CN115796509A - 一种轨道交通应急调度辅助决策系统及方法 - Google Patents
一种轨道交通应急调度辅助决策系统及方法 Download PDFInfo
- Publication number
- CN115796509A CN115796509A CN202211480267.6A CN202211480267A CN115796509A CN 115796509 A CN115796509 A CN 115796509A CN 202211480267 A CN202211480267 A CN 202211480267A CN 115796509 A CN115796509 A CN 115796509A
- Authority
- CN
- China
- Prior art keywords
- decision
- simulation
- data
- decision scheme
- rail transit
- 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.)
- Pending
Links
Images
Abstract
本发明提供一种轨道交通应急调度辅助决策系统及方法,属于轨道交通技术领域,所述系统包括:调度决策知识库子系统、平行仿真子系统、评价子系统;调度决策知识库子系统,用于根据当前突发场景,从调度决策知识库中检索出针对所述当前突发场景的决策方案集合;平行仿真子系统,用于对所述决策方案集合中的每种决策方案进行仿真推演,获取每种决策方案的仿真结果;评价子系统,用于根据所述仿真结果计算每种决策方案的指标化数据,以生成不同决策方案的评价结果。本发明提高了网络化运营的调度指挥能力,降低了突发事件对于运营影响,并且降低了调度人员工作压力,提高了调度人员应急处置能力,降低了行业门槛,提高了调度人员从业水平。
Description
技术领域
本发明涉及轨道交通技术领域,尤其涉及一种轨道交通应急调度辅助决策系统、方法、电子设备。
背景技术
轨道交通的快速发展,为城市编织了一张巨大的交通网络,给人们带来了便利的出行体验。为倡导低碳出行,缓解交通压力,未来城市轨道交通出行的占比将不断提高,轨道交通的安全稳定运营将与人们的生活更加息息相关。由于城市轨道交通发车间隔小、追踪时间短,在正常运营情况下能够保持稳定高效的运行,不过一旦出现如信号故障、突发大客流、地质气象灾害等突发事件,轻则造成列车的延误,重则导致运营的中断,给乘客出行带来诸多影响,甚至造成了生命财产的损失。
在实际中,突发事件的应急处置效果很大程度上取决于调度员的个人能力,优秀的调度员往往需要具备数十年以上的丰富现场经验,培养周期长且门槛高。在面对突发状况时,对于经验不足的调度员而言,难以作出正确的处置决策,工作负担较重。
因此,亟需一种轨道交通应急调度辅助决策系统,在面对突发状况时协助调度员作出正确的处置决策,提高应急处理能力。
发明内容
本发明提供一种轨道交通应急调度辅助决策系统、方法、电子设备及存储介质,用以解决现有技术中调度员难以针对突发状况作出正确处理决策的缺陷。
第一方面,本发明提供一种轨道交通应急调度辅助决策系统,包括:调度决策知识库子系统、平行仿真子系统、评价子系统;所述调度决策知识库子系统,用于根据当前突发场景,从调度决策知识库中检索出针对所述当前突发场景的决策方案集合;平行仿真子系统,用于对所述决策方案集合中的每种决策方案进行仿真推演,获取每种决策方案的仿真结果;评价子系统,用于根据所述仿真结果计算每种决策方案的指标化数据,以生成不同决策方案的评价结果。
根据本发明提供的轨道交通应急调度辅助决策系统,所述调度决策知识库子系统包括:知识采集模块、知识管理模块以及知识服务模块;所述知识采集模块,用于获取针对不同突发场景的调度决策知识;所述知识管理模块,用于对所述调度决策知识进行标准化处理,通过分类形成针对不同突发场景的专题知识库,并且建立不同专题知识库中调度决策知识的联系,以更新所述调度决策知识库;所述知识服务模块,用于根据用户的操作指令,进行决策方案的浏览、上传、编辑以及检索。
根据本发明提供的轨道交通应急调度辅助决策系统,所述平行仿真子系统包括:所述仿真模型构建准备模块,用于根据所述决策方案集中的每个决策方案,获取用于进行所述每个决策方案仿真的基础数据、仿真模型以及仿真算法;所述超分支平行推演模块,用于基于所述基础数据、所述仿真模型和所述仿真算法,对每个决策方案进行仿真推演;仿真结果管理模块,用于记录每个决策方案的仿真过程和仿真结果。
根据本发明提供的轨道交通应急调度辅助决策系统,所述仿真模型构建准备模块,包括:仿真模型匹配关联单元、数据准备单元以及动态修正单元;所述仿真模型匹配关联单元,用于根据所述决策方案集中的每个决策方案,从仿真模型库中匹配出所述每个决策方案的仿真模型;所述数据准备单元,用于根据所述决策方案集中的每个决策方案,从基础数据库中匹配出用于仿真所述每个决策方案的基础数据;所述动态修正单元,用于在未进行仿真工作的情况下,根据实际的轨道交通系统的实时态势数据对所述仿真模型库中的仿真模型进行修正。
根据本发明提供的轨道交通应急调度辅助决策系统,在所述仿真模型为预设神经网络模型的情况下,所述预设神经网络模型是根据实时态势样本数据训练获取的;其中,所述实时态势样本数据包括:实时态势输入样本数据和与所述实时态势输入样本数据对应的实时态势输出样本数据;所述动态修正单元,在未进行仿真工作的情况下,根据实际的轨道交通系统的实时态势数据对所述仿真模型库中的仿真模型进行修正,具体为:根据所述实时态势数据,以最小化所述预设神经网络模型的误差函数为目标,对所述预设神经网络模型进行优化修正;所述实时态势数据包括:实时态势输入数据和实时态势输出数据。
根据本发明提供的轨道交通应急调度辅助决策系统,所述实时态势输入数据包括:列车速度、输出控制级位、轨道坡度、列车载荷;所述实时态势输出数据包括:列车加速度。根据本发明提供的轨道交通应急调度辅助决策系统,所述超分支平行推演模块,包括:仿真模型动态调整单元、仿真推进管理单元;所述仿真模型动态调整单元,用于根据所述决策方案,在进行仿真的过程中调整所述决策方案的仿真模型;所述仿真推进管理单元,用于根据预设仿真时长,调整所述仿真模型的仿真精度。
根据本发明提供的轨道交通应急调度辅助决策系统,还包括:人机交互模块和突发场景分析模块;所述人机交互模块,用于接收目标用户输入的当前突发场景数据,并将所述当前突发场景数据发送至所述调度决策知识库;所述突发场景分析模块,用于根据目标轨道线路上的故障告警信息,确定所述目标轨道线路的当前突发场景数据,并将所述当前突发场景数据发送至所述调度决策知识库。
第二方面,本发明基于上述任一所述轨道交通应急调度辅助决策系统,还提供一种轨道交通应急调度辅助决策方法,包括:根据当前突发场景,从调度决策知识库中检索出针对所述当前突发场景的决策方案集合;利用平行仿真子系统对所述决策方案集合中的每种决策方案进行仿真推演,获取每种决策方案的仿真结果;基于所述仿真结果,通过评价子系统,计算每种决策方案的指标化数据,并根据所述指标化数据输出每种决策方案的评价结果。
第三方面,本发明提供一种电子设备,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程序时实现如上述任一种所述轨道交通应急调度辅助决策方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述轨道交通应急调度辅助决策方法的步骤。
本发明提供的轨道交通应急调度辅助决策系统、方法、电子设备及存储介质,根据输入的突发场景,在调度决策知识库中检索,以生成多种决策处置方案;再由平行仿真子系统对多种决策方案进行并行推演,将多种决策方案的推演结果进行评价对比以供调度人员作出正确的决策,从而提高了网络化运营的调度指挥能力,降低了突发事件对于运营影响,并且降低了调度人员工作压力,提高了调度人员应急处置能力,降低了行业门槛,提高了调度人员从业水平。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的轨道交通应急调度辅助决策系统的结构示意图;
图2是本发明提供的调度决策知识库子系统的结构示意图;
图3是本发明提供的平行仿真子系统的结构示意图;
图4是本发明提供的轨道交通应急调度辅助决策方法的流程示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明实施例的描述中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合图1-图5描述本发明实施例所提供的轨道交通应急调度辅助决策系统和装置。
图1是本发明提供的轨道交通应急调度辅助决策系统的结构示意图,如图1所示,包括:调度决策知识库子系统101、平行仿真子系统102、评价子系统103。
所述调度决策知识库子系统101,用于根据当前突发场景,从调度决策知识库中检索出针对所述当前突发场景的决策方案集合。
调度决策知识库子系统101,可以采集来自各种渠道的调度决策知识,并且对调度决策知识进行有效管理,为用户提供准确、快速的调度决策支持服务。
在遇到轨道交通的突发场景的情况下,调度员可以将当前突发场景输入到调度决策知识库子系统101,本发明提供的轨道交通应急调度辅助决策系统可以利用调度决策知识库进行检索,得到调度决策知识库输出的多种决策方案构成的决策方案集合。
其中,突发场景可以为信号故障、突发大客流、地质气象灾害等场景。调度决策知识库是一个数字化资源的集合,结合了数据库管理技术与人工智能技术。
平行仿真子系统102,用于对所述决策方案集合中的每种决策方案进行仿真推演,获取每种决策方案的仿真结果。
可选地,本发明提供的平行仿真子系统可以基于预先构建的运行支持库并行仿真推演不同的决策方案在未来一段时间内的演变结果(仿真结果),以便于在下面的环节对每种决策方案进行评价。
评价子系统103,用于根据所述仿真结果计算每种决策方案的指标化数据,以生成不同决策方案的评价结果。
其中,根据不同的场景需求,所述指标化数据主要包括应急指标数据和正常指标数据。
其中,应急指标数据主要包括:正点率、兑现率、停运列次、清客列次、掉线列次、被救援列次、出发晚点列车数、到达晚点列车数、总晚点列车数、晚点5至15分钟列车数、晚点15至30分钟列车数、晚点30至45分钟列车数、晚点45分钟以上列车数、运营中断时间、故障恢复时间等。
正常指标数据主要包括:各时段最大断面满载率、断面客流量和运力匹配关系、车站乘客滞留人数、平峰全周转时间、全峰全周转时间、高峰小时运力、有效衔接比例、开行列次、运行公里数、列车运行能耗、列次再生能利用率等。
评价子系统将对应急指标和正常指标进行计算,然后为各个决策方案生成相应的评价报告,任选几种决策方案,可以生成指标对比结果报告,辅助调度人员按照现场需求选择决策方案。
综上所述,本发明提供的轨道交通应急调度辅助决策系统,根据输入的突发场景,在调度决策知识库中检索,以生成多种决策处置方案;再由平行仿真子系统对多种决策方案进行并行推演,将多种决策方案的推演结果进行评价对比以供调度人员作出正确的决策,从而提高了网络化运营的调度指挥能力,降低了突发事件对于运营影响,并且降低了调度人员工作压力,提高了调度人员应急处置能力,降低了行业门槛,提高了调度人员从业水平。
图2是本发明提供的调度决策知识库子系统的结构示意图,如图2所示,所述调度决策知识库子系统包括:知识采集模块、知识管理模块以及知识服务模块。
其中,知识采集模块,用于获取针对不同突发场景的调度决策知识;知识管理模块,用于对调度决策知识进行标准化处理,通过分类形成针对不同突发场景的专题知识库,并且建立不同专题知识库中调度决策知识的联系,以更新所述调度决策知识库;调度决策模块,用于根据用户的操作指令,进行决策方案的浏览、上传、编辑以及检索。
可选地,对于知识采集模块,调度决策知识的来源可以来自多种渠道,包括实际调度决策的优秀案例、经验丰富调度人员实践知识或基于专家经验的自动推理机等。调度决策知识库可以通过接入调度系统,自动获取调度决策知识,也可以在操作终端进行人工上传。
值得注意的是,通过推理机或机器学习来实现自动或半自动的调度决策知识获取应该是知识信息的重要获取方式,这些将保证调度决策知识库的动态性。
可选地,对于知识管理模块,知识采集模块录入的调度决策知识信息需要通过通用的描述语言和标引语言统一转化为标准格式,将大量无序信息进行有序化处理。这个过程由机器自动分类完成,由专家预先设定分类条目,利用语义识别、分类、聚类等机器学习计算实现调度决策信息资源的自动归类。
分类完成后可以邀请调度领域专家,辅以人工可以达到进一步优化分类。通过分类形成针对不同应急场景的专题知识库后,采用知识地图或关联数据技术等横向联系调度决策知识,从而了解不同专题知识的关系及相关程度,这将有助于决策方案的快速生成,以及深层次利用知识资源。
可选地,对于知识服务层,根据用户需求,提供调度决策知识的浏览、上传、编辑和检索等功能。针对用户输入的突发场景,调度决策知识库可以快速检索,得到匹配程度较高的几种决策方案。这些方案将在后续的环节进行仿真验证和评价。
本发明通过对调度决策知识库子系统的组成进行说明,通过知识采集模块不断的获取新的调度决策知识,保证了调度决策知识库的动态性;通过知识管理模块实现了对调度决策知识的标准化处理以及联系,有助于决策方案的快速生成,以及深层次利用知识资源;进一步地,通过知识服务模块提高了调度决策知识库的人机交互能力,便于用户充分利用调度决策知识库。
基于上述实施例的内容,作为一种可选的实施例,本发明提供的平行仿真子系统包括:仿真模型构建准备模块、超分支平行推演模块以及仿真结果管理模块。
其中,仿真模型构建准备模块,用于根据所述决策方案集中的每个决策方案,获取用于进行所述每个决策方案仿真的基础数据、仿真模型以及仿真算法;超分支平行推演模块,用于基于所述基础数据、所述仿真模型结合与决策方案仿真相关的仿真算法,对每个决策方案进行仿真推演;仿真结果管理模块,用于记录每个决策方案的仿真过程和仿真结果。
需要说明的是,该发明的平行仿真子系统中预设有支持仿真的运行支撑库,所述运行支撑库主要包括:基础数据库、仿真模型库和算法库组成。
其中,基础数据库主要包括构建仿真场景的基本数据,如线路数据、列车数据和断面客流数据等;仿真模型库包括驱动仿真进行的所需的模型,如列车动力学模型、列车速度防护模型等,为满足不同的仿真能力需求,可提供多种分辨率的仿真模型,模型分辨率越高,其仿真精度的越高,但需要耗费更多的计算资源,相应的仿真效率就会降低。算法库包括一些与仿真控制、仿真运行相关的仿真算法,如线程池化、列车速度控制算法、曲线规划算法等,算法一般具有较强的可扩展性,以满足不同制式、不同运行场景的仿真需求。
本发明基于上述基础数据库、仿真模型库和算法库分别提供的基础数据、仿真模型以及仿真算法进行每种决策方案的仿真,实现了仿真的有序规范运行,并且保存仿真的过程以及仿真结果,便于以便后续的对比评价以及仿真过程回溯。
基于上述实施例的内容,作为一种可选的实施例,下面结合图3对本发明提供的平行仿真子系统进行说明。图3是本发明提供的平行仿真子系统的结构示意图,如图3所示,所述仿真模型构建准备模块,包括:仿真模型匹配关联单元、数据准备单元以及动态修正单元;所述超分支平行推演模块,包括:仿真模型动态调整单元、仿真推进管理单元。
可选地,所述仿真模型匹配关联单元,用于根据所述决策方案集中的每个决策方案,从仿真模型库中匹配出所述每个决策方案的仿真模型;所述数据准备单元,用于根据所述决策方案集中的每个决策方案,从基础数据库中匹配出用于仿真所述每个决策方案的基础数据。
可选地,本发明中仿真算法可以所述仿真模型匹配关联单元预先为所述决策方案进行匹配,也可以由调度人员根据需要自主选择。
具体地,当平行仿真子系统收到仿真需求时,根据调度决策知识库下发的多种决策方案,系统会基于实时态势数据,自动提取态势要素特征数据,与仿真模型库中的仿真模型进行自动匹配关联,并做好仿真相关的数据准备,如列车和线路基本数据、客流断面数据等。当仿真模型和技术数据准备完成后会自动加载到超分支平行推演模块。
需要说明的是,本发明的动态修正单元,用于在未进行仿真工作的情况下,根据实际的轨道交通系统的实时态势数据对所述仿真模型库中的仿真模型的参数进行修正。
例如,在仿真模型包括列车动力学模型的情况下,列车动力学模型对于平行仿真的精度有重要影响,随着列车服役时间的增加,其牵引制动特性会随着器件的老化发生改变。为保证仿真的精度,可以根据实时态势数据对仿真模型进行修正。
可选地,在所述仿真模型为预设神经网络模型的情况下,预设神经网络模型的结构可以根据实际需求进行设计。例如,可以选择一个3层全连接的神经网络作为本发明的预设神经网络模型。
该预设神经网络模型是根据实时态势样本数据训练获取的;其中,所述实时态势样本数据包括:实时态势输入样本数据和与所述实时态势输入样本数据对应的实时态势输出样本数据。
需要说明的是,本发明中的实时态势样本数据可以为在使用该仿真模型之前的列车的历史态势数据,或者离线获取的列车的态势数据。
可选的,本发明可以将对列车动力学特性有主要影响作用的列车速度、输出控制级位、轨道坡度和列车载荷的四个特征作为预设神经网络模型的输入特征,将列车加速度作为预设神经网络模型的输出,对预设神经网络进行实例化。即本发明的实时态势样本输入数据包括:列车速度、输出控制级位、轨道坡度和列车载荷,实时态势输出样本数据包括列车加速度。
下面对利用上述实时态势样本数据对预设神经网络进行训练的过程进行详细说明。
设预设神经网络模型的输入层的节点个数n=4,隐藏层的节点个数l=5,输出层的节点个数为m=1。输入层到隐藏层的权重为wij,隐藏层到输出层的权重为wj,输入层到隐含层的偏置为aj,隐含层到输出层的偏置为b。学习速率为η,激励函数为g(x)。
激励函数取Sigmoid函数,其形式为:
隐藏层的输出Hj为:
其中,xi为第i个输入特征。
输出层的输出O为:
误差函数e定义为
e=|O-Y|
其中Y为实际输出加速度结果,权重wij,wj按照以下权重更新公式进行更新。
wij=wij+ηHj(1-Hj)xiwje
wj=wj+ηHje
在该仿真模型投入使用前,通过大量的实时态势样本数据进行训练,可以获得初始权重为wij,wj的预设神经网络模型。
进一步地,本发明的动态修正单元在未进行仿真工作的情况下,可以根据实际的轨道交通系统的实时态势数据对所述仿真模型库中的仿真模型进行修正,具体为:
根据所述实时态势数据,以最小化预设神经网络模型的误差函数为目标,对所述预设神经网络模型进行优化修正;所述实时态势数据包括:实时态势输入数据和实时态势输出数据。
其中,优化修正的方式可以为利用上述权重更新公式对预设神经网络模型的权重进行优化更新;当然也可以对所述预设神经网络模型的结构和权重都进行调整,以获取更加精确的输入结果,具体的优化修正方式可以根据实际需要进行设置。
本发明通过最新的实时态势数据,对已经进行初步训练完成的仿真模型(预设神经网络模型)进行进一步的优化修正,使得仿真模型更加适用于当前的使用场景以获取更加精准的仿真结果。
需要说明的是,本发明实施例中除了可以将列车速度、输出控制级位、轨道坡度、列车载荷作为仿真模型的输入特征,将列车加速度作为仿真模型的输出之外,也可以选择其他的输入特征以及对应的输出,训练相应的神经网络模型。这里不再一一赘述。可选地,所述仿真模型动态调整单元,用于根据所述决策方案,在进行仿真的过程中调整所述决策方案的仿真模型;所述仿真推进管理单元,用于根据预设仿真时长,调整所述仿真模型的仿真精度。
具体地,本发明的超分支平行推演模块的多分支仿真进行控制单元可以自动为每种决策方案分配独立仿真进程。其中,仿真模型动态调整单元,在仿真过程中,对所需仿真模型进行动态调度,以满足动态推演的需求,例如,在某种决策方案调整下,某列车的满载率发生改变,则需要调用不同载荷下的列车动力学仿真模型,来保证仿真的准确性。
为了提高仿真效率,仿真推进管理单元,对仿真推进进行管理,保证超实时仿真推演正常运行。可以理解的是,本发明中的具有不同仿真精度的仿真模型,根据使用的不同分辨率的仿真模型,可以达到的仿真能力也有所区别。一般情况下,仿真模型的分辨率(仿真精度)越高,仿真时长越长;仿真模型的分辨率(仿真精度)越低,仿真时长越短;在常规配置下,平行仿真系统可以在1分钟内精准推演未来1小时后的仿真结果。
本发明可以利用仿真模型动态调整单元对仿真模型进行动态调整以提高决策方案的仿真精度,并且通过仿真推进管理单元,选择合适的仿真精度以匹配预设仿真时长,从而提高仿真模型的仿真效率。
基于上述实施例的内容,作为一种可选的实施例,本发明提供的轨道交通应急调度辅助决策系统还包括:人机交互模块;所述人机交互模块,用于接收目标用户输入的当前突发场景数据,并将所述当前突发场景数据发送至所述调度决策知识库。
在培训业务场景中,调度人员可以利用人机交互模块输入当前突发场景数据,该辅助决策系统可以模拟各类突发场景,调度人员将对于此突发场景的处置决策输入给平行仿真系统,系统自动完成对调度决策的推演和评价。
需要说明的是,当前突发场景数据为对突发场景进行描述的数据,用户的输入方式可以为文字输入、语音输入以及通过预设界面进行选择输入等方式,具体的输入方式可以根据需求进行设置,本发明中对输入方式,不作具体的限定。
其中,人机交互模块的交互设备可以为电脑、移动终端等。
本发明通过设置人机交互模块,可以使得该系统应用于培训业务场景中,调度人员可以通过推演记录(仿真过程)和评价报告来分析自己做出的调度决策对于此突发场景的处置效果,从而改进决策方案,改进后的决策方案可以再次输入辅助系统,从而评估改进后决策方案,以获取更好的处置效果。
基于上述实施例的内容,作为一种可选的实施例,本发明提供的轨道交通应急调度辅助决策系统还包括:突发场景分析模块;所述突发场景分析模块,用于根据目标轨道线路上的故障告警信息,确定所述目标轨道线路的当前突发场景数据,并将当前突发场景数据发送至所述调度决策知识库。
在目标轨道线路上发出故障告警信息时,针对此种情形下的突发场景时,突发场景分析模块可以利用故障告警信息对当前突发场景的具体类型进行判断,并且将当前突发场景下发至调度决策知识库子系统的调度决策知识库。
系统会自动在调度决策知识库中检索,得到多种处置方案。处置方案会自动输入到平行仿真系统并行推演,并记录推演过程。仿真结束后,评价系统会根据推演过程和推演结果进行方案的对比评价,提供给调度员参考。调度员可以根据客观评价结果做出处置决策。
本发明通过设置突发场景分析模块,针对特定场景下的突发状况,无需人工输入,便可以将突发场景下发至调度决策知识库,并实现调度决策的获取,提高了突发场景的处置效率以及调度人员的及时应对能力。
图4是本发明提供的轨道交通应急调度辅助决策方法的流程示意图,如图4所示,所述方法包括以下步骤:
步骤401:根据当前突发场景,从调度决策知识库中检索出针对所述当前突发场景的决策方案集合;
步骤402:利用平行仿真子系统对所述决策方案集合中的每种决策方案进行仿真推演,获取每种决策方案的仿真结果;
步骤403:基于所述仿真结果,通过评价子系统,计算每种决策方案的指标化数据,并根据所述指标化数据输出每种决策方案的评价结果。
本发明提供的轨道交通应急调度辅助决策方法,根据输入突发场景,在调度决策知识库中检索,自动生成多种决策处置方案,再由平行仿真子系统对多种决策方案进行并行推演,将多种决策方案的推演结果进行评价对比,提高了网络化运营的调度指挥能力,降低了突发事件对于运营影响,并且降低了调度人员工作压力,提高了调度人员应急处置能力,降低了行业门槛,提高了调度人员从业水平。
图5是本发明提供的电子设备的结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行轨道交通应急调度辅助决策方法,该方法包括:根据当前突发场景,从调度决策知识库中检索出针对所述当前突发场景的决策方案集合;利用平行仿真子系统对所述决策方案集合中的每种决策方案进行仿真推演,获取每种决策方案的仿真结果;基于所述仿真结果,通过评价子系统,计算每种决策方案的指标化数据,并根据所述指标化数据输出每种决策方案的评价结果。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例所提供的轨道交通应急调度辅助决策方法,该方法包括:根据当前突发场景,从调度决策知识库中检索出针对所述当前突发场景的决策方案集合;利用平行仿真子系统对所述决策方案集合中的每种决策方案进行仿真推演,获取每种决策方案的仿真结果;基于所述仿真结果,通过评价子系统,计算每种决策方案的指标化数据,并根据所述指标化数据输出每种决策方案的评价结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的轨道交通应急调度辅助决策方法,该方法包括:根据当前突发场景,从调度决策知识库中检索出针对所述当前突发场景的决策方案集合;利用平行仿真子系统对所述决策方案集合中的每种决策方案进行仿真推演,获取每种决策方案的仿真结果;基于所述仿真结果,通过评价子系统,计算每种决策方案的指标化数据,并根据所述指标化数据输出每种决策方案的评价结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种轨道交通应急调度辅助决策系统,其特征在于,包括:调度决策知识库子系统、平行仿真子系统、评价子系统;
所述调度决策知识库子系统,用于根据当前突发场景,从调度决策知识库中检索出针对所述当前突发场景的决策方案集合;
所述平行仿真子系统,用于对所述决策方案集合中的每种决策方案进行仿真推演,获取每种决策方案的仿真结果;
所述评价子系统,用于根据所述仿真结果计算每种决策方案的指标化数据,以生成不同决策方案的评价结果。
2.根据权利要求1所述的轨道交通应急调度辅助决策系统,其特征在于,所述调度决策知识库子系统包括:知识采集模块、知识管理模块以及知识服务模块;
所述知识采集模块,用于获取针对不同突发场景的调度决策知识;
所述知识管理模块,用于对所述调度决策知识进行标准化处理,通过分类形成针对不同突发场景的专题知识库,并且建立不同专题知识库中调度决策知识的联系,以更新所述调度决策知识库;
所述知识服务模块,用于根据用户的操作指令,进行决策方案的浏览、上传、编辑以及检索。
3.根据权利要求1所述的轨道交通应急调度辅助决策系统,其特征在于,所述平行仿真子系统包括:仿真模型构建准备模块、超分支平行推演模块以及仿真结果管理模块;
所述仿真模型构建准备模块,用于根据所述决策方案集中的每个决策方案,获取用于进行所述每个决策方案仿真的基础数据、仿真模型以及仿真算法;
所述超分支平行推演模块,用于基于所述基础数据、所述仿真模型以及所述仿真算法,对每个决策方案进行仿真推演;
仿真结果管理模块,用于记录每个决策方案的仿真过程和仿真结果。
4.根据权利要求3所述的轨道交通应急调度辅助决策系统,其特征在于,所述仿真模型构建准备模块,包括:仿真模型匹配关联单元、数据准备单元以及动态修正单元;
所述仿真模型匹配关联单元,用于根据所述决策方案集中的每个决策方案,从仿真模型库中匹配出所述每个决策方案的仿真模型;
所述数据准备单元,用于根据所述决策方案集中的每个决策方案,从基础数据库中匹配出用于仿真所述每个决策方案的基础数据;
所述动态修正单元,用于在未进行仿真工作的情况下,根据实际的轨道交通系统的实时态势数据对所述仿真模型库中的仿真模型进行修正。
5.根据权利要求4所述的轨道交通应急调度辅助决策系统,其特征在于,在所述仿真模型为预设神经网络模型的情况下,所述预设神经网络模型是根据实时态势样本数据训练获取的;其中,所述实时态势样本数据包括:实时态势输入样本数据和与所述实时态势输入样本数据对应的实时态势输出样本数据;
所述动态修正单元,在未进行仿真工作的情况下,根据实际的轨道交通系统的实时态势数据对所述仿真模型库中的仿真模型进行修正,具体为:
根据所述实时态势数据,以最小化所述预设神经网络模型的误差函数为目标,对所述预设神经网络模型进行优化修正;所述实时态势数据包括:实时态势输入数据和实时态势输出数据。
6.根据权利要求5所述的轨道交通应急调度辅助决策系统,其特征在于,所述实时态势输入数据:列车速度、输出控制级位、轨道坡度、列车载荷;所述实时态势输出数据包括:列车加速度。
7.根据权利要求3所述的轨道交通应急调度辅助决策系统,其特征在于,所述超分支平行推演模块,包括:仿真模型动态调整单元、仿真推进管理单元;
所述仿真模型动态调整单元,用于根据所述决策方案,在进行仿真的过程中调整所述决策方案的仿真模型;
所述仿真推进管理单元,用于根据预设仿真时长,调整所述仿真模型的仿真精度。
8.根据权利要求1所述的轨道交通应急调度辅助决策系统,其特征在于,还包括:人机交互模块和突发场景分析模块;
所述人机交互模块,用于接收目标用户输入的当前突发场景数据,并将所述当前突发场景数据发送至所述调度决策知识库;
所述突发场景分析模块,用于根据目标轨道线路上的故障告警信息,确定所述目标轨道线路的当前突发场景数据,并将所述当前突发场景数据发送至所述调度决策知识库。
9.一种基于权利要求1至8中任一所述轨道交通应急调度辅助决策系统的轨道交通应急调度辅助决策方法,其特征在于,包括:
根据当前突发场景,从调度决策知识库中检索出针对所述当前突发场景的决策方案集合;
利用平行仿真子系统对所述决策方案集合中的每种决策方案进行仿真推演,获取每种决策方案的仿真结果;
基于所述仿真结果,通过评价子系统,计算每种决策方案的指标化数据,并根据所述指标化数据输出每种决策方案的评价结果。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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如权利要求9所述轨道交通应急调度辅助决策方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211480267.6A CN115796509A (zh) | 2022-11-22 | 2022-11-22 | 一种轨道交通应急调度辅助决策系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211480267.6A CN115796509A (zh) | 2022-11-22 | 2022-11-22 | 一种轨道交通应急调度辅助决策系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115796509A true CN115796509A (zh) | 2023-03-14 |
Family
ID=85440869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211480267.6A Pending CN115796509A (zh) | 2022-11-22 | 2022-11-22 | 一种轨道交通应急调度辅助决策系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796509A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307628A (zh) * | 2023-04-04 | 2023-06-23 | 广州欣纬智慧安全科技有限公司 | 应急方案自动生成方法和装置 |
CN116767204A (zh) * | 2023-07-12 | 2023-09-19 | 浙江加力仓储设备股份有限公司 | 基于车辆载荷的车速控制方法及其系统 |
CN117558132A (zh) * | 2024-01-11 | 2024-02-13 | 北京华创智芯科技有限公司 | 基于大数据的交通管理平台数据处理方法及系统 |
-
2022
- 2022-11-22 CN CN202211480267.6A patent/CN115796509A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307628A (zh) * | 2023-04-04 | 2023-06-23 | 广州欣纬智慧安全科技有限公司 | 应急方案自动生成方法和装置 |
CN116767204A (zh) * | 2023-07-12 | 2023-09-19 | 浙江加力仓储设备股份有限公司 | 基于车辆载荷的车速控制方法及其系统 |
CN116767204B (zh) * | 2023-07-12 | 2024-03-26 | 浙江加力仓储设备股份有限公司 | 基于车辆载荷的车速控制方法及其系统 |
CN117558132A (zh) * | 2024-01-11 | 2024-02-13 | 北京华创智芯科技有限公司 | 基于大数据的交通管理平台数据处理方法及系统 |
CN117558132B (zh) * | 2024-01-11 | 2024-03-15 | 北京华创智芯科技有限公司 | 基于大数据的交通管理平台数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115796509A (zh) | 一种轨道交通应急调度辅助决策系统及方法 | |
CN111376954B (zh) | 一种列车自主调度方法和系统 | |
CN109740839B (zh) | 一种突发事件下的列车动态调整方法及系统 | |
CN109204007B (zh) | 一种无人驾驶的悬挂式磁悬浮列车及其控制方法 | |
CN111369181B (zh) | 一种列车自主调度深度强化学习方法和装置 | |
CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
CN111985653A (zh) | 基于知识图谱的电网故障知识推荐与知识管理系统及方法 | |
CN115384586B (zh) | 一种铁路平行调度系统、方法及其应用 | |
Bao et al. | Prediction of train arrival delay using hybrid ELM-PSO approach | |
CN115983536A (zh) | 一种基于数字孪生的应急警力调度方法及系统 | |
CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
CN114004452A (zh) | 城轨调度方法、装置、电子设备及存储介质 | |
CN115762169A (zh) | 一种环卫车无人驾驶的智能控制系统及方法 | |
Hou et al. | Delay recovery model for high-speed trains with compressed train dwell time and running time | |
Shen et al. | A deep convolutional neural network based metro passenger flow forecasting system using a fusion of time and space | |
CN113435612A (zh) | 基于大数据支撑的智能抢修派单方法及装置 | |
Wang et al. | An ensemble learning model for short-term passenger flow prediction | |
CN116050669B (zh) | 一种城市轨道交通突发事件智能调度方法和系统 | |
CN112000708A (zh) | 一种基于调控配用数据融合的异常数据处理方法及系统 | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN116108203A (zh) | 电网全景调度知识图谱构建和电网设备管理的方法、系统、存储介质及设备 | |
CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
CN116011722A (zh) | 一种面向大电网的人机协作的调控方法、模块及装置 | |
CN114463978A (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 |
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 |