CN111259261B - 基于状态迁移预测的高铁行车网络协同报警优化方法 - Google Patents
基于状态迁移预测的高铁行车网络协同报警优化方法 Download PDFInfo
- Publication number
- CN111259261B CN111259261B CN202010004600.0A CN202010004600A CN111259261B CN 111259261 B CN111259261 B CN 111259261B CN 202010004600 A CN202010004600 A CN 202010004600A CN 111259261 B CN111259261 B CN 111259261B
- Authority
- CN
- China
- Prior art keywords
- state
- train
- alarm
- conflict
- train instruction
- 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.)
- Active
Links
- 230000007704 transition Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000013508 migration Methods 0.000 claims abstract description 23
- 230000005012 migration Effects 0.000 claims abstract description 21
- 230000003068 static effect Effects 0.000 claims description 33
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于状态迁移预测的高铁行车网络协同报警优化方法,通过建指令状态推演和预测感知平台,可以实现报警优化,减少实际运输中无效报警对调度员的干扰,极大减轻调度员劳动强度,使其更多精力侧重于突发事件应对和行车效率提升;通过网络共享架构及机制,对搜集高铁行车数据,建立高铁运营模式有帮助作用,对列车指令状态非正常迁移的统计分析,可以优化运营计划和可用资源调度,促进高铁智能调度深度发展。
Description
技术领域
本发明涉及轨道交通技术领域,尤其涉及基于状态迁移预测的高铁行车网络协同报警优化方法。
背景技术
高速铁路行车调度系统是铁路运输日常组织工作的指挥中枢。分散自律控制模式下,中心调度员编写阶段计划,通过一系列设备下发至车站自律机系统。自律机系统依据管辖范围过滤有效计划,生成相应行车指令。在股道、区间、道岔和各类信号机等站场对象以及由这些对象组合表征的进路的状态变化驱动和指令触发时机管控下,自律机进行内部业务逻辑和安全卡控的有序执行,包括主要的排路操作等。在遇有自身无法处理、影响正常行车的突发事件时,自律机及时有效通知调度员,申请人工介入。
自律机系统是高铁行车调度的核心执行者,是行车效率和行车安全的重要保障。这其中,行车指令的有效执行及异常情况下的冲突处理,是整套调度系统的基础和最终落脚点。当前,高铁行车密度持续加大,站场场景复杂,突发事件丛生,线路运营中实际申请人工干预的行车报警总量激增。在智能调度框架下优化完善列车冲突检测及报警逻辑,减少无效报警,对降低调度员劳动强度,提升调度效率和行车安全有重大促进作用。
目前,现有技术主要采用如下两种方案:
1、在阶段计划编制阶段,通过辅助工具实现计划的静态无冲突特性。
中心调度员编制计划时,在各种辅助工具协助下,通过变更列车在站到发时间、缩短/延长列车区间运行时分、调整变通进路和到发股道等措施,实现计划下达阶段的计划静态无冲突特性。
但是,高速铁路站场连接关系复杂多变,高铁行车受各种突发事件影响巨大。静态计划中预留较大行车间隔,即计划线间缓冲,必然降低行车效率;而较短行车间隔在列车运行实际图偏离计划图时,又无法满足高铁复杂行车的动态要求,加剧行车报警的产生。
2、自律机对报警按内容、类型进行分类,通过参数配置固定对特定类别报警进行统一延迟处理。
自律机系统提取报警文本的通用范式,结合报警等级、报警目的地等因素对所有报警进行分类,生成唯一类别ID。现场施工人员针对线路特性、调度要求等,配置特定类别ID的报警内容延迟报警,以期减少相关类别报警总量。
但是,该方案配置参数固定,无法动态调整,导致列车运行冲突检测规则单一,报警行为生硬。延迟报警类别受配置人员经验所限,难以趋于最优;车站站型、车站运输侧重点及运输考核目标多有不同,难以构造统一和通用的延迟报警类别配置规则;长期静态延迟报警配置,无视即时行车场景,难以适应短期实际运输波动;固定延迟报警类别配置技术,在上述技术1的基础上总体减轻报警总量,但仍存在误报、漏报的可能。
发明内容
本发明的目的是提供一种基于状态迁移预测的高铁行车网络协同报警优化方法,可以减少实际运输中无效报警对调度员的干扰,极大减轻调度员劳动强度,使其更多精力侧重于突发事件应对和行车效率提升。
本发明的目的是通过以下技术方案实现的:
一种基于状态迁移预测的高铁行车网络协同报警优化方法,包括:
自律机综合列车运行过程中的站场采集状态、车次追踪结果和联锁排路,建立列车指令状态静态转换关系,以及通过分析全局历史通用行车数据,在列车指令状态静态转换关系的基础上建立列车指令状态动态迁移概率表,从而构建指令状态推演和预测感知平台,以优化自律机单机模式下行车报警;
统一将线路内单机模式下的自律机连接至中心协同服务器,实现区域组网以及自律机单机处理到协同优化的模式转换;各自律机根据所在车站的列车指令状态变化情况,实时更新列车指令状态动态迁移概率表;自律机定时发送本地数据至中心协同服务器,并从中心协同服务器接收其他车站数据,完成本地列车指令状态动态迁移概率表的协同更新,实现网络协同优化处理。
由上述本发明提供的技术方案可以看出,通过建立列车指令状态推演和预测感知平台,实现报警逻辑优化,减少实际运输中无效报警对调度员的干扰,极大减轻调度员劳动强度,使其更多精力侧重于突发事件应对和行车效率提升;通过网络共享架构及机制,收集分析高铁行车数据,完善高铁运营模式;通过统计分析列车指令状态非正常迁移数据,优化运营计划和可用资源调度,促进高铁智能调度深度发展。
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的介绍。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一种基于状态迁移预测的高铁行车网络协同报警优化方法的流程图;
图2为本发明实施例提供的自律机单机模式下行车报警优化框图;
图3为本发明实施例提供的各状态转换关系图;
图4为本发明实施例提供的律机单机模式下行车报警流程图;
图5为本发明实施例提供的网络协同行车报警优化的架构图;
图6为本发明实施例提供的列车指令状态迁移自反馈优化流程图;
图7为本发明实施例提供的网络协同优化流程图;
图8为本发明实施例提供的站间共享信息交互数据示例图。
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。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。
本发明实时提供一种基于状态迁移预测的高铁行车网络协同报警优化方法,如图1所示,其主要包括如下两个部分:
1、自律机综合列车运行过程中的站场采集状态、车次追踪结果和联锁排路,建立列车指令状态静态转换关系,以及通过分析全局历史通用行车数据,在列车指令状态静态转换关系的基础上建立列车指令状态动态迁移概率表,从而构建指令状态推演和预测感知平台,以优化自律机单机模式下行车报警逻辑。
2、统一将线路内单机模式下的自律机连接至中心协同服务器,实现区域组网以及自律机单机处理到协同优化的模式转换;各自律机根据所在车站的列车指令状态变化情况,实时更新列车指令状态动态迁移概率表;自律机定时发送本地数据至中心协同服务器,并从中心协同服务器接收其他车站数据,完成本地列车指令状态动态迁移概率表的协同更新,实现网络协同优化处理。
下面针对以上两个部分分别进行详细的介绍。
一、自律机单机模式下行车报警优化。
自律机单机模式下行车报警优化框图如图2所示,具体说明如下:
1、建立列车指令状态静态转换关系。
自律机接收行调台的阶段计划,生成进路指令,自动择机执行。自律机综合列车运行过程中的站场采集状态、车次追踪结果和联锁排路,划分单一指令生命周期为7个关键节点:等待、重试、失败、触发中、排路成功、占用和出清;列车指令状态由初始的等待开始,在各状态间转换,直至出清。各状态转换关系如图3所示,其中,实线代表列车指令状态的正常迁移过程,虚线代表列车指令状态的异常跳转过程。综合现场数据分析,实线所代表的正常迁移过程是绝大多数列车的实际运行过程,虚线的异常过程占比较少。
本领域技术人员可以理解,列车指令状态的迁移(转换)是有固定关系的,比如占用状态只能迁移到出清状态,而排列成功状态则可以正常跳转到占用状态,也可以回退到等待状态,但不能转换为出清状态。
本发明后文将要介绍的指令状态推演和预测感知平台,以及它所进行的状态推演都是以列车指令状态静态转换关系为基础的。
例如,计算列车指令状态动态迁移概率表时,是以列车指令状态静态转换关系为基础,计算各种列车指令状态之间的转换概率。比如状态跳转概率P(状态1,状态2)代表指令由状态1跳转到状态2的概率,则P(排列成功,占用)大于0代表指令存在由排列成功状态跳转到占用状态的可能,但P(排列成功,出清)等于0代表指令不可能由排列成功状态直接跳转到出清状态。
2、建立列车指令状态动态迁移概率表。
本发明实施例中,收集铁路局管内的全局历史通用行车数据(例如,收集最近三个月铁路局管内历史行车数据),基于隐马尔科夫模型在列车指令状态静态转换关系的基础上构建指令状态动态迁移概率表。
构造隐马尔科夫模型(HMM)λ,定义观测序列长度T;依据全局历史通用行车数据生成初始状态概率向量Π,其中π等待(t=1)≈1,即初始状态下列车指令状态均为等待状态;设隐藏状态集合Q={q1,q2,…}为指令类型(接车、发车)和站场结构关联控制下的列车候选进路集合,|Q|∝|J|,其中,|J|表示基本进路和变通进路组成候选进路集合J中的元素个数;设置观测状态集合V={等待,重试,失败,触发中,排路成功,占用,出清},并定义V={v1,v2,…},|Q|和|V|(|V|=7)为对应集合元素个数;设I={i1,i2,…,iT},it∈Q,t=1,2,...,T为隐藏状态序列,O={o1,o2,…,oT},o∈V为实际观测序列,|I|和|O|为序列长度。qi→qj(qi,qj∈Q)(代表元素qi状态迁移到qj,是对Q中特定的第i行j列元素的行为的描述)的概率构成状态转移概率矩阵A,qi→vj(qi∈Q,vj∈V)的概率构成观测概率矩阵B。HMM由初始状态概率向量Π和矩阵A、B定义的三元组λ=(A,B,Π)构成。
观测状态集合与实际观测序列中的元素就是前文提到的7个列车指令状态(关键节点),这7个列车指令状态之间的转换关系是已知的,其作为发明的基础,当然也是现有自律机内部实现的基础。列车指令状态动态迁移概率,也就是一个关键节点到另一个关键节点的概率。
隐马尔科夫模型λ中隐藏状态序列I={i1,i2,…,iT}的出现概率P(I|λ)为:
其中,为状态转移概率矩阵A的第it-1行第it列的元素;/>是初始状态概率向量Π的第i1个元素。
对隐藏状态序列I={i1,i2,…,iT},实际观测序列O={o1,o2,…,oT}的出现概率P(O|I,λ)为:
其中,是实际观测序列O中元素ot所对应的观测概率;
实际观测序列O与隐藏状态序列I联合出现概率P(O,I|λ)为:
求解上式边缘概率分布,得到实际观测序列O在隐马尔科夫模型λ出现的条件概率:
由条件概率P(O|λ)组成的矩阵即为列车指令状态动态迁移概率表。
在本发明实施例中,指令状态推演和预测感知平台是一个基础数据+方法+模型的统称,基础是列车指令状态静态转换关系以及动态的列车指令状态动态迁移概率表,模型也即隐马尔科夫模型,方法也即行车报警优化方法(具体将在后文介绍)。在行车报警优化过程中,通过指令状态推演和预测感知平台,在列车指令状态静态转换关系的基础上,根据应用场景的相关参数,从而预测出一个冲突致,再根据相关逻辑来确定是否报警。
3、自律机单机模式下行车报警优化方法。
高铁线路实际运营及现场排路场景中,列车运行冲突按是否可自行消除分为静态冲突和动态冲突2类。静态冲突:不随他车运行而自动消除的事件集合,如站间区间封锁、站内股道停电等,此类冲突需立即报警调度员申请人工介入。动态冲突:一般无需人工介入,可随他车运行、较短时间内自动消除的事件集合,如多列车间交叉进路冲突、端口一离去区间占用等。动态冲突在行车密度大的高铁线路频繁出现。相应定义静态冲突对应报警为“即时报警”,动态冲突对应报警为“可延时报警”。但超出冗余时间仍未消除,需人工介入以免影响行车的动态冲突对应报警,超时结束立即转为“即时报警”。
列车1和列车2分别对应列车指令状态R1和列车指令状态R2。列车指令状态R1和R2的冲突由二元组〈Ct,Cv〉表示:Ct∈{静态冲突,动态冲突}为冲突类型;Cv是由实时站场显示所呈现的确定冲突值和列车指令状态动态迁移概率表推导的预测冲突值综合计算数值。
对既有报警信息进行归并,定义三元组<报警ID、报警等级、报警描述内容>用于描述报警完整内容。示例性的,三元组可以为<1217,二级,分路不良区段未确认空闲>。其中,报警ID是自律机或行车指挥系统给特定报警分配的编号,或者说是报警对应冲突的类别。比如,对象占用错误,对应报警ID为1011;分路不良区段未确认空闲,对应报警ID为1217。报警等级是铁路局和厂家共同决定的报警的级别,共分4级:高等级的一级报警要有声光提示和文字提示;低等级的四级报警仅后台维护记录,不直接呈现至值班调度员。也就是说,三元组的内容及他们的对应关系是本领域预先约定的。
自律机单机模式下,通过行车冲突类别甄别及对应报警变化趋势预测,尽量减少“可延时报警”的即时呈现,以三元组形式实现报警有效准确呈现,是行车报警优化方法的设计思想。指令状态推演和预测感知平台实现自律机单机模式下行车报警流程如图4所示,主要为:
步骤S1、自律机启动后,初始化所有参数,并置空自律机报警三元组,三元组为<报警ID、报警等级、报警描述内容>用于描述报警完整内容。
步骤S2、在轮询间隔下,依次遍历内部所有列车指令状态:如果当前时间已到当前列车指令状态触发时间,但未到延迟报警时间上限,转入步骤S3;若超过延迟报警时间,转入步骤S5;
步骤S3、定时轮询待执行列车指令状态R的冲突集合,当冲突集合为空时,转入转步骤S5;当集合中存在静态冲突时,保存对应“即时报警”,转入步骤S5;其他情况,转入步骤S4;所述冲突集合为与列车指令状态R产生冲突的列车指令状态Rk构成的集合,列车指令状态R的冲突集合的冲突元素由二元组〈Ct,Cv〉表示:Ct∈{静态冲突,动态冲突}为冲突类型;Cv是由自律机实时根据站场显示、静态配置和计划类别等综合计算的确定冲突值和指令状态推演和预测感知平台根据列车指令状态动态迁移概率表推导的预测冲突值综合计算数值,静态冲突是指不随他车运行而自动消除的事件,动态冲突是指随他车运行且能够在设定的冗余时间内自动消除的事件。
步骤S4、计算列车指令状态R在即时时刻的确定冲突值及下一轮询时刻的预测冲突值,并由此计算指令综合冲突值(也即综合计算数值Cv);当综合冲突值大于设定的冲突门限或预测冲突值(可根据情况自行设定)处于上升空间时,保存当前报警内容,转入步骤S5;否则,转入步骤S2。
本领域技术人员可以理解,自律机自有一套冲突计算逻辑,这套逻辑是确定性的、固化的。如根据计划列车为动车+停车,再根据股道静态配置为“无站台”,就会报“动车组停靠无站台股道”错误;如根据站场显示和车次追踪,查找车次号失败,就会报“显示车次错误”。这些冲突检测逻辑以及确定冲突值是目前已有的且确定的。
本发明主要是根据列车指令状态动态迁移概率表来预测冲突值,进而结合确定冲突值计算一个综合计算数值,以预测当前冲突是否可延迟;如果可延迟,可以降低冲突对应的报警量,进而减轻调度员的劳动强度。
步骤S5、检查报警三元组,若报警三元组非空,则发送最高等级报警至调度员申请人工介入;否则,列车指令状态R检查通过,触发自动排路逻辑。
为了更为直观的理解上述行车报警优化的原理,下面用示例进行说明。
列车运行会产生冲突,产生冲突则需要报警。但有些冲突是由于参数设置不合理导致的,这些报警:1)参数不能改,因为有技术标准统一规定;2)报警给调度员,调度员基本也无能为力,也只能等待;3)这些报警稍等一下就会自动消除。
例如,前车正在出站,如果后车紧跟着排路,则会有进路冲突。如果后车稍晚一点排路,冲突自然而然就消除了。这种冲突就是动态冲突,即稍等一下就会自动消除、无需人工干预的。而有些冲突,如停电,如果不人工干预,冲突无法消除,这就是静态冲突。
本发明进行报警优化的主要目的是减少动态冲突导致的报警。但并不是所有的动态冲突都能不报的。如上述示例说提到的,前车如果快速的正常出站,后车就可以稍等等片刻再报。如果前车出站很慢或回退为等待状态,后车即便延迟,冲突也消除不了,此时就需要报警。此时,就需要预测前车正常出站的概率和异常回退(即转换为“等待”状态)的概率。如果正常出站概率足够高,后车就可以暂缓报警。如果前车异常回退的概率高,后车就需要马上报警。
列车指令状态,只能在“观测状态集合V”中;状态转换,必须符合列车指令状态静态转换关系,即前车由当前列车指令状态下一步可跳转的候选状态,是从列车指令状态静态转换关系中选取的。
前车的下一步各个列车指令状态跳转概率自然越准确越好,而不同车站站型,转换概率不一样。那就需要根据每日列车实际已经跑完的状态更新概率表。所以列车指令状态动态迁移概率表是不断更新、不断驱优的,是一个不断计算的过程。那就需要从一个基础点开始算概率。本发明实施例为“初始状态概率向量”为基础点,以基础点开始有基础概率表(也即最初建立的列车指令状态动态迁移概率表),然后再根据列车实际转换数据,更新列车指令状态动态迁移概率表,得到更为准确的概率。概率表越准,预测前车下一步状态就越准,对后车的报警决策也越优。
二、高铁行车网络协同报警优化。
将具备单机行车报警优化功能的自律机在线路内进行组网,由中心协同服务器进行信息的统筹调度分发和持续化存储,网络协同行车报警优化的架构如图5所示。
1、单站自律机业务动态反馈优化。
初始指令动态迁移表是根据全局通用行车数据统计分析获取。但每一车站的站型结构、行车类型和运输考核目标等千差万别,需要站内自律机的动态反馈优化,逐步调优本站基础数据,动态反馈优化是一个动态的、实时的过程。
将行车计划按站内作业时间划分为到开接车、到开发车、通过接车、通过发车、始发车和终到车共6类。建立6类计划的基于业务场景的列车指令状态迁移自反馈优化流程,如图6所示:
S1、基于全局历史通用行车数据,构建列车指令状态转换有向图A:有向图A的节点为列车指令状态(也就是前文提到的7个列车指令状态);有向图A的有向边表明列车指令状态转换方向;有向边的权值为6维向量,代表对应类型计划下不同列车指令状态的转换概率,初始时6维转换概率相同,计划分为如下6类:开接车、到开发车、通过接车、通过发车、始发车和终到车。
因为有向图中所涉及的各个列车指令状态也就是之前提到的7个列车指令状态,因此,以图3为例进行说明,有向边就是图3中的实现箭头和虚线箭头(实虚都是有向边)每个边的权值就是前文计算的列车指令状态动态迁移概率表中的相关概率值如状态“排路成功”可以通过有向边指向“占用”,也可以指向“等待”,每个边的权重(概率)不同。实线的正常迁移,权重(概率)大,如0.8;虚线的异常跳转,权重小,如0.15;由一个状态向外的所有跳转的概率之和为1。如排路成功,可以跳转到占用(0.8)、等待(0.15)、失败(0.05),上述数值仅是示例。
S2、参照有向图A,构建有向图B;与有向图A中有向边的权值为转换概率不同,有向图B中有向边的权值也是6维向量,代表对应类型计划下不同列车指令状态的转换次数;初始状态,有向图B中所有权值皆为0。
S3、单机模式下的自律机,各自监控所在车站的列车指令状态变化,在列车指令状态实际变化时,更新有向图B中有向边的对应计划类型维度权值。
S4、按行车班次,对有向图B的权值进行归一化处理,并按比例同步有向图B的权值到有向图A。
随着时间的推移,有向图A将建立适配自律机所在车站站型的列车指令状态动态迁移概率表。
2、网络协同优化。
各个自律机以标准协议的加密方式发送自身的列车指令状态动态迁移概率表至中心协同服务器,由中心协同服务器分发至管内其他自律机;各个自律机在正向自身的列车指令状态动态迁移概率表的同时,反向接收其他自律机的列车指令状态动态迁移概率表,并在权重参数控制下按类别同步更新自身的列车指令状态动态迁移概率表。
网络协同优化流程如图7所示,主要为:
S1、自律机在鉴权认证后,连接中心协同服务器。
S2、自律机以标准协议的加密方式发送自身的列车指令状态动态迁移概率表。网络协同过程,涉及数据包打包、网络传输,且其他站的数据的优先级是低于本站数据的,所以这一网络协同优化,通常在闲时时段进行,例如,在0-5点半夜高铁天窗点内进行,这一段时间自律机工作量很小,可以分散额外性能用于协同优化逻辑,且对本站行车影响较小(因为无行车业务)。
S3、中心协同服务器将接收到的列车指令状态动态迁移概率表作为共享信息进行入库操作,并分发信息至其余各站的自律机。
S4、自律机接收共享信息后,在权重参数控制下按类别同步更新自身的列车指令状态动态迁移概率表。权重参数控制的结果,是使迁移概率表以本站动态反馈优化为主,外站网络协同优化为辅。
网络协同优化的结果,可以使自律机在保持所在车站运行特点的基础上,获取其他车站特定运行场景的准确运营数据。
本发明实施例中,自律机与中心协同服务器可以使用XML标准格式进行信息交互,交互协议核心元素为四元组:<计划类型、迁移前状态、迁移后状态、迁移概率>。若干四元组组合组建交互信息内容主体,一个典型交互数据如图8所示。
本发明实施例提供的上述方案,主要获得如下有益效果:
1)在保证有效报警及时被处理的基础上,优化完善列车冲突检测逻辑,大幅减少无效报警数量,无漏报误报,提升高铁行车指挥系统自动化、智能化程度。
2)通过报警优化,减少实际运输中无效报警对调度员的干扰,极大减轻调度员劳动强度,使其更多精力侧重于突发事件应对和行车效率提升。
3)通过网络共享架构及机制,对搜集高铁行车数据,建立高铁运营模式有帮助作用。对列车指令状态非正常迁移的统计分析,可以优化运营计划和可用资源调度,促进高铁智能调度深度发展。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
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。
Claims (7)
1.一种基于状态迁移预测的高铁行车网络协同报警优化方法,其特征在于,包括:
自律机综合列车运行过程中的站场采集状态、车次追踪结果和联锁排路,建立列车指令状态静态转换关系,以及通过分析全局历史通用行车数据,在列车指令状态静态转换关系的基础上建立列车指令状态动态迁移概率表,从而构建指令状态推演和预测感知平台,以优化自律机单机模式下行车报警;
统一将线路内单机模式下的自律机连接至中心协同服务器,实现区域组网以及自律机单机处理到协同优化的模式转换;各自律机根据所在车站的列车指令状态变化情况,实时更新列车指令状态动态迁移概率表;自律机定时发送本地数据至中心协同服务器,并从中心协同服务器接收其他车站数据,完成本地列车指令状态动态迁移概率表的协同更新,实现网络协同优化处理;
其中,由指令状态推演和预测感知平台实现自律机单机模式下行车报警,流程包括:
步骤S1、自律机启动后,初始化所有参数,并置空自律机报警三元组,三元组为<报警ID、报警等级、报警描述内容>用于描述报警完整内容;
步骤S2、在轮询间隔下,依次遍历内部所有列车指令状态:如果当前时间已到当前列车指令状态触发时间,但未到延迟报警时间上限,转入步骤S3;若超过延迟报警时间,转入步骤S5;
步骤S3、定时轮询待执行列车指令状态R的冲突集合,当冲突集合为空时,转入转步骤S5;当集合中存在静态冲突时,转入步骤S5;其他情况,转入步骤S4;所述冲突集合为与列车指令状态R产生冲突的列车指令状态Rk构成的集合,列车指令状态R的冲突集合的冲突元素由二元组Ct,Cv表示:Ct∈{静态冲突,动态冲突}为冲突类型;Cv是由自律机计算的确定冲突值和指令状态推演和预测感知平台根据列车指令状态动态迁移概率表推导的预测冲突值的综合计算数值,静态冲突是指不随他车运行而自动消除的事件,动态冲突是指随他车运行且能够在设定的冗余时间内自动消除的事件;
步骤S4、计算列车指令状态R在即时时刻的确定冲突值及下一轮询时刻的预测冲突值,并由此计算综合计算数值;当综合计算数值大于设定的冲突门限或预测冲突值处于上升空间时,保存当前报警内容,转入步骤S5;否则,转入步骤S2;
步骤S5、检查报警三元组,若报警三元组非空,则发送最高等级报警至调度员申请人工介入;否则,列车指令状态R检查通过,触发自动排路逻辑。
2.根据权利要求1所述的一种基于状态迁移预测的高铁行车网络协同报警优化方法,其特征在于,所述自律机综合列车运行过程中的站场采集状态、车次追踪结果和联锁排路,建立列车指令状态静态转换关系包括:
自律机综合列车运行过程中的站场采集状态、车次追踪结果和联锁排路,划分单一指令生命周期为7个关键节点:等待、重试、失败、触发中、排路成功、占用和出清;7个关键节点也即7个列车指令状态,列车指令状态的转换有固定关系,列车指令状态由初始的等待开始,在各状态间转换,直至出清。
3.根据权利要求1或2所述的一种基于状态迁移预测的高铁行车网络协同报警优化方法,其特征在于,通过分析铁路局管内的全局历史通用行车数据,建立列车指令状态动态迁移概率表包括:
收集铁路局管内的全局历史通用行车数据,基于隐马尔科夫模型在列车指令状态静态转换关系的基础上构建列车指令状态动态迁移概率表;
构造隐马尔科夫模型λ,定义观测序列长度T;依据全局历史通用行车数据生成初始状态概率向量Π,初始状态下列车指令状态均为等待状态;设置隐藏状态集合Q={q1,q2,…}为指令类型和站场结构关联控制下的列车候选进路集合,|Q|∝|J|,其中,|J|表示基本进路和变通进路组成候选进路集合J中的元素个数;设置观测状态集合V={等待,重试,失败,触发中,排路成功,占用,出清},并定义V={v1,v2,…},|Q|和|V|为对应集合元素个数,观测状态集合的元素也即各个列车指令状态;设I={i1,i2,…,iT},it∈Q,t=1,2,...,T为隐藏状态序列,O={o1,o2,…,oT},o∈V为实际观测序列,|I|和|O|为序列长度;qi→qj(qi,qj∈Q)的概率构成状态转移概率矩阵A,qi→vj(qi∈Q,vj∈V)的概率构成观测概率矩阵B;隐马尔科夫模型λ由初始状态概率向量Π和矩阵A、B定义的三元组λ=(A,B,Π)构成;
隐马尔科夫模型λ中隐藏状态序列I={i1,i2,…,iT}的出现概率P(I|λ)为:
其中,为状态转移概率矩阵A的第it-1行第it列的元素;/>是初始状态概率向量Π的第i1个元素;
对隐藏状态序列I={i1,i2,…,iT},实际观测序列O={o1,o2,…,oT}的出现概率P(O|I,λ)为:
其中,是实际观测序列O中元素ot所对应的观测概率;
实际观测序列O与隐藏状态序列I联合出现概率P(O,I|λ)为:
求解上式边缘概率分布,得到实际观测序列O在隐马尔科夫模型λ出现的条件概率:
由条件概率P(O|λ)组成的矩阵即为列车指令状态动态迁移概率表。
4.根据权利要求1所述的一种基于状态迁移预测的高铁行车网络协同报警优化方法,其特征在于,所述各单机模式下的自律机根据所在车站的列车指令状态变化情况,更新列车指令状态动态迁移概率表包括:
基于全局历史通用行车数据,构建列车指令状态转换有向图A:有向图A的节点为列车指令状态;有向图A的有向边表明列车指令状态转换方向;有向边的权值为6维向量,代表对应类型计划下不同列车指令状态的转换概率,初始时6维转换概率相同,计划分为如下6类:开接车、到开发车、通过接车、通过发车、始发车和终到车;
参照有向图A,构建有向图B;有向图B中有向边的权值也是6维向量,代表对应类型计划下不同列车指令状态的转换次数,初始状态,有向图B中所有权值皆为0;
单机模式下的自律机,各自监控所在车站的列车指令状态变化,在列车指令状态实际变化时,更新有向图B中有向边的对应计划类型维度权值;
按行车班次,对有向图B的权值进行归一化处理,并按比例同步有向图B的权值到有向图A;
随着时间的推移,有向图A将建立适配自律机所在车站站型的列车指令状态动态迁移概率表。
5.根据权利要求1所述的一种基于状态迁移预测的高铁行车网络协同报警优化方法,其特征在于,所述各单机模式下的自律机还将自身的列车指令状态动态迁移概率表通过中心协同服务器发送给其他单机模式下的自律机,实现网络协同优化包括:
各个自律机以标准协议的加密方式发送自身的列车指令状态动态迁移概率表至中心协同服务器,由中心协同服务器分发至管内其他自律机;各个自律机在正向自身的列车指令状态动态迁移概率表的同时,反向接收其他自律机的列车指令状态动态迁移概率表,并在权重参数控制下按类别同步更新自身的列车指令状态动态迁移概率表。
6.根据权利要求1或5所述的一种基于状态迁移预测的高铁行车网络协同报警优化方法,其特征在于,网络协同优化的流程包括:
自律机在鉴权认证后,连接中心协同服务器;
自律机以标准协议的加密方式发送自身的列车指令状态动态迁移概率表;
中心协同服务器将接收到的列车指令状态动态迁移概率表作为共享信息进行入库操作,并分发信息至其余各站的自律机;
自律机接收共享信息后,在权重参数控制下按类别同步更新自身的列车指令状态动态迁移概率表。
7.根据权利要求1或5所述的一种基于状态迁移预测的高铁行车网络协同报警优化方法,其特征在于,自律机与中心协同服务器使用XML标准格式进行信息交互,交互协议核心元素为四元组:<计划类型、迁移前状态、迁移后状态、迁移概率>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010004600.0A CN111259261B (zh) | 2020-01-02 | 2020-01-02 | 基于状态迁移预测的高铁行车网络协同报警优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010004600.0A CN111259261B (zh) | 2020-01-02 | 2020-01-02 | 基于状态迁移预测的高铁行车网络协同报警优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259261A CN111259261A (zh) | 2020-06-09 |
CN111259261B true CN111259261B (zh) | 2023-09-26 |
Family
ID=70946734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010004600.0A Active CN111259261B (zh) | 2020-01-02 | 2020-01-02 | 基于状态迁移预测的高铁行车网络协同报警优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259261B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012008184A1 (ja) * | 2010-07-14 | 2012-01-19 | 学校法人早稲田大学 | 隠れマルコフモデルの推定方法,推定装置および推定プログラム |
CN102710350A (zh) * | 2012-06-13 | 2012-10-03 | 北京交通大学 | 一种马尔科夫链的高铁平原无线信道模型构建方法和装置 |
WO2017152096A1 (en) * | 2016-03-04 | 2017-09-08 | Axon Vibe AG | Systems and methods for predicting user behavior based on location data |
CN107239628A (zh) * | 2017-06-15 | 2017-10-10 | 清华大学 | 一种基于动态时序图的不确定性机车仿真模型系统构建方法 |
CN109272168A (zh) * | 2018-10-09 | 2019-01-25 | 南京地铁集团有限公司 | 一种城市轨道交通客流变化趋势预测方法 |
CN109508751A (zh) * | 2018-12-06 | 2019-03-22 | 西南交通大学 | 高速铁路列车晚点时间预测的深度神经网络模型建模方法 |
CN109740839A (zh) * | 2018-11-23 | 2019-05-10 | 北京交通大学 | 一种突发事件下的列车动态调整方法及系统 |
CN110288046A (zh) * | 2019-07-02 | 2019-09-27 | 南京恩瑞特实业有限公司 | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7542949B2 (en) * | 2004-05-12 | 2009-06-02 | Mitsubishi Electric Research Laboratories, Inc. | Determining temporal patterns in sensed data sequences by hierarchical decomposition of hidden Markov models |
-
2020
- 2020-01-02 CN CN202010004600.0A patent/CN111259261B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012008184A1 (ja) * | 2010-07-14 | 2012-01-19 | 学校法人早稲田大学 | 隠れマルコフモデルの推定方法,推定装置および推定プログラム |
CN102710350A (zh) * | 2012-06-13 | 2012-10-03 | 北京交通大学 | 一种马尔科夫链的高铁平原无线信道模型构建方法和装置 |
WO2017152096A1 (en) * | 2016-03-04 | 2017-09-08 | Axon Vibe AG | Systems and methods for predicting user behavior based on location data |
CN107239628A (zh) * | 2017-06-15 | 2017-10-10 | 清华大学 | 一种基于动态时序图的不确定性机车仿真模型系统构建方法 |
CN109272168A (zh) * | 2018-10-09 | 2019-01-25 | 南京地铁集团有限公司 | 一种城市轨道交通客流变化趋势预测方法 |
CN109740839A (zh) * | 2018-11-23 | 2019-05-10 | 北京交通大学 | 一种突发事件下的列车动态调整方法及系统 |
CN109508751A (zh) * | 2018-12-06 | 2019-03-22 | 西南交通大学 | 高速铁路列车晚点时间预测的深度神经网络模型建模方法 |
CN110288046A (zh) * | 2019-07-02 | 2019-09-27 | 南京恩瑞特实业有限公司 | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111259261A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
D’Ariano et al. | Integrated stochastic optimization approaches for tactical scheduling of trains and railway infrastructure maintenance | |
Corman et al. | A review of online dynamic models and algorithms for railway traffic management | |
Ghaemi et al. | Railway disruption management challenges and possible solution directions | |
Altazin et al. | A multi-objective optimization-simulation approach for real time rescheduling in dense railway systems | |
Nesheli et al. | A robust, tactic-based, real-time framework for public-transport transfer synchronization | |
Corman et al. | Effectiveness of dynamic reordering and rerouting of trains in a complicated and densely occupied station area | |
US6459964B1 (en) | Train schedule repairer | |
Corman et al. | Dispatching trains during seriously disrupted traffic situations | |
Corman | Real-time Railway Traffic Management: Dispatching in complex, large and busy railway networks | |
JPH10505036A (ja) | スケジューリングシステム及びその方法 | |
JP2006511394A (ja) | 動的最適化交通プランニング方法及びシステム | |
CN114312926B (zh) | 一种城市轨道交通列车运行调整方案优化方法和系统 | |
D'Ariano | Innovative decision support system for railway traffic control | |
Dekker et al. | A next step in disruption management: Combining operations research and complexity science | |
Bešinović et al. | A matheuristic for the integrated disruption management of traffic, passengers and stations in urban railway lines | |
CN115384586B (zh) | 一种铁路平行调度系统、方法及其应用 | |
Malucelli et al. | Delay and disruption management in local public transportation via real-time vehicle and crew re-scheduling: a case study | |
Keita et al. | A three-step Benders decomposition for the real-time Railway Traffic Management Problem | |
US20180047124A1 (en) | System and method for optimizing a rail system | |
CN111259261B (zh) | 基于状态迁移预测的高铁行车网络协同报警优化方法 | |
Zhu et al. | Collaborative optimization of rescue operation and timetable rescheduling under metro train failure | |
Ghaemi et al. | Review of railway disruption management practice and literature | |
Su et al. | Integrated train timetabling and rolling stock rescheduling for a disturbed metro system: A hybrid deep reinforcement learning and adaptive large neighborhood search approach | |
CN115860246A (zh) | 一种城市轨道交通客流管控方法及装置 | |
Bouamrane et al. | Decision making system for regulation of a bimodal urban transportation network, associating a classical and a multi-agent approaches |
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 |