CN112580204B - 一种铁路区间非正常事件下的列车延误时间预测方法 - Google Patents

一种铁路区间非正常事件下的列车延误时间预测方法 Download PDF

Info

Publication number
CN112580204B
CN112580204B CN202011488710.5A CN202011488710A CN112580204B CN 112580204 B CN112580204 B CN 112580204B CN 202011488710 A CN202011488710 A CN 202011488710A CN 112580204 B CN112580204 B CN 112580204B
Authority
CN
China
Prior art keywords
train
delay time
abnormal
abnormal event
event
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
Application number
CN202011488710.5A
Other languages
English (en)
Other versions
CN112580204A (zh
Inventor
施莉娟
马燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202011488710.5A priority Critical patent/CN112580204B/zh
Publication of CN112580204A publication Critical patent/CN112580204A/zh
Application granted granted Critical
Publication of CN112580204B publication Critical patent/CN112580204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及一种铁路区间非正常事件下的列车延误时间预测方法，包括以下步骤：获取历史数据；根据对列车运行的影响将非正常事件分为A类事件和B类事件；建立第一延误时间预测模型和第二延误时间预测模型；预测列车延误情况。与现有技术相比，本发明根据非正常事件对列车运行的影响，将非正常事件分为导致列车减速行驶的A类事件和导致列车停车的B类事件，并分别建立两类事件的延误时间预测模型，更加贴合两类事件的实际处理过程；延误时间预测模型为基于几何解析的数学模型，在列车到达率、非正常事件消除后的列车离去率、非正常事件持续时间等已知或可预测的前提下，可定量预测得到延误列车数量和列车延误时间，预测精准，计算过程简单。

Description

一种铁路区间非正常事件下的列车延误时间预测方法
技术领域
本发明涉及行车延误分析预测领域，尤其是涉及一种铁路区间非正常事件下的列车延误时间预测方法。
背景技术
根据从铁路部门获取的相关数据，在2018年的近3500趟列车延误中，由于铁路站间区间出现设施故障等非正常事件导致的列车延误事件占总延误事件数的四分之三以上，导致的延误列车数占总延误列车数达84％。列车延误降低了旅客满意度，带来了时间损失和经济损失，对铁路线路运输能力产生影响，也给列车的行车组织和运行计划造成困扰，因此，研究铁路区间内非正常事件对行车延误的影响以及延误时间预测非常有必要。
当铁路站间区间发生非正常事件时，会对列车行车产生扰动，列车无法按运行图正常行车。高铁区间发生设备故障等非正常事件时，依据事件的严重程度，通常采取的措施有限速行驶、停车检查后重启、即刻停车等待修复等。不同类型的非正常事件，以及面对非正常事件采取的不同措施将会对高铁区间能力造成不同程度的影响，从而导致不同程度的列车延误，列车延误时间也不同。
目前，针对铁路区间发生的非正常事件，研究重点往往为如何刻画保持图定能力的运行图、如何进行高效省时的调度方面，而少有对列车延误时间的准确预测方法。如中国专利CN201911149049.2公开了一种非正常事件下高铁路网图定能力保持方法，制定能力保持策略，为高铁调度和运行图调整提供宏观参考。
但是，列车在区间内非正常事件下的延误时间预测是行车调整策略的基础，现有技术中往往基于运行图的调整预测延误时间，一方面预测不准确，另一方面，也不利于行车调度员在非正常事件发生后根据列车的延误时间采取合理的行车调整方案。
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铁路区间非正常事件下的列车延误时间预测方法，根据非正常事件对列车运行的影响，将非正常事件分为导致列车减速行驶的A类事件和导致列车停车的B类事件，并分别建立两类事件的延误时间预测模型，更加贴合两类事件的实际处理过程，从而提高了精度；建立基于几何解析的数学模型对列车延误时间进行预测，在列车到达率、非正常事件消除后的列车离去率、非正常事件下列车离去率、非正常事件持续时间已知或可预测的前提下，可定量预测得到延误列车数量和列车延误时间，预测精准，计算过程简单。
本发明的目的可以通过以下技术方案来实现：
一种铁路区间非正常事件下的列车延误时间预测方法，包括以下步骤：
S1：获取历史数据，所述历史数据包括：行车调度数据、铁路区间发生的各类非正常事件、针对各类非正常事件采取的措施、各类非正常事件的持续时间、各类非正常事件下的列车离去率和各类非正常事件消除后的列车离去率；
S2：根据非正常事件对列车运行的影响，将非正常事件分为A类事件和B类事件，所述A类事件为导致列车限速行驶的非正常事件，所述B类事件为导致列车停车的非正常事件；
S3：建立第一延误时间预测模型，所述第一延误时间预测模型用于预测A类事件的列车延误时间；建立第二延误时间预测模型，所述第二延误时间预测模型用于预测B类事件的列车延误时间；
S4：对于铁路区间发生的非正常事件，使用第一延误时间预测模型和第二延误时间预测模型进行列车延误情况预测。
进一步的，所述A类事件包括：行驶途中发生的牵引动力部分缺失故障、行驶途中发生的制动部分丢失故障，接触网跳闸后自动合闸成功的故障，部分线路故障，以及其他导致列车限速行驶的非正常事件。
进一步的，所述B类事件包括：受电弓故障、跳闸后人工合闸成功、ATP车载故障，导致列车无法运行的接触网故障、危及行车安全的部分线路故障、区段间轨道电路红光带，以及其他导致列车停车的非正常事件。
进一步的，所述第一延误时间预测模型包括延误列车数量Q、列车总延误时间D和每一列延误列车的延误时间L，其中：
延误列车数量Q的计算公式为：
Q＝λT＝λ(T1+T2)
Figure BDA0002840107960000031
其中，λ表示非正常事件发生点的列车到达率，单位为列/分钟；T表示非正常事件影响总时间；T1表示非正常事件持续时间；T2表示行车恢复时间，即非正常事件消除后至行车恢复至运行图的时间；μ表示非正常事件消除后的列车离去率，单位为列/分钟；μ0表示非正常事件下的列车离去率，单位为列/分钟；
列车总延误时间D的计算公式为：
Figure BDA0002840107960000032
其中，D表示列车总延误时间；
列车在非正常事件持续期间的时刻t到达非正常事件发生点，每一列延误列车的延误时间L的计算公式为：
在非正常事件消除前离去的列车，每一列列车的延误时间为：
Figure BDA0002840107960000033
在非正常事件消除后离去的列车，每一列列车的延误时间为：
Figure BDA0002840107960000034
其中，L表示每一列延误列车的延误时间。
进一步的，所述第二延误时间预测模型包括延误列车数量Q、列车总延误时间D和每一列延误列车的延误时间L，其中：
延误列车数量Q的计算公式为：
Q＝λT＝λ(T1+T2)
Figure BDA0002840107960000035
其中，λ表示非正常事件发生点的列车到达率，单位为列/分钟；T表示非正常事件影响总时间；T1表示非正常事件持续时间；T2表示行车恢复时间，即非正常事件消除后至行车恢复至运行图的时间；μ表示非正常事件消除后的列车离去率，单位为列/分钟；
列车总延误时间D的计算公式为：
Figure BDA0002840107960000036
其中，D表示列车总延误时间；
列车在非正常事件持续期间的时刻t到达非正常事件发生点，每一列延误列车的延误时间L的计算公式为：
Figure BDA0002840107960000041
其中，L表示每一列延误列车的延误时间。
更进一步的，所述非正常事件发生点的列车到达率λ是通过行车图定数据经线性回归确定的。
更进一步的，所述非正常事件消除后的列车离去率μ是根据线路技术数据和历史数据中各类非正常事件消除后的列车离去率确定的。
更进一步的，所述非正常事件持续时间T1指自非正常事件发生至非正常事件消除的时间，或者指自非正常事件发生至第一列延误列车开始恢复运行的时间。
更进一步的，所述非正常事件持续时间T1的取值为历史数据中同类非正常事件持续时间的平均值。
更进一步的，所述非正常事件持续时间T1的取值为置信度为95％的同类非正常事件持续时间的区间范围。
与现有技术相比，本发明具有以下有益效果：
(1)根据非正常事件对列车运行的影响，将非正常事件分为导致列车减速行驶的A类事件和导致列车停车的B类事件，并分别建立两类事件的延误时间预测模型，更加贴合两类事件的实际处理过程，从而提高了精度。
(2)建立基于几何解析的数学模型对列车延误时间进行预测，在列车到达率、非正常事件消除后的列车离去率、非正常事件下的列车离去率、非正常事件持续时间已知或可预测的前提下，可定量预测得到延误列车数量和列车延误时间，预测精准，计算过程简单。
(3)准确的预测了A类事件和B类事件的列车延误时间，为后续的行车调度提供了参考，也为旅客提供了每一列列车的延误时间，提高旅客满意度。
附图说明
图1为列车延误时间预测方法的流程图；
图2为第一延误时间预测模型示意图；
图3为第二延误时间预测模型示意图；
图4为实施例中延误时间预测模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1：
一种铁路区间非正常事件下的列车延误时间预测方法，如图1所示，包括以下步骤：
S1：获取历史数据，所述历史数据包括：行车调度数据、铁路区间发生的各类非正常事件、针对各类非正常事件采取的措施、各类非正常事件的持续时间、各类非正常事件下的列车离去率和各类非正常事件消除后的列车离去率；
S2：根据非正常事件对列车运行的影响，将非正常事件分为A类事件和B类事件，所述A类事件为导致列车限速行驶的非正常事件，所述B类事件为导致列车停车的非正常事件；
S3：建立第一延误时间预测模型，所述第一延误时间预测模型用于预测A类事件的列车延误时间；建立第二延误时间预测模型，所述第二延误时间预测模型用于预测B类事件的列车延误时间；
S4：对于铁路区间发生的非正常事件，使用第一延误时间预测模型和第二延误时间预测模型进行列车延误情况预测。
根据非正常事件对列车延误的影响、非正常事件发生后一般采取的措施，将非正常事件分为A类事件和B类事件。
其中，A类事件主要包括：行驶途中发生的牵引动力部分缺失故障、行驶途中发生的制动部分丢失故障，接触网跳闸后自动合闸成功的故障，部分线路故障(如晃车)，以及其他导致行驶中的列车采取限速行驶措施的非正常事件，A类事件会对行车有一定程度的延误影响。
B类事件主要包括导致列车停车的非正常事件，如列车停车检查、列车停车等待修复。从非正常事件可自动消除或需要等待修复的角度，B类事件包括：受电弓故障、跳闸后人工合闸成功、ATP车载故障；导致列车无法运行的接触网故障、危及行车安全的部分线路故障、区段间轨道电路红光带，以及其他导致列车采取停车措施的非正常事件。
其中，受电弓故障、跳闸后合闸成功、ATP车载故障主要发生在行驶途中，通常采取停车检查或重启的措施，停车时间通常较短，之后继续恢复运行；导致列车无法运行的接触网故障、危及行车安全的线路故障、区段间轨道电路红光带等发生后，必须立即停车等待快速抢修，修复后列车才能继续运行，停车时间通常较长，对行车影响大。
第一延误时间预测模型包括延误列车数量Q、列车总延误时间D和每一列延误列车的延误时间L，其中：
延误列车数量Q的计算公式为：
Q＝λT＝λ(T1+T2)
Figure BDA0002840107960000061
其中，λ表示非正常事件发生点的列车到达率，单位为列/分钟；T表示非正常事件影响总时间；T1表示非正常事件持续时间；T2表示行车恢复时间，即非正常事件消除后至行车恢复至运行图的时间；μ表示非正常事件消除后的列车离去率，单位为列/分钟；μ0表示非正常事件下的列车离去率，单位为列/分钟。
如图2所示，非正常事件在t0时刻发生，列车总延误时间D(单位为列·分钟)即图2中列车到达率直线y＝λx+a、列车离去率直线y＝μx+b、以及非正常事件下列车离去率直线y＝μ0x+b0所围成的面积，其中，a、b、b0的具体值是将x＝t0、y＝1代入三条直线求得的，列车总延误时间D的计算公式为：
Figure BDA0002840107960000062
其中，D表示列车总延误时间；
列车在非正常事件持续期间的时刻t到达非正常事件发生点，每一列延误列车的延误时间L的计算公式为：
在非正常事件消除前离去的列车，每一列列车的延误时间为：
Figure BDA0002840107960000063
在非正常事件消除后离去的列车，每一列列车的延误时间为：
Figure BDA0002840107960000064
其中，L表示每一列延误列车的延误时间。
如图2所示，非正常事件在t0时刻发生，列车在t+t0时刻到达非正常事件发生点，延误时间L即图2中在t+t0时刻列车到达率直线y＝λx+a的点与列车离去率直线y＝μx+b或非正常事件下列车离去率直线y＝μ0x+b0的水平距离。
第二延误时间预测模型包括延误列车数量Q、列车总延误时间D和每一列延误列车的延误时间L，其中：
延误列车数量Q的计算公式为：
Q＝λT＝λ(T1+T2)
Figure BDA0002840107960000071
其中，λ表示非正常事件发生点的列车到达率，单位为列/分钟；T表示非正常事件影响总时间；T1表示非正常事件持续时间；T2表示行车恢复时间，即非正常事件消除后至行车恢复至运行图的时间；μ表示非正常事件消除后的列车离去率，单位为列/分钟。
如图3所示，非正常事件在t0时刻发生，列车总延误时间D(单位为列·分钟)即图3中列车到达率直线y＝λx+a、列车离去率直线y＝μx+b以及直线y＝1所围成的面积，其中，a、b的具体值是将x＝t0、y＝1代入列车到达率直线和列车离去率直线求得的，列车总延误时间D的计算公式为：
Figure BDA0002840107960000072
列车在非正常事件持续期间的时刻t到达非正常事件发生点，每一列延误列车的延误时间L的计算公式为：
Figure BDA0002840107960000073
如图3所示，非正常事件在t0时刻发生，列车在t+t0时刻到达非正常事件发生点，延误时间L即图3中在t+t0时刻列车到达率直线y＝λx+a的点与列车离去率直线y＝μx+b的水平距离。
非正常事件发生点的列车到达率λ由列车运行图铺画的密集程度决定，在区间内非正常事件发生点，通常列车到达时间间隔不是固定的，为了简化计算，通过行车图定数据经线性回归确定列车到达率λ。
非正常事件消除后的列车离去率μ是根据铁路线路的线路技术数据和历史数据得到的。具体的，按照设计规范，对于CTCS3下的最小追踪间隔为3分钟，则列车离去率不能超过μ＝(1/3)列/分钟，在此前提下，获取历史数据中相似的非正常事件在事件消除后的列车离去率，确定第一延误时间预测模型与第二延误时间预测模型中非正常事件消除后的列车离去率μ的取值。
因A类事件要求列车限速运行，导致列车离去率降低，限速值通常按规定的要求，从而可以得到第一延误事件预测模型中非正常事件下的列车离去率μ0，将非正常事件消除后的列车离去率μ和非正常事件下的列车离去率μ0代入第一延误事件预测模型，从而进行A类事件的列车延误时间预测。
理想状态下，非正常事件消除后，列车会以最大离去率离开非正常事件发生点，但是，由于行车调度组织过程中会带来时间消耗，往往不能达到最大离去率，因此，本申请以线路技术数据和历史数据得到第一延误时间预测模型与第二延误时间预测模型中列车离去率的取值。
非正常事件在t0时刻发生，为简化计算，假设非正常时间发生的时刻t0同时影响了第一列延误列车。
非正常事件持续时间T1指非正常事件发生至非正常事件消除的时间，或者至第一列延误列车开始恢复运行的时间。针对同一种非正常事件，非正常事件持续时间通常具有随机性，但同时其波动范围具有一定的规律性。
对于发生的非正常事件，在预期其导致的列车延误时间时，非正常事件持续时间T1的取值基于历史数据中各类非正常事件的持续时间。可以取历史数据中该种非正常事件持续时间的平均值作为T1，也可以取置信度为95％的非正常事件持续时间的区间范围。
第一延误时间预测模型与第二延误时间预测模型相比，增加了参数μ0，即在非正常事件下非正常事件发生点的列车离去率，A类事件发生后，列车减速运行，列车离去率改变，使用第一延误时间预测模型预测，B类事件发生后，列车停止运行，使用第二延误时间预测模型预测，相当于第一延误时间预测模型中μ0的取值为0。
本实施例以沪昆线长沙东南线路所至醴陵东站区间上行线为背景，在2018年7月14日8时11分，沪昆高铁G1346次(长沙南-上海虹桥，广州动车段CRH380B-3636号，南昌机务段值乘)行至长沙东南线路所至醴陵东站间上行线因ATP故障停于K1050+000M处(9.6‰上坡)，经司机重启正常后于8时38分开。影响了3列动车组：G1346、G1692、G1482。该故障影响的列车如表1所示。
表1区间ATP故障对列车的影响
Figure BDA0002840107960000091
故障发生后，采取停车措施，故本实施例中区间ATP故障为B类事件。B类事件发生后，列车停止运行。
故障发生点为以沪昆线长沙东南线路所至醴陵东站区间上行方向，受影响的三列列车的到达及离开估计时刻如表2所示。
在表2中给出了三列列车到达故障发生点的估计时刻和离开故障发生点的估计时刻。估计的依据是：假设列车在区间内无故障时均速行驶，并在故障恢复后行车组织以最大的效率组织行车，不考虑行车组织管理原因造成的延误损失。
表2受影响列车到达和离去的估计时刻
G1346 G1692 G1482
列车图定到达故障发生点估计时刻 8:11 8:28 8:50
列车离开故障发生点估计时刻 8:38 8:49 8:54
G1346在8时11分因故障停车，其到达故障发生点估计时刻即为8时11分，根据表1中给出的图定到发时刻，得到三列列车的发车时间间隔，G1692在G1346发车18分钟后发车，其到达故障发生点估计时刻即为8时28分，同理，G1482在G1346发车40分钟后发车，其到达故障发生点估计时刻即为8时50分。
故障在8时38分消除，G1346在8时38分开，其离开故障发生点估计时刻即为8时38分，根据第一列列车实际离开故障发生点的时间、三列列车到达目的地的时间，估计其余两列列车离开故障发生点的时间，G1692离开故障发生点估计时刻为8时49分，G1482离开故障发生点估计时刻为8时54分。
在SPSS软件中对表2中列车图定到达故障发生点估计时刻进行回归分析，得到列车到达率呈线性关系。
其线性拟合方程为：
y＝0.49+0.05x
即拟合出的列车到达率λ为0.05列/分钟，在拟合过程中，参数R2＝0.997，表示拟合度很高。
通常，当列车在区间排队等候离去时，若不考虑行车调度组织损耗，列车离去率可按历史最大通行能力估计。对于本实施例，由于故障发生后行车调度组织的时间消耗大，故障发生之后，后续车辆在后续站扣停，故障消除后经人工调度组织，实际的列车离去率偏低。根据表2中列车离开故障发生点估计时刻，同样通过线性拟合，得到列车离去率为0.12列/分钟。由此本实施例中非正常事件消除后的列车离去率μ＝0.12，建立第二延误时间预测模型，如图4所示。
通过第二延误时间预测模型预测三列列车的延误时间，总延误即为三列列车的延误时间之和，如表3中“本方案”所示；为了比较方案的优劣，同时进行了仿真研究，基于实际场景使用Opentrack仿真软件模拟故障的发生，得到每一列列车的延误时间，总延误即为三列列车的延误时间之和，如表3中“仿真方案”所示；根据列车的图定到发时刻和列车的实际到发时刻，计算列车的实际延误时间，总延误即为三列列车的延误时间之和，如表3中的“实际延误”所示。
表3延误估计的方案比较
Figure BDA0002840107960000101
可以看出，本申请对每一列列车的延误时间预测、总延误时间预测与实际延误相比，相差较小，预测较精准。
本申请通过建立基于几何解析的第一延误时间预测模型与第二延误时间预测模型，在列车到达率、非正常事件消除后的列车离去率、非正常事件下列车离去率、非正常事件持续时间已知或可预测的前提下，可定量预测得到延误列车数，以及每一列列车的延误时间。行车调度系统可以根据预测的列车延误时间，预先主动采取合适的行车调整策略，减少非正常事件发生后因不了解其后续处理措施对行车的影响而造成的被动等待。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种铁路区间非正常事件下的列车延误时间预测方法，其特征在于，包括以下步骤：
S1：获取历史数据，所述历史数据包括：行车调度数据、铁路区间发生的各类非正常事件、针对各类非正常事件采取的措施、各类非正常事件的持续时间、各类非正常事件下的列车离去率和各类非正常事件消除后的列车离去率；
S2：根据非正常事件对列车运行的影响，将非正常事件分为A类事件和B类事件，所述A类事件为导致列车限速行驶的非正常事件，所述B类事件为导致列车停车的非正常事件；
S3：建立第一延误时间预测模型，所述第一延误时间预测模型用于预测A类事件的列车延误时间；建立第二延误时间预测模型，所述第二延误时间预测模型用于预测B类事件的列车延误时间；
S4：对于铁路区间发生的非正常事件，使用第一延误时间预测模型和第二延误时间预测模型进行列车延误情况预测；
所述第一延误时间预测模型包括延误列车数量Q、列车总延误时间D和每一列延误列车的延误时间L，其中：
延误列车数量Q的计算公式为：
Q＝λT＝λ(T1+T2)
Figure FDA0003582719010000011
其中，λ表示非正常事件发生点的列车到达率，单位为列/分钟；T表示非正常事件影响总时间；T1表示非正常事件持续时间；T2表示行车恢复时间，即非正常事件消除后至行车恢复至运行图的时间；μ表示非正常事件消除后的列车离去率，单位为列/分钟；μ0表示非正常事件下的列车离去率，单位为列/分钟；
列车总延误时间D的计算公式为：
Figure FDA0003582719010000012
其中，D表示列车总延误时间；
列车在非正常事件持续期间的时刻t到达非正常事件发生点，每一列延误列车的延误时间L的计算公式为：
在非正常事件消除前离去的列车，每一列列车的延误时间为：
Figure FDA0003582719010000021
在非正常事件消除后离去的列车，每一列列车的延误时间为：
Figure FDA0003582719010000022
其中，L表示每一列延误列车的延误时间；
所述第二延误时间预测模型包括延误列车数量Q、列车总延误时间D和每一列延误列车的延误时间L，其中：
延误列车数量Q的计算公式为：
Q＝λT＝λ(T1+T2)
Figure FDA0003582719010000023
其中，λ表示非正常事件发生点的列车到达率，单位为列/分钟；T表示非正常事件影响总时间；T1表示非正常事件持续时间；T2表示行车恢复时间，即非正常事件消除后至行车恢复至运行图的时间；μ表示非正常事件消除后的列车离去率，单位为列/分钟；
列车总延误时间D的计算公式为：
Figure FDA0003582719010000024
其中，D表示列车总延误时间；
列车在非正常事件持续期间的时刻t到达非正常事件发生点，每一列延误列车的延误时间L的计算公式为：
Figure FDA0003582719010000025
其中，L表示每一列延误列车的延误时间。
2.根据权利要求1所述的一种铁路区间非正常事件下的列车延误时间预测方法，其特征在于，所述A类事件包括：行驶途中发生的牵引动力部分缺失故障、行驶途中发生的制动部分丢失故障，接触网跳闸后自动合闸成功的故障，部分线路故障，以及其他导致列车限速行驶的非正常事件。
3.根据权利要求1所述的一种铁路区间非正常事件下的列车延误时间预测方法，其特征在于，所述B类事件包括：受电弓故障、跳闸后人工合闸成功、ATP车载故障，导致列车无法运行的接触网故障、危及行车安全的部分线路故障、区段间轨道电路红光带，以及其他导致列车停车的非正常事件。
4.根据权利要求1所述的一种铁路区间非正常事件下的列车延误时间预测方法，其特征在于，所述非正常事件发生点的列车到达率λ是通过行车图定数据经线性回归确定的。
5.根据权利要求1所述的一种铁路区间非正常事件下的列车延误时间预测方法，其特征在于，所述非正常事件消除后的列车离去率μ是根据历史数据和线路技术数据确定的。
6.根据权利要求1所述的一种铁路区间非正常事件下的列车延误时间预测方法，其特征在于，所述非正常事件持续时间T1指自非正常事件发生至非正常事件消除的时间，或者指自非正常事件发生至第一列延误列车开始恢复运行的时间。
7.根据权利要求1所述的一种铁路区间非正常事件下的列车延误时间预测方法，其特征在于，所述非正常事件持续时间T1的取值为历史数据中同类非正常事件持续时间的平均值。
8.根据权利要求1所述的一种铁路区间非正常事件下的列车延误时间预测方法，其特征在于，所述非正常事件持续时间T1的取值为置信度为95％的同类非正常事件持续时间的区间范围。
CN202011488710.5A 2020-12-16 2020-12-16 一种铁路区间非正常事件下的列车延误时间预测方法 Active CN112580204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011488710.5A CN112580204B (zh) 2020-12-16 2020-12-16 一种铁路区间非正常事件下的列车延误时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011488710.5A CN112580204B (zh) 2020-12-16 2020-12-16 一种铁路区间非正常事件下的列车延误时间预测方法

Publications (2)

Publication Number Publication Date
CN112580204A CN112580204A (zh) 2021-03-30
CN112580204B true CN112580204B (zh) 2022-07-26

Family

ID=75135815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011488710.5A Active CN112580204B (zh) 2020-12-16 2020-12-16 一种铁路区间非正常事件下的列车延误时间预测方法

Country Status (1)

Country Link
CN (1) CN112580204B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7297821B2 (ja) * 2021-07-19 2023-06-26 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
CN115384586B (zh) * 2022-10-28 2023-03-24 中国铁道科学研究院集团有限公司通信信号研究所 一种铁路平行调度系统、方法及其应用

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110155126A (zh) * 2019-06-03 2019-08-23 北京交通大学 临时限速下的高铁列车调度与控制一体优化方法
CN110309962A (zh) * 2019-06-21 2019-10-08 清华大学 基于时间扩展模型的铁路行程路线规划方法及装置
CN110803204A (zh) * 2019-11-13 2020-02-18 东北大学 一种保持高速列车运行稳定性的在线控制系统及方法
CN110969295A (zh) * 2019-11-25 2020-04-07 北京交通大学 列车区段延误预测误差控制方法
CN112070355A (zh) * 2020-08-05 2020-12-11 北京交通大学 一种机场摆渡车的分配调度方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101669879B1 (ko) * 2014-12-30 2016-10-28 한국철도기술연구원 열차의 정차 위치를 제어하기 위한 장치 및 방법
CN106627677B (zh) * 2016-12-31 2018-09-04 中国铁道科学研究院电子计算技术研究所 铁路旅服系统的目标列车到站时间预测方法及装置
CN108550257B (zh) * 2018-03-23 2020-12-11 同济大学 一种交叉口多线路有轨车辆交汇的协调控制方法及系统
CN109359788B (zh) * 2018-12-06 2021-08-17 西南交通大学 一种高速列车初始晚点影响预测模型的建立方法
CN110334839B (zh) * 2019-04-15 2021-05-14 北京航空航天大学 航班延误预测方法、装置、设备及存储介质
CN111144631B (zh) * 2019-12-19 2023-07-25 南京航空航天大学 基于贝叶斯网络算法的航班延误实时概率预测方法
CN111626519A (zh) * 2020-06-01 2020-09-04 北京博能科技股份有限公司 一种航班到达时间预测方法、装置和电子设备
CN111932039A (zh) * 2020-09-29 2020-11-13 北京交通大学 一种列车到站晚点预测方法、装置、电子设备及存储介质
CN112070325B (zh) * 2020-11-12 2021-02-26 北京交通大学 非正常事件下路网列车优化方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110155126A (zh) * 2019-06-03 2019-08-23 北京交通大学 临时限速下的高铁列车调度与控制一体优化方法
CN110309962A (zh) * 2019-06-21 2019-10-08 清华大学 基于时间扩展模型的铁路行程路线规划方法及装置
CN110803204A (zh) * 2019-11-13 2020-02-18 东北大学 一种保持高速列车运行稳定性的在线控制系统及方法
CN110969295A (zh) * 2019-11-25 2020-04-07 北京交通大学 列车区段延误预测误差控制方法
CN112070355A (zh) * 2020-08-05 2020-12-11 北京交通大学 一种机场摆渡车的分配调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高速公路交通事件延误时间预测模型;丛浩哲;《2014第九届中国智能交通年会优秀论文集》;20141111;29-37 *

Also Published As

Publication number Publication date
CN112580204A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN112580204B (zh) 一种铁路区间非正常事件下的列车延误时间预测方法
WO2019184724A1 (zh) 一种基于实时客流的列车智能运行调整系统及方法
CN110203257B (zh) 一种轨道交通事件下列车运行调度方法和系统
CN106335524B (zh) 一种突发场景下城市轨道交通小交路运行调整方法
EP2923913B1 (en) Automatic train operation system
CN111016979A (zh) 基于实时客流的城市轨道交通列车自动调整方法
CN112793631B (zh) 一种列车退出正线运营条件下的地铁行车调整方法及系统
CN103857577A (zh) 列车控制系统
CN112061183A (zh) 列车运行调整方法及装置
CN112214873A (zh) 一种轨道交通故障下的客流分布仿真评估方法及系统
CN111762238A (zh) 一种列车间隔调整系统及其调整方法
WO2022205847A1 (zh) 一种车速控制方法、装置及相关设备
CN111090929A (zh) 一种重载铁路通过能力计算方法
CN112590888A (zh) 一种智能化扣车调整的方法
CN115320680B (zh) 因故障延误的扣车时间确定方法
CN111079986B (zh) 一种换乘车站运输能力的匹配方法及系统
JP3350229B2 (ja) 電鉄負荷予測装置
CN116443082B (zh) 相邻轨旁资源管理器间脱轨防护方法、装置、设备及介质
CN115158271A (zh) 一种制动铁路机车车辆的方法
CN114394136A (zh) 一种用于市域铁路c2+ato的列车控制方法
CN109795375B (zh) 一种列车再生制动控制方法及系统
CN117808184B (zh) 一种全生产要素驱动的城市轨道交通服务管理系统
CN116071910B (zh) 一种灵活公交调度方法及系统
CN114091981B (zh) 车辆调度方法和装置
JP7467241B2 (ja) 列車運転システム

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