CN111027817A - 基于调整结果的列车调度策略自适应选择方法 - Google Patents
基于调整结果的列车调度策略自适应选择方法 Download PDFInfo
- Publication number
- CN111027817A CN111027817A CN201911149055.8A CN201911149055A CN111027817A CN 111027817 A CN111027817 A CN 111027817A CN 201911149055 A CN201911149055 A CN 201911149055A CN 111027817 A CN111027817 A CN 111027817A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- result
- data
- scheduling strategy
- strategy
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 3
- 238000000137 annealing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于调整结果的列车调度策略自适应选择方法,该方法可用于调度策略自动生成和选择,包括调度策略生成与调度策略识别两部分,其中调度策略生成包括利用大数据分析的聚类结果,自动生成调度策略及其调度结果特征集合,所述的调度策略识别包括将调度策略选择问题转化为特征识别问题,根据列车运行调整目标的结果特征,运用机器学习算法,自动匹配调度策略。与现有技术相比,本发明具有增强了方法的通用性和结果可预知性等优点。
Description
技术领域
本发明涉及列车运行控制技术,尤其是涉及一种基于调整结果的列车调度策略自适应选择方法。
背景技术
列车运行调整的目的主要是使列车尽可能按照预先计划运行图运行,减少突发事件给服务方和乘客造成的影响。列车运行调度的方法作为行车组织研究的重点在研究方法和内容上都有较为丰硕的成果。这些研究主要集中如下几个方面。
根据运筹学方法建模。这种方法是将列车调整所遇到的问题给予一定的假设条件,建立数学模型,然后利用遗传算法、退火算法等对模型求最优解。该方法的数学规范方式的一般逻辑性强、表达明确、模型成熟。缺点是,解的空间非常巨大,最优解的求解十分困难,需要简化假定条件,模型难以适应复杂的现实场景。
根据专家经验建立调度策略库。这种方法根据专家的经验和知识,对不同的运用场景建立对应的调度策略。该方法实现较为简单,比较流行,但过于依赖专家经验,没有统一的标准,通用型较差。
根据离散事件动态建模。这种方法将列车与车站、区间以及列车相互间的关系看成一个离散事件动态系统,建立状态转移方程。该方法使系统状态随着事件的不断发生呈现动态变化,但理论研究基础还不成熟,不太直观,且对计算机性能要求高。
国内对调度策略分类和选择的研究,主要是根据专家经验预先订好调度策略,然后根据事件的特征对调度策略进行选择,对选择的调度策略会产生什么结果依赖专家经验预估。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于调整结果的列车调度策略自适应选择方法。
本发明的目的可以通过以下技术方案来实现:
一种基于调整结果的列车调度策略自适应选择方法,该方法可用于调度策略自动生成和选择,包括调度策略生成与调度策略识别两部分,其中调度策略生成包括利用大数据分析的聚类结果,自动生成调度策略及其调度结果特征集合,所述的调度策略识别包括将调度策略选择问题转化为特征识别问题,根据列车运行调整目标的结果特征,运用机器学习算法,自动匹配调度策略。
优选地,所述的方法具体包括以下步骤:
步骤S1、对历史数据进行预处理;
步骤S2、对步骤S1预处理后的数据进行降维处理,建立调度特征集合;
步骤S3、根据步骤S2得到的特征集合进行聚类分析,实现调度策略的自动分类并自动生成每个调度策略的调度结果特征集合;
步骤S4、获取期望列车运行调整目标;
步骤S5、根据步骤S4输入期望列车运行调整目标,在步骤S3生成的调度策略集合中选择符合期望的调度策略;
步骤S6、根据步骤S5选择的调度策略生成的历史运营数据,持续优化参数。
优选地,所述的步骤S1具体为:
步骤S11、进行数据重构,重新定义数据;
步骤S12、进行数据清洗,对数据进行重新审查和校验;
步骤S13、进行数据归一化,保证后续分析模型的收敛速度。
优选地,所述的数据清洗目的在于删除重复信息、纠正存在的错误,并保证数据一致性。
优选地,所述的历史数据包括历史运营场景数据、调度操作数据、调度结果数据。
优选地,所述的调度特征集合包括场景特征、调度操作特征和操作结果特征。
优选地,所述的期望列车运行调整目标包括晚点情况、满载情况。
优选地,所述的步骤S5具体为:
步骤S51、根据步骤S3建立调度特征集合,提取期望列车运行调整目标的调度结果特征集;
步骤S52、根据步骤S51得到的期望结果特征集,利用机器学习算法,从S3生成的调度策略集合中找到最匹配的调度策略。
与现有技术相比,本发明具有以下优点:
1、本发明将调度策略的选择与期望列车运行调整的目的相结合,根据调整结果对调度策略进行选择,不再局限于特定事件,增强了方法的通用性和结果可预知性;
2、本发明从数据中挖掘数据中隐藏的信息,自动形成调度策略集合,克服了现有技术中过于依赖专家经验的缺陷;
3、本发明在对调度策略进行分类的同时,自动生成结果特征集合,克服了以往模型计算复杂的缺陷;
4、本发明在调度策略选择阶段引入机器学习算法,可根据反馈持续优化;
5、本发明基于大数据分析的结果,具有分布式计算特点,可以充分利用大数据平台的优势,加快算法处理速度,增强了系统实时性。
附图说明
图1为本发明的具体流程图。
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明为提供了一种基于调整结果的列车调度策略自适应选择方法,该方法可用于调度策略自动生成和选择。本发明包括调度策略生成与调度策略识别两部分。利用大数据分析的聚类结果,自动生成调度策略及其调度结果特征集合,将调度策略选择问题转化为特征识别问题,根据列车运行调整目标的结果特征,运用机器学习算法,自动匹配调度策略。
实施例一
参考图1,对本发明的模型进行说明,本发明模型包括以下步骤:
步骤S1、对历史数据进行预处理,包括对数据进行数据重构,数据清洗重新定义数据,以便于后需分析。其中,历史数据包括但不限于历史运营场景数据、调度操作数据、调度结果数据。
步骤S2、利用降维算法处理步骤S1预处理的数据,使数据量减少,只保留数据最重要的特征,建立调度特征集合。其中,调度特征集合包括但不限于场景特征,调度操作特征,操作结果特征。
步骤S3、根据步骤S2得到的特征集合进行聚类分析,实现调度策略的自动分类并自动生成每个调度策略的调度结果特征集合。调度结果特征集合包含内容如下表1所示(使用历史时刻数据的结果特征,使用不同数据会有不同特征,以数据分析结果为准)。
表1
属性名 | 属性含义 |
stn_a_diff | 第n站到达延迟 |
stn_d_diff | 第n站出发延迟 |
stn_dwell_diff | 第n站停站延时 |
stn_run_diff | 第n站到n+1站区间运行延时 |
步骤S4、获取期望列车运行调整目标。其中,期望列车运行调整目标包括但不限于晚点情况,满载情况等。
步骤S5、从输入的列车调整目标中,提取期望列车运行调整目标的调度结果特征集,将该调度结果特征集作为输入,计算S3生成的调度策略集合中每个调度策略的代价函数,从中选取代价最小的调度策略作为选择。
步骤S6、根据S5选择的调度策略生成的结果,优化步骤S5代价模型的参数,并将结果加入历史运营数据集合,更新调度策略及其调度结果特征集合。
以上所述,仅为本发明的具体实施方式,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揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改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以权利要求的保护范围为准。
Claims (8)
1.一种基于调整结果的列车调度策略自适应选择方法,其特征在于,该方法可用于调度策略自动生成和选择,包括调度策略生成与调度策略识别两部分,其中调度策略生成包括利用大数据分析的聚类结果,自动生成调度策略及其调度结果特征集合,所述的调度策略识别包括将调度策略选择问题转化为特征识别问题,根据列车运行调整目标的结果特征,运用机器学习算法,自动匹配调度策略。
2.根据权利要求1所述的一种基于调整结果的列车调度策略自适应选择方法,其特征在于,所述的方法具体包括以下步骤:
步骤S1、对历史数据进行预处理;
步骤S2、对步骤S1预处理后的数据进行降维处理,建立调度特征集合;
步骤S3、根据步骤S2得到的特征集合进行聚类分析,实现调度策略的自动分类并自动生成每个调度策略的调度结果特征集合;
步骤S4、获取期望列车运行调整目标;
步骤S5、根据步骤S4输入期望列车运行调整目标,在步骤S3生成的调度策略集合中选择符合期望的调度策略;
步骤S6、根据步骤S5选择的调度策略生成的历史运营数据,持续优化参数。
3.根据权利要求2所述的一种基于调整结果的列车调度策略自适应选择方法,其特征在于,所述的步骤S1具体为:
步骤S11、进行数据重构,重新定义数据;
步骤S12、进行数据清洗,对数据进行重新审查和校验;
步骤S13、进行数据归一化,保证后续分析模型的收敛速度。
4.根据权利要求3所述的一种基于调整结果的列车调度策略自适应选择方法,其特征在于,所述的数据清洗目的在于删除重复信息、纠正存在的错误,并保证数据一致性。
5.根据权利要求2所述的一种基于调整结果的列车调度策略自适应选择方法,其特征在于,所述的历史数据包括历史运营场景数据、调度操作数据、调度结果数据。
6.根据权利要求2所述的一种基于调整结果的列车调度策略自适应选择方法,其特征在于,所述的调度特征集合包括场景特征、调度操作特征和操作结果特征。
7.根据权利要求2所述的一种基于调整结果的列车调度策略自适应选择方法,其特征在于,所述的期望列车运行调整目标包括晚点情况、满载情况。
8.根据权利要求2所述的一种基于调整结果的列车调度策略自适应选择方法,其特征在于,所述的步骤S5具体为:
步骤S51、根据步骤S3建立调度特征集合,提取期望列车运行调整目标的调度结果特征集;
步骤S52、根据步骤S51得到的期望结果特征集,利用机器学习算法,从S3生成的调度策略集合中找到最匹配的调度策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911149055.8A CN111027817B (zh) | 2019-11-21 | 2019-11-21 | 基于调整结果的列车调度策略自适应选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911149055.8A CN111027817B (zh) | 2019-11-21 | 2019-11-21 | 基于调整结果的列车调度策略自适应选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027817A true CN111027817A (zh) | 2020-04-17 |
CN111027817B CN111027817B (zh) | 2023-02-14 |
Family
ID=70206199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911149055.8A Active CN111027817B (zh) | 2019-11-21 | 2019-11-21 | 基于调整结果的列车调度策略自适应选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027817B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100036779A1 (en) * | 2008-05-16 | 2010-02-11 | Norman Sadeh-Koniecpol | User-controllable learning of policies |
CN103481918A (zh) * | 2013-07-04 | 2014-01-01 | 文超 | 一种基于反馈调节的高速铁路列车运行调整方法 |
CN104200286A (zh) * | 2014-09-10 | 2014-12-10 | 东南大学 | 一种城市轨道交通时刻表优化技术应用框架 |
CN108665115A (zh) * | 2018-05-21 | 2018-10-16 | 北京百度网讯科技有限公司 | 调度优化方法和装置 |
-
2019
- 2019-11-21 CN CN201911149055.8A patent/CN111027817B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100036779A1 (en) * | 2008-05-16 | 2010-02-11 | Norman Sadeh-Koniecpol | User-controllable learning of policies |
CN103481918A (zh) * | 2013-07-04 | 2014-01-01 | 文超 | 一种基于反馈调节的高速铁路列车运行调整方法 |
CN104200286A (zh) * | 2014-09-10 | 2014-12-10 | 东南大学 | 一种城市轨道交通时刻表优化技术应用框架 |
CN108665115A (zh) * | 2018-05-21 | 2018-10-16 | 北京百度网讯科技有限公司 | 调度优化方法和装置 |
Non-Patent Citations (4)
Title |
---|
张振海等: "城市轨道交通应急决策支持系统的研究", 《安全》 * |
戴杨铖等: "高速铁路列车运行调整策略优化", 《大连交通大学学报》 * |
袁爽等: "铁路物资应急调度策略研究", 《火力与指挥控制》 * |
陈东等: "考虑技术站车流接续的列车运行调整目标研究", 《计算机工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111027817B (zh) | 2023-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596335B (zh) | 一种基于深度强化学习的自适应众包方法 | |
CN113112027A (zh) | 一种基于动态调整模型聚合权重的联邦学习方法 | |
WO2022105308A1 (zh) | 一种基于生成对抗级联网络增广图像的方法 | |
CN108154430A (zh) | 一种基于机器学习和大数据技术的信用评分构建方法 | |
CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
CN109840838A (zh) | 风控规则模型双引擎系统、控制方法及服务器 | |
CN109376995A (zh) | 财务数据评分方法、装置、计算机设备和存储介质 | |
CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
CN106227792A (zh) | 用于推送信息的方法和装置 | |
CN108596407B (zh) | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 | |
CN104199820A (zh) | 云平台MapReduce工作流调度优化方法 | |
CN112765468A (zh) | 一种个性化用户服务定制方法和装置 | |
CN110991527A (zh) | 一种考虑电压曲线平均波动率的相似度阈值确定方法 | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
CN116827350A (zh) | 基于云边协同的灵活用工平台智能监管方法及系统 | |
CN114860709A (zh) | 一种基于Bi-GAN的电力系统缺失值填补方法 | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
CN111027817B (zh) | 基于调整结果的列车调度策略自适应选择方法 | |
CN110399455A (zh) | 一种基于cnn和lstm的深度学习数据挖掘方法 | |
CN117764290A (zh) | 一种水利工程施工用bim模型数据管理方法 | |
CN116468990A (zh) | 一种基于集中判图的任务随机派发智能管理系统及方法 | |
Zeng et al. | Fedpia: Parameter importance-based optimized federated learning to efficiently process non-iid data on consumer electronic devices | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
CN111209999A (zh) | 一种基于循环神经网络的接触网性能退化预测方法 | |
CN114862055A (zh) | 一种基于多源数据驱动的钢铁企业高炉煤气预测方法 |
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 |