CN115384586B - 一种铁路平行调度系统、方法及其应用 - Google Patents
一种铁路平行调度系统、方法及其应用 Download PDFInfo
- Publication number
- CN115384586B CN115384586B CN202211330618.5A CN202211330618A CN115384586B CN 115384586 B CN115384586 B CN 115384586B CN 202211330618 A CN202211330618 A CN 202211330618A CN 115384586 B CN115384586 B CN 115384586B
- Authority
- CN
- China
- Prior art keywords
- scheduling system
- scheduling
- train
- actual
- simulation
- 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 42
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000002474 experimental method Methods 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 57
- 230000008859 change Effects 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 230000000903 blocking effect Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 241000135164 Timea Species 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 238000012958 reprocessing Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000002269 spontaneous effect Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013329 compounding Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/10—Operations, e.g. scheduling or time tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/40—Handling position reports or trackside vehicle data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/60—Testing or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
一种铁路平行调度系统、方法及其应用，包括实际调度系统以及以实际调度系统的为目标，构造涵盖其环境和功能的人工调度系统，二者之间通过数据、信息、计算实验结果的交互来实现对异常运营情况的预警和实际调度交互决策的优化，并根据实际调度效果来进一步修正实际和人工调度系统。通过本发明可有效提高突发事件下调度策略生成优化的时效性和有效性，有效服务于铁路调度系统运行状态的实时监控、突发事件的及早发现与高效处理等，有效降低列车延误的几率，提高运营线路的通过能力，保障运输指挥的运营秩序，优化运营计划和可用资源调度，提升高铁行车指挥系统自动化、智能化程度。
Description
技术领域
本发明涉及一种铁路平行调度系统、方法及其应用，属于铁路交通技术领域。
背景技术
随着科学技术进步和铁路发展，调度指挥系统目前已成为由路网系统和信息系统复合而成的复杂巨系统，涉及到调度人员、运营环境、运输策略以及规章制度等因素间的深度耦合，且调度系统内部组成要素间相互关联和作用方式错综复杂，呈现动态性、开放性和交互性等特征。传统基于控制理论和运筹学的调度指挥理论方法并未考虑现场实时动态演变的运营环境和列车运行时空信息，面临庞杂耦合的复杂业务和决策场景无法实时还原分析，难以有效应对线路随机发生的突发事件，铁路应急处置效率和运营效率较低，铁路工作人员的劳动强度较大,亟待展开新型铁路调度理论方法研究。
近年来随着平行系统理论、人工智能和大数据技术的快速发展，一个明显的趋势是物理世界和数字虚拟世界深度耦合、虚实交融，形成两大体系平行发展、相互协调，为解决铁路调度系统的量化分析和优化控制问题提供了新的途径，即构建虚实结合的平行调度系统，通过虚拟人工调度系统和实际调度系统的平行运行和虚实互动，实现对重要的铁路运营工作流程和业务场景的还原分析，进一步提升调度决策的可行性和合理性。
发明内容
为了解决现有技术中的不足，本发明公开一种铁路平行调度方法及其系统，其技术方案如下：
一种铁路平行调度系统，包括实际调度系统以及以实际调度系统为目标，构造涵盖其环境和功能的人工调度系统，二者之间通过数据、信息、计算实验结果的交互来实现对异常运营情况的预警和实际调度交互决策的优化，并根据实际调度效果来进一步修正实际调度系统和人工调度系统，其特征为：
所述人工调度系统与实际调度系统的交互决策的方法如下：
P1. 人工调度系统和实际调度系统共享调度目标和在线的实际运营状态；
P2. 人工调度系统预测到异常运行态势后，发送预警信息至实际调度系统；
P3. 实际调度系统根据人工调度系统的预警信息或其他原因启动调度策略计算时，同步通知人工调度系统；
P4. 将实际调度系统和人工调度系统生成的调度策略均同步至人工调度系统计算实验部分进行策略验证评估；
P5. 选择人工调度系统最优策略，并将人工调度系统最优策略的评价结果和实际调度系统的评价结果反馈回实际调度系统；
P6. 调度人员或实际调度系统根据算法选择最优策略，并将选择结果反馈回人工系统，更新人工系统状态。
优选为：所述人工调度系统通过运营环境子系统、运营仿真子系统和调度子系统实现对实际运营环境的真实性仿真，以及对实际调度系统功能的完备性镜像；所述实际调度系统和人工调度系统共享调度目标和实际的列车运营状态，并通过可扩展性的协议进行交互，来实现系统内部状态和调度决策的同步，并根据相应的调度效果，对内部的决策机制进行修正。
优选为：所述运营环境子系统的构建包含宏观路网拓扑结构，中观线路拓扑结构和微观车站拓扑结构以及信号设备、列车、运营计划的静态支撑环境，并复合运营规章和运输约束，复合后构成整体的运营环境子系统。
优选为：所述运营环境子系统具体构造方法如下：
P1.基于联锁系统和列控系统的信号设备单元划分标准，将各类信号设备定义为最小单元结构，包括：信号机单元、道岔单元、到发线单元、无岔区段单元、闭塞分区单元、告警灯单元、按钮单元；
P2. 根据各类信号设备的平面图形特征，定义其外部连接端点，如对于到发线，其存在两个连接端点，分别位于到发线的两端；道岔存在3个连接端点，分别为前位、定位和反位；信号机则为两个，前部和后部；
P3. 根据车站平面图中各信号设备的连接关系，采用端点连接的方式，构造系统内各信号单元之间的连接关系，形成一张包含信号设备细节的车站图，其中信号机、道岔、到发线和无岔区段按联锁关系组合成进路，并构造进路之间的连接关系，用于表征动态环境下，列车在车站内的占用、出清关系和走行路径；
P4. 根据线路中车站之间的接续关系，将各车站边界信号设备的端点进行连接，构造包含车站细节的线路图；
P5. 根据路网中线路之间的接续关系，将各线路分界车站边界信号设备的端点进行连接，构造包含线路细节的路网图；
P6. 根据运营计划，计算出特定列车在路网内详细的走行路径，进而实现列车、运营计划以及信号单元的相互关联；
P7. 外部环境对列车运营的具体影响均可规约为各类限速以及接触网停送电的变化，影响的范围可用信号单元的集合来表征，故将外部环境关联至信号单元；
P8. 将运营规章存储格式标准化，并与静态支撑环境相关联，构成整体的运营环境子系统。
优选为：其特征为：所述运营仿真子系统是在环境子系统的基础上，基于运营规则控制各类运营数据的生成与变化，进而实现对运营状态和场景的仿真以及相应场景和策略下的计算实验，主要实现对实际运营状态的复现、包括运营场景的动态仿真和列车群的仿真、以及计算实验。
优选为：所述运营仿真子系统具体构造方法如下：
（1）运营状态复现：根据实际的运营数据，按时序更新运营环境子系统的内部状态，实现对运营环境的复现；
（2）运营场景仿真：在信号和运输规则的约束下，①对历史数据再加工，实现特定场景的仿真；②利用人机交互的方式，构造特定运营场景，并实现仿真；
（3）列车群仿真：在运营场景构造完成的计划上，引入列车群仿真，并根据信号和运输约束，以及列车运行规则，实现运行环境与列车运行状态的同步更新；
（4）计算实验：计算实验包括对运行态势的预测和在特定运营场景下对调度决策的快速验证。
优选为：所述运行态势的预测方法包括如下步骤：
P1. 根据环境子系统构造的数据结构格式，将历史数据和在线数据规范化和时序化；
P2. 基于历史数据，复现运营场景，并对场景进行回溯性分析，计算列车初始晚点发生的位置和时刻，作为运行态势的拐点；计算的方法采用时间累积的方式和事件触发的方式；其中，时间累积的方式采用列车到发时间与计划时间的比对，若晚点发生则视为触发列车态势变化的拐点；事件触发的方式采用对临时限速、区间封锁、股道封锁、停送电信息的捕获，当列车进入以上区域时，视为触发列车态势变化的拐点；
P3. 根据临时限速、区间封锁、股道封锁、停送电以及自发性晚点几个方面，确定列车运行态势拐点产生的原因，并计算相应的概率，进行概率分布拟合；
P4. 将拐点数据输入构造的卷积神经网络，首先实现对神经网络的离线训练；
P5. 将在线数据规范化后，进行拐点识别，并将识别结果输入训练好的卷积神经网络，进行运行态势预测；
P6. 根据预测的态势，计算下一站的列车到发时刻，若超过设定的阈值则报警；
优选为：所述调度决策的快速验证方法包括如下步骤：
P1. 基于在线数据和历史数据，完整复现当前的运营环境和列车群的运行状态；
P2. 在复现运营场景的基础上，将调度策略和面临的运行干扰注入至运营状态仿真部分和运行态势预测部分；
P3. 运行态势预测部分在时序化的基础上，采用滚动预测的方式，每次预测
时段内的状态变化，/>
是一个可变值，其计算方法如下：
a. 以当前的时间
作为时间基准；
b. 将各列车当前的位置与当前的调度策略相结合，计算各列车状态改变的时刻
；
c.
；
P4. 将
时段运行态势的预测结果输入至运营状态仿真部分，运营仿真部分基于预测结果，更新/>
时段运营场景和列车群状态，并将仿真结果作为运行态势预测部分的输入，即作为下一次预测的初始状态信息；
P5. 以
为可变步长，运行态势预测和运营状态仿真实现滚动交互输出，直至完成对调度策略的验证；
P6. 在上述步骤P4-P5过程中，采用改变运营环境状态的方式，实现运营环境的突变，以及进一步的部分环境的失效，验证当前调度策略的调度效果；
P7. 以日班计划为基准，对仿真完成后的列车群运行状态进行评估，实现对调度策略的整体评价；
P8. 输入评价结果。
本发明还公开 一种铁路平行调度方法，其特征为：通过上述的铁路平行调度系统执行所述方法。
本发明还公开一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行上述的方法。
本发明还公开一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行上述的方法。
有益效果
通过本发明，可有效提高突发事件下调度策略生成优化的时效性和有效性，有效服务于铁路调度系统运行状态的实时监控、突发事件的及早发现与高效处理等，有效降低列车延误的几率，提高运营线路的通过能力，保障运输指挥的运营秩序，优化运营计划和可用资源调度，提升高铁行车指挥系统自动化、智能化程度。
附图说明
图1为本发明铁路平行调度系统结构示意图；
图2为本发明人工调度系统中的运营环境子系统结构示意图；
图3为本发明运营仿真子系统中运营态势预测结构示意图；
图4为本发明运营仿真子系统中调度决策验证结构示意图。
具体实施方式
本发明公开一种铁路平行调度系统主要由实际调度系统（物理系统）和人工系统（虚拟系统）组成，通过计算实验来分析各种因素对铁路调度系统的影响，并通过虚拟人工调度系统和实际调度系统的平行运行和虚实互动，来进一步实现对实际系统的控制，实现动态运营环境下的运行态势预测、异常态势预警和调度策略生成、分析和优化，能有效提升铁路调度的应急处置能力。
本发明以实际调度系统的为目标，构造涵盖其环境和功能的人工调度系统，二者之间通过数据、信息以及计算实验结果的交互来实现对异常运营情况的预警和实际调度决策的优化，并根据实际的调度效果来进一步修正实际和人工调度系统，平行调度系统结构如图1所示。其中人工调度系统作为平行调度系统的关键组成部分，由运营环境子系统、运营仿真子系统和调度子系统组成，来实现对实际运营环境的真实性仿真，以及对实际调度系统功能的完备性镜像。实际调度系统和人工调度系统共享调度目标和实际的列车运营状态，并通过可扩展性的协议进行交互，来实现系统内部状态和调度决策的同步，并根据相应的调度效果，对内部的决策机制进行修正。
运营环境子系统
对于人工调度系统，首先构建调度系统的运营环境子系统，构建包含宏观路网拓扑结构，中观线路拓扑结构和微观车站拓扑结构以及信号设备、列车、运营计划等的静态支撑环境，并复合运营规章和运输约束，复合后构成整体的运营环境子系统。具体构造方法如下：
P1.基于联锁系统和列控系统的信号设备单元划分标准，将各类信号设备定义为最小单元结构，包括：信号机单元、道岔单元、到发线单元、无岔区段单元、闭塞分区单元、告警灯单元、按钮单元等；
P2. 根据各类信号设备的平面图形特征，定义其外部连接端点，如对于线性元素（到发线、闭塞分区、无岔区段），其存在两个连接端点，分别位于其两端；道岔存在3个连接端点，分别为前位、定位和反位；信号机则为两个，前部和后部；
P3. 根据车站平面图中各信号设备的连接关系，采用各信号单元端点连接的方式（如道岔的定位节点连接到发线的前端节点），构造系统内各信号单元之间的连接关系，形成一张包含信号设备细节的车站图，其中信号机、道岔、到发线和无岔区段可按联锁关系组合成进路，并构造进路之间的连接关系，用于表征动态环境下，列车在车站内的占用、出清关系和走行路径；
P4. 根据线路中车站之间的接续关系，将各车站边界信号设备的端点进行连接，构造包含车站细节的线路图；
P5. 根据路网中线路之间的接续关系，将各线路分界车站边界信号设备的端点进行连接，构造包含线路细节的路网图；
P6. 根据运营计划，可计算出特定列车在路网内详细的走行路径（信号单元的集合），进而实现列车、运营计划以及信号单元的相互关联，具体方法如下：
a. 从运营计划中提取列车的运行方向、列车的当前所在车站到发线、列车在途径站的目标到发线信息，结合当前站和途经站的进路表，可唯一确定列车从当前车站到发线至终到车站到发线的走行路径，构建路径集合RT，即
其中，
表示构成第i个车站至第i+1车站运行路径的信号单元；
b.将路径集内的元素与列车进行相互关联，建立列车与信号单元的关联关系，并构造四元组
表示，即
其中，
表示在区间(i, i+1)之间的运行列车；/>
和/>
分别表示列车计划和实际到达车站/>
的时刻；
P7. 外部环境对列车运营的具体影响均可规约为各类限速以及接触网停送电的变化，影响的范围可用信号单元的集合来表征，故将外部环境关联至信号单元，构造五元组
表示，即
其中, 
为外部环境对列车运营的第j种影响事件类型（限速、停送电）；
为该影响类型的具体信息（若/>
为限速，则为限速值；若/>
为停送电，则
为供电臂编号）；/>
和/>
分别表示为影响事件的开始时间和结束时间。通过上述方式实现信号单元与外部环境影响的关联；
P8. 抽取运营规章（调规、站细）中的约束并规格化，并与信号单元相关联，构造三元组
，即
其中，
为与列车/>
或信号单元/>
相关的调规或站细约束。
通过构造以上的各类关联关系，实现运营环境变化的联动，构成整体的运营环境子系统。
运营仿真子系统
运营仿真子系统在环境子系统的基础上，基于运营规则控制各类运营数据的生成与变化，进而实现对运营状态和场景的仿真以及相应场景和策略下的计算实验，主要实现对实际运营状态的复现、运营过程的仿真（包括运营场景的动态仿真和列车群的仿真）、以及计算实验。具体构造方法如下：
（1）运营状态复现：根据实际的运营数据（在线数据或离线数据）
，按时序更新运营环境子系统的内部状态，实现对运营环境的复现；
① 根据列车在车站和区间的活动类型，结合列车在车站之间的走行路径，建立列车运行时空矩阵状态集，即
其中，列车
，车站/>
。/>
表示在当前时刻/>
时的列车运行时空矩阵；/>
和/>
分别表示列车/>
在车站/>
的实际到站时刻和实际发车时刻。
② 考虑影响事件类型和运营规则对列车运行的影响，建立与列车运行时空矩阵相关的调度动作集，即
其中，
表示在当前时刻/>
时的调度动作集，具体包括调整列车在车站的发车次序和接发车时刻、修改动车组运用计划、组织列车在车站平行作业等；
分别表示在当前时刻/>
时不同类型的调度动作。
根据路网拓扑特征，以及信号设备、列车、运营计划的静态支撑环境，构建实际运营环境中离线数据和在线数据的时间序列数据集
。根据列车运行走行路径、影响事件类型与运营规章之间的约束，构建最终的运营环境/>
，即
（2）运营场景仿真：在信号和运输规则的约束下，
① 对历史数据再加工，实现特定场景的仿真；
针对运营环境
中的离线历史数据和在线反馈数据，进行聚类、解耦、归一化和标准化等处理，采用离散事件系统、蒙特卡罗模拟、图论、模糊Petri网和复杂网络等理论方法，构建区域封锁、区域临时限速、运行折返、列车晚点等调度运营特定场景的仿真环境。
② 利用人机交互的方式，构造特定运营场景，并实现仿真；
收集调度集中系统中的站场监控信息、防灾报警信息、RBC监控信息等，采集列车车载计算机的司机人机交互界面信息，集合上述信息至运营环境
中。采用增强现实、三维实景、社会计算、知识驱动等人机交互方式，挖掘调度运营特定场景下的列车运行时空特征。
（3）列车群仿真：根据特定场景下的列车运行时空特征，在运营场景构造完成的计划上，引入列车群仿真（目前列车群仿真存在多种模型和算法，本方法并不限定特定的模型和算法），并根据信号和运输约束，以及列车运行规则，实现运行环境与列车运行状态的同步更新；
（4）计算实验：计算实验包括对运营场景趋势的预测和在特定运营场景下对调度决策的快速验证。①运行态势的预测方法如下：
P1. 根据环境子系统构造的数据结构格式，将历史数据和在线数据规范化和时序化，再对规范化后的列车运行时空数据进行归一化，即：
其中，
表示在运营环境/>
下的列车运行时空数据；/>
和/>
分别表示数据中的最大值和最小值：
P2.基于列车运行时空数据，复现运营场景，并对场景进行回溯性分析，计算列车初始晚点发生的位置和时刻，作为运行态势的拐点。计算的方法采用时间累积的方式和事件触发的方式；其中，时间累积的方式采用列车到发时间与计划时间的比对，若晚点发生则视为触发列车态势变化的拐点，即
其中，
表示列车/>
在车站/>
的拐点；若列车实际到发时间晚于计划时间，则列车发生晚点，/>
表示触发列车态势变化的拐点；否则，/>
，列车不产生晚点。
事件触发的方式采用对临时限速、区间封锁、股道封锁、停送电等信息的捕获，当列车进入以上区域时，视为触发列车态势变化的拐点，
；
P3.根据临时限速、区间封锁、股道封锁、停送电以及自发性晚点几个方面，确定列车运行态势拐点产生的原因，并计算相应的概率，进行概率分布拟合；
P4. 将拐点数据输入构造的卷积神经网络，首先实现对神经网络的离线训练；
P5. 将在线数据规范化后，进行观点识别，并将识别结果输入训练好的卷积神经网络，进行运行态势预测；
P6. 根据预测的态势，计算下一站的列车到发时刻，若超过设定的阈值则报警。到站预测时间的计算方法如下：
其中，
表示列车/>
在车站/>
前一位置点/>
的通过时刻，
表示列车在区段/>
的实际运行时间。
② 调度决策的验证方法如下：
P1. 基于在线数据和历史数据，完整复现当前的运营环境和列车群的运行状态；
P2. 在复现运营场景的基础上，将调度策略和面临的运行干扰注入至运营状态仿真部分和运行态势预测部分；
P3. 运行态势预测部分在时序化的基础上，采用滚动预测的方式，每次预测
时段内的状态变化，/>
是一个可变值，其计算方法如下：
a.以当前的时间
作为时间基准；
b.将各列车当前的位置与当前的调度策略（计划）相结合，计算各列车状态（到达、出发、通过）改变的时刻
；/>
c.
；
P4. 将
时段运行态势的预测结果输入至运营状态仿真部分，运营仿真部分基于预测结果，更新/>
时段运营场景和列车群状态，并将仿真结果作为运行态势预测部分的输入，即作为下一次预测的初始状态信息；
P5. 以
为可变步长，运行态势预测和运营状态仿真实现滚动交互输出，直至完成对调度策略的验证；
P6. 在步骤P4-P5过程中，采用改变运营环境状态的方式，来（如设置临时限速、延长停站时间等），实现运营环境的突变，以及进一步的部分环境的失效，验证当前调度策略的调度效果；
P7. 以日班计划为基准，对仿真完成后的列车群运行状态进行评估，实现对调度策略的整体评价；
P8. 输入评价结果；
调度子系统
人工调度子系统涵盖实际调度系统的全部功能，但物理和逻辑结构上不必完全一致，只需保证功能的完备性。在本方案中，将调度子系统分为调度业务模型部分和调度策略模型两部分。调度业务部分只需采用标准的业务建模方法，实现对调度业务的完备复刻；调度策略部分，采用策略池的方式，将目前主流的调度调整方法和求解算法（如线性规划、强化学习、启发式算法等）集成进来。在面对调度目标时，采用多种调整方法和算法，求解出调度策略集，并将策略集输入至运营仿真子系统，对调度策略进行验证评估，选出较优策略；
人工调度系统与实际调度系统的交互决策方法如下：
P1. 人工调度系统和实际调度系统共享调度目标和在线实际运营状态。调度目标包括列车总晚点时间、晚点列车数量、应急处置恢复能力、旅客滞留时间等，实际运营状态包括列车运行状态（加速度、速度、通过时刻等）、车站信联闭设备状态、应急处置状态和调度系统状态等；
P2. 人工调度系统实时监控动态演变的车、机、工、电、辆等现场信息，当系统预测到线路突发的异常运行态势后，发送预警信息至实际调度系统；
P3. 实际调度系统收集人工调度系统的预警信息、现场信息、调度目标和实际运营状态等，基于强化学习、深度学习、进化计算等方法计算最优调度策略（包括列车运行调整方案和列车驾驶策略），并转发同步至人工调度系统；
P4. 将实际调度系统和人工调度系统生成的调度策略均同步至人工调度系统，面向共享的调度目标和海量多维的离线历史数据和在线反馈数据，提取调度系统态势的特征参数。计算实验部分，基于层析法、专家评估法、加权平均法等构造各调度目标的权重系数，对调度策略执行前后进行综合验证评估；
P5. 基于场景驱动的平行调度策略阶段性评价方法，考虑铁路调度全过程的关键评价指标，选择人工调度系统最优策略，并将人工调度系统最优策略的评价结果和实际调度系统的评价结果反馈至实际调度系统；
P6. 调度人员或实际调度系统根据算法选择最优策略，并将选择结果反馈回人工系统并更新其实时状态，调度人员和司机根据人工系统的实时变化状态，分别调整阶段计划和列车驾驶策略。
本发明提出一种铁路平行调度系统及方法，通过计算实验来分析各种因素对铁路调度系统的影响，通过虚拟人工调度系统和实际调度系统的平行运行和虚实互动，实现铁路平行调度系统和实际调度系统间由被动到主动、由静态到动态、由离线到在线、由独立运行到共同运行的协同进化，解决铁路调度复杂巨系统的优化控制难题，有效提升铁路的应急处置能力和调度指挥水平。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述 的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种铁路平行调度系统，包括实际调度系统以及以实际调度系统为目标构造涵盖其环境和功能的人工调度系统，二者之间通过数据、信息、计算实验结果的交互来实现对异常运营情况的预警和实际调度交互决策的优化，并根据实际调度效果来进一步修正实际和人工调度系统，其特征为：
所述人工调度系统与实际调度系统的交互决策的方法如下：
P1. 人工调度系统和实际调度系统共享调度目标和在线的实际运营状态；
P2. 人工调度系统预测到异常运行态势后，发送预警信息至实际调度系统；
P3. 实际调度系统根据人工调度系统的预警信息或其他原因启动调度策略计算时，同步通知人工调度系统；
P4. 将实际调度系统和人工调度系统生成的调度策略均同步至人工调度系统计算实验部分进行策略验证评估；
P5. 选择人工调度系统最优策略，并将人工调度系统最优策略的评价结果和实际调度系统的评价结果反馈回实际调度系统；
P6. 调度人员或实际调度系统根据算法选择最优策略，并将选择结果反馈回人工调度系统，更新人工调度系统状态。
2.根据权利要求1所述的铁路平行调度系统，其特征为：所述人工调度系统通过运营环境子系统、运营仿真子系统和调度子系统实现对实际运营环境的真实性仿真，以及对实际调度系统功能的完备性镜像；所述实际调度系统和人工调度系统共享调度目标和在线的实际运营状态，并通过可扩展性的协议进行交互，来实现系统内部状态和调度决策的同步，并根据相应的调度效果，对内部的决策机制进行修正。
3.根据权利要求2所述的铁路平行调度系统，其特征为：所述运营环境子系统的构建包含宏观路网拓扑结构，中观线路拓扑结构和微观车站拓扑结构以及信号设备、列车、运营计划的静态支撑环境，并复合运营规章和运输约束，复合后构成整体的运营环境子系统。
4.根据权利要求3所述的铁路平行调度系统，其特征为：所述运营环境子系统的具体构造方法如下：
P1.基于联锁系统和列控系统的信号设备单元划分标准，将各类信号设备定义为最小单元结构，包括：信号机单元、道岔单元、到发线单元、无岔区段单元、闭塞分区单元、告警灯单元、按钮单元；
P2. 根据各类信号设备的平面图形特征，定义其外部连接端点，对于到发线，其存在两个连接端点，分别位于到发线的两端；道岔存在3个连接端点，分别为前位、定位和反位；信号机则为两个，前部和后部；
P3. 根据车站平面图中各信号设备的连接关系，采用端点连接的方式，构造系统内各信号单元之间的连接关系，形成一张包含信号设备细节的车站图，其中信号机、道岔、到发线和无岔区段按联锁关系组合成进路，并构造进路之间的连接关系，用于表征动态环境下，列车在车站内的占用、出清关系和走行路径；
P4. 根据线路中车站之间的接续关系，将各车站边界信号设备的端点进行连接，构造包含车站细节的线路图；
P5. 根据路网中线路之间的接续关系，将各线路分界车站的边界信号设备的端点进行连接，构造包含线路细节的路网图；
P6. 根据运营计划，计算出特定列车在路网内详细的走行路径，进而实现列车、运营计划以及信号单元的相互关联；
P7. 外部环境对列车运营的具体影响均规约为各类限速以及接触网停送电的变化，影响的范围用信号单元的集合来表征，故将外部环境关联至信号单元；
P8. 将运营规章存储格式标准化，并与静态支撑环境相关联，构成整体的运营环境子系统。
5.根据权利要求2所述的铁路平行调度系统，其特征为：所述运营仿真子系统是在运营环境子系统的基础上，基于运营规则控制各类运营数据的生成与变化，进而实现对运营状态和场景的仿真以及相应场景和策略下的计算实验，实现对实际运营状态的复现、包括运营场景的动态仿真和列车群的仿真、以及计算实验。
6.根据权利要求5所述的铁路平行调度系统，其特征为：所述运营仿真子系统的具体构造方法如下：
（1）运营状态复现：根据实际的运营数据，按时序更新运营环境子系统的内部状态，实现对运营环境的复现；
（2）运营场景仿真：在信号和运输规则的约束下，①对历史数据再加工，实现特定场景的仿真；②利用人机交互的方式，构造特定运营场景，并实现仿真；
（3）列车群仿真：在运营场景构造完成的计划上，引入列车群仿真，并根据信号和运输约束，以及列车运行规则，实现运行环境与列车运行状态的同步更新；
（4）计算实验：计算实验包括对运行态势的预测和在特定运营场景下对调度决策的快速验证。
7.根据权利要求6所述的铁路平行调度系统，其特征为：所述运行态势的预测方法包括如下步骤：
P1. 根据运营环境子系统构造的数据结构格式，将历史数据和在线数据规范化和时序化；
P2. 基于历史数据，复现运营场景，并对场景进行回溯性分析，计算列车初始晚点发生的位置和时刻，作为运行态势的拐点；计算的方法采用时间累积的方式和事件触发的方式；其中，时间累积的方式采用列车到发时间与计划时间的比对，若晚点发生则视为触发列车态势变化的拐点；事件触发的方式采用对临时限速、区间封锁、股道封锁、停送电信息的捕获，当列车进入以上区域时，视为触发列车态势变化的拐点；
P3. 根据临时限速、区间封锁、股道封锁、停送电以及自发性晚点几个方面，确定列车运行态势拐点产生的原因，并计算相应的概率，进行概率分布拟合；
P4. 将拐点数据输入构造的卷积神经网络，首先实现对神经网络的离线训练；
P5. 将在线数据规范化后，进行观点识别，并将识别结果输入训练好的卷积神经网络，进行运行态势预测；
P6. 根据预测的态势，计算下一站的列车到发时刻，若超过设定的阈值则报警。
8.根据权利要求6所述的铁路平行调度系统，其特征为：所述调度决策的快速验证方法包括如下步骤：
P1. 基于在线数据和历史数据，完整复现当前的运营环境和列车群的运行状态；
P2. 在复现运营场景的基础上，将调度策略和面临的运行干扰注入至运营状态仿真部分和运行态势预测部分；
P3. 运行态势预测部分在时序化的基础上，采用滚动预测的方式，每次预测
时段内的状态变化，
是一个可变值，其计算方法如下：
a.以当前的时间
作为时间基准；
b.将各列车当前的位置与当前的调度策略相结合，计算各列车状态改变的时刻
；
c.
；
P4. 将
时段运行态势的预测结果输入至运营状态仿真部分，运营状态仿真部分基于预测结果，更新
时段运营场景和列车群状态，并将仿真结果作为运行态势预测部分的输入，即作为下一次预测的初始状态信息；
P5. 以
为可变步长，运行态势预测和运营状态仿真实现滚动交互输出，直至完成对调度策略的验证；
P6. 在上述步骤P4-P5过程中，采用改变运营环境状态的方式，实现运营环境的突变，以及进一步的部分环境的失效，验证当前调度策略的调度效果；
P7. 以日班计划为基准，对仿真完成后的列车群运行状态进行评估，实现对调度策略的整体评价；
P8. 输出评价结果。
9.一种铁路平行调度方法，其特征为：通过权利要求1-8任一所述的铁路平行调度系统执行所述方法。
10.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求9所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211330618.5A CN115384586B (zh) | 2022-10-28 | 2022-10-28 | 一种铁路平行调度系统、方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211330618.5A CN115384586B (zh) | 2022-10-28 | 2022-10-28 | 一种铁路平行调度系统、方法及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115384586A CN115384586A (zh) | 2022-11-25 |
| CN115384586B true CN115384586B (zh) | 2023-03-24 |
Family
ID=84115241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211330618.5A Active CN115384586B (zh) | 2022-10-28 | 2022-10-28 | 一种铁路平行调度系统、方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115384586B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070817B (zh) * | 2023-03-07 | 2023-08-11 | 北京全路通信信号研究设计院集团有限公司 | 一种车站股道现车分布处理方法、装置、设备和存储介质 |
| CN116443080B (zh) * | 2023-05-05 | 2023-12-29 | 北京交通大学 | 一种轨道交通行车调度指挥方法、系统、设备及介质 |
| CN116894055B (zh) * | 2023-09-11 | 2023-11-17 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 基于大数据批流一体的铁路线路能力利用率计算方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7188057B2 (en) * | 2002-08-02 | 2007-03-06 | Kennebec, Inc. | Systems and methods for designing, simulating and analyzing transportation systems |
| CN102103806A (zh) * | 2010-12-30 | 2011-06-22 | 成都运达轨道交通设备有限公司 | 轨道交通多工种联合演练仿真培训系统 |
| CN202373170U (zh) * | 2011-12-15 | 2012-08-08 | 成都运达科技股份有限公司 | 高速铁路集中调度仿真培训系统 |
| CN110341763B (zh) * | 2019-07-19 | 2021-04-13 | 东北大学 | 一种快速恢复高铁列车准点运行的智能调度方法 |
| CN111376954B (zh) * | 2020-06-01 | 2020-09-29 | 北京全路通信信号研究设计院集团有限公司 | 一种列车自主调度方法和系统 |
| CN112580204B (zh) * | 2020-12-16 | 2022-07-26 | 同济大学 | 一种铁路区间非正常事件下的列车延误时间预测方法 |
-
2022
- 2022-10-28 CN CN202211330618.5A patent/CN115384586B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115384586A (zh) | 2022-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115384586B (zh) | 一种铁路平行调度系统、方法及其应用 | |
| CN111376954B (zh) | 一种列车自主调度方法和系统 | |
| CN110782070B (zh) | 一种城市轨道交通突发事件客流时空分布预测方法 | |
| CN111369181B (zh) | 一种列车自主调度深度强化学习方法和装置 | |
| Ye et al. | A survey of model predictive control methods for traffic signal control | |
| CN111582697B (zh) | 一种配电网故障的评估与调度方法及系统 | |
| Baldi et al. | A simulation-based traffic signal control for congested urban traffic networks | |
| CN112070325B (zh) | 非正常事件下路网列车优化方法、装置、设备及存储介质 | |
| CN111452669B (zh) | 公交智能充电的系统和方法及介质 | |
| Wang et al. | Robust control for dynamic train regulation in fully automatic operation system under uncertain wireless transmissions | |
| 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 | |
| Yin et al. | Optimal bus-bridging service under a metro station disruption | |
| CN110843870A (zh) | 一种非正常事件下高铁路网图定能力保持方法 | |
| Ning et al. | ACP-based control and management of urban rail transportation systems | |
| Dai et al. | Dynamic scheduling, operation control and their integration in high-speed railways: A review of recent research | |
| CN115909729A (zh) | 一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统 | |
| CN117671992A (zh) | 一种公交车智能调度方法及系统 | |
| Xu et al. | Parallel Dispatching: An ACP-based High-speed Railway Intelligent Dispatching System | |
| Ding et al. | Key technologies and applications of intelligent dispatching command for high-speed railway in China | |
| CN110803203B (zh) | 一种高速铁路行车轨迹的演进预测方法及系统 | |
| CN115027535A (zh) | 一种行车指挥决策系统和行车指挥决策系统的调度方法 | |
| Wei et al. | Forecast of railway passenger transport turnover based on GM (1, 1) model | |
| M’hala | A monitoring approach based on fuzzy stochastic P-timed Petri nets of a railway transport network | |
| CN116443080B (zh) | 一种轨道交通行车调度指挥方法、系统、设备及介质 | |
| Liu | Optimization of Computer-aided Decision-making System for Railroad Traffic Dispatching Command |
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 |