CN112883640A - 数字孪生车站系统、基于该系统的作业调度方法及应用 - Google Patents
数字孪生车站系统、基于该系统的作业调度方法及应用 Download PDFInfo
- Publication number
- CN112883640A CN112883640A CN202110155061.5A CN202110155061A CN112883640A CN 112883640 A CN112883640 A CN 112883640A CN 202110155061 A CN202110155061 A CN 202110155061A CN 112883640 A CN112883640 A CN 112883640A
- Authority
- CN
- China
- Prior art keywords
- simulation
- station
- time
- data
- train
- 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 84
- 238000004088 simulation Methods 0.000 claims abstract description 200
- 230000003137 locomotive effect Effects 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 44
- 230000007246 mechanism Effects 0.000 claims description 31
- 238000013523 data management Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000008034 disappearance Effects 0.000 claims description 4
- 230000009545 invasion Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 13
- 230000009133 cooperative interaction Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006854 communication Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001603 reducing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开数字孪生车站系统、基于该系统的作业调度方法及应用。其中所述作业调度方法包括：将处理后的物理车站静态数据和动态数据输入训练完成的预测模型，获得作业预测参数；将所述作业预测参数输入数字孪生车站仿真模型，进行作业流程模拟，获得仿真作业指标；基于仿真作业指标做出调度决策。本发明构建了物理车站与虚拟车站协同交互的数字孪生车站系统，形成物理系统和数字系统之间的实时连接和动态反馈，可对车站作业进行高效准确的预测、模拟及决策调度。
Description
技术领域
本发明涉及数字孪生的技术领域。
背景技术
随着铁路旅客出行量的提高和全路旅客列车数量的持续增加，车站接发车及相关技术作业量不断增长并造成作业延误情况频发。如何对车站技术作业实时调度以疏解冲突，保障作业顺利完成，已成为铁路大型客运站亟待发展的技术。对该技术问题解决的思路之一是建立车站作业仿真系统，并基于仿真系统做出决策。
其中，在建立车站作业仿真系统方面，现有技术中常通过离散仿真实现，如在现有技术文献“基于离散事件系统的客运专线车站作业仿真系统研究”中，鲁工圆等提出了一种为客运专线车站的设计运营提供可靠的评估数据的铁路运输微观仿真系统，通过该仿真系统，可对客运专线车站作业过程进行模拟，对列车、进路、到发线和道岔的状态变化信息进行追踪等，为车站设备能力分析以及车站作业组织优化等提供参考数据及方案。
但该方案在构建车站作业仿真模型时，并未充分考虑实际作业过程中可能的干扰因素，忽略了包括自然条件、设备故障和人为因素在内的各种随机扰动对车站作业过程的影响，所以使得作业仿真结果与现场作业状况存在一定的偏差，仿真精度和调度决策的效果有待提升。同时，由于离散事件系统仿真的特性，需要车站作业过程中的一系列离散事件的驱动，以保证客运专线车站作业仿真系统的正常运作，鉴于车站作业的复杂性和各事件的触发机制可能存在的差异，仿真系统内离散事件的调用繁杂且效率不高，难以实现大型车站技术作业一体化仿真。该仿真系统也主要是对列车的始发终到作业进行模拟，对车站接发车和到发线使用等过程进行决策，而其他车站技术作业，如列车中转，本务机车出入段和调机取送等重要作业内容，无法直接在该仿真系统内未进行相关的作业模拟及决策。
或如，现有技术中有学者提出了一种基于多Agent的通信机制的单线铁路网络列车运行智能调度仿真模型，可对单线铁路网络中列车运行冲突疏解及死锁防护等问题进行智能决策的研究方法。该仿真模型利用多Agent通信机制和列车运行冲突疏解及死锁防护机制，能有效避免列车对运输资源占用的冲突和预防单线铁路网络中的死锁问题，保证列车运行秩序，并满足智能调度问题实时性的要求。
但该单线铁路网络列车运行智能调度仿真模型的实现，是以实际路网的列车时刻表为数据基础，需要提前在模型内输入作业信息，对现场已完成的单线路网中的列车运行状况进行仿真分析，考虑到仿真模型的模拟、决策及输入输出所需时间，其进行的仿真相比于实际作业过程具有明显的滞后性。同时，由于本仿真模型采用的多Agent通信机制，只是为满足仿真系统内的信息交流需求，而仿真系统与实际路网系统之间未建立信息交互，因此，其输出结果不能迅速反馈给铁路现场，现场产生的列车运行信息也不能实时输入仿真系统进行当前作业的模拟，实质上不能进行列车运行调度的实时仿真。此外，该仿真模型的仿真对象仅为列车Agent，对列车运行调度问题进行路网级别的仿真研究，而未涉及到具体的车站内作业仿真。同时，该模型无相关的预测机制或算法，不具备对未来一段时间内路网中列车运行状况的预测功能，不能提出具体的作业预测及决策方案，用于指导铁路的实际调度作业。
在建立车站作业仿真系统进行调度决策之外，另一种思路为建立优化问题，通过数学优化方法，如常用的整数规划模型和混合整数规划模型等获得调度方案。
但大部分数学优化方法为确定性方法，需要在给定的具体算例下进行的求解，对于随机性极强的实际作业状况来说，其输出方案的适应性较差，不能用于实时指导现场调度作业。同时，数学优化方法还存在求解效率不足的问题，随着待优化问题的规模不断扩大，整数规划模型、混合整数规划模型等诸多数学模型，都存在求解时间过长、解的可靠性降低的现象。因此传统数学优化方法，大多将列车到发作业和车站的调车作业当作独立对象进行研究，更关注对列车到发作业的调度问题，基本不涉及也不适用于复杂铁路系统的调度优化问题。
发明内容
本发明的目的在于提出一种可对实际铁路客运车站进行实时准确高效模拟、并对其作业过程进行准确高效预测和调度决策的数字孪生车站系统。
本发明的目的还在于提出一种可通过数字孪生车站系统对实际铁路客运车站作业进行快速高效准确调度的方法。
本发明的目的还在于提出上述数字孪生车站系统或调度方法的一些应用方法。
本发明的技术方案如下：
基于数字孪生车站系统的作业调度方法，其包括：
根据物理车站中作业单元的原始数据，获得结构化处理后的作业单元数据；
将所述结构化处理后的作业单元数据输入训练完成的预测模型，获得至少一个基础作业预测参数；
将所述基础作业预测参数输入数字孪生车站仿真模型，进行作业流程模拟，获得作业单元的全部仿真作业参数；
基于全部仿真作业参数做出调度决策并获得调度方案；
其中，所述结构化处理包括将所述作业单元原始数据与物理车站形成的结构网络进行的对应关联。
根据本发明的一些优选实施方式，所述基础作业预测参数为作业开始时刻。
根据本发明的一些优选实施方式，所述作业调度方法还包括对所述预测模型及所述仿真模型的校正，所述校正通过对所述预测模型的预测精度及所述仿真模型的仿真精度的精度检验实现，所述精度检验为均方根误差和平均绝对百分比误差检验。
根据本发明的一些优选实施方式，所述预测模型为随机森林模型。
根据本发明的一些优选实施方式，所述结构网络为由供作业单元停留的轨道作为网络节点、由两轨道间可用的路径作为弧构建得到的点弧式网络。
根据本发明的一些优选实施方式，所述结构化处理包括：
基于物理车站的设备信息数据构建所述点弧式网络；
基于物理车站的作业计划数据，将作业单元的计划作业时间与所述点弧式网络关联；
将物理车站的实时环境和实时作业数据与所述点弧式网络关联。
根据本发明的一些优选实施方式，所述作业单元包括列车、其他车辆、本务机车及调车机车中的一种或多种，所述设备信息包括物理车站的区间线路长度，车站轨道数量及长度，道岔、信号设备、牵引供电设备的布置；和/或所述作业计划包括物理车站的列车区间计划走行时间、计划到站时刻、计划出站时刻，各项作业时间标准；和/或所述实时环境数据包括作业的当前温度、风速、降雨或雪量，异物侵限或地震灾害发生与否及对应环境参数；和/或所述实时作业数据包括列车实际到达或出发时刻、接发作业耗时，调车作业开始或结束时刻，调机连挂或解挂作业用时，调机取送时间，本务机车入段或出段时刻，机车换挂作业用时，机车走行时长。
根据本发明的一些优选实施方式，所述数字孪生车站仿真模型基于多智能体仿真模型构建，其中不同智能体代表不同的作业单元；并通过时间触发机制及路径选择机制进行所述作业流程模拟，其中，所述时间触发机制包括：根据不同智能体在时间上的有序性依次触发所述仿真模型内智能体的产生和/或消失，所述路径选择机制包括：根据不同智能体的可用进路，通过最短路径法获得每个智能体的最优路径。
根据本发明的一些优选实施方式，所述时间触发机制包括以下过程：
在仿真模型数据库中导入所述基础作业预测参数，并对模型内的对应的智能体做参数标记；
完成参数标记后，运行所述仿真模型，当对应参数达到所述基础作业预测参数值时，由trainSource控件内生成该智能体，并激活对应的作业；
当仿真模型完成对对应作业的仿真模拟，由智能体通过进路选择机制搜索可用进路并确定所选进路，其后接收仿真模型发出的移动命令并转移至新的目标位置等待下一作业的时间触发；
当该智能体的全部作业完成后，其进入trainDispose控件，从仿真模型内消失。
根据本发明的一些优选实施方式，所述调度决策的过程包括：
S71根据预测模型和仿真模型或校正后的预测模型与仿真模型，对不同作业单元进行作业模拟，获得其所述全部仿真作业参数，判断不同作业单元在作业过程中是否存在冲突状况；
S72若不存在冲突状况，则将由获得的全部仿真作业参数和/或对其进行的可视化展示组成的作业方案作为最终的调度方案；
S73若存在冲突状况时，通过对不同作业单元的运行优先性进行排序，获得调整后的作业方案；
其中，所述运行优先性通过以下原则进行排序：
先到先服务原则，即根据模拟获得的各冲突作业单元在冲突节点的到达时刻的先后，安排先到达者先释放；
先离开先服务原则，即根据模拟获得的各冲突作业单元的作业完成所需时间，安排先完成者先释放；
优先级调度原则，即根据各冲突作业单元的作业重要度，安排重要度高者先释放。
根据本发明的一些具体实施方式，所述作业包括以下作业中的一种或多种：
(1)通过/中转/终到列车的进站作业；
(2)中转/终到列车至到发线，解下本务机车，本务机车入机务段作业；
(3)调机取车作业：从调车场至到发场连挂终到列车车底，并拉入调车场整备，之后摘下调机；
(4)调机送车作业：调机连挂调车线上始发列车车底，送至到发线，调机解下并返回调车场；
(5)本务机车出机务段作业，至到发线连挂始发/中转列车车底，等待出站；
(6)通过/中转/始发列车的出站作业。
根据本发明的一些优选实施方式，所述作业为列车的进出站(到发)作业、本务机车出入机务段作业，调机取送车底作业。其中，基础作业预测参数为列车到达某个车站的时刻，全部仿真作业参数包括列车在车站的进站时刻
和出站时刻
列车/本务机车/调机在车站内的可停留轨道、即其在所述点弧式网络中的各节点n(可具体包括如到发线，调车线，机待线，车站进、出站线，机务段出、入线等)的进入和离开时刻
列车/本务机车/调机选择的作业进路、即其在所述点弧式网络中的弧段r上的进入及离开时刻
优选的，所述基础作业预测参数的获得包括：
S51a确定列车到站时刻的影响因素
所述影响因素包括列车自前站出发的晚点时间tdelay、区间计划走行时间 trun、区间运行平均速度v，车站的区间线路长度L、轨道数Mtrack、故障设备数量Merror，列车运行区间的温度Etemp、风速Ewind和降雨量Erain；
S51b基于从物理车站获得的影响因素数据，通过训练完成的随机森林预测模型，获得预测的参数。
优选的，所述预测的参数的获得包括：
(1)将获得的影响因素的具体参数值输入至随机森林预测模型中，通过构建因素矩阵，建立样本数据
其中，Xi表示第i个到站列车，
表示对应列车的到站时刻，且Xi＝{xi,0,K xi,j,K xi,N}，其中，xi,j表示第i个到站列车的第j个影响因素。
(2)根据样本数据，训练列车到站时刻近似函数，训练随机森林回归器RF，其中，近似函数构建如式(1)所示：
其中，
表示列车a的预测到站时刻。
(3)训练得到有效的列车到站时刻近似函数后，输入待预测参数的影响因素数据即可进行参数预测，输出预测的列车到站时刻
本发明进一步公开了应用上述任一种调度方法的数字孪生车站系统，其包括数据管理层及作业模拟层，其中，所述数据管理层包括接收来自物理车站的相关数据的数据接口、对这些接收数据进行处理的数据管理系统，及接收来自所述作业模拟层的相关数据并将其反馈至车站调度指挥中心的数据反馈系统，所述作业模拟层包括接受经所述数据管理层处理后的数据及基于这些数据进行所述基础作业预测参数的预测、所述作业流程模拟，并获得所述调度方案的模拟系统及将所得调度方案反馈至物理车站的调度指挥中心的反馈系统。
本发明进一步公开了上述调度方法或孪生车站系统的一些应用方法，如将其应用于铁路客运站的作业调度中
本发明具备以下有益效果：
本发明构建了实际车站与虚拟车站协同交互的数字孪生车站系统，形成物理系统和数字系统之间的实时连接和动态反馈，基于数字孪生车站系统进行作业的高效准确的预测、模拟及决策调度。
在一些具体实施方式中，本发明通过虚拟车站内进行的结构化数据管理与动态交互，将现有零散孤岛的铁路数据有效连接以实现新的铁路知识发现。
在一些具体实施方式中，本发明通过数字孪生的信息交互与模型校正机制，实现了高精度的作业预测与模拟，可提供实时智能决策，输出具备高度可操作性的辅助决策方案，实现客运站技术作业实时调度。
在一些具体实施方式中，本发明综合考虑各种干扰因素进行车站作业的高精度预测，并根据预测输出的作业时间参数，对虚拟车站内列车、本务机车、调机等作业对象，实现客运车站作业的一体化模拟。
在一些具体实施方式中，本发明通过作业冲突判断及决策调整机制，在虚拟车站内，结合数字孪生调度策略对预测作业状况进行智能决策以疏解冲突，并迅速输出有效的调度结果反馈给现场，为车站实时调度工作提供参考。其决策机制相比传统的数学优化方法，具有更快的求解速度与动态适应性。
相比于数学优化方法与传统仿真方法，本发明在铁路作业调度问题的应用中，具有更强的实时性与决策效果，能适应对铁路客运车站各种作业场景下的延误冲突状况的调度需求，对实际调度工作的指导意义更加显著，有利于提高车站的作业效率及运营管理水平。
附图说明
图1为具体实施方式中的总体技术框架示意图。
图2为具体实施方式中的一种普速车站网络结构示意图。
图3为具体实施方式中的数字孪生车站仿真模型作业流程图。
图4为实施例1中的车站某日作业甘特图。
图5为具体实施方式中的数字孪生车站系统校正过程示意图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
根据本发明的技术方案，其中一种具体的实施方式基于如附图1所示的物理车站和作为其数字孪生车站系统的虚拟车站。
其中，物理车站包括信息系统层和车站作业层。
信息系统层可具体为车站信息管理系统，其可获取来自客运车站行车工作细则、列车调度指挥系统(TDCS)、铁路防灾安全监控系统、铁路客车管理信息系统(KMIS)等处的信息，作为主要信息源采集车站静态设备信息、车站作业计划、实时环境信息和实时作业信息等。
车站作业层可具体为车站调度指挥中心，其根据车站信息管理系统提供的数据，发出作业命令，指挥车站技术作业过程，当出现作业异常，如延误冲突事故时，及时反馈以对作业计划进行调整，并可将作业信息反馈至车站信息管理系统。
其中，虚拟车站，即本发明所述数字孪生车站，包括数据管理层和作业模拟层。
其中：
数据管理层包括接收来自物理车站的相关数据的数据接口、对这些接收数据进行处理的数据管理系统，及接收来自作业模拟层的相关数据并将其反馈至车站作业层如车站调度指挥中心的数据反馈系统。其中，数据接口与物理车站的信息系统层如具体与车站信息管理系统连接。数据管理层用于物理车站与虚拟车站之间的数据接收反馈，及对接收到的原始数据的二次加工。
作业模拟层，包括接受经数据管理层处理后的数据及基于这些数据进行作业参数预测、作业过程模拟、获得作业决策的模拟系统及将所得作业决策反馈至物理车站的车站作业层如车站调度指挥中心的反馈系统。
如，在实施例中，作业模拟层通过基于Windows 10操作系统、通过pycharm 编译器进行机器学习得到作业参数预测、通过Anylogic 8.3.2professional仿真软件进行作业过程模拟的个人计算机(i7-7700，16GB RAM)实现。
在上述框架下，通过以下过程对铁路客运站的作业进行实时调度：
S1物理车站的原始数据采集。
在具体实施中，原始数据可包括车站信息系统层内采集的各项信息。根据采集作业信息是否具有动态性，可具体包括静态数据和动态数据。
其中，静态数据主要为作业中涉及的固定的参数，如设备信息和车站作业计划等，其可通过车站行车工作细则、TDCS系统等进行采集。
动态数据主要为作业中涉及的变动的参数，如车站实时环境及实时作业数据等，可利用铁路防灾安全监控系统、TDCS系统，KMIS系统等实时获取得到。
优选的，采集包括下表所示的静态及动态数据：
表1数字孪生车站原始数据采集
S2将原始数据输入虚拟车站。
在具体实施中，静态数据具有稳定性，可提前采集并一次性输入虚拟车站的数据管理层，用于后续数字孪生车站仿真模型构建；动态数据易受车站现场条件影响而动态性强，可实时采集，并在虚拟车站运作过程中，通过其数据管理层的数据接口按固定周期输入虚拟车站，便于数字孪生车站仿真模型的实时校正与近期作业预测。
S3通过虚拟车站的数据管理系统进行原始数据的二次加工。
其可进一步包括对所述静态数据和动态数据的结构化管理。
在具体实施中，结构化管理过程可进一步包括：
S31基于静态数据中的各类设备及站场布置CAD图构建车站点弧式网络 G＝{N,R}；
更具体的，如附图2所示，可通过将用于作业单元a停留的轨道作为网络节点n，两节点间可用的路径、即各条作业进路r为弧构建车站网络G＝{N,R}。
其中，N表示节点集合、n∈N；R表示进路集合、r∈R；作业单元、即可移动或在节点上停留并执行作业的作业单元a包括列车、车辆、本务机车及调车机车，a∈A，A表示作业单元集合。
优选的，在一种具体实施中，如附图2所示，该点弧式网络中，节点包括到发线节点np1、np2、np3，调车线节点ns1、ns2、ns3，机待线节点nw1、nw2，一个方向的车站进、出站线节点no1,nd1，另一个方向的车站进、出站线节点no2,nd2，机务段节点 nj1。节点之间的弧段，即为各条作业进路，如(no1,np1)表示列车到达作业进路， (np2,nw1,np1,nj1)表示本务机车的折返入段作业进路，(ns2,nt1,np2,nt1,ns1)表示调机的取车作业进路。
S32基于静态数据中的作业计划，将列车的预定作业时间的参数与所述点弧式网络关联。
更具体的，其包括在网络的各节点上标记作业单元按计划在该节点上的预计停留时刻。如：通过输入并读取列车时刻表信息，在车站进站线节点no1(或no2)上标注不同车次列车a的计划到站时刻信息
在车站出站线节点nd1(或nd2)上标注不同车次列车a的计划出站时刻
S33将动态数据中的实时环境信息和实时作业信息与所述点弧式网络关联。
更具体的，其包括在网络的各节点上标记作业单元实际在该节点停留的实时环境数据和实时作业数据。如：标记进行列车到/发作业、调机作业、本务机车作业等的作业单元a在各节点n和进路r上的实际进入及离开时刻
和
其可在后续车站作业模拟中进行实时记录。
通过上述静态及动态作业数据的结构化管理，作业单元可与其计划时刻、作业轨道及进路的实时占用情况等建立明确的对应关系，便于后续数字孪生车站仿真模型对数据的读取与记录，提高了数据调用的效率。
S4基于加工后的数据构建数字孪生车站仿真模型。
更具体的，模型构建的基础数据可为前述静态数据，如某实际普速客运站站场CAD图、车站行车工作细则等。更具体地如：在仿真模型构建时，首先基于车站CAD图，确定各车场分布(到发场，调车场、机务段等)及轨道、道岔布置信息，构建虚拟车站环境；之后，通过查阅车站行车工作细则，确定客运站内各项技术作业内容、作业时间标准、线路使用方案等作业规范，搭建仿真实现逻辑，并设置仿真基本参数。
在具体实施中，数字孪生车站仿真模型可优选基于多智能体的仿真模型。如：在附图3所示的多智能体仿真模型中，列车、本务机车、调机机车作为作业单元，均可视为智能体，trainSource、trainDispose分别作为智能体的产生和消失控件， Couple和Decouple控件分别执行多智能体之间的转换，即连挂和摘解；仿真过程如：输入列车到站时刻至模型的数据库，信息驱动仿真模型内代表列车、本务机车和调车机车的不同智能体进行作业模拟；最终仿真输出模拟得到的具体作业时刻、设备占用信息及作业延误指标等。
S5基于所述仿真模型，进行车站作业模拟，获得作业参数。
在具体实施中，由于实时作业数据具有较强动态性与相互关联性，如列车到站时刻与前一车站发车及区间运行情况关系密切，若只通过被动记录获得此类参数，再将其输入仿真模型中进行作业模拟，会使模拟过程相比于实际过程出现较明显的滞后性，因此本发明优选通过基础作业参数预测及作业模拟实现完成所述作业模拟。
即，所述作业模拟可进一步包括：
S51基础作业参数预测。
其可进一步包括以下步骤：
S51a确定待预测参数的影响因素。
如，针对列车到发作业中的列车到站时刻这一参数的预测，基于对列车晚点预测等相关研究的分析归纳，可确定其影响因素包括列车运行、设备、环境三大方面，其中，列车运行因素优选包括列车a自前站出发的晚点时间tdelay，区间计划走行时间trun，区间运行平均速度v；设备因素优选包括区间线路长度L，车站轨道数Mtrack，故障设备数量Merror；环境因素优选包括列车运行区间的温度Etemp，风速Ewind，降雨量Erain。
S51b基于从物理车站的信息系统层获得并经数据管理层处理后的影响因素数据，通过训练完成的预测模型，获得预测的参数。
其中，预测模型优选为随机森林(Random Forest)模型，其融合了Bagging 算法和随机特征选取两类机器学习技术，集合了一组决策树的预测结果，可获得更好的分类和回归问题的预测结果。
如，针对上述列车到站时刻的影响因素，通过以下过程得到预测结果：
(1)将获得的影响因素的具体参数值输入至随机森林预测模型中，通过构建因素矩阵，建立样本数据
其中，Xi表示第i个到站列车，
表示对应列车的到站时刻，且Xi＝{xi,0,K xi,j,K xi,N}，其中，xi,j表示第i个到站列车的第j个影响因素。
(2)根据样本数据，训练列车到站时刻近似函数，训练随机森林回归器RF。
其中，近似函数构建如式(1)所示：
其中，
表示列车a的预测到站时刻。
(3)训练得到有效的列车到站时刻近似函数后，输入待预测参数的影响因素数据即可进行参数预测，输出预测的列车到站时刻
S52作业模拟实现。
其可进一步包括：将获得的预测参数输入构建完成的数字孪生车站仿真模型内，对作业流程进行模拟，获得全部作业参数及作业过程展示。
在一些具体的实施中，为提高模拟效率、准确性及有效性等，可通过如下的时间触发机制及进路选择机制在所述多智能体仿真模型中完成所述模拟。
其中，时间触发机制可保证车站繁杂作业的有序执行，其包括：
在仿真模型数据库中导入预测得到的作业参数，如预测得到的列车到站时刻，并对模型内的智能体做参数标记，如标记列车到站时刻为列车智能体进站作业开始时刻。
完成参数标记后，开始模拟，随仿真模型中仿真时钟的推移，当达到预测的参数值时，由trainSource控件内立即生成该智能体，并激活相关的作业；
当模型中相关作业完成后，智能体通过进路选择机制搜索可用进路并确定所选进路，其后接收移动命令并转移至目标节点等待下一作业的时间触发；
所有作业完成后，智能体进入trainDispose控件，从模型内消失以模拟出站。
如，对列车到发作业通过如下的时间触发机制进行模拟：
首先在仿真模型数据库中导入预测的列车到站时刻，标记其为列车智能体的进站作业开始时刻。开始模拟后，随仿真时钟推移，当达到预测的某列车a到站时刻
时，trainSource控件内立即生成该列车智能体，并激活进站作业；之后列车a通过进路选择机制搜索可用进路r；进路确定后，智能体接收移动命令，转至目标节点(轨道)以等待下一作业的时间触发；所有作业完成后，列车智能体进入trainDispose控件，从仿真模型内消失。
在列车智能体之外，其他智能体，如与列车智能体作业高度相关的本务机车智能体，可同样通过trainSource控件和trainDispose控件实现智能体的产生与消失，并通过监控仿真系统内对应列车的作业完成时刻，决策是否触发本务机车出 /入段作业。同样的，对于调车机车智能体，其取/送车底作业也是根据对应列车作业完成时刻来触发。
其中进路选择机制可保证不同作业单元根据作业内容选择不同的走行进路，彼此之间选择的进路不产生冲突，且作业单元在移动过程中不与其他作业单元的进路产生冲突，其包括：
根据车站网络内各节点及弧段的实时状态，判断是否可用于进路元素，这可通过监控仿真系统内的车站轨道状态确定；更具体的如，每次列车/本务机车/调机智能体的作业过程中，会占用点弧式网络中的具体的节点(即对应轨道)和弧段(即对应多条轨道组成的进路)，此时仿真系统内将被占用的轨道状态记录为“false”，即不可用状态，当轨道占用结束后(即判断轨道上无车辆信息)，该轨道状态实时更新为“true”，即可用状态，可继续被其他智能体占用。后续智能体需要搜寻进路元素时，首先排除标记“false”的轨道，避免选择的进路与当前某作业进路存在冲突，之后在“true”状态的轨道元素中，选择可用进路；
通过最短路径算法在可用进路中搜索最优路径，并将最优路径分配给该智能体，确定为该智能体的作业进路。
在完成全部作业模拟实现后，通过仿真模型输出作业单元的全部作业参数。如在完成列车进站作业的模拟实现后，通过仿真模型输出各列车智能体a在各作业节点及进路上的模拟进入与离开时刻
以及列车的到站时刻
和出站时刻
并可进一步输出作业过程展示，如选择路径的仿真甘特图。
S6根据实际的作业参数，对所述仿真模型进行校正。
在具体的实施中，若所述仿真模型通过前述基础作业参数预测过程获得的基础作业参数进行仿真模拟，则该步骤包括对其中所述预测模型，如随机森林模型及仿真模型的共同校正。
如，所述校正可进一步包括根据预测模型的预测精度进行的校正，及根据仿真模型的仿真精度进行的校正，其可如附图5所示，包括：
基于从物理车站获得的静态数据及动态数据，在初步设定的检验参数下，对由所述预测模型获得的基础预测参数进行精度检验；
若精度未达到预定标准，则首先对获得基础预测参数的过程进行检查，包括对原始数据处理和输入过程的人工核对、在机器学习过程中设置不同样本进行训练对比，以检查样本数据和预测算法有效性等手段。确定在上述过程中是否存在错误导致数据出现偏差；确定偏差原因后，对错误之处进行校正，将调整后的样本参数或预测模型，反馈给虚拟车站便于重新预测；
在精度达到预定标准，则将所得基础预测参数输入数字孪生车站仿真模型中，进行车站作业仿真，并将获得的全部作业参数与实际作业参数进行精度检验；
若精度达标，则校正完成；若未达标，则类似的，对获得全部作业参数的过程进行检查，包括仿真输入数据的核对，和作业仿真过程中对仿真模型逻辑的检查等，并进行针对性调整。其后将调整后的仿真参数或仿真模型反馈至虚拟车站，用于重新实现作业仿真。
其中，所述预测精度及仿真精度检验均优选通过均方根误差(Root Mean SquareError，RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error， MAPE)进行。
如，在根据对列车到发作业的模拟调整预测模型及仿真模型的精度时，其精度检验包括：
通过对各列车的预测到站时刻
和其在物理车站的实际到站时刻
进行预测精度检验，其中精度通过下式(2)、(3)获得：
其中，n表示预测样本数量，Atra表示列车集合，Atra∈A。
考虑到客运列车到发作业的重要性，选择通过作业模拟获得的列车在各到发线占用结束时刻，即列车出站时刻及列车实际出站时刻进行仿真精度减压，其中精度通过下式(4)(5)获得：
其中中，
表示列车单元a在各到发线节点n占用的实际结束时刻，由物理车站实时产生，
表示对应的节点占用的预测结束时刻，通过仿真模型输出。
S7基于校正后的仿真模型或预测模型与仿真模型，实现调度决策，输出调度方案并反馈至物理车站。
在具体实施中，调度决策的制定可进一步包括：
S71根据校正后的仿真模型或预测模型与仿真模型，对不同作业单元进行近期作业模拟，根据获得的全部作业参数和/或作业过程展示判断不同作业单元在作业过程中是否存在冲突状况。
其中，所述冲突状况主要指由仿真模型获得的多个作业单元在同一时间存在进路选择的冲突，为避免车辆移动过程中相撞，需要有作业单元做出等待，从而出现作业延误的状况。例如由于某列车出站进路与其他列车进站进路冲突导致该列车出现出站延误。
在具体实施中，对冲突状况的判断可进一步包括：
判断在仿真模型，如所述多智能体仿真模型中，不同作业单元a与a′的共用节点与可选进路是否同时存在重合，即当两者在空间上有交叉干扰时，其在时间上是否也重合，若存在重合，则认为出现冲突状况。
S72若不存在冲突状况，则将由获得的全部作业参数和/或作业过程展示组成的作业方案作为最终的调度方案，若存在冲突状况，则对作业方案进行调整以疏解冲突。
S73在存在冲突状况时，通过基于不同作业单元运行优先性排序的调度决策获得调整后的作业方案。
其中，运行优先性排序可进一步基于以下原则做出：
先到先服务(first-come-first-served，以下简称为FCFS)原则，即根据模拟获得的各冲突作业单元在冲突节点的到达时刻的先后，安排先到达者先释放；
先离开先服务(first-leave-first-served，简称为FLFS)原则，即根据模拟获得的各冲突作业单元的作业完成所需时间，安排先完成者先释放；
优先级调度(Priority-based-served，简称为PBS)原则，即根据各冲突作业单元的作业重要度，安排重要度高的作业单元先释放，其中作业重要度可进一步通过基于作业类型进行的等级划分确定。
根据上述排序做出的作业单元释放决策方案，对模型获得的基本作业方案进行适配性调整，并最终组成有效的调度方案反馈至所述车站作业层，由其调度指挥中心根据调度方案进行调度。
实施例1
根据具体实施方式中获得列车到发作业调度方案的过程，选择某客运站为实例对象，建立其数字孪生车站系统。以车站历史作业信息，如日计划及车站技术作业表等获得的数据为训练样本，对当日的列车到站时刻进行预测，并对模拟作业进行实时调度，调度结果包括车站内不同列车、本务机车和调机作业的前后顺序，作业时刻等，特别是冲突状况下的调整方案信息。
其中，所用数字孪生车站仿真模型为多智能体仿真模型。选取Anylogic 8.3 软件进行仿真实现。
其中，步骤S1采集的部分原始数据包括：
(1)部分轨道有效长度(通过查车站行车工作细则得到)
| 到发线编号 | 有效长(m) | 调车线编号 | 有效长(m) |
| 1 | 548 | 4 | 660 |
| 2 | 726 | 5 | 613 |
| 3 | 861 | 6 | 624 |
| 4 | 578 | 7 | 672 |
| 5 | 581 | 8 | 704 |
(2)部分列车计划到发时刻(通过查车站班计划得到)
| 车次 | 到站时刻 | 出站时刻 | 车次 | 到站时刻 | 出站时刻 |
| Z98 | 18:10 | 18:15 | K9093 | 3:44 | 4:09 |
| Z121 | 18:17 | 18:53 | K435 | 4:18 | 4:43 |
| K813 | 18:50 | 19:49 | T169 | 5:13 | 5:54 |
| K1159 | 20:19 | 21:02 | K9003 | 8:02 | 8:03 |
| K9078 | 22:15 | 22:41 | K9075 | 8:42 | 8:54 |
将这些原始数据经虚拟车站的数据管理层的数据接口输入虚拟车站后并进行二次加工，即对静态数据和动态作业数据的结构化管理后进行进行数字孪生作业预测及模拟，包括：
通过历史3个月TDCS数据获得所需影响因素中的列车运行和设备数据，通过网络爬虫天气网站在车站所在地区对应时间的数据获得所需影响因素中的环境数据，将其输入通过样本训练完成的随机森林预测模型中，对列车到站时刻
进行预测。
将预测参数
输入数字孪生车站仿真模型，模拟预测该车站一个日计划内 (当日18:00至第二天18：00)的作业情况。其中，首先驱动列车智能体的到站作业，之后按照列车类型(始发、终到、通过、中转)及各项技术作业时间标准，模拟列车与对应本务机车或调机智能体的作业。
仿真模型内各项作业流程如附图3所示：包括列车的到站与出站作业，本务机车的(摘解)入段与出段(连挂)作业，调车机车的取车(车底入库)与送车 (车底出库)作业。智能体仿真过程中，由时间触发机制决策作业是否执行，之后利用进路选择机制进行智能体的移动，最终实现列车、客车车辆、本务机车及调机作业一体化模拟。
本实例车站中存在上一阶段未出发的残存车，可采用预热机制提前将其放入虚拟车站以模拟实际工况。即在仿真启动时，设置一定的预热时间(本次仿真实例中设置为5分钟)，用于生成上一阶段的残存车，并停放在对应到发线或调车线上。预热时间结束后才开始执行本阶段的仿真作业。
通过上述仿真过程，输出各智能体a在各作业节点的模拟进入与离开时刻
及各进路上的模拟进入与离开时刻
并生成仿真甘特图，对各线路上的作业情况进行描述，如附图4所示，其中，从上往下依次表示到发线、调车线及机待线。通过与实际车站技术作业表对比，使用所述RMSE和 MAPE指标对到发作业拟合精度进行检验，计算可得RMSE为1.54min，MAPE 值仅为0.9％，说明数字孪生参数预测及模拟精度较高。
对预测出现的进路冲突延误状况，仿真模型内分别采用FCFS、FLFS和PBS 三种调度规则进行实时调整，以降低作业延误时间。
本次仿真实例中，出现不少因进路冲突导致的智能体延误状况。例如，K813 次列车按预测到站时刻19：47进站，在移动至到发线的过程中，与K9060次列车的出站进路(计划出站时刻19:50)和2号调机的取车进路(调机于19：51准备出发)，在车站左端咽喉区有进路冲突。K9060次列车和2号调机都需要等待 K813次列车排空进路后安排依次出发，故需要决策K9060次列车和2号调机的释放顺序。若按FCFS规则，则安排作业开始时刻更早的K9060次列车先出发；若按FLFS规则，则安排调机取车进路的完成时间更快的2号调机先出发；若按PBS规则，则安排出站作业优先级高于调机取车作业的K9060次列车先出发。
通过多次仿真实验，模拟三种决策规则下的车站作业过程。统计得，平均每次仿真实验时间约为15秒，证明该数字孪生车站仿真模型能迅速实现作业模拟及决策，具有较强的实时性。
同时，通过统计三种决策规则下仿真输出的列车出站延误总时间Ddep：
式中，
a∈Atra，
为仿真模拟的列车a出站时刻，
为实际车站中列车a的出站时刻，Atra为列车集合。
与现场调度的延误总时间Ddep进行对比，三种规则都有明显的降低延误效果，其中FLFS规则最多降低了7.9min的延误时长，证明本发明得到的最终调度方案具有较高的有效性。
以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.基于数字孪生车站系统的作业调度方法，其特征在于：包括：
根据物理车站中作业单元的原始数据，获得结构化处理后的作业单元数据；
将所述结构化处理后的作业单元数据输入训练完成的预测模型，获得至少一个基础作业预测参数；
将所述基础作业预测参数输入数字孪生车站仿真模型，进行作业流程模拟，获得作业单元的全部仿真作业参数；
基于全部仿真作业参数做出调度决策并获得调度方案；
其中，所述结构化处理包括将所述作业单元原始数据与物理车站形成的结构网络进行的对应关联；
优选的，所述基础作业预测参数为作业开始时刻。
2.根据权利要求1所述的作业调度方法，其特征在于：其还包括对所述预测模型及所述仿真模型的校正，所述校正通过对所述预测模型的预测精度及所述仿真模型的仿真精度的精度检验实现，所述精度检验为均方根误差和平均绝对百分比误差检验。
3.根据权利要求1所述的作业调度方法，其特征在于：所述预测模型为随机森林模型。
4.根据权利要求1所述的作业调度方法，其特征在于：所述结构网络为由供作业单元停留的轨道作为网络节点、由两轨道间可用的路径作为弧构建得到的点弧式网络。
5.根据权利要求1所述的作业调度方法，其特征在于：所述结构化处理包括：
基于物理车站的设备信息数据构建所述点弧式网络；
基于物理车站的作业计划数据，将作业单元的计划作业时间与所述点弧式网络关联；
将物理车站的实时环境和实时作业数据与所述点弧式网络关联。
6.根据权利要求5所述的作业调度方法，其特征在于：所述作业单元包括列车、其他车辆、本务机车及调车机车中的一种或多种，所述设备信息包括物理车站的区间线路长度，车站轨道数量及长度，道岔、信号设备、牵引供电设备的布置；和/或所述作业计划包括物理车站的列车区间计划走行时间、计划到站时刻、计划出站时刻，各项作业时间标准；和/或所述实时环境数据包括作业的当前温度、风速、降雨或雪量，异物侵限或地震灾害发生与否及对应环境参数；和/或所述实时作业数据包括列车实际到达或出发时刻、接发作业耗时，调车作业开始或结束时刻，调机连挂或解挂作业用时，调机取送时间，本务机车入段或出段时刻，机车换挂作业用时，机车走行时长。
7.根据权利要求1所述的作业调度方法，其特征在于：所述数字孪生车站仿真模型基于多智能体仿真模型构建，其中不同智能体代表不同的作业单元；并通过时间触发机制及路径选择机制进行所述作业流程模拟，其中，所述时间触发机制包括：根据不同智能体在时间上的有序性依次触发所述仿真模型内智能体的产生和/或消失，所述路径选择机制包括：根据不同智能体的可用进路，通过最短路径法获得每个智能体的最优路径；优选的，所述时间触发机制包括以下过程：
在仿真模型数据库中导入所述基础作业预测参数，并对模型内的对应的智能体做参数标记；
完成参数标记后，运行所述仿真模型，当对应参数达到所述基础作业预测参数值时，由trainSource控件内生成该智能体，并激活对应的作业；
当仿真模型完成对对应作业的仿真模拟，由智能体通过进路选择机制搜索可用进路并确定所选进路，其后接收仿真模型发出的移动命令并转移至新的目标位置等待下一作业的时间触发；
当该智能体的全部作业完成后，其进入trainDispose控件，从仿真模型内消失。
8.根据权利要求1-7中任一项所述的作业调度方法，其特征在于：所述调度决策的过程包括：
S71根据预测模型和仿真模型或校正后的预测模型与仿真模型，对不同作业单元进行作业模拟，获得其所述全部仿真作业参数，判断不同作业单元在作业过程中是否存在冲突状况；
S72若不存在冲突状况，则将由获得的全部仿真作业参数和/或对其进行的可视化展示组成的作业方案作为最终的调度方案；
S73若存在冲突状况时，通过对不同作业单元的运行优先性进行排序，获得调整后的作业方案；
其中，所述运行优先性通过以下原则进行排序：
先到先服务原则，即根据模拟获得的各冲突作业单元在冲突节点的到达时刻的先后，安排先到达者先释放；
先离开先服务原则，即根据模拟获得的各冲突作业单元的作业完成所需时间，安排先完成者先释放；
优先级调度原则，即根据各冲突作业单元的作业重要度，安排重要度高者先释放。
9.应用权利要求1-8中任一项所述的调度方法的数字孪生车站系统，其包括数据管理层及作业模拟层，其中，所述数据管理层包括接收来自物理车站的相关数据的数据接口、对这些接收数据进行处理的数据管理系统，及接收来自所述作业模拟层的相关数据并将其反馈至车站调度指挥中心的数据反馈系统，所述作业模拟层包括接受经所述数据管理层处理后的数据及基于这些数据进行所述基础作业预测参数的预测、所述作业流程模拟，并获得所述调度方案的模拟系统及将所得调度方案反馈至物理车站的调度指挥中心的反馈系统。
10.权利要求1-8中任一项所述的调度方法或权利要求9所述的系统在铁路客运站作业调度中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110155061.5A CN112883640B (zh) | 2021-02-04 | 2021-02-04 | 数字孪生车站系统、基于该系统的作业调度方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110155061.5A CN112883640B (zh) | 2021-02-04 | 2021-02-04 | 数字孪生车站系统、基于该系统的作业调度方法及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112883640A true CN112883640A (zh) | 2021-06-01 |
| CN112883640B CN112883640B (zh) | 2023-06-09 |
Family
ID=76057208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110155061.5A Active CN112883640B (zh) | 2021-02-04 | 2021-02-04 | 数字孪生车站系统、基于该系统的作业调度方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883640B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256176A (zh) * | 2021-07-06 | 2021-08-13 | 北京全路通信信号研究设计院集团有限公司 | 一种铁路机车运用状态转换的调度命令编制系统及其方法 |
| CN113721477A (zh) * | 2021-07-30 | 2021-11-30 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种铁路信号调度集中控制与采集异步仿真的方法 |
| CN113807579A (zh) * | 2021-09-02 | 2021-12-17 | 南京航空航天大学 | 一种基于机器学习的航班抵港延误时间预测方法 |
| CN113836754A (zh) * | 2021-11-26 | 2021-12-24 | 湖南高至科技有限公司 | 面向多智能体仿真建模的仿真方法、装置、设备和介质 |
| CN113844507A (zh) * | 2021-10-22 | 2021-12-28 | 暨南大学 | 一种基于数字孪生的列车模拟运行系统构建方法 |
| CN114512003A (zh) * | 2022-04-19 | 2022-05-17 | 北京交研智慧科技有限公司 | 一种交通控制方法、装置及控制设备 |
| CN114715234A (zh) * | 2022-03-08 | 2022-07-08 | 通号城市轨道交通技术有限公司 | 列车运行控制系统的数字孪生系统、装置和方法 |
| CN115027536A (zh) * | 2022-07-04 | 2022-09-09 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 基于车站数字孪生体的调度方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902954A (zh) * | 2019-02-27 | 2019-06-18 | 浙江工业大学 | 一种基于工业大数据的柔性作业车间动态调度方法 |
| WO2019162894A1 (en) * | 2018-02-23 | 2019-08-29 | Tata Consultancy Services Limited | Method and system for pre-emptive deviation detection for telecom process flow using digital twin |
| EP3584703A1 (en) * | 2018-06-20 | 2019-12-25 | Aptiv Technologies Limited | Over-the-air (ota) mobility services platform |
| CN110941238A (zh) * | 2019-12-18 | 2020-03-31 | 广东工业大学 | 一种基于机器学习的平面运动直线度误差补偿系统及方法 |
| WO2020139344A1 (en) * | 2018-12-27 | 2020-07-02 | Halliburton Energy Services, Inc. | Hydraulic fracturing operation planning using data-driven multi-variate statistical machine learning modeling |
| WO2020172865A1 (zh) * | 2019-02-28 | 2020-09-03 | 西门子（中国）有限公司 | 数字双胞胎建模仿真方法、装置和系统 |
| AU2020101782A4 (en) * | 2019-09-18 | 2020-09-17 | Beijing Jiaotong University | Method and system for identifying and eliminating railway transport capacity bottleneck |
| CN111680893A (zh) * | 2020-05-25 | 2020-09-18 | 北京科技大学 | 一种多自寻址机器人拣选系统的数字孪生系统及调度方法 |
| CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
| 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 |
| CN112258094A (zh) * | 2020-11-27 | 2021-01-22 | 西南交通大学 | 一种基于数字孪生的地铁列车性能评估系统构建方法 |
-
2021
- 2021-02-04 CN CN202110155061.5A patent/CN112883640B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019162894A1 (en) * | 2018-02-23 | 2019-08-29 | Tata Consultancy Services Limited | Method and system for pre-emptive deviation detection for telecom process flow using digital twin |
| EP3584703A1 (en) * | 2018-06-20 | 2019-12-25 | Aptiv Technologies Limited | Over-the-air (ota) mobility services platform |
| WO2020139344A1 (en) * | 2018-12-27 | 2020-07-02 | Halliburton Energy Services, Inc. | Hydraulic fracturing operation planning using data-driven multi-variate statistical machine learning modeling |
| CN109902954A (zh) * | 2019-02-27 | 2019-06-18 | 浙江工业大学 | 一种基于工业大数据的柔性作业车间动态调度方法 |
| WO2020172865A1 (zh) * | 2019-02-28 | 2020-09-03 | 西门子（中国）有限公司 | 数字双胞胎建模仿真方法、装置和系统 |
| AU2020101782A4 (en) * | 2019-09-18 | 2020-09-17 | Beijing Jiaotong University | Method and system for identifying and eliminating railway transport capacity bottleneck |
| CN110941238A (zh) * | 2019-12-18 | 2020-03-31 | 广东工业大学 | 一种基于机器学习的平面运动直线度误差补偿系统及方法 |
| CN111680893A (zh) * | 2020-05-25 | 2020-09-18 | 北京科技大学 | 一种多自寻址机器人拣选系统的数字孪生系统及调度方法 |
| CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
| 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 |
| CN112258094A (zh) * | 2020-11-27 | 2021-01-22 | 西南交通大学 | 一种基于数字孪生的地铁列车性能评估系统构建方法 |
Non-Patent Citations (14)
| Title |
|---|
| ADIL RASHEED 等: "Digital Twin：Values, Challenges and Enablers", 《HTTPS://ARXIV.ORG/PDF/1910.01719.PDF》 * |
| ADIL RASHEED 等: "Digital Twin：Values, Challenges and Enablers", 《HTTPS://ARXIV.ORG/PDF/1910.01719.PDF》, 3 October 2019 (2019-10-03), pages 8 * |
| BISHENG HE 等: "A microscopic agent-based simulation for real-time dispatching problem of a busy railway passenger station", 《2020 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE (ITSC)》 * |
| BISHENG HE 等: "A microscopic agent-based simulation for real-time dispatching problem of a busy railway passenger station", 《2020 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE (ITSC)》, 23 September 2020 (2020-09-23), pages 974 - 977 * |
| 冯仕清 等: "基于数字孪生的智能高速铁路车站大脑系统研究与设计", 《铁道运输与经济》 * |
| 冯仕清 等: "基于数字孪生的智能高速铁路车站大脑系统研究与设计", 《铁道运输与经济》, vol. 42, no. 13, 30 December 2020 (2020-12-30), pages 88 - 91 * |
| 江海凡;丁国富;张剑;: "数字孪生车间演化机理及运行机制", 中国机械工程, vol. 31, no. 07, pages 824 - 832 * |
| 王红微等: "基于数字孪生的航班保障预警系统", 《科学技术与工程》 * |
| 王红微等: "基于数字孪生的航班保障预警系统", 《科学技术与工程》, vol. 20, no. 24, 28 August 2020 (2020-08-28), pages 9954 - 9962 * |
| 袁志明;张琦;黄康;冯姗姗;: "基于随机森林的列车到站时间预测方法", 铁道运输与经济, vol. 38, no. 05, pages 60 - 63 * |
| 鲁工圆等: "基于离散事件系统的客运专线车站作业仿真系统研究", 《铁路计算机应用》 * |
| 鲁工圆等: "基于离散事件系统的客运专线车站作业仿真系统研究", 《铁路计算机应用》, vol. 18, no. 01, 24 January 2009 (2009-01-24), pages 5 - 8 * |
| 鲁工圆等: "高速铁路车站作业过程的TCPN仿真通用模型", 《系统仿真学报》 * |
| 鲁工圆等: "高速铁路车站作业过程的TCPN仿真通用模型", 《系统仿真学报》, vol. 25, no. 04, 8 April 2013 (2013-04-08), pages 831 - 838 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256176A (zh) * | 2021-07-06 | 2021-08-13 | 北京全路通信信号研究设计院集团有限公司 | 一种铁路机车运用状态转换的调度命令编制系统及其方法 |
| CN113721477A (zh) * | 2021-07-30 | 2021-11-30 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种铁路信号调度集中控制与采集异步仿真的方法 |
| CN113807579A (zh) * | 2021-09-02 | 2021-12-17 | 南京航空航天大学 | 一种基于机器学习的航班抵港延误时间预测方法 |
| CN113844507A (zh) * | 2021-10-22 | 2021-12-28 | 暨南大学 | 一种基于数字孪生的列车模拟运行系统构建方法 |
| CN113844507B (zh) * | 2021-10-22 | 2023-10-10 | 暨南大学 | 一种基于数字孪生的列车模拟运行系统构建方法 |
| CN113836754A (zh) * | 2021-11-26 | 2021-12-24 | 湖南高至科技有限公司 | 面向多智能体仿真建模的仿真方法、装置、设备和介质 |
| CN114715234A (zh) * | 2022-03-08 | 2022-07-08 | 通号城市轨道交通技术有限公司 | 列车运行控制系统的数字孪生系统、装置和方法 |
| CN114512003A (zh) * | 2022-04-19 | 2022-05-17 | 北京交研智慧科技有限公司 | 一种交通控制方法、装置及控制设备 |
| CN114512003B (zh) * | 2022-04-19 | 2022-06-24 | 北京交研智慧科技有限公司 | 一种交通控制方法、装置及控制设备 |
| CN115027536A (zh) * | 2022-07-04 | 2022-09-09 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 基于车站数字孪生体的调度方法及装置 |
| CN115027536B (zh) * | 2022-07-04 | 2024-04-02 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 基于车站数字孪生体的调度方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112883640B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112883640B (zh) | 数字孪生车站系统、基于该系统的作业调度方法及应用 | |
| Aripov et al. | Simulation modeling of train traffic based on GIS technologies | |
| TWI678306B (zh) | 時刻表作成裝置及自動列車控制系統 | |
| US20140088865A1 (en) | Apparatus and method for predicting arrival times in a transportation network | |
| Dong et al. | Integrated optimization of train stop planning and timetabling for commuter railways with an extended adaptive large neighborhood search metaheuristic approach | |
| US5794172A (en) | Scheduling system and method | |
| CN111353645B (zh) | 一种城市轨道交通车辆基地行车计划自动办理方法及系统 | |
| EP1573578B1 (en) | Dynamic optimizing traffic planning method and system | |
| Chowdhury et al. | Intermodal transit system coordination | |
| CN106553664A (zh) | 利用stp和ctc结合实现调车进路控制的方法与装置 | |
| Giacco et al. | Short-term rail rolling stock rostering and maintenance scheduling | |
| Corman et al. | Dispatching trains during seriously disrupted traffic situations | |
| JP6000070B2 (ja) | 運転整理装置および方法 | |
| Lüthi | Improving the efficiency of heavily used railway networks through integrated real-time rescheduling | |
| CN111915221A (zh) | 一种适用于高速铁路的能力分析方法 | |
| CN107392531A (zh) | 一种城市轨道交通车辆基地检修物流仿真系统及方法 | |
| Bhaskar et al. | An investigation of timed transfer coordination using event-based multi agent simulation | |
| Xu et al. | Train shunting with service scheduling in a high-speed railway depot | |
| Zhu et al. | Collaborative optimization of rescue operation and timetable rescheduling under metro train failure | |
| Bouamrane et al. | Decision making system for regulation of a bimodal urban transportation network, associating a classical and a multi-agent approaches | |
| Wang et al. | Optimizing the loaded train combination problem at a heavy-haul marshalling station | |
| RU2737817C1 (ru) | Система для гибридного управления работой сортировочных станций с функцией поддержки принятия решений о порядке роспуска составов | |
| Stolk | Automatic conflict detection and advanced decision support for optimal usage of railway infrastructure Purpose and concepts | |
| JPS59202504A (ja) | 制御方式 | |
| RU2738778C1 (ru) | Система для управления работой направления железнодорожной сети на основе виртуальной сортировки вагонов |
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 |