CN112214907B - 一种轨道交通配线方法、系统、计算机设备和存储介质 - Google Patents
一种轨道交通配线方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112214907B CN112214907B CN202011142837.1A CN202011142837A CN112214907B CN 112214907 B CN112214907 B CN 112214907B CN 202011142837 A CN202011142837 A CN 202011142837A CN 112214907 B CN112214907 B CN 112214907B
- Authority
- CN
- China
- Prior art keywords
- rescue
- wiring
- delay time
- fault
- minimum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000006870 function Effects 0.000 claims description 49
- 210000000349 chromosome Anatomy 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000002068 genetic effect Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 21
- 230000035772 mutation Effects 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000012938 design process Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 17
- 238000013461 design Methods 0.000 description 13
- 238000004140 cleaning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例涉及一种轨道交通配线方法、系统、计算机设备和存储介质,所述方法包括获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案。本发明实施例将实际运营列车故障的救援延误情况定量化地引入配线设计过程中,通过该方法确定轨道交通的配线方案,显著减少了轨道交通运营期间的救援延误时间,提高了轨道交通运营效率。
Description
技术领域
本申请涉及智能交通领域,特别是涉及一种轨道交通配线方法、系统、计算机设备和存储介质。
背景技术
在现有技术中,配线方案设计主要由从事城市轨道交通规划的相关专业人员与专家基于《地铁设计规范》和线路的基本情况根据经验确定,但是,随着城市轨道交通的发展,拥有城市轨道交通线路的城市逐年增加,线网规模也在飞速增长,城市轨道交通系统的准时性和安全性成为乘客和运营商最为关注的问题。而城市轨道交通线路因建设条件、城市规划、投资规模等多方面因素限制,无法像区域铁路一样设计多条配线。
因此当地铁列车故障时,就无法组织其余正常列车越行或者迂回运行;同时城市轨道交通列车又是一个集成车辆、信号等系统的复杂整体,复合故障较多,一旦发生无法靠自身动力运行的故障时,就会对全线列车的正常运行造成影响,严重阻塞线路,造成大面积的列车晚点延误,大量乘客得不到承运而滞留车厢或站台,从而危及乘客人身安全。因此如何在考虑建设成本,以及相关工程建设条件的基础上,设计出能降低全线总体救援延误时间的配线方案是城市轨道交通设计阶段所关注的重要问题。
发明内容
基于此,有必要针对上述技术问题,提供一种轨道交通配线方法、系统、计算机设备和存储介质。
第一方面,本发明实施例提供了一种轨道交通配线方法,所述方法包括以下步骤:
获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;
计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;
根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案。
进一步地,所述对所述原始配线方案的故障救援模型进行分类包括:
根据救援列车类型和救援车组的运行方式将所述故障救援模型的类别划分为:后序列车正向救援、后序列车反向救援、后序列车反向救援、对向列车正向救援和前序列车正向救援。
进一步地,所述计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间包括:
根据列车故障救援作业数据和列车故障救援类型,计算所述故障救援模型的一次延误时间;
根据所述故障救援模型中救援的救援区段,计算二次延误时间;
根据所述一次延误时间和所述二次延误时间得到救援延误总时间,比较五种所述故障救援模型的所述救援延误总时间,得到最小救援延误时间,并选择最佳救援类型。
进一步地,所述根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化包括:
根据固定配线方案下线路各个区段的最小救援延误时间,建立下层规划模型,通过所述下层规划模型确定全线平均救援延误时间;
根据配线设置需求与约束构建上层规划模型,通过所述上层规划模型确定违反配线约束条件的惩罚函数;
利用所述全线平均救援延误时间和所述惩罚函数计算适应度函数值,通过所述适应度函数值构建遗传算法;
通过所述遗传算法对构建的配线种群进行优化,选出满足所述配线要求的目标配线方案。
进一步地,所述通过所述遗传算法对构建的配线种群进行优化包括:
根据设定的种群数量,以各车站的配线类型为基因,构建车站数量为长度基准的染色体;
对所述染色体进行均匀两点交叉和单点变异操作;
通过轮盘赌选择所述染色体,进行迭代和重复,并通过所述适应度函数值和迭代次数判断所述种群是否收敛或达到设定所述配线种群的代数。
另一方面,本发明实施例还提供了一种轨道交通配线系统,所述系统包括:
救援类型模块,用于获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;
救援筛选模块,用于计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;
配线选择模块,用于根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案。
进一步地,所述救援筛选模块包括救援时间单元,所述救援时间单元用于计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间;
包括:根据列车故障救援作业数据和列车故障救援类型,计算所述故障救援模型的一次延误时间;
根据所述故障救援模型中救援的救援区段,计算二次延误时间;
根据所述一次延误时间和所述二次延误时间得到救援延误总时间,比较五种所述故障救援模型的所述救援延误总时间,得到最小救援延误时间,并选择最佳救援类型。
进一步地,所述配线选择模块包括配线优化单元,所述配线优化单元用于根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化;
包括:根据固定配线方案下线路各个区段的最小救援延误时间,建立下层规划模型,通过所述下层规划模型确定全线平均救援延误时间;
根据配线设置需求与约束构建上层规划模型,通过所述上层规划模型确定违反配线约束条件的惩罚函数;
利用所述全线平均救援延误时间和所述惩罚函数计算适应度函数值,通过所述适应度函数值构建遗传算法;
通过所述遗传算法对构建的配线种群进行优化,选出满足所述配线要求的目标配线方案。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;
计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;
根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;
计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;
根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案。
上述轨道交通配线方法、装置、计算机设备和存储介质,所述方法包括获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案。通过该方法,将实际运营列车故障的救援延误情况定量化的引入配线设计过程中,结合城市轨道交通列车故障救援相关的配线方案优化,为用户提供配线方案在列车故障救援中的实际效果,允许用户根据需要调整配线方案和相关参数,从而进行配线方案的比选,能为城市轨道交通配线方案设计阶段提供决策辅助支持,通过该方法为轨道交通的配线设计提供辅助,显著减少了轨道交通运营期间的救援延误时间,提高了轨道交通运营效率。
附图说明
图1为本发明提供的一个实施例中轨道交通配线方法的应用环境图;
图2为本发明提供的一个实施例中轨道交通配线方法的流程示意图;
图3为本发明提供的一个实施例中确定最小救援延误时间的流程示意图;
图4为本发明提供的一个实施例中配线方案优化步骤的流程示意图;
图5为本发明提供的一个实施例中利用遗传算法进行染色体迭代的流程示意图;
图6为本发明提供的一个实施例中轨道交通配线系统的结构框图;
图7为本发明提供的一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本发明实施例提供的轨道交通配线方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104可生成最终的配线方案,将生成的配线方案发送至终端102,终端102接收到配线方案后,供终端102的开发者进行查看。
在一个实施例中,如图2所示,提供了一种轨道交通配线方法,以该方法应用于图1中的终端或服务器为例进行说明,包括以下步骤:
步骤201,获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;
步骤202,计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;
步骤203,根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案。
其中,所述配线基础数据包括线路数据、作业数据、运行数据和配线造价四类数据。结合本实施例中配线的需求情况,线路数据包括车站名称、中心里程、配线类型、车站工程建设条件等;作业数据包括故障处理、换端连挂时间、列车追踪间隔、故障判断时间、清客时间、连挂时间等;运行数据有列车旅行速度、牵引救援速度、推送救援速度、救援列车接近速度等;配线造价为渡线、单列位和双列位停车线造价;同时提供给用户输入各种参数的接口,可以根据用户输入的数据构建基本数据传送线路。通过定量化计算出不同的最小救援延误时间,结合第一故障救援类型建立双层规划模型,将实际运营列车故障的救援延误情况定量化的引入配线设计过程中,进行结合城市轨道交通列车故障救援相关的配线方案优化,为用户提供配线方案在列车故障救援中的实际效果,允许用户根据需要调整配线方案和相关参数,从而进行配线方案的比选,能为城市轨道交通配线方案设计阶段提供决策辅助支持,通过该方法为轨道交通的配线设计提供辅助,显著减少了轨道运营期间的救援延误时间,提高了轨道交通运营效率。
具体地,所述对所述原始配线方案的故障救援模型进行分类包括:根据救援列车类型和救援车组的运行方式将所述故障救援模型的类别划分为:后序列车正向救援、后序列车反向救援、后序列车反向救援、对向列车正向救援和前序列车正向救援。
在一个实施例中,如图3所示,所述计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间包括:
步骤302,根据列车故障救援作业数据和列车故障救援类型,计算所述故障救援模型的一次延误时间;
其中,对于所述故障救援模型五种不同救援模式,根据故障地点、线路相关参数、运营相关参数、工程相关参数以及各救援作业时间得到以下5条一次延误的计算公式:
T11=t判断+t后清+l故后/v接近+t连挂+l故停/v推送+t清客-l故停/v旅行-h1+h2;
T12=t判断+t后清+l故后/v接近+t连挂+l故停/v牵引+t清客;
;
T14=t判断+t前清+l前清故/v接近+t连挂+l故停/v牵引+t清客-l故停/v旅行-h1+h2;
T15=t判断+l故渡/v接近+t连挂+l故停/v牵引+t清客-l故停/v旅行-h1/2+h2。
式中T11、T12、T13、T14、T15分别为后序列车正向救援、后序列车反向救援、后序列车反向救援、对向列车正向救援和前序列车正向救援这五种救援模式的一次延误时间,t判断为故障发生后的判断时间,t后清为后序救援列车清客时间,t连挂为救援列车和故障列车的连挂时间,t清客为连挂后故障列车的清客时间,t换端为列车换端调头所需时间,t前清为前序救援列车清客时间,l故后为故障地点和后序救援列车位置的距离,l故停为故障地点和最终故障列车停放位置的距离,l故渡为故障地点和渡线的距离,l渡停为渡线和最终故障列车停放位置的距离,l前清故为故障地点和前序救援列车清客位置的距离,v接近为故障列车接近救援列车时的平均速度,v推送为故障列车推送救援列车时的平均速度,v牵引为故障列车牵引救援列车时的平均速度,v旅行为正常运营中列车旅行速度,h1为正常运营中的发车间隔,h2为救援列车和故障列车连挂后与后车的最小追踪间隔;
步骤304,根据所述故障救援模型中救援的救援区段,计算二次延误时间;
其中,对于最终将故障列车救援至双列位停车线、车辆段或是停车场的情况,救援列车可以一同退出运营,无二次延误;对于最终将故障列车救援至单列位停车线的情况,救援列车需要返回正线恢复运营,当救援列车推送故障列车进入停车线时,二次延误如下T21所示;当救援列车牵引故障列车进入停车线时,仅允许贯通式的停车线,其二次延误如下T22所示:
T21=t摘钩换端+t返回+t换端;
T22=t摘钩+t进入;
式中t摘钩换端为救援列车和故障列车摘钩换端的时间,t返回为救援列车换端后返回正线的时间,t换端为救援列车换端调头的时间,t摘钩为列车救援列车和故障列车摘钩的时间,t进入为救援列车进入正线的时间;
步骤306,根据所述一次延误时间和所述二次延误时间得到救援延误总时间,比较五种所述故障救援模型的所述救援延误总时间,得到最小救援延误时间,并选择最佳救援类型。根据给定的故障地点,分别计算五种故障救援模型将故障列车救援至所有可能的停车线、车辆段和停车场的总延误时间,选出延误时间最小的方案作为最优救援方案,所述最优救援方案也即可以确定上述的第一故障救援类型,通过所述最优救援方案得到最小救援延误时间。
在一个实施例中,如图4所示,所述根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化包括:
步骤402,根据固定配线方案下线路各个区段的最小救援延误时间,建立下层规划模型,通过所述下层规划模型确定全线平均救援延误时间;
步骤404,根据配线设置需求与约束构建上层规划模型,通过所述上层规划模型确定违反配线约束条件的惩罚函数;
具体地,通过构建了双层规划模型来进行配线方案的优化,上层规划模型以各车站的配线类型作为决策变量,分别考虑无配线、渡线、单列位停车线和双列位停车线四种可能,目标为全线平均延误最低,约束方面考虑总建设成本约束,《地铁设计规范》中对停车线设置的间隔约束以及各个车站的工程建设条件约束;下层规划模型采用所述最优故障救援方案确定方法获得全线各个片段的最小救援延误时间。上层模型如下所示:
式中I为全线划分后所有片段的集合,P为全线所有车站的集合,Sp为车站p工程条件所允许的配线类型集合,S停车为所有属于停车线的配线类型集合,xps为决策变量,当车站p采用配线s时为1,否则为0,X决策变量xps组成的向量,表示当前配线方案,delayi(X)为在当前配线方案X下片段i通过上述的最优故障救援方案确定方法获得的最小救援延误时间,m为停车线设置的最大车站数,cs为配线s的工程建设成本,costtotal为允许的最大总建设成本,k的取值范围为从1,2,3,……,L,︱P︱-m。上述3条约束分别对应总建设成本约束,《地铁设计规范》中对停车线设置的间隔约束以及各个车站的工程建设条件约束。
步骤406,利用所述全线平均救援延误时间和所述惩罚函数计算适应度函数值,通过所述适应度函数值构建遗传算法;
步骤408,通过所述遗传算法对构建的配线种群进行优化,选出满足所述配线要求的目标配线方案。
其中,适应度计算采用全线所有区段平均延误加惩罚函数的形式,由于平均延误为负指标,越小越好,因此计算时取倒数,适应度函数取值如下所示:
式中f(X)为基于配线方案X的适应度函数,n为全线车站数,I为全线划分后所有片段的集合,delayi(X)为基于配线方案X的片段i通过所述关键点一中的最优故障救援方案确定方法获得的最小延误时间,costtotal为允许的最大总建设成本,cost(X)为配线方案X的总建设成本,g(X)为配线方案X中违反停车线间隔车站数约束的停车线个数,α和β为总建设成本约束以及对停车线设置的间隔约束的惩罚函数系数。以整体延误评价指标中的全线平均延误作为优化目标,考虑《地铁设计规范》中对要求停车线设置间隔的约束、因工程条件限制的车站配线设置类型约束、总配线方案建设成本的约束,采用遗传算法进行配线方案优化。
在一个实施例中,如图5所示,所述通过所述遗传算法对构建的配线种群进行优化包括:
步骤502,根据设定的种群数量,以各车站的配线类型为基因,构建车站数量为长度基准的染色体;
步骤504,对所述染色体进行均匀两点交叉和单点变异操作;
其中,对于初始配线种群的构建,根据输入的线路数据,包括车站数、车站里程、车站名,车站的工程建设条件等,构建线路模型,并根据给定的片段长度将线路按上下行方向分别离散化为若干个片段。之后根据设定的种群数量,以各车站的配线类型为基因,构建染色体,每条染色体的基因在车站工程建设条件允许的配线类型集合中随机选择而确定。交叉和变异采用经典的均匀两点交叉和单点变异,均匀两点交叉为随机选取染色体中的两个点,交换两条染色体在两点间的区段;单点变异为随机选取染色体中的一个基因位,将其改为该车站工程建设条件允许的配线类型集合中随机的一个配线类型。染色体采用一维向量编码,其长度为车站数,每个基因位存放该车站的配线类型;交叉算子采用两点交叉;变异算子采用单点变异;适应度为目标函数值加惩罚函数。为保证算法稳定性,系统允许并行多次运算遗传算法,取最优解。
步骤506,通过轮盘赌选择所述染色体,进行迭代和重复,并通过所述适应度函数值和迭代次数判断所述种群是否收敛或达到设定所述配线种群的代数。
其中,采用轮盘赌选择先将所有染色体排序,对于每个染色体分别计算其累计概率函数如下所示
式中Xk为第k个染色体的配线方案,F(Xk)为第k个染色体的累计概率函数,f(Xj)为第j个染色体的配线方案的适应度函数值,由关键点四所述方法计算,J为所有染色体的编号集合。每次轮盘赌选择会默认将适应度最优的染色体选中进入下一代,以保留最优个体。其余个体每次选择过程中随机生成一个[0,1]的随机数ε,选择大于ε的累计概率函数中最小者对应的染色体,作为选中的染色体进入下一次迭代,重复若干次,直到选出的种群数达到设定的种群规模。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,本发明实施例提供了一种轨道交通配线系统600,所述系统包括:
救援类型模块602,用于获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;
救援筛选模块604,用于计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;
配线选择模块606,用于根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案。
在一个实施例中,如图6所示,救援类型模块602包括救援分类单元6022,所述救援分类单元6022用于通过所述原始配线方案确定列车故障数据和列车故障类型;根据救援列车类型和救援车组的运行方式将所述故障救援模型的类别划分为:后序列车正向救援、后序列车反向救援、后序列车反向救援、对向列车正向救援和前序列车正向救援。
在一个实施例中,如图6所示,所述救援筛选模块604包括救援时间单元6042,所述救援时间单元6042用于根据列车故障救援作业数据和列车故障救援类型,计算所述故障救援模型的一次延误时间;根据所述故障救援模型中救援的救援区段,计算二次延误时间;根据所述一次延误时间和所述二次延误时间得到救援延误总时间,比较五种所述故障救援模型的所述救援延误总时间,得到最小救援延误时间,并选择最佳救援类型。
在一个实施例中,如图6所示,所述配线选择模块606包括配线优化单元6062,所述配线优化单元用于根据固定配线方案下线路各个区段的最小救援延误时间,建立下层规划模型,通过所述下层规划模型确定全线平均救援延误时间;根据配线设置需求与约束构建上层规划模型,通过所述上层规划模型确定违反配线约束条件的惩罚函数;利用所述全线平均救援延误时间和所述惩罚函数计算适应度函数值,通过所述适应度函数值构建遗传算法;通过所述遗传算法对构建的配线种群进行优化,选出满足所述配线要求的目标配线方案。
在一个实施例中,如图6所示,所述配线选择模块606还包括配线迭代单元6064,所述配线迭代单元6064用于根据设定的种群数量,以各车站的配线类型为基因,构建车站数量为长度基准的染色体;对所述染色体进行均匀两点交叉和单点变异操作;通过轮盘赌选择所述染色体,进行迭代和重复,并通过所述适应度函数值和迭代次数判断所述种群是否收敛或达到设定所述配线种群的代数。
关于轨道交通配线系统的具体限定可以参见上文中对于轨道交通配线方法的限定,在此不再赘述。上述轨道交通配线系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端102或服务器104。如图7所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现权限异常检测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行权限异常检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过所述原始配线方案确定列车故障数据和列车故障类型;根据救援列车类型和救援车组的运行方式将所述故障救援模型的类别划分为:后序列车正向救援、后序列车反向救援、后序列车反向救援、对向列车正向救援和前序列车正向救援。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据列车故障救援作业数据和列车故障救援类型,计算所述故障救援模型的一次延误时间;根据所述故障救援模型中救援的救援区段,计算二次延误时间;根据所述一次延误时间和所述二次延误时间得到救援延误总时间,比较五种所述故障救援模型的所述救援延误总时间,得到最小救援延误时间,并选择最佳救援类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据固定配线方案下线路各个区段的最小救援延误时间,建立下层规划模型,通过所述下层规划模型确定全线平均救援延误时间;根据配线设置需求与约束构建上层规划模型,通过所述上层规划模型确定违反配线约束条件的惩罚函数;利用所述全线平均救援延误时间和所述惩罚函数计算适应度函数值,通过所述适应度函数值构建遗传算法;通过所述遗传算法对构建的配线种群进行优化,选出满足所述配线要求的目标配线方案。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据设定的种群数量,以各车站的配线类型为基因,构建车站数量为长度基准的染色体;对所述染色体进行均匀两点交叉和单点变异操作;通过轮盘赌选择所述染色体,进行迭代和重复,并通过所述适应度函数值和迭代次数判断所述种群是否收敛或达到设定所述配线种群的代数。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过所述原始配线方案确定列车故障数据和列车故障类型;根据救援列车类型和救援车组的运行方式将所述故障救援模型的类别划分为:后序列车正向救援、后序列车反向救援、后序列车反向救援、对向列车正向救援和前序列车正向救援。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据列车故障救援作业数据和列车故障救援类型,计算所述故障救援模型的一次延误时间;根据所述故障救援模型中救援的救援区段,计算二次延误时间;根据所述一次延误时间和所述二次延误时间得到救援延误总时间,比较五种所述故障救援模型的所述救援延误总时间,得到最小救援延误时间,并选择最佳救援类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据固定配线方案下线路各个区段的最小救援延误时间,建立下层规划模型,通过所述下层规划模型确定全线平均救援延误时间;根据配线设置需求与约束构建上层规划模型,通过所述上层规划模型确定违反配线约束条件的惩罚函数;利用所述全线平均救援延误时间和所述惩罚函数计算适应度函数值,通过所述适应度函数值构建遗传算法;通过所述遗传算法对构建的配线种群进行优化,选出满足所述配线要求的目标配线方案。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据设定的种群数量,以各车站的配线类型为基因,构建车站数量为长度基准的染色体;对所述染色体进行均匀两点交叉和单点变异操作;通过轮盘赌选择所述染色体,进行迭代和重复,并通过所述适应度函数值和迭代次数判断所述种群是否收敛或达到设定所述配线种群的代数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种轨道交通配线方法,其特征在于,所述方法包括以下步骤:
获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;
计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;
根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案;
所述根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化包括:
根据固定配线方案下线路各个区段的最小救援延误时间,建立下层规划模型,通过所述下层规划模型确定全线平均救援延误时间;
根据配线设置需求与约束构建上层规划模型,通过所述上层规划模型确定违反配线约束条件的惩罚函数;
利用所述全线平均救援延误时间和所述惩罚函数计算适应度函数值,通过所述适应度函数值构建遗传算法;
通过所述遗传算法对构建的配线种群进行优化,选出满足所述配线要求的目标配线方案;
所述通过所述遗传算法对构建的配线种群进行优化包括:
根据设定的种群数量,以各车站的配线类型为基因,构建车站数量为长度基准的染色体;
对所述染色体进行均匀两点交叉和单点变异操作;
通过轮盘赌选择所述染色体,进行迭代和重复,并通过所述适应度函数值和迭代次数判断所述种群是否收敛或达到设定所述配线种群的代数。
2.根据权利要求1所述轨道交通配线方法,其特征在于,所述计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间包括:
根据列车故障救援作业数据和列车故障救援类型,计算所述故障救援模型的一次延误时间;
根据所述故障救援模型中救援的救援区段,计算二次延误时间;
根据所述一次延误时间和所述二次延误时间得到救援延误总时间,比较五种所述故障救援模型的所述救援延误总时间,得到最小救援延误时间,并选择最佳救援类型。
3.一种轨道交通配线系统,其特征在于,所述系统包括:
救援类型模块,用于获取配线基础数据,根据所述配线基础数据确定原始配线方案,对所述原始配线方案的故障救援模型进行分类;
救援筛选模块,用于计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间,并确定所述最小救援延误时间对应的第一故障救援类型;
配线选择模块,用于根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化,确定满足配线要求的目标配线方案;
所述配线选择模块包括配线优化单元,所述配线优化单元用于根据所述最小救援延误时间和所述第一故障救援类型对所述原始配线方案进行优化;
包括:
根据固定配线方案下线路各个区段的最小救援延误时间,建立下层规划模型,通过所述下层规划模型确定全线平均救援延误时间;
根据配线设置需求与约束构建上层规划模型,通过所述上层规划模型确定违反配线约束条件的惩罚函数;
利用所述全线平均救援延误时间和所述惩罚函数计算适应度函数值,通过所述适应度函数值构建遗传算法;
通过所述遗传算法对构建的配线种群进行优化,选出满足所述配线要求的目标配线方案;
所述配线选择模块还包括配线迭代单元,所述配线迭代单元用于根据设定的种群数量,以各车站的配线类型为基因,构建车站数量为长度基准的染色体;对所述染色体进行均匀两点交叉和单点变异操作;通过轮盘赌选择所述染色体,进行迭代和重复,并通过所述适应度函数值和迭代次数判断所述种群是否收敛或达到设定所述配线种群的代数。
4.根据权利要求3所述轨道交通配线系统,其特征在于,所述救援筛选模块包括救援时间单元,所述救援时间单元用于计算不同类型的所述故障救援模型的救援延误时间,得到最小救援延误时间;
包括:
根据列车故障救援作业数据和列车故障救援类型,计算所述故障救援模型的一次延误时间;
根据所述故障救援模型中救援的救援区段,计算二次延误时间;
根据所述一次延误时间和所述二次延误时间得到救援延误总时间,比较五种所述故障救援模型的所述救援延误总时间,得到最小救援延误时间,并选择最佳救援类型。
5.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至2中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011142837.1A CN112214907B (zh) | 2020-10-23 | 2020-10-23 | 一种轨道交通配线方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011142837.1A CN112214907B (zh) | 2020-10-23 | 2020-10-23 | 一种轨道交通配线方法、系统、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112214907A CN112214907A (zh) | 2021-01-12 |
CN112214907B true CN112214907B (zh) | 2024-01-12 |
Family
ID=74054904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011142837.1A Active CN112214907B (zh) | 2020-10-23 | 2020-10-23 | 一种轨道交通配线方法、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112214907B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011245981A (ja) * | 2010-05-27 | 2011-12-08 | Katsuhiko Suzuki | 輸送システム |
CN109166329A (zh) * | 2018-09-17 | 2019-01-08 | 上海理工大学 | 一种面向多目标的城市紧急救援交通信号恢复过渡方法 |
CN111016970A (zh) * | 2019-12-23 | 2020-04-17 | 中国安全生产科学研究院 | 一种地铁列车故障后连挂清客救援方法及电子设备 |
-
2020
- 2020-10-23 CN CN202011142837.1A patent/CN112214907B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011245981A (ja) * | 2010-05-27 | 2011-12-08 | Katsuhiko Suzuki | 輸送システム |
CN109166329A (zh) * | 2018-09-17 | 2019-01-08 | 上海理工大学 | 一种面向多目标的城市紧急救援交通信号恢复过渡方法 |
CN111016970A (zh) * | 2019-12-23 | 2020-04-17 | 中国安全生产科学研究院 | 一种地铁列车故障后连挂清客救援方法及电子设备 |
Non-Patent Citations (2)
Title |
---|
Rescheduling through stop-skipping in dense railway systems;Estelle Aitazin等;Transportation Research Part C: Emerging Technologies;第79卷;正文第1-20页 * |
城市轨道交通运营列车故障影响仿真分析系统;朱琳等;都市快轨交通;第30卷(第2期);第113-119页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112214907A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Static green repositioning in bike sharing systems with broken bikes | |
Lin et al. | An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC | |
Yu et al. | Headway-based bus bunching prediction using transit smart card data | |
CN109543934B (zh) | 城市公交线网的综合指标的评价方法 | |
Liang et al. | Robust bus bridging service design under rail transit system disruptions | |
Yang et al. | Battery swap station location-routing problem with capacitated electric vehicles | |
CN112381472B (zh) | 一种地铁接驳公交线路优化方法、装置及存储介质 | |
Han et al. | Train timetabling in rail transit network under uncertain and dynamic demand using advanced and adaptive NSGA-II | |
CN109002625B (zh) | 一种基于鲁棒优化的接驳公交网络设计方法 | |
Wang et al. | Optimization of bus bridging service under unexpected metro disruptions with dynamic passenger flows | |
Reggiani et al. | Neural networks and logit models applied to commuters’ mobility in the metropolitan area of Milan | |
Davidov et al. | Stochastic expansion planning of the electric-drive vehicle charging infrastructure | |
CN113312760B (zh) | 一种基于交通仿真的网联机动车右转轨迹规划方法和装置 | |
Dachyar | Simulation and optimization of services at port in Indonesia | |
Ai et al. | Deep reinforcement learning based dynamic optimization of bus timetable | |
Hu et al. | Crowding prediction on mass rapid transit systems using a weighted bidirectional recurrent neural network | |
Yufang et al. | Prediction of vehicle energy consumption on a planned route based on speed features forecasting | |
Zheng et al. | Route design model of multiple feeder bus service based on existing bus lines | |
JP6201040B2 (ja) | 交通システム最適化装置 | |
CN116070422A (zh) | 一种基于时空网络的灵活编组列车周转计划分解优化方法 | |
CN112214907B (zh) | 一种轨道交通配线方法、系统、计算机设备和存储介质 | |
CN116739213A (zh) | 基于代理模型辅助算法的地铁接驳公交优化方法 | |
CN112232553B (zh) | 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法 | |
CN113705891B (zh) | 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法 | |
CN111814280B (zh) | 城市轨道交通的规划方法、服务器和计算机可读存储介质 |
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 |