CN117408462A - 一种铁路空重车调整方法、装置、设备及存储介质 - Google Patents

一种铁路空重车调整方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117408462A
CN117408462A CN202311353742.8A CN202311353742A CN117408462A CN 117408462 A CN117408462 A CN 117408462A CN 202311353742 A CN202311353742 A CN 202311353742A CN 117408462 A CN117408462 A CN 117408462A
Authority
CN
China
Prior art keywords
information
station
empty
railway
car
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
Application number
CN202311353742.8A
Other languages
English (en)
Inventor
刘子扬
宋宗莹
张海山
周瑾
刘永壮
朱正玲
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.)
China Shenhua Energy Co Ltd
CRSC Research and Design Institute Group Co Ltd
Original Assignee
China Shenhua Energy Co Ltd
CRSC Research and Design Institute Group Co Ltd
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 China Shenhua Energy Co Ltd, CRSC Research and Design Institute Group Co Ltd filed Critical China Shenhua Energy Co Ltd
Priority to CN202311353742.8A priority Critical patent/CN117408462A/zh
Publication of CN117408462A publication Critical patent/CN117408462A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种铁路空重车调整方法、装置、设备及存储介质，该方法包括：获取铁路网信息、车站区间天气信息和当前时刻车站结存车信息；所述铁路网信息包括当前时刻铁路网信息和未来时刻铁路网信息；将所述当前时刻铁路网信息、车站区间天气信息和当前时刻车站结存车信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息；将所述车站结存车预测信息输入至预先训练的空重车分布评价模型进行评价，获得评价结果；根据所述评价结果和所述当前时刻车站结存车信息对铁路空重车进行调整。利用该方法，通过构建预测和评价模型，输出车站结存车预测信息并对其进行评价，根据评价结果对铁路空重车进行调整，提高运输效率。

Description

一种铁路空重车调整方法、装置、设备及存储介质
技术领域
本发明实施例涉及铁路运输技术领域，尤其涉及一种铁路空重车调整方法、装置、设备及存储介质。
背景技术
重载运输适用于大宗散装货物，特别是铁矿石、煤等货物的长距离运输，因此重载铁路运输组织一般基于固定编组通过循环开行方式完成从装车地点到目的地的定点运输工作，为了加速货物运输，通常需要将卸空后的空车尽快调配至源头的装车车站，保证车流有序流转。车流信息收集和车流推算是铁路运输组织的重要依据，车流推算根据推算范围不同可以分为区域车流推算和车站车流推算。车站车流推算是依据车辆到达本车站的时间推算车辆从本站的出发时间，区域车流推算是建立在车站车流推算的基础上，增加货运计划、列车开行计划等因素后对区域内的车流和分界口车流进行整体推演。
车流推算涉及的因素较为复杂，既有的车流推算主要以车站推流为主，通过数学方式将车流推算建模为出发车流满轴为目标或综合考虑列车解体、列车编组多种因素构建多目标随机机会约束的模糊模型，借助遗传算法、蚁群算法、粒子群算法等启发式算法进行求解；空车调整是建立在车流推算基础上一个相对比较复杂的问题。既有车流推算和空车调配方案为了建立数学模型，对复杂的运输场景进行了简化，在建模的过程中丢失了一定的场景精度，无法客观反映现实世界中复杂的主观因素，造成一定程度与实际情况脱节，同时由于优化问题的求解往往是从局部的角度出发，难以覆盖路网级别问题的整体全貌。
发明内容
本发明实施例提供了一种铁路空重车调整方法、装置、设备及存储介质，通过构建预测和评价模型，实现了对车站结存车的预测，并对预测数据进行评价，根据评价结果对铁路空重车进行调整，提高运输效率。
第一方面，本发明实施例提供了一种铁路空重车调整方法，该方法包括：
获取铁路网信息、车站区间天气信息和当前时刻车站结存车信息；所述铁路网信息包括当前时刻铁路网信息和未来时刻铁路网信息；
将所述当前时刻铁路网信息、车站区间天气信息和当前时刻车站结存车信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息；
将所述车站结存车预测信息输入至预先训练的空重车分布评价模型进行评价，获得评价结果；
根据所述评价结果和所述当前时刻车站结存车信息对铁路空重车进行调整。
第二方面，本发明实施例还提供了一种铁路空重车调整装置，该装置包括：
信息获取模块，用于获取铁路网信息、车站区间天气信息和当前时刻车站结存车信息；所述铁路网信息包括当前时刻铁路网信息和未来时刻铁路网信息；
输出模块，用于将所述当前时刻铁路网信息、车站区间天气信息和当前时刻车站结存车信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息；
评价模块，用于将所述车站结存车预测信息输入至预先训练的空重车分布评价模型进行评价，获得评价结果；
空重车调整模块，用于根据所述评价结果和所述当前时刻车站结存车信息对铁路空重车进行调整。
第三方面，本公开实施例还提供电子设备，所述电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本公开实施例提供的铁路空重车调整方法。
第四方面，本公开实施例还提供了包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行实现本公开实施例提供的铁路空重车调整方法。
本发明公开了一种铁路空重车调整方法、装置、设备及存储介质，该方法包括：获取铁路网信息、车站区间天气信息和当前时刻车站结存车信息；所述铁路网信息包括当前时刻铁路网信息和未来时刻铁路网信息；将所述当前时刻铁路网信息、车站区间天气信息和当前时刻车站结存车信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息；将所述车站结存车预测信息输入至预先训练的空重车分布评价模型进行评价，获得评价结果；根据所述评价结果和所述当前时刻车站结存车信息对铁路空重车进行调整。利用该方法，通过构建预测和评价模型，输出车站结存车预测信息并对其进行评价，根据评价结果对铁路空重车进行调整，提高运输效率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例所提供的一种铁路空重车调整方法的流程图；
图2为本公开实施例所提供的一种铁路空重车调整方法中重载铁路路网图的示意图；
图3为本公开实施例所提供的一种铁路空重车调整装置的结构示意图；
图4为本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
实施例一
图1为本公开实施例所提供的一种铁路空重车调整的流程图，本公开实施例适用于铁路空重车调整的情形，该方法可以由铁路空重车调整装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。
如图1所示，本公开实施例提供的一种铁路空重车调整方法，具体可以包括下述步骤：
S110、获取铁路网信息、车站区间天气信息和当前时刻车站结存车信息。
其中，铁路网信息包括当前时刻铁路网信息和未来时刻铁路网信息。
需要知道的是：重载铁路由于运输货物单一，因此一般将沿线站分为装车站、途径站和卸车站，图2是一个由N个车站构成的重载铁路路网图。其中S1、S2车站为装车站，S3-SN-2车站为途径车站，SN-1、SN为卸车站。根据重载铁路先验经验，极端天气是影响重载铁路运输的主要外部因素。
在本实施例中，铁路网信息可以是从重载铁路路网图中提取的信息。铁路网信息可以用Gt表征，Gt中包括将车站作为顶点的节点集合、相邻车站连接边的集合，以及表征所有车站连接关系的矩阵信息。其中，铁路网信息包括当前时刻铁路网信息和未来时刻铁路网信息。当前时刻可以是预测时的时刻，未来时刻可以是预测的未来时刻。车站结存车信息可以是某个时刻时的车站空车数量和总重车的数量。车站结存车信息可以用其中N是车站数，/>表示t时刻第i个车站的结存车信息，其中，/>表示t时刻该车站内的空车总数，/>表示t时刻该车站内的重车总数。
车站区间天气信息可以是收集的车站沿线区间的天气信息。
具体的，获取铁路网信息、车站区间天气信息和当前时刻车站结存车信息。
S120、将当前时刻铁路网信息、车站区间天气信息和当前时刻车站结存车信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息。
在本实施例中，空重车分布预测模型可以是构造的一个空时图神经网络用于预测未来多个连续时刻重载铁路全局空重车分布的模型。车站结存车预测信息可以是预测的未来时刻车站空车数量和总重车的数量。
具体的，对车站区间天气信息进行量化聚合处理，获得车站天气信息。根据车站天气信息和当前时刻车站结存车信息结合获得当前车站状态信息。将当前时刻铁路网信息和当前车站状态信息作为输入数据输入至预先训练的空重车分布预测模型，输出车站结存车预测信息。
在上述实施例的基础上，将当前时刻铁路网信息、车站区间天气信息和当前时刻车站结存车信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息具体可以包括下述步骤：
a1)对车站区间天气信息进行量化聚合处理，获得车站天气信息。
具体的，对车站区间天气信息进行量化，相邻两个车站车站i和车站j之间受到极端天气影响的量化值用Iij表征，Iij是一个[0,1]之间的浮点数值，该值越大，表示受到极端天气影响越大。然后将量化后的数据进行聚合处理，获得车站天气信息。车站天气信息用表征，/>节点邻接节点集合。
b1)根据车站天气信息和当前时刻车站结存车信息获得当前车站状态信息。
具体的，将车站天气信息和当前时刻车站结存车信息进行串接，获得当前车站状态信息。当前车站状态信息可以用
c1)将当前时刻铁路网信息和当前车站状态信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息。
具体的，将当前时刻铁路网信息和当前车站状态信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息。
S130、将车站结存车预测信息输入至预先训练的空重车分布评价模型进行评价，获得评价结果。
在本实施中，空重车分布评价模型对输出的车站结存车预测信息进行评价的模型。
具体的，将车站结存车预测信息、预测时刻的铁路网信息以及预测时刻的车站天气信息输入至预先训练的空重车分布评价模型进行评价，获得评价结果。其中，评价结果包括合格和不合格。
在上述实施例的基础上，根据评价结果和当前时刻车站结存车信息对铁路空重车进行调整可以包括下述步骤：
a2)当评价结果为合格时，不进行调整。
具体的，当评价结果为合格时，则可以认为当前的运输计划符合未来的运输需要，即不需要对计划经调整。
b2)当评价结果为不合格时，根据未来车站结存车信息和当前时刻车站结存车信息对铁路空重车进行调整。
当评价结果为不合格时，则可以认为当前的运输计划不符合未来的运输需要，即预测时刻卸车站能够提供的空车和装车站对空车的需求不匹配，需要根据未来车站结存车信息和当前时刻车站结存车信息对铁路空重车进行调整。
在上述实施例的基础上，根据未来车站结存车信息和当前时刻车站结存车信息对铁路空重车进行调整具体可以包括下述步骤：
a3)根据未来车站结存车信息确定对空车需求。
在本实施例中，空车需求可以是装车站对空车的需求与卸车站能够提供的空车之间的差值。
具体的，根据未来车站结存车信息中装车站对空车的需求与卸车站能够提供的空车确定对空车需求。
b3)根据当前时刻车站结存车信息和空车需求确定回空计划。
在本实施例中，回空计划可以是在正常运输计划以外根据空车需求来额外制定的计划，满足预测时刻装车站对空车的需求。
具体的，根据当前时刻车站结存车信息和空车需求来在当前时刻调集空车来满足预测时刻装车站对空车的需求的回空计划，
c3)根据回空计划对未来车站结存车信息进行调整。
具体的，根据回空计划中调动的空车对未来车站结存车信息进行更新调整。
d3)将调整后的未来车站结存车信息重新输入至预先训练的空重车分布评价模型进行评价。
然后将上述更新调整后的未来车站结存车信息和预测时刻的铁路网信息以及预测时刻的车站天气信息输入至预先训练的空重车分布评价模型进行评价，获得评价结果。
e3)若评价结果为不合格，则返回执行根据未来车站结存车信息确定对空车需求，直至评价结果为合格时停止
具体的，若评价结果为不合格，则返回执行根据未来车站结存车信息确定对空车需求，直至评价结果为合格时停止。
在上述实施例的基础上，空重车分布预测模型沿从输入到输出的方向依次包括：至少一个动态卷积模板、全连接卷积层、因果卷积模块和输出层；动态卷积模块包括空间卷积层和门单元。
具体的，空重车分布预测模型沿从输入到输出的方向依次包括：动态卷积模板由一个空间卷积层(GCN)来聚合节点的邻居信息，同时利用门单元自适应更新参数，空间卷积层和门单元串行连接。全连接卷积层可以是1维的，1维的全连接卷积操作保证输出层与输入层有相同的序列长度，然后是因果卷积模块，通过因果卷积操作完成对当前时刻之前的信息卷积，从而通过提取历史信息完成对特征矩阵的预测建模。最后将空时卷积后的输出信息作为输出层的输入。
在上述实施例的基础上，空重车分布评价模型的训练方式具体可以包括下述步骤：
a4)获取历史铁路网信息、历史车站区间天气信息和历史车站结存车信息。
本步骤为获取历史数据的过程。
b4)对历史车站区间天气信息进行量化和聚合获得历史车站天气信息。
具体的，对历史车站区间天气信息进行量化，相邻两个车站车站i和车站j之间受到极端天气影响的量化值用Iij表征，Iij是一个[0,1]之间的浮点数值，该值越大，表示受到极端天气影响越大。然后将量化后的数据进行聚合处理，获得车站天气信息。历史车站天气信息用表征，/>节点i邻接节点集合。
c4)根据历史车站天气信息和历史车站结存车信息获得历史车站状态信息。
具体的，将历史车站天气信息和历史车站结存车信息进行串接，获得历史车站状态信息。
d4)将历史铁路网信息和历史车站状态信息作为训练数据集。
具体的，将历史铁路网信息和历史车站状态信息作为训练数据集。
e4)基于训练数据集对空重车分布预测模型进行模型训练。
具体的，基于训练数据集对空重车分布预测模型进行模型训练，获得训练完成的空重车分布预测模型。
在上述实施例的基础上，空重车分布评价模型沿从输入到输出的方向依次包括：空间卷积层和两层的多层感知机。
在本实施例中，空重车分布评价模型是将预测时刻铁路网信息和预测车站状态信息作为训练集进行训练的。空重车分布评价模型沿从输入到输出的方向依次包括：空间卷积层和两层的多层感知机，将多层感知机输出的信息通过softmax处理，映射到不同的分类值中。
本公开实施例提供了一种铁路空重车调整方法，该方法包括：获取铁路网信息、车站区间天气信息和当前时刻车站结存车信息；铁路网信息包括当前时刻铁路网信息和未来时刻铁路网信息；将当前时刻铁路网信息、车站区间天气信息和当前时刻车站结存车信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息；将车站结存车预测信息输入至预先训练的空重车分布评价模型进行评价，获得评价结果；根据评价结果和当前时刻车站结存车信息对铁路空重车进行调整。利用该方法，通过构建预测和评价模型，输出车站结存车预测信息并对其进行评价，根据评价结果对铁路空重车进行调整，提高运输效率。
实施例二
图3本发明实施例还提供了一种铁路空重车调整结构示意图，如图3所示，装置包括：信息获取模块210、输出模块220、评价模块230以及铁路空重车调整模块240。
信息获取模块210，用于获取铁路网信息、车站区间天气信息和当前时刻车站结存车信息；所述铁路网信息包括当前时刻铁路网信息和未来时刻铁路网信息；
输出模块220，用于将所述当前时刻铁路网信息、车站区间天气信息和当前时刻车站结存车信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息；
评价模块230，用于将所述车站结存车预测信息输入至预先训练的空重车分布评价模型进行评价，获得评价结果；
空重车调整模块240，用于根据所述评价结果和所述当前时刻车站结存车信息对铁路空重车进行调整。
本公开实施例所提供的技术方案，利用该方法，通过构建预测和评价模型，输出车站结存车预测信息并对其进行评价，根据评价结果对铁路空重车进行调整，提高运输效率。
进一步地，输出模块220用于：
对所述车站区间天气信息进行量化聚合处理，获得车站天气信息；
根据所述车站天气信息和所述当前时刻车站结存车信息获得当前车站状态信息；
将所述当前时刻述铁路网信息和所述当前车站状态信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息。
进一步地，空重车调整模块240可以用于：
当评价结果为合格时，不进行调整；
当评价结果为不合格时，根据所述未来车站结存车信息和所述当前时刻车站结存车信息对铁路空重车进行调整。
进一步地，空重车调整模块240可以用于：
根据所述未来车站结存车信息确定对空车需求；
根据所述当前时刻车站结存车信息和所述空车需求确定回空计划；
根据所述回空计划对未来车站结存车信息进行调整；
将调整后的未来车站结存车信息重新输入至预先训练的空重车分布评价模型进行评价；
若评价结果为不合格，则返回执行根据所述未来车站结存车信息确定对空车需求，直至评价结果为合格时停止。
进一步地，该装置还可以用于：
所述空重车分布预测模型沿从输入到输出的方向依次包括：至少一个动态卷积模板、全连接卷积层、因果卷积模块和输出层；所述动态卷积模块包括空间卷积层和门单元。
进一步地，该装置还可以用于：所述空重车分布评价模型的训练方式为：
获取历史铁路网信息、历史车站区间天气信息和历史车站结存车信息；
对所述历史车站区间天气信息进行量化和聚合获得历史车站天气信息；
根据所述历史车站天气信息和所述历史车站结存车信息获得历史车站状态信息；
将所述历史铁路网信息和所述历史车站状态信息作为训练数据集；
基于所述训练数据集对空重车分布预测模型进行模型训练。
进一步地，该装置还可以用于：
所述空重车分布评价模型沿从输入到输出的方向依次包括：空间卷积层和两层的多层感知机。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
实施例三
图4出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如铁路空重车调整方法。
在一些实施例中，铁路空重车调整方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的铁路空重车调整方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行铁路空重车调整方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种铁路空重车调整方法，其特征在于，包括：
获取铁路网信息、车站区间天气信息和当前时刻车站结存车信息；所述铁路网信息包括当前时刻铁路网信息和未来时刻铁路网信息；
将所述当前时刻铁路网信息、车站区间天气信息和当前时刻车站结存车信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息；
将所述车站结存车预测信息输入至预先训练的空重车分布评价模型进行评价，获得评价结果；
根据所述评价结果和所述当前时刻车站结存车信息对铁路空重车进行调整。
2.根据权利要求1所述的方法，其特征在于，将所述当前时刻铁路网信息、车站区间天气信息和当前时刻车站结存车信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息，包括：
对所述车站区间天气信息进行量化聚合处理，获得车站天气信息；
根据所述车站天气信息和所述当前时刻车站结存车信息获得当前车站状态信息；
将所述当前时刻铁路网信息和所述当前车站状态信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息。
3.根据权利要求1所述的方法，其特征在于，所述空重车分布预测模型沿从输入到输出的方向依次包括：至少一个动态卷积模板、全连接卷积层、因果卷积模块和输出层；所述动态卷积模块包括空间卷积层和门单元。
4.根据权利要求1所述的方法，其特征在于，根据所述评价结果和所述当前时刻车站结存车信息对铁路空重车进行调整，包括；
当评价结果为合格时，不进行调整；
当评价结果为不合格时，根据所述未来车站结存车信息和所述当前时刻车站结存车信息对铁路空重车进行调整。
5.根据权利要求4所述的方法，其特征在于，根据所述未来车站结存车信息和所述当前时刻车站结存车信息对铁路空重车进行调整，包括：
根据所述未来车站结存车信息确定对空车需求；
根据所述当前时刻车站结存车信息和所述空车需求确定回空计划；
根据所述回空计划对未来车站结存车信息进行调整；
将调整后的未来车站结存车信息重新输入至预先训练的空重车分布评价模型进行评价；
若评价结果为不合格，则返回执行根据所述未来车站结存车信息确定对空车需求，直至评价结果为合格时停止。
6.根据权利要求1所述的方法，其特征在于，所述空重车分布评价模型的训练方式为：
获取历史铁路网信息、历史车站区间天气信息和历史车站结存车信息；
对所述历史车站区间天气信息进行量化和聚合获得历史车站天气信息；
根据所述历史车站天气信息和所述历史车站结存车信息获得历史车站状态信息；
将所述历史铁路网信息和所述历史车站状态信息作为训练数据集；
基于所述训练数据集对空重车分布预测模型进行模型训练。
7.根据权利要求1所述的方法，其特征在于，所述空重车分布评价模型沿从输入到输出的方向依次包括：空间卷积层和两层的多层感知机。
8.一种铁路空重车调整装置，其特征在于，包括：
信息获取模块，用于获取铁路网信息、车站区间天气信息和当前时刻车站结存车信息；所述铁路网信息包括当前时刻铁路网信息和未来时刻铁路网信息；
输出模块，用于将所述当前时刻铁路网信息、车站区间天气信息和当前时刻车站结存车信息输入至预先训练的空重车分布预测模型，输出车站结存车预测信息；
评价模块，用于将所述车站结存车预测信息输入至预先训练的空重车分布评价模型进行评价，获得评价结果；
空重车调整模块，用于根据所述评价结果和所述当前时刻车站结存车信息对铁路空重车进行调整。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的铁路空重车调整方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的铁路空重车调整方法。
CN202311353742.8A 2023-10-18 2023-10-18 一种铁路空重车调整方法、装置、设备及存储介质 Pending CN117408462A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311353742.8A CN117408462A (zh) 2023-10-18 2023-10-18 一种铁路空重车调整方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311353742.8A CN117408462A (zh) 2023-10-18 2023-10-18 一种铁路空重车调整方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117408462A true CN117408462A (zh) 2024-01-16

Family

ID=89499375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311353742.8A Pending CN117408462A (zh) 2023-10-18 2023-10-18 一种铁路空重车调整方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117408462A (zh)

Similar Documents

Publication Publication Date Title
CA2992053C (en) Online hierarchical ensemble of learners for activity time prediction in open pit mining
CN112418475B (zh) 物流路径规划方法、装置、电子设备及存储介质
WO2016118122A1 (en) Optimization of truck assignments in a mine using simulation
CN115293366B (zh) 模型训练方法、信息预测方法、装置、设备及介质
CN111667085A (zh) 物流路由网络的确定方法、装置、介质及电子设备
CN107978148A (zh) 一种基于多源交通数据动态可靠性的交通状态预测方法
Deng et al. Prediction of vehicle-cargo matching probability based on dynamic Bayesian network
Zhang et al. Vehicle dynamic dispatching using curriculum-driven reinforcement learning
CN112819215B (zh) 推荐策略训练方法、装置、电子设备及可读存储介质
CN116030617A (zh) 一种基于公路od数据进行车流量预测的方法及装置
Rida Modeling and optimization of decision-making process during loading and unloading operations at container port
CN117408462A (zh) 一种铁路空重车调整方法、装置、设备及存储介质
CN115936379A (zh) 一种共享车辆的调度方法、装置、设备及存储介质
CN115660244A (zh) 路线信息生成方法、装置、设备和介质
CN115358716A (zh) 用车管理方法、装置、电子设备及可读介质
Razghonov et al. BUILDING MODELS TO OPTIMIZE VEHICLE DOWNTIME IN MULTIMODAL TRANSPORTATION.
CN111815250B (zh) 用于物流的货物状态识别方法、装置及二分类建模方法
CN114862038A (zh) 冷链物流车辆的调度方法及相关设备
CN116030616A (zh) 一种利用大数据进行交通量预测的方法及装置
CN116071912A (zh) 一种道路交通量分配的确定方法及装置
CN115081666A (zh) 确定运输路径的方法、装置、计算机设备和存储介质
CN117713382B (zh) 分布式电力服务提供方法及分布式电力服务系统
CN113516424A (zh) 一种线路生成方法、装置、电子设备和存储介质
Cao Mathematical Model and Algorithm of Multi‐Index Transportation Problem in the Background of Artificial Intelligence
Xu et al. Time-window-based Scheduling Strategy and Optimization for Maximizing the Income of Drop and Pull Transport

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