁应急指导***及方法 |
CN114298669A (zh) * | 2021-12-22 | 2022-04-08 | 交控科技股份有限公司 | 用于列车运行图的调整方法、装置和列车 |
CN115384586A (zh) * | 2022-10-28 | 2022-11-25 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种铁路平行调度***、方法及其应用 |
Non-Patent Citations (2)
Title |
---|
张嘉敏、张嘉锐: "轨道交通***仿真理论方法与技术应用", vol. 1, 机械工业出版社, pages: 160 - 162 * |
张淼;张琦;刘文韬;周博渊;: "一种基于策略梯度强化学习的列车智能控制方法", 铁道学报, vol. 1, no. 01, pages 160 - 162 * |
Also Published As
Publication number | Publication date |
---|---|
CN116443080B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111376954B (zh) | 一种列车自主调度方法和*** | |
Liu et al. | Timetable optimization for regenerative energy utilization in subway systems | |
CN111369181B (zh) | 一种列车自主调度深度强化学习方法和装置 | |
Dündar et al. | Train re-scheduling with genetic algorithms and artificial neural networks for single-track railways | |
CN113415322B (zh) | 一种基于q学习的高速列车运行调整方法与*** | |
CN111452669B (zh) | 公交智能充电的***和方法及介质 | |
Ning et al. | ACP-based control and management of urban rail transportation systems | |
CN113177377A (zh) | 一种基于数字孪生的智慧城市轨道交通线网管理*** | |
CN111784191A (zh) | 一种基于工业智能的安全管理辅助决策*** | |
CN115384586B (zh) | 一种铁路平行调度***、方法及其应用 | |
CN112183771A (zh) | 一种轨道交通智能运维生态***及其运行方法 | |
CN115796509A (zh) | 一种轨道交通应急调度辅助决策***及方法 | |
Li et al. | Model controlled prediction: A reciprocal alternative of model predictive control | |
Zhou et al. | ACP-based parallel railway traffic management for high-speed trains in case of emergencies | |
Xu et al. | Parallel dispatching: An ACP-based high-speed railway intelligent dispatching system | |
Yang et al. | A real‐time timetable rescheduling method for metro system energy optimization under dwell‐time disturbances | |
CN116443080B (zh) | 一种轨道交通行车调度指挥方法、***、设备及介质 | |
CN116050669B (zh) | 一种城市轨道交通突发事件智能调度方法和*** | |
Ding et al. | Key technologies and applications of intelligent dispatching command for high-speed railway in China | |
Xiong et al. | Parallel bus rapid transit (BRT) operation management system based on ACP approach | |
Trivella et al. | Modeling system dynamics of interacting cruising trains to reduce the impact of power peaks | |
Nüñez et al. | Simulating railway and metropolitan rail networks: From planning to on-line control | |
CN116011722A (zh) | 一种面向大电网的人机协作的调控方法、模块及装置 | |
CN115027535A (zh) | 一种行车指挥决策***和行车指挥决策***的调度方法 | |
Liu et al. | ACP-based management and control for urban passenger transportation hubs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |