DE102022116076A1

DE102022116076A1 - Systeme und verfahren zur schätzung der ankunftszeit von fahrzeugsystemen

Info

Publication number: DE102022116076A1
Application number: DE102022116076.9A
Authority: DE
Inventors: Eren Con; Shereesh Kundur; Anatoly Melamud; Carlos Calegari
Original assignee: Transportation IP Holdings LLC
Current assignee: Transportation IP Holdings LLC
Priority date: 2021-06-30
Filing date: 2022-06-28
Publication date: 2023-01-05
Also published as: FR3124858A1; CN115545266A; GB202209429D0; AU2022202836A1; AU2024219715A1; US20230004931A1; CA3175502A1; BR102022010698A2; GB2610277A

Abstract

Ein System umfasst einen oder mehrere Prozessoren zum Erhalten eines Transportereignisses und einer Transportereigniszeit eines Fahrzeugsystems an einem aktuellen Standort auf einer Route von einem Ursprung zu einem Ziel. Der eine oder die mehreren Prozessoren bestimmen Transportereignisbedingungen basierend auf vergangenheitsbezogenen Transportdaten und prognostizieren durch mathematische Optimierungsverfahren optimale Transportrouten basierend auf einer oder mehreren von vergangenheitsbezogenen Transportrouten, Vertragsrouten, Vertragsknotenpunkten und Stationsstammdaten. Der eine oder die mehreren Prozessoren gruppieren aus den vergangenheitsbezogenen Transportdaten durch ein maschinelles Lernklassifizierungsverfahren Transportereignisdaten-Cluster und gleichen die Transportereignisdaten am aktuellen Standort mit vergangenheitsbezogenen Transportdaten-Klassifikationsclustern für maschinelles Lernen ab. Der eine oder die mehreren Prozessoren sagen durch ein maschinelles Lernmodell eine geschätzte Ankunftszeit (ETA) des Fahrzeugsystems am Ziel voraus.

Description

HINTERGRUND
Technisches Gebiet.
Die vorliegende Offenbarung betrifft Systeme und Verfahren zum Schätzen der Ankunftszeit von Fahrzeugsystemen.
Erörterung der Technik.
Die Vorhersage einer voraussichtlichen Ankunftszeit (ETA) eines Fahrzeugsystems kann ein wichtiger und herausfordernder Aspekt des Lieferkettenmanagements sein. Das Lieferkettenmanagement hängt von einer effizienten Ressourcenzuteilung ab, daher ist eine genaue ETA von Fahrzeugsystemen in der Lieferkette für die Aufrechterhaltung eines gut integrierten Transportsystems von Vorteil.
Viele Faktoren können eine Änderung der ETA eines Fahrzeugsystems verursachen. Verkehrs-, Wetter- und Betriebsprobleme können zu einer Änderung der ETA führen. Während Informationen in Bezug auf diese Faktoren genauere Vorhersagen der ETA ermöglichen können, sind die Informationen möglicherweise nicht ohne Weiteres für Analysen verfügbar. Aktuelle Ansätze zur Berechnung der ETA bieten aufgrund von Faktoren wie Datenverfügbarkeit, Datengenauigkeit, Konsistenz in Datensätzen und Komplexität der Datenquellen nicht die gewünschte Genauigkeit.
Gegenwärtige Systeme zum Bestimmen der ETA können sich auf manuelle Eingaben verlassen, die von Transportpersonal zu dem Zeitpunkt bereitgestellt werden, zu dem die Fahrzeugsysteme einen Ursprung verlassen oder ein Ziel erreichen. Die manuelle Eingabe kann fehleranfällig sein und kann auch Verkehrsströme an den Ursprüngen und den Zielen nicht berücksichtigen, die von allen Fahrzeugsystemen erzeugt werden, die in die Orte einfahren oder diese verlassen. Der daraus resultierende Fehler in der ETA kann dazu führen, dass vereinbarte Transportverträge nicht eingehalten werden, was zu Lieferverzögerungen und/oder Strafen für Transportunternehmen führen kann.
Gegenwärtige Systeme zur Bestimmung der ETA sind möglicherweise auch nicht in der Lage, vergangenheitsbezogene Transportdaten zu verwenden. Systeme, die derzeit eine statische ETA bestimmen, sind nicht in der Lage, sich ändernde Verkehrsströme im Laufe der Zeit zu berücksichtigen, die sich auf der Grundlage mehrerer Faktoren ändern können, darunter ein- und ausgehender Verkehr an Ausgangs- und Zielen, saisonale Bedingungen wie Wetter, Geschwindigkeits-Cluster und kürzliche Fahrten zwischen den Ursprungs- und Ziele durch andere Fahrzeugsysteme.
KURZE BESCHREIBUNG
Gemäß einer Ausführungsform kann ein Verfahren das Erhalten eines Transportereignisses und einer Transportereigniszeit eines Fahrzeugsystems an einem aktuellen Standort des Fahrzeugsystems auf einer Route von einem Ursprung zu einem Ziel und Bestimmen von Transportereignisbedingungen basierend auf vergangenheitsbezogenen Transportdaten beinhalten. Das Verfahren kann ferner das Vorhersagen optimaler Transportrouten durch mathematische Optimierungsverfahren basierend auf einem oder mehreren von vergangenheitsbezogenen Transportrouten, vertraglichen Routen, vertraglichen Kreuzungen und Stationsstammdaten und das Clustering von Clustern von Transportereignisdaten aus den vergangenheitsbezogenen Transportdaten unter Verwendung eines Klassifizierungsverfahrens für maschinelles Lernen beinhalten. Das Verfahren kann ferner das Abgleichen der Transportereignisdaten-Cluster mit vergangenheitsbezogenen Transportclustern am aktuellen Standort und das Prognostizieren einer geschätzten Ankunftszeit (ETA) des Fahrzeugsystems am Ziel unter Verwendung eines maschinellen Lernmodells umfassen.
Gemäß einer Ausführungsform kann ein System einen oder mehrere Prozessoren beinhalten, die konfiguriert sind, um ein Transportereignis und eine Transportereigniszeit eines Fahrzeugsystems an einem aktuellen Standort des Fahrzeugsystems auf einer Route von einem Ursprung zu einem Ziel zu erhalten und Transportereignisbedingungen basierend auf vergangenheitsbezogenen Transportdaten zu bestimmen. Der eine oder die mehreren Prozessoren können ferner dazu konfiguriert sein, durch mathematische Optimierungsverfahren optimale Transportrouten basierend auf einer oder mehreren von vergangenheitsbezogenen Transportrouten, Vertragsrouten, Vertragsknotenpunkten und Stationsstammdaten vorherzusagen und aus den vergangenheitsbezogenen Transportdaten durch ein maschinelles Lernklassifizierungsverfahren Cluster von Transportereignisdaten zu gruppieren. Der eine oder die mehreren Prozessoren können ferner dazu konfiguriert sein, am aktuellen Standort die Transportereignisdaten mit vergangenheitsbezogenen Transportklassifikationsclustern für maschinelles Lernen abzugleichen und durch ein maschinelles Lernmodell eine geschätzte Ankunftszeit (ETA) des Fahrzeugsystems am Ziel vorherzusagen. Einer oder mehrere des einen oder der mehreren Prozessoren werden an Bord eines oder mehrerer des einen oder der mehreren Fahrzeuge bereitgestellt.
Figurenliste
Der erfinderische Gegenstand kann aus der Lektüre der folgenden Beschreibung von nicht einschränkenden Ausführungsformen unter Bezugnahme auf die beigefügten Zeichnungen verstanden werden, wobei unten:

1 schematisch ein Transportnetzwerk gemäß einer Ausführungsform darstellt;
2 ein Fahrzeugsystem gemäß einer Ausführungsform schematisch darstellt;
3 schematisch ein System zum Vorhersagen einer ETA eines Fahrzeugsystems gemäß einer Ausführungsform darstellt;
4 schematisch ein maschinelles Lernmodell gemäß einer Ausführungsform darstellt;
5 schematisch ein maschinelles Lernmodell gemäß einer Ausführungsform darstellt;
6 schematisch ein System zum Schätzen einer ETA eines Fahrzeugsystems gemäß einer Ausführungsform darstellt;
7 schematisch ein System zum Schätzen einer ETA eines Fahrzeugsystems gemäß einer Ausführungsform darstellt;
8 schematisch ein Verfahren zum Schätzen einer ETA eines Fahrzeugsystems gemäß einer Ausführungsform veranschaulicht.

DETAILLIERTE BESCHREIBUNG
Ausführungsformen des hierin beschriebenen Gegenstands beziehen sich auf Systeme und Verfahren zum Bestimmen der ETA für Fahrzeugsysteme in einem Verkehrsnetz, die vergangenheitsbezogene Fahrtdatenbanken unter Verwendung von maschinellem Lernen nutzen, um ETA für Transportrouten zu erzeugen. Die Systeme und Verfahren erzeugen hochdimensionale kontextbezogene maschinelle Lernmerkmale für jede Transportteilstrecke basierend auf spezifischen Datenattributen der Transportroute. Die spezifischen Attribute können Verkehr auf der Route, Geschwindigkeit, Entfernung, Verkehr am Start- und/oder Ziel und/oder saisonale Bedingungen umfassen. Durch Identifizieren ähnlicher vergangenheitsbezogener Datenmuster können die Systeme und Verfahren die wahrscheinlichste ETA vorhersagen. Die Systeme und Verfahren passen sich an sich ändernde Transportbedingungen durch Attribute wie Verkehrsströme durch die Ausgangs- und Ziele an, die den Fahrzeugsystemen beispielsweise unter Verwendung von elektronischem EDI-Datenaustausch in Echtzeit mitgeteilt werden können.
Die Systeme und Verfahren stellen automatisierte prädiktive ETA unter Verwendung von Daten-Clusterings- und Regressionsverfahren für maschinelles Lernen bereit. Ein eingehendes Transportereignis, das von dem aktuellen Standort des Fahrzeugsystems stammt, wird erfasst und enthält Daten mit einem oder mehreren Transportereignisattributen und einem oder mehreren Sendungsattributen. Die Sendungsidentität und der Standort des Fahrzeugsystems werden bestimmt und Verkehrsbedingungen werden erzeugt. Es wird ein mehrdimensionaler Transportkontextvektor erzeugt, der der aktuellen Transportroutenteilstrecke des Fahrzeugsystems entspricht. Die aktuellen Transportereignisbedingungen werden in den vergangenheitsbezogenen Kontextvektor der Routenteilstrecke eingefügt, und die Verfahren des maschinellen Lernens verwenden die Verkehrsströme, Geschwindigkeit, Entfernung und Standort-Cluster zusammen mit der gleitenden durchschnittlichen Dauer der letzten abgeschlossenen Fahrten auf den Routenteilstreckenn, um die ETA vorherzusagen.
Das Bereitstellen von Fahrzeugsystembetreibern und/oder -eigentümern mit genaueren geschätzten Ankunftszeiten ermöglicht es den Betreibern und/oder Eigentümern, ihren Betrieb rechtzeitig und effizient zu verwalten. Die hierin offenbarten Systeme und Verfahren ermöglichen Fahrzeugsystembesitzern und/-betreibern, Ressourcen, Besatzungen, Produkte und Einrichtungen effizient zuzuweisen und betriebliche Ineffizienzen und erhöhte Gemeinkosten zu reduzieren, die durch Fahrtverzögerungen verursacht werden. Da das maschinelle Lernmodell dynamisch ist, kann es in mehreren Transportdomänen wie Lastwagen und Häfen implementiert werden. Das Versehen des maschinellen Lernmodells mit Fahrtdauerinformationen zwischen zwei Orten ermöglicht es dem maschinellen Lernmodell, aus verfügbaren Datenquellen zu lernen und eine ETA unter Verwendung von Merkmalen vorherzusagen, die aus der Datenquelle erstellt werden. Das maschinelle Lernmodell kann somit auf andere Transportmittel ausgeweitet und umfassend in Lieferketten integriert werden.
Unter Bezugnahme auf 1 beinhaltet ein Transportnetz 500 gemäß einer Ausführungsform eine Vielzahl von miteinander verbundenen Routen 502. Die Routen 502 können Gleise darstellen (wie etwa, aber nicht beschränkt auf, Eisenbahngleise und/oder dergleichen), über die Schienenfahrzeuge fahren. Das Transportnetz kann sich über eine relativ große Fläche erstrecken, wie z.B. Hunderte von Quadratmeilen oder Kilometer Landfläche. Die Anzahl der in 1 gezeigten Wege soll veranschaulichend sein und Ausführungsformen des hierin beschriebenen Gegenstands nicht einschränken. Obwohl sich eine oder mehrere hierin beschriebene Ausführungsformen auf ein aus Schienensträngen gebildetes Transportnetz beziehen, sind darüber hinaus nicht alle Ausführungsformen darauf beschränkt. Stattdessen kann das Transportnetz zusätzlich oder alternativ zu den Schienenwegen durch jede andere Struktur, jeden Pfad und/oder dergleichen gebildet werden, wie etwa, aber nicht beschränkt auf, Straßen, Autobahnen, Autobahnen, Flugrouten durch den Luftraum, Wasserstraßen und/oder dergleichen.
Mehrere separate Fahrzeugsysteme 504 fahren entlang der Routen. In der dargestellten Ausführungsform sind die Fahrzeugsysteme hierin als Schienenfahrzeuge und/oder Schienenfahrzeugverbände gezeigt und beschrieben. Eine oder mehrere andere Ausführungsformen können sich jedoch auf andere Fahrzeuge als Schienenfahrzeuge und/oder Schienenfahrzeugverbände beziehen. Zum Beispiel können die Fahrzeugsysteme andere geländegängige Fahrzeuge, straßengebundene Fahrzeuge wie Autos (z.B. Autos, Busse und dergleichen), Wasserfahrzeuge, Flugzeuge, Bergbaufahrzeuge, andere Geländefahrzeuge und/oder dergleichen darstellen. Ein Fahrzeugsystem kann ein oder mehrere antriebserzeugende Fahrzeuge 506 umfassen (unter Bezugnahme auf Schienenfahrzeuge, die für Eigenantrieb konfiguriert sind, z.B. Lokomotiven und/oder dergleichen). Ein Fahrzeugsystem kann optional ein oder mehrere keinen Vortrieb erzeugende Fahrzeuge 508 beinhalten (bezieht sich auf Schienenfahrzeuge, die nicht für den Eigenantrieb ausgelegt sind, z.B. Güterwagen, Personenwagen und/oder dergleichen), die mechanisch gekoppelt oder miteinander verbunden sind, um sich entlang der Routen zu bewegen.
Jedes vortriebserzeugende Fahrzeug umfasst ein Vortriebssystem 510, das das vortriebserzeugende Fahrzeug antreibt. Das Antriebssystem kann einen oder mehrere Traktionsmotoren, Bremsen und/oder dergleichen umfassen, die Zugkraft bereitstellen, um das entsprechende Fahrzeugsystem entlang der Routen anzutreiben, und Bremskraft bereitstellen, um die Bewegung des Fahrzeugsystems zu verlangsamen oder anzuhalten. Die antriebserzeugenden Fahrzeuge umfassen verschiedene Softwareanwendungen, wie etwa, aber nicht darauf beschränkt, Bewegungssteuerungssysteme 512, die die Bewegung der Fahrzeugsysteme entlang der Routen steuern. Beispielsweise können die Bewegungssteuersysteme verschiedene Funktionen der Antriebssysteme steuern. In der dargestellten Ausführungsform sind die Bewegungssteuersysteme Lokomotivensteuersysteme. Die antriebserzeugenden Fahrzeuge und/oder die nicht antriebserzeugenden Fahrzeuge können verschiedene andere Softwareanwendungen beinhalten, wie etwa, aber nicht beschränkt auf Kraftstoffmanagementsysteme, die die vom Fahrzeugsystem verbrauchte Kraftstoffmenge verwalten,verteilte Energiesysteme, die Zugkräfte und Bremskräfte zwischen verschiedenen antriebserzeugenden Fahrzeugen verteilen, Navigationssysteme, Energiemanagementsysteme, Kraftstoffeinspritzsysteme, Blackbox- und/oder andere Protokollaufzeichnungsanwendungen, RMD-Systeme, Videofunktionalität, Kraftstoffoptimierungssysteme und/oder dergleichen.
Die Fahrzeugsysteme können Anzeigevorrichtungen 514 umfassen, die dem Bediener an Bord des Fahrzeugsystems Bewegungssteuerungsanweisungen und/oder andere Parameter visuell darstellen. Beispielsweise kann ein Computermonitor oder Anzeigebildschirm Einstellungen für eine Gas- und/oder Bremseinstellung des Antriebssystems darstellen. Die Einstellungen können den Bediener auffordern, die Zugkraft und/oder die Bremskraft des Antriebsteilsystems zu ändern. Alternativ können die Steueranweisungen von dem Bewegungssteuersystem an das Antriebssystem übermittelt werden, um die Zugkraft und/oder die Bremskraft des Antriebsteilsystems automatisch zu steuern. Beispielsweise kann das Antriebsteilsystem eine aktualisierte Drosselklappen- und/oder Bremseinstellung von dem Bewegungssteuersystem empfangen und die Zugkraft oder Bremskraft als Reaktion darauf modifizieren.
Das Transportnetzwerk umfasst eine zentrale Abfertigungsstation 516, die die Bewegung der Fahrzeugsysteme entlang der Routen des Transportnetzwerks steuert. Wie in 1 gezeigt, ist die zentrale Versandstation außerhalb der Fahrzeugsysteme (z.B. außerhalb) der Fahrzeugsysteme an einem Ort angeordnet, der von den Fahrzeugsystemen entfernt ist, wenn die Fahrzeugsysteme entlang der Routen des Transportnetzes fahren. Das Transportnetz kann eine oder mehrere Signalvorrichtungen 518 (z.B. Stoppschilder, Signallichter, Vorsichts- und/oder andere Warnschilder und/oder dergleichen) zum Steuern des Verkehrsflusses der Fahrzeugsysteme entlang der Routen beinhalten. Das Transportnetzwerk kann eine oder mehrere Umschaltvorrichtungen 520 umfassen, die es den Fahrzeugsystemen ermöglichen, zwischen verschiedenen Routen (z.B. zwischen verschiedenen Eisenbahngleisen) zu wechseln. Die zentrale Abfertigungsstation kann ein Enterprise-Resource-Planning(ERP)-System beinhalten. Die zentrale Abfertigungsstation kann hierin als „Backoffice“ und/oder als „ERP-System“ bezeichnet werden. Die zentrale Abfertigungsstation kann hierin auch als „entfernter Ort“ bezeichnet werden.
Die Fahrzeugsysteme sind kommunikativ mit der zentralen Versandstation verbunden, so dass die Fahrzeugsysteme und die zentrale Versandstation miteinander kommunizieren können. Beispielsweise können die antriebserzeugenden Fahrzeuge kommunikativ mit der zentralen Abfertigungsstation verbunden sein, um damit zu kommunizieren. Die Fahrzeugsysteme und die zentrale Versandstation können unter Verwendung jeder Art von Kommunikation und unter Verwendung jeder Art von Kommunikationsausrüstung miteinander kommunizieren. Zum Beispiel können die Fahrzeugsysteme und die zentrale Dispatch-Station drahtlos über ein drahtloses Netzwerk kommunizieren, wie etwa, aber nicht darauf beschränkt, unter Verwendung von Hochfrequenz (RF), über ein Mobilfunknetzwerk, über ein Satellitennetzwerk und/oder dergleichen. In einigen Ausführungsformen werden zwei oder mehr getrennte drahtlose Netzwerke bereitgestellt, um zwei oder mehr redundante drahtlose Kommunikationspfade zwischen den Fahrzeugsystemen und der zentralen Abfertigungsstation bereitzustellen. Beispielsweise ist das Transportnetzwerk in der veranschaulichten Ausführungsform so konfiguriert, dass die Fahrzeugsysteme und die zentrale Versandstation sowohl über ein Mobilfunknetzwerk 522 als auch über ein Satellitennetzwerk 524, das von dem Mobilfunknetzwerk getrennt ist, miteinander kommunizieren können. Wie hierin verwendet, bezieht sich ein „Satellitennetzwerk“ auf ein drahtloses Netzwerk, das einen oder mehrere Satelliten verwendet, um Kommunikationen zwischen den Fahrzeugsystemen und der zentralen Abfertigungsstation weiterzuleiten. Das Satellitennetzwerk kann eine beliebige Anzahl von Satelliten umfassen, einschließlich nur eines Satelliten. Darüber hinaus kann das zellulare Netzwerk alternativ jede andere Art von drahtlosem Netzwerk sein.
Zusätzlich oder alternativ zur Kommunikation über ein oder mehrere drahtlose Netzwerke können die Fahrzeugsysteme und die zentrale Versandstation über das Internet, ein zumindest teilweise verdrahtetes Intranet, ein Netzwerkkommunikationskabel, ein Telefonkabel und/oder dergleichen kommunizieren. In einigen Ausführungsformen werden zwei oder mehr getrennte drahtgebundene Netzwerke bereitgestellt, um zwei oder mehr redundante drahtgebundene Kommunikationspfade zwischen den Fahrzeugsystemen und der zentralen Abfertigungsstation bereitzustellen. Das Transportnetzwerk kann sowohl ein verdrahtetes Netzwerk als auch ein separates drahtloses Netzwerk umfassen, um mindestens zwei redundante Kommunikationspfade zwischen den Fahrzeugsystemen und der zentralen Abfertigungsstation bereitzustellen. Zusätzlich oder alternativ zu einem oder mehreren drahtlosen Netzwerken und einem oder mehreren drahtgebundenen Netzwerken können die Fahrzeugsysteme und die zentrale Leitstelle über ein einziges Netzwerk miteinander kommunizieren, das sowohl drahtlose als auch drahtgebundene Pfade umfasst.
Unter Bezugnahme auf die 2 und 3 kann das Fahrzeugsystem gemäß einer Ausführungsform ein Führungsfahrzeug, das ein Vortrieb erzeugendes Fahrzeug sein kann, und ein oder mehrere zusätzliche Fahrzeuge umfassen, die keine Vortrieb erzeugende Fahrzeuge sein können. Gemäß einer Ausführungsform können eines oder mehrere der zusätzlichen Fahrzeuge ein antriebserzeugendes Fahrzeug sein. Wie in 2 gezeigt, kann das letzte zusätzliche Fahrzeug ein Endfahrzeug sein. Gemäß einer Ausführungsform kann das Fahrzeugsystem ein Zug sein und das Leitfahrzeug kann eine Lokomotive sein. Gemäß einer Ausführungsform kann das Führungsfahrzeug des Fahrzeugsystems ein nicht vortriebserzeugendes Fahrzeug sein und das oder die vortriebserzeugenden Fahrzeuge können in dem Fahrzeugsystem zwischen dem Führungsfahrzeug und dem Endfahrzeug positioniert sein. Gemäß einer Ausführungsform kann das Endfahrzeug ein antriebserzeugendes Fahrzeug sein.
Das Führungsfahrzeug und die zusätzlichen Fahrzeuge in dem Fahrzeugsystem können durch eine Verbindung 550 kommunikativ gekoppelt sein. Die Verbindung kann eine drahtgebundene Verbindung oder eine drahtlose Verbindung sein. Gemäß einer Ausführungsform kann die Verbindung ein Zugleitungskabel sein. Das Führungsfahrzeug kann eine Kopfendeinheit (HEU) 530 beinhalten und das Endfahrzeug kann eine Endfahrzeugeinheit (EVU) 540 beinhalten. Die HEU und die EVU können jeweils einen Prozessor 538, 548 und einen Speicher 532, 542 umfassen, die jeweils mit dem Prozessor gekoppelt sind und zum Speichern von Software-Steuerprogramm(en) und/oder Betriebsdaten betreibbar sind. Das HEU kann eine Anzeigevorrichtung beinhalten.
Gemäß einer Ausführungsform kann jeder Speicher dynamischen, flüchtigen Speicher, z.B. RAM, der Programmcode und darin gespeicherte Daten verliert, wenn die Stromversorgung des Speichers unterbrochen wird oder wenn er von dem entsprechenden Prozessor überschrieben wird, und einen nichtflüchtigen Speicher z.B. ROM, Flash-Speicher und dergleichen beinhalten, wobei letzterer (nichtflüchtiger) Speicher zumindest ein eingebettetes Betriebssystem und eingebettete Daten zur Verwendung durch das entsprechende HEU oder den EVU-Prozessor bei Vorhandensein oder Fehlen von Strom speichern kann, der an den nichtflüchtigen Speicher des Prozessors angelegt wird. Gemäß einer Ausführungsform können das HEU und/oder das EVU elektrische Energie für ihren Betrieb über die Verbindung von einer Batterie oder einem Generator des Führungsfahrzeugs oder eines anderen Fahrzeugs erhalten.
Gemäß einer Ausführungsform kann die HEU einen im Führungsfahrzeug angeordneten Empfänger 534 umfassen oder mit diesem gekoppelt sein, und die EVU kann einen im Endfahrzeug angeordneten Empfänger 544 umfassen oder mit diesem gekoppelt sein. Die Empfänger können dazu konfiguriert sein, Standortinformationen zu empfangen, beispielsweise GPS-Informationen, die einen Standort des Fahrzeugsystems identifizieren. Der eine oder die mehreren Prozessoren des HEU oder der EVU können Eingaben von einem oder mehreren entfernten Sensoren 558 empfangen, wie etwa einer Kamera, die Informationen aufzeichnet, wenn sich das Fahrzeugsystem in der Nähe einer Markierung und/oder einer oder mehrerer Signalvorrichtungen befindet oder diese passiert. Andere entfernte Sensoren können Geschwindigkeitssensoren umfassen, die Informationen bereitstellen, die die Geschwindigkeit des Fahrzeugsystems oder der Fahrzeuge des Fahrzeugsystems angeben.
Gemäß einer Ausführungsform kann ein Controller den einen oder die mehreren Prozessoren der HEU und/oder der EVU umfassen. Wie hierin offenbart, bezieht sich die Verarbeitung durch einen Controller auf die Verarbeitung, die von einem oder mehreren Prozessoren der HEU und/oder der EVU durchgeführt werden kann.
Unter Bezugnahme auf 4 kann ein maschinelles Lernmodell 32 gemäß einer Ausführungsform in Form eines neuronalen Netzwerks bereitgestellt werden. Ein neuronales Netzwerk kann eine Reihe von Algorithmen sein, die sich bemühen, zugrunde liegende Beziehungen in einem Datensatz zu erkennen. Ein „Neuron“ in einem neuronalen Netzwerk ist eine mathematische Funktion, die Informationen gemäß einer bestimmten Architektur sammelt und klassifiziert. Das maschinelle Lernmodell beinhaltet eine Eingabeschicht 34, eine verborgene Schicht 36 und eine Ausgabeschicht 38. Die Eingabeschicht akzeptiert Daten, die eines oder mehrere der folgenden darstellen: einen Standort des Fahrzeugsystems, eine Geschwindigkeit des Fahrzeugsystems, die Position eines oder mehrerer anderer Fahrzeugsysteme im Verkehrsnetz oder die Geschwindigkeit eines oder mehrerer anderer Fahrzeugsysteme im Verkehrsnetz. Die Daten werden während des Betriebs des Fahrzeugsystems gewonnen. Die Daten können von einem oder mehreren entfernten Sensoren, von dem Mobilfunknetz oder dem Satellitensystem bereitgestellt werden.
Gemäß einer Ausführungsform kann das maschinelle Lernmodell ein unüberwachtes maschinelles Lernmodell sein. Das maschinelle Lernmodell kann ein halbüberwachtes maschinelles Lernmodell sein. In einer Ausführungsform ist das maschinelle Lernmodell ein überwachtes maschinelles Lernmodell. Das maschinelle Lernmodell kann mit gekennzeichneten Trainingsdaten bereitgestellt werden. Die Trainingsdaten werden von dem maschinellen Lernmodell verwendet, um eine ETA des Fahrzeugsystems zu bestimmen, die einer ETA in den Trainingsdaten entsprechen kann. Das maschinelle Lernmodell kann auch mit Trainingsdaten bereitgestellt werden, die gekennzeichnet sind und geschätzten Ankunftszeiten des Fahrzeugsystems auf Routen innerhalb des Transportnetzwerks entsprechen.
Die verborgene Schicht befindet sich zwischen der Eingabeschicht und der Ausgabeschicht des Algorithmus des maschinellen Lernmodells. Der Algorithmus wendet Gewichtungen auf die Eingaben (z.B. Standorte und Geschwindigkeiten des Fahrzeugsystems und Standorte und Geschwindigkeiten anderer Fahrzeugsysteme im Verkehrsnetz) an und leitet sie durch eine Aktivierungsfunktion als Ausgabe. Die verborgene Schicht führt nichtlineare Transformationen der in das Netzwerk eingegebenen Eingaben durch.
Unter Bezugnahme auf 4 beinhaltet ein maschinelles Lernmodell 40 gemäß einer Ausführungsform eine Eingabeschicht 42, mehrere verborgene Schichten 44, 46, 48, 50 und eine Ausgabeschicht 52. Das maschinelle Lernmodell kann aufgrund der Vielzahl von verborgenen Schichten als tiefes lernendes maschinelles Lernmodell bezeichnet werden. Die verborgenen Schichten können abhängig von der Funktion des maschinellen Lernmodells variieren, und die verborgenen Schichten können abhängig von ihren zugeordneten Gewichtungen variieren. Die verborgenen Schichten ermöglichen es, die Funktion des maschinellen Lernmodells in spezifische Transformationen der Eingabedaten zu zerlegen. Jede verborgene-Schicht-Funktion kann bereitgestellt werden, um eine definierte Ausgabe zu erzeugen.
Der eine oder die mehreren Prozessoren der HEU oder der EVU können auch dazu konfiguriert sein, Anweisungen im Speicher des einen oder der mehreren Prozessoren auszuführen, um das maschinelle Lernmodell zu verwenden, um eine ETA des Fahrzeugsystems zu bestimmen.
Unter Bezugnahme auf 6 beinhaltet ein System 600 zum Schätzen einer ETA eines Fahrzeugsystems in einem Verkehrsnetz eine Vielzahl von Datenquellen 610, ein Datenintegrationsverlaufsmodul 620, ein Feature-Engineering-Verlaufsmodul 630 und ein Maschinenlerntrainingsmodul 640. Die Datenquellen können eine oder mehrere vergangenheitsbezogene Transportereignisdatenbanken 612-1 - 612-N umfassen. Die eine oder mehreren vergangenheitsbezogenen Transportereignisdatenbanken können von den Eigentümern und/oder Betreibern der Fahrzeugsysteme oder von Transportunternehmen bereitgestellt werden, die einen Vertrag mit den Eigentümern und/oder Betreibern der Fahrzeugsysteme abschließen. Die Verlaufsdaten können einen oder mehrere von Frachtbriefen, Fahrzeugsystemereignissen oder Trip-Stitching-Algorithmen beinhalten.
Die Vielzahl von Datenquellen kann auch eine betriebliche Transportereignisdatenbank 614 beinhalten, die Informationen enthält, die während des Betriebs des Fahrzeugsystems und anderer Fahrzeugsysteme in dem Transportnetzwerk erhalten werden. Die Fahrzeugsysteme können Informationen unter Verwendung von EDI-Datenaustauschen austauschen. Die betriebliche Transportereignisdatenbank kann während des Betriebs erhaltene Informationen enthalten, z.B. in Echtzeit,die eine oder mehrere von Frachtbriefänderungen oder Fahrzeugsystemfahrtereignissen, zum Beispiel Abfahrten von Ausgangsorten und Ankunft an Orten beinhaltet.
Die Datenquellen können auch Master-Transportreferenzdaten 616 enthalten, die Daten bezüglich des Transportnetzes enthalten. Die Daten können Informationen über die Längen verschiedener Routen von Start zu Zielen und/oder einzelne Routen (Teilstrecken) innerhalb des Transportnetzwerks umfassen. Die Datenquellen können auch Routendaten 618 beinhalten, die Informationen über Bedingungen der verschiedenen Routen beinhalten, beispielsweise können die Routendaten Routendaten von der Federal Railroad Administration beinhalten.
Das Datenintegrationsverlaufsmodul kann ein Synonym- und Abkürzungs-Untermodul 622 umfassen, um Synonyme und/oder Abkürzungen zu identifizieren und/oder Daten aus den Datenquellen zuzuordnen. Die Daten von den Datenquellen können mit den Informationen in einem Untermodul 624 des Verweil- und Laufzeitverlaufs integriert werden. Die Informationen in dem Verweil- und Transitzeithistorien-Untermodul können Informationen enthalten, die die Verweil- und Transitzeiten von Fahrzeugsystemen im Verkehrsnetz auf einzelnen Routen (Teilstrecken) und Routen innerhalb des Verkehrsnetzes von den Ursprüngen zu den Zielen darstellen.
Die integrierten Daten können einem Untermodul 626 für die Entfernung der Transportteilstrecke bereitgestellt werden, das Informationen über die Entfernungen jeder Route (Teilstrecke) des Transportnetzes enthält. Die integrierten Daten können dem Feature-Engineering-Verlaufsmodul bereitgestellt werden, das ein Datenbereinigungs-Untermodul 631, ein Untermodul für kategoriale Attribute 632, ein kundenspezifisches Datenumwandlungs-Untermodul, ein Datenskalierungs-Untermodul 634, ein Zeitreihenvorhersage-Untermodul 635 und ein Geschwindigkeits- und Verkehrs-Clustering-Untermodul 636 enthält. Das Geschwindigkeits- und Verkehrs-Clustering-Untermodul 636 kann auch mit den Transportteilstreckenentfernungsinformationen von dem Transportteilstreckenentfernungs-Untermodul des Datenintegrationsverlaufsmoduls versorgt werden.
Die Untermodule des Feature-Engineering-Verlaufsmoduls führen eine statistische Datenqualitätsanalyse, Datentransformation, Datenstandardisierung und Datenskalierung der Transportfahrtdaten durch. Die statistische Datenanalyse, Datentransformation, Datenstandardisierung und Datenskalierung der Transportfahrtdaten bieten ein Spektrum an Funktionen, einschließlich einer oder mehrerer der folgenden: GIS-Transportdatenvisualisierung, Korrelation und Histogramme, Datenattributuntersuchungen und -experimente, Erkennung ungültiger Daten, Datenausreißermodellierung, Ersatz fehlender Daten, Handhabung von Text- und kategorialen Attributen oder Datentransformation und Standardisierungsverarbeitung.
Die statistische Datenqualitätsanalyse, Datentransformation, Datenstandardisierung und Datenskalierung der Transportfahrtdaten wird einem Feature-Engineering-Untermodul 637 bereitgestellt, das mehrere Fahrtattribute analysiert. Die Reisekontextdaten können mehrere Datenattribute aus den vergangenheitsbezogenen EDI-Datenbanken sowie abgeleitete verkehrs-/geschwindigkeits-/entfernungsbezogene Cluster enthalten. Jedes Attribut kann von einem anderen Typ und auf einer anderen Skala sein. Das System bewertet alle Attribute nach Wichtigkeit und Korrelation zur ETA. Das Feature-Engineering-Untermodul kann einige Datenattribute ausschließen, die nicht zur Bestimmung der ETA beitragen.
Das Maschinenlern-Trainingsmodul beinhaltet ein Maschinenlern-Trainingsuntermodul 641, ein Modellbewertungs- und Kreuzvalidierungs-Untermodul 642, ein Untermodul 643 zur Modellfeinabstimmung, ein Untermodul 644 zur Auswahl des besten Modells und zur Fehlerschätzung, ein Untermodul 645 zur Modellvorhersage und ein Untermodul 646 des ETA-Datensatzes. Das System verwendet maschinelle Lernklassifizierungsalgorithmen, um die maschinellen Lerndatenmerkmale zu erzeugen. Die Untermodule zur maschinellen Lernklassifizierung rufen Transportverkehrsdaten aus der/den vergangenheitsbezogenen Datenbank(en) ab und erzeugen verkehrsbezogene Daten-Cluster. Die Daten-Cluster werden in einen hochdimensionalen Transportrouten-Matrixraum eingefügt, so dass jede Transportroutenteilstrecke den aktuellsten Verkehrsfluss-Cluster hat. Die maschinellen Lernalgorithmen für die ETA-Vorhersage empfangen die Transportrouten-Cluster von dem Klassifizierungsuntermodul und verwenden die jüngsten Routenfahrten, um das genaueste maschinelle Lernregressionsmodell auszuwählen.
Das Untermodul Machine Learning Evaluation and Cross-Validation enthält eine Liste vorab ausgewählter und getesteter Machine Learning-Modelle. Die maschinellen Lernmodelle werden mithilfe von Grid Search und randomisierten Suchtechniken feinabgestimmt. Die Feinabstimmung erzeugt Hyperparameter, indem verschiedene Kombinationen der Systemmerkmale untersucht werden. Um die ETA-Vorhersagemodelle zu testen und zu validieren, verwendet das System Kreuzvalidierungstechniken. Die Validierung des ETA-Vorhersagemodells wird jedes Mal durchgeführt, wenn das maschinelle Lernmodell neu trainiert wird.
Das System überwacht die Leistung des ETA-Vorhersagemodells und trainiert das ETA-Vorhersagemodell automatisch neu. Das System enthält einen Überwachungscode für das maschinelle Lernmodell, um die Leistung des maschinellen Lernmodells in regelmäßigen Abständen zu überprüfen, und gibt Warnungen aus, wenn die Leistung des Modells abfällt. Die Bewertung des maschinellen Lernmodells umfasst das Abtasten von ETA-Vorhersagen, die vom System bereitgestellt werden, und deren Bewertung.
Unter Bezugnahme auf 7 beinhaltet ein System 700 ein Fahrtereignismodul 710, ein Online-Datenintegrationsmodul 720, ein Vorhersage-Feature-Engineering-Modul 730 und ein Vorhersagemodul 740 für maschinelles Lernen. Das Fahrtereignismodul umfasst ein Untermodul 712 für aktuelle Routenreferenzdatenänderungen, das Änderungen in Referenzdaten der Routen des Transportnetzwerks enthält, die während des Betriebs eines Fahrzeugsystems in dem Transportnetzwerk auftreten. Das Fahrtereignismodul umfasst auch tägliche Auszugs-Untermodule 714-1 - 714-N, die Fahrtereignisdaten enthalten, die täglich im Transportnetz auftreten. Das Fahrtereignismodul enthält auch ein Untermodul 718 für aktuelle Transportereignisse, das aktuelle Transportereignisse enthält, die während des Betriebs eines Fahrzeugsystems auftreten.
Das Online-Datenintegrationsmodul enthält ein Abgleich-Untermodul 722, das die Daten von dem Fahrtereignismodul empfängt und die Daten mit den Transportteilstreckenn des Transportnetzwerks abgleicht. Ein Transit- und Verweilzeit-Untermodul 724 berechnet eine Transit- und Verweilzeit des jüngsten Ereignisses des Fahrzeugsystems. Ein Vergleichsuntermodul 726 vergleicht die Transit- und Verweilzeit mit einem ETA-Wert für die Transportroute, die das Fahrzeugsystem gerade fährt. Die integrierten Daten werden zu einer vergangenheitsbezogenen ETA-Datenbank 728 hinzugefügt.
Die vorhergesagte ETA wird dem Prädiktor-Merkmal-Engineering-Modul bereitgestellt, das ein Datenbereinigungs-Untermodul 732 enthält, das Ausreißerdaten entfernt. Die bereinigten Daten werden einer Datenqualitätsdatenbank 739 bereitgestellt. Ein Transformations-Untermodul 734 transformiert kategoriale Attribute der Daten, ein Skalierungs-Untermodul 736 skaliert die Daten, und das Untermodul 738 für benutzerdefinierte Transformation transformiert die Daten gemäß benutzerdefinierten Spezifikationen des Fahrzeugsystems.
Das Vorhersagemodul für maschinelles Lernen empfängt die benutzerdefinierten Daten in einem ETA-Modell-Vorhersageuntermodul 742. Das ETA-Modell wird durch ein Feinabstimmungs-Untermodul 744 feinabgestimmt, das beste Modell wird ausgewählt und ein Fehler wird durch ein Untermodul 746 zur Auswahl des besten Modells und zur Fehlerschätzung geschätzt, und das ausgewählte Modell wird durch ein Bewertungs- und Kreuzvalidierungs-Untermodul 748 auf ähnliche Weise wie oben beschrieben bewertet und kreuzvalidiert. Das ausgewählte Modell wird in einer Online-Datenbank 749 gespeichert, beispielsweise in der zentralen Versandstation.
Unter Bezugnahme auf 8 beinhaltet ein Verfahren 800 zum Bestimmen einer ETA eines Fahrzeugsystems das Erhalten eines Transportereignisses und einer Transportereigniszeit eines Fahrzeugsystems an einem aktuellen Standort des Fahrzeugsystems auf einer Route von einem Ursprung zu einem Ziel 810. Das Verfahren beinhaltet ferner das Bestimmen von Transportereignisbedingungen basierend auf vergangenheitsbezogenen Transportdaten 820 und das Vorhersagen optimaler Transportrouten basierend auf einem oder mehreren von vergangenheitsbezogenen Transportrouten, vertraglichen Routen, vertraglichen Kreuzungen und Stationsstammdaten 830 durch mathematische Optimierungsverfahren. Das Verfahren beinhaltet ferner das Clustering von Transportereignisdaten-Clustern 840 aus den vergangenheitsbezogenen Transportdaten durch ein maschinelles Lernklassifizierungsverfahren und Abgleichen der Transportereignisdaten-Cluster mit vergangenheitsbezogenen Transportdaten-Clustern 850 am aktuellen Standort durch ein maschinelles Lernmodell. Das Verfahren beinhaltet ferner das Vorhersagen einer geschätzten Ankunftszeit (ETA) des Fahrzeugsystems am Ziel 860 durch das maschinelle Lernmodell.
Ein Verfahren kann das Erhalten eines Transportereignisses und einer Transportereigniszeit eines Fahrzeugsystems an einem aktuellen Standort des Fahrzeugsystems auf einer Route von einem Ursprung zu einem Ziel und das Bestimmen von Transportereignisbedingungen basierend auf vergangenheitsbezogenen Transportdaten umfassen. Das Verfahren kann ferner das Vorhersagen optimaler Transportrouten durch mathematische Optimierungsverfahren basierend auf einer oder mehreren von vergangenheitsbezogenen Transportrouten, vertraglichen Routen, vertraglichen Kreuzungen und Stationsstammdaten und Clustering umfassen. Das Verfahren kann ferner das Clustern von Clustern von Transportereignisdaten aus den vergangenheitsbezogenen Transportdaten unter Verwendung eines maschinellen Lernklassifizierungsverfahrens und Abgleichen der Transportereignisdaten-Cluster mit vergangenheitsbezogenen Transportclustern am aktuellen Standort beinhalten. Das Verfahren kann ferner das Vorhersagen einer geschätzten Ankunftszeit des Fahrzeugsystems am Ziel unter Verwendung eines maschinellen Lernmodells beinhalten.
Optional kann das Transportereignis ein oder mehrere Transportereignisattribute und ein oder mehrere Sendungsattribute enthalten. Optional können das eine oder die mehreren Transportereignisattribute eines oder mehrere von Verkehr anderer Fahrzeugsysteme auf der Route, Verkehr anderer Fahrzeugsysteme an einem oder mehreren von Ursprung und Ziel,
eine Entfernung des Fahrzeugsystems von einem oder mehreren von dem Ursprung oder dem Ziel, einem Standort des Fahrzeugsystems, einer Geschwindigkeit des Fahrzeugsystems und Wetterbedingungen beinhalten. Optional können das eine oder die mehreren Sendungsattribute einen Frachtbrief und/oder eine Frachtbriefänderung umfassen.
Optional kann das Verfahren ferner das Erzeugen der vergangenheitsbezogenen Transportdaten-Cluster aus den vergangenheitsbezogenen Transportdaten basierend auf dem aktuellen Standort des Fahrzeugsystems beinhalten. Optional kann das Erzeugen der vergangenheitsbezogenen Transportdaten-Cluster ferner das Erzeugen der vergangenheitsbezogenen Transportdaten-Cluster aus der Route umfassen. Optional kann das Erzeugen der vergangenheitsbezogenen Transportdaten-Cluster ferner das Bestimmen einer gleitenden durchschnittlichen Dauer abgeschlossener Fahrten vom Ursprung zum Ziel durch eines oder mehrere des Fahrzeugsystems oder eines anderen Fahrzeugsystems beinhalten.
Optional kann das Erzeugen der Transportereignisdaten-Cluster das Erzeugen von Transportereignisdaten-Clustern am aktuellen Standort und am Ziel beinhalten.
Optional kann das Verfahren ferner das Bestimmen einer oder mehrerer Sendungsidentitäten oder Sendungsorte aus dem einen oder den mehreren Sendungsattributen beinhalten.
Optional kann das maschinelle Lernmodell mehrere Klassifizierungsalgorithmen enthalten. Optional kann jeder der mehreren Klassifizierungsalgorithmen Transportereignisdaten-Cluster erzeugen. Optional kann das Verfahren ferner das Durchführen einer oder mehrerer von einer Rastersuche oder einer Zufallssuche der Klassifizierungsalgorithmen umfassen, um optimale Hyperparameter des maschinellen Lernmodells zu erzeugen.
Optional kann das Verfahren ferner das Kreuzvalidieren der Klassifizierungsalgorithmen und das Auswählen eines genauesten Klassifizierungsalgorithmus für die ETA des Fahrzeugsystems zum Ziel umfassen.
Optional kann das Verfahren ferner das Erzeugen einer Vielzahl von Regressionsmodellen aus den Transportereignisdatenclustern umfassen, die konfiguriert sind, um die ETA vorherzusagen. Optional kann das Verfahren ferner das Durchführen einer oder mehrerer von einer Gittersuche oder einer Zufallssuche der Regressionsmodelle umfassen, um optimale Hyperparameter des maschinellen Lernmodells zu erzeugen.
Optional kann das Verfahren ferner das Kreuzvalidieren der Regressionsmodelle und das Auswählen eines genauesten Regressionsmodells für die ETA des Fahrzeugsystems zum Ziel beinhalten. Optional können die mehreren Regressionsmodelle nichtlineare Regressionsmodelle sein.
Ein System kann einen oder mehrere Prozessoren beinhalten, die dazu konfiguriert sind, ein Transportereignis und eine Transportereigniszeit eines Fahrzeugsystems an einem aktuellen Standort des Fahrzeugsystems auf einer Route von einem Ursprung zu einem Ziel zu erhalten und Transportereignisbedingungen basierend auf vergangenheitsbezogenen Transportdaten zu bestimmen. Der eine oder die mehreren Prozessoren können ferner dazu konfiguriert sein, durch mathematische Optimierungsverfahren optimale Transportrouten basierend auf einem oder mehreren der Folgenden vorherzusagen: vergangenheitsbezogene Transportrouten, Vertragsrouten, Vertragsknotenpunkte und Stationsstammdaten und Cluster aus den vergangenheitsbezogenen Transportdaten, durch ein maschinelles Lernklassifizierungsverfahren, Cluster von Transportereignisdaten. Der eine oder die mehreren Prozessoren können ferner dazu konfiguriert sein, am aktuellen Standort die Transportereignisdaten mit vergangenheitsbezogenen Transportdaten-Klassifizierungsclustern für maschinelles Lernen abzugleichen und durch ein maschinelles Lernmodell eine geschätzte Ankunftszeit (ETA) des Fahrzeugsystems am Ziel vorherzusagen.
Optional kann das Transportereignis ein oder mehrere Transportereignisattribute und ein oder mehrere Sendungsattribute enthalten. Optional können das eine oder die mehreren Transportereignisattribute eines oder mehrere von Verkehr anderer Fahrzeugsysteme auf der Route, Verkehr anderer Fahrzeugsysteme an einem oder mehreren von Ursprung und Ziel,
eine Entfernung des Fahrzeugsystems von einem oder mehreren von dem Ursprung oder dem Ziel, einem Standort des Fahrzeugsystems, einer Geschwindigkeit des Fahrzeugsystems und Wetterbedingungen beinhalten.
Optional können das eine oder die mehreren Sendungsattribute einen Frachtbrief und/oder eine Frachtbriefänderung umfassen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, die vergangenheitsbezogenen Transportdaten-Cluster aus den vergangenheitsbezogenen Transportdaten basierend auf dem aktuellen Standort des Fahrzeugsystems zu erzeugen. Optional können der eine oder die mehreren Prozessoren dazu konfiguriert sein, die vergangenheitsbezogenen Transportdaten-Cluster aus der Route zu erzeugen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, die vergangenheitsbezogenen Transportdaten-Cluster zu erzeugen, indem sie eine gleitende durchschnittliche Dauer abgeschlossener Fahrten vom Ursprung zum Ziel durch eines oder mehrere des Fahrzeugsystems oder eines anderen Fahrzeugsystems bestimmen. Optional können der eine oder die mehreren Prozessoren dazu konfiguriert sein, die Transportereignisdaten-Cluster am aktuellen Standort und am Ziel zu erzeugen.
Optional können der eine oder die mehreren Prozessoren ferner so konfiguriert sein, dass sie aus dem einen oder den mehreren Sendungsattributen eine Sendungsidentität oder einen Sendungsort oder mehrere bestimmen.
Optional kann das maschinelle Lernmodell mehrere Klassifizierungsalgorithmen enthalten. Optional kann die Mehrzahl von Klassifizierungsalgorithmen dazu konfiguriert sein, Transportereignisdaten-Cluster zu erzeugen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, eine Gittersuche oder eine Zufallssuche der Klassifizierungsalgorithmen durchzuführen, um optimale Hyperparameter des maschinellen Lernmodells zu erzeugen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, die Klassifizierungsalgorithmen kreuzweise zu validieren und einen genauesten Klassifizierungsalgorithmus für die ETA des Fahrzeugsystems zum Ziel auszuwählen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, aus den Transportereignisdatenclustern mehrere Regressionsmodelle zu erzeugen, die dazu konfiguriert sind, die ETA vorherzusagen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, eine Gittersuche oder eine Zufallssuche der Regressionsmodelle durchzuführen, um optimale Hyperparameter des maschinellen Lernmodells zu erzeugen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, die Regressionsmodelle kreuzvalidieren, und um ein genauestes Regressionsmodell für die ETA des Fahrzeugsystems zum Ziel auszuwählen.
Optional können die mehreren Regressionsmodelle nichtlineare Regressionsmodelle sein.
Ein Fahrzeugsystem kann ein oder mehrere Fahrzeuge umfassen. Das Fahrzeugsystem kann ferner einen oder mehrere Prozessoren beinhalten, die dazu konfiguriert sind, ein Transportereignis und eine Transportereigniszeit eines Fahrzeugsystems an einem aktuellen Standort des Fahrzeugsystems auf einer Route von einem Ursprung zu einem Ziel zu erhalten und Transportereignisbedingungen basierend auf vergangenheitsbezogenen Transportdaten zu bestimmen. Der eine oder die mehreren Prozessoren können ferner dazu konfiguriert sein, durch mathematische Optimierungsverfahren optimale Transportrouten basierend auf einer oder mehreren von vergangenheitsbezogenen Transportrouten, Vertragsrouten, Vertragsknotenpunkten und Stationsstammdaten vorherzusagen und aus den vergangenheitsbezogenen Transportdaten durch ein maschinelles Lernklassifizierungsverfahren Cluster von Transportereignisdaten zu gruppieren. Der eine oder die mehreren Prozessoren können ferner dazu konfiguriert sein, am aktuellen Standort die Transportereignisdaten mit vergangenheitsbezogenen Transport-Klassifizierungsclustern für maschinelles Lernen abzugleichen, und durch ein maschinelles Lernmodell eine geschätzte Ankunftszeit (ETA) des Fahrzeugsystems am Ziel vorherzusagen. Einer oder mehrere des einen oder der mehreren Prozessoren werden an Bord eines oder mehrerer des einen oder der mehreren Fahrzeuge bereitgestellt.
Optional kann das Transportereignis ein oder mehrere Transportereignisattribute und ein oder mehrere Sendungsattribute enthalten. Optional können das eine oder die mehreren Transportereignisattribute eines oder mehrere von Verkehr anderer Fahrzeugsysteme auf der Route, Verkehr anderer Fahrzeugsysteme an einem oder mehreren von Ursprung und Ziel,
eine Entfernung des Fahrzeugsystems von einem oder mehreren von dem Ursprung oder dem Ziel, einem Standort des Fahrzeugsystems, einer Geschwindigkeit des Fahrzeugsystems und Wetterbedingungen beinhalten.
Optional können das eine oder die mehreren Sendungsattribute einen Frachtbrief und/oder eine Frachtbriefänderung umfassen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, die vergangenheitsbezogenen Transportdaten-Cluster aus den vergangenheitsbezogenen Transportdaten basierend auf dem aktuellen Standort des Fahrzeugsystems zu erzeugen. Optional können der eine oder die mehreren Prozessoren dazu konfiguriert sein, die vergangenheitsbezogenen Transportdaten-Cluster aus der Route zu erzeugen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, die vergangenheitsbezogenen Transportdaten-Cluster zu erzeugen, indem sie eine gleitende durchschnittliche Dauer abgeschlossener Fahrten vom Ursprung zum Ziel durch eines oder mehrere des Fahrzeugsystems oder eines anderen Fahrzeugsystems bestimmen. Optional können der eine oder die mehreren Prozessoren dazu konfiguriert sein, die Transportereignisdaten-Cluster am aktuellen Standort und am Ziel zu erzeugen.
Optional können der eine oder die mehreren Prozessoren ferner so konfiguriert sein, dass sie aus dem einen oder den mehreren Sendungsattributen eine Sendungsidentität oder einen Sendungsort oder mehrere bestimmen.
Optional kann das maschinelle Lernmodell mehrere Klassifizierungsalgorithmen enthalten. Optional kann die Mehrzahl von Klassifizierungsalgorithmen dazu konfiguriert sein, Transportereignisdaten-Cluster zu erzeugen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, eine Gittersuche oder eine Zufallssuche der Klassifizierungsalgorithmen durchzuführen, um optimale Hyperparameter des maschinellen Lernmodells zu erzeugen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, die Klassifizierungsalgorithmen kreuzweise zu validieren, und um einen genauesten Klassifizierungsalgorithmus für die ETA des Fahrzeugsystems zum Ziel auszuwählen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, aus den Transportereignisdatenclustern mehrere Regressionsmodelle zu erzeugen, die dazu konfiguriert sind, die ETA vorherzusagen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, eine Gittersuche oder eine Zufallssuche der Regressionsmodelle durchzuführen, um optimale Hyperparameter des maschinellen Lernmodells zu erzeugen.
Optional können der eine oder die mehreren Prozessoren ferner dazu konfiguriert sein, die Regressionsmodelle kreuzvalidieren, und um ein genauestes Regressionsmodell für die ETA des Fahrzeugsystems zum Ziel auszuwählen.
Optional können die mehreren Regressionsmodelle nichtlineare Regressionsmodelle sein.
Wie hierin verwendet, sind die Begriffe „Prozessor“ und „Computer“ und verwandte Begriffe, z.B. „Verarbeitungsgerät“, „Rechengerät“ und „Steuerung“, nicht nur auf jene integrierten Schaltungen beschränkt, die in der Technik als ein Computer bezeichnet werden, beziehen sich jedoch auf einen Mikrocontroller, einen Mikrocomputer, eine programmierbare Logiksteuerung (PLC), ein feldprogrammierbares Gate-Array und eine anwendungsspezifische integrierte Schaltung und andere programmierbare Schaltungen. Ein geeigneter Speicher kann beispielsweise ein computerlesbares Medium umfassen. Ein computerlesbares Medium kann zum Beispiel ein Direktzugriffsspeicher (RAM), ein computerlesbares nichtflüchtiges Medium wie etwa ein Flash-Speicher sein. Der Begriff „nicht flüchtige computerlesbare Medien“ steht für ein konkretes computerbasiertes Gerät, das für die kurz- und langfristige Speicherung von Informationen implementiert ist, z.B. computerlesbare Anweisungen, Datenstrukturen, Programmmodule und Untermodule oder andere Daten in einem beliebigen Gerät. Daher können die hierin beschriebenen Verfahren als ausführbare Anweisungen codiert sein, die in einem greifbaren, nicht flüchtigen, computerlesbaren Medium verkörpert sind, einschließlich, ohne Einschränkung, einer Speichervorrichtung und/oder einer Speichervorrichtung. Solche Anweisungen veranlassen den Prozessor, wenn sie von einem Prozessor ausgeführt werden, zumindest einen Teil der hierin beschriebenen Verfahren auszuführen. Als solches umfasst der Begriff materielle, computerlesbare Medien, einschließlich, aber nicht beschränkt auf nichtflüchtige Computerspeichergeräte, einschließlich, aber nicht beschränkt auf flüchtige und nicht flüchtige Medien sowie entfernbare und nicht entfernbare Medien wie Firmware, physische und virtuelle Speicher, CD-ROMs, DVDs und andere digitale Quellen wie ein Netzwerk oder das Internet.
Die Singularformen „ein“, „eine“ und „der/die/das“ schließen Bezugnahmen auf den Plural ein, sofern der Kontext nicht eindeutig etwas anderes vorschreibt. „Optional“ oder „wahlweise“ bedeutet, dass das nachfolgend beschriebene Ereignis oder der Umstand eintreten kann oder nicht, und dass die Beschreibung Fälle enthalten kann, in denen das Ereignis eintritt, und Fälle, in denen es nicht eintritt. Annäherungssprache, wie sie hier in der gesamten Beschreibung und den Ansprüchen verwendet wird, kann angewendet werden, um jede quantitative Darstellung zu modifizieren, die zulässigerweise variieren könnte, ohne zu einer Änderung der Grundfunktion zu führen, auf die sie sich beziehen kann. Dementsprechend ist ein Wert, der durch einen Begriff oder Begriffe wie „etwa“, „im Wesentlichen“ und „ungefähr“ modifiziert wird, möglicherweise nicht auf den angegebenen genauen Wert beschränkt. Zumindest in einigen Fällen kann die Annäherungssprache der Genauigkeit eines Instruments zum Messen des Werts entsprechen. Hier und in der gesamten Beschreibung und den Ansprüchen können Bereichsbeschränkungen kombiniert und/oder ausgetauscht werden, solche Bereiche können identifiziert werden und alle darin enthaltenen Unterbereiche umfassen, sofern Kontext oder Sprache nichts anderes angeben.
Diese schriftliche Beschreibung verwendet Beispiele, um die Ausführungsformen zu offenbaren, einschließlich des besten Modus, und um es einem Durchschnittsfachmann zu ermöglichen, die Ausführungsformen zu praktizieren, einschließlich der Herstellung und Verwendung beliebiger Vorrichtungen oder Systeme und der Durchführung beliebiger integrierter Verfahren. Die Ansprüche definieren den patentierbaren Umfang der Offenbarung und schließen andere Beispiele ein, die dem Durchschnittsfachmann einfallen. Solche anderen Beispiele sollen im Umfang der Ansprüche liegen, wenn sie strukturelle Elemente aufweisen, die sich nicht von der wörtlichen Sprache der Ansprüche unterscheiden oder wenn sie äquivalente Strukturelemente mit unwesentlichen Abweichungen von der wörtlichen Sprache der Ansprüche enthalten.

Claims

Verfahren, umfassend: Erhalten eines Transportereignisses und einer Transportereigniszeit eines Fahrzeugsystems an einem aktuellen Standort des Fahrzeugsystems auf einer Route von einem Ursprung zu einem Ziel; Bestimmen von Transportereignisbedingungen basierend auf vergangenheitsbezogenen Transportdaten; Vorhersagen optimaler Transportrouten durch mathematische Optimierungsverfahren basierend auf einer oder mehreren von vergangenheitsbezogenen Transportrouten, Vertragsrouten, Vertragsknotenpunkten und Stationsstammdaten; Clustern von Transportereignisdaten-Clustern aus den vergangenheitsbezogenen Transportdaten unter Verwendung eines maschinellen Lernklassifizierungsverfahrens; Abgleichen der Transportereignisdaten-Cluster mit vergangenheitsbezogenen Transportclustern am aktuellen Standort; und Vorhersagen einer geschätzten Ankunftszeit (ETA) des Fahrzeugsystems am Ziel unter Verwendung eines maschinellen Lernmodells.
Verfahren nach Anspruch 1, wobei das Transportereignis ein oder mehrere Transportereignisattribute und ein oder mehrere Sendungsattribute umfasst, wobei das eine oder die mehreren Transportereignisattribute eines oder mehrere von Verkehr anderer Fahrzeugsysteme auf der Route, Verkehr anderer Fahrzeugsysteme an einem oder mehreren von Ursprung und Ziel, eine Entfernung des Fahrzeugsystems von einem oder mehreren des Ursprungs oder des Ziels, ein Standort des Fahrzeugsystems, eine Geschwindigkeit des Fahrzeugsystems und Wetterbedingungen umfassen, und das eine oder die mehreren Sendungsattribute einen oder mehrere von einem Frachtbrief und einer Frachtbriefänderung umfassen.
Verfahren nach Anspruch 1, wobei das Verfahren ferner Folgendes umfasst: Erzeugen der vergangenheitsbezogenen Transportdaten-Cluster aus einem oder mehreren der vergangenheitsbezogenen Transportdaten basierend auf dem aktuellen Standort des Fahrzeugsystems oder der Route, wobei das Erzeugen der vergangenheitsbezogenen Transportdaten-Cluster ferner das Bestimmen einer gleitenden durchschnittlichen Dauer abgeschlossener Fahrten vom Ursprung zum Ziel durch eines oder mehrere des Fahrzeugsystems oder eines anderen Fahrzeugsystems umfasst.
Verfahren nach Anspruch 1, wobei das maschinelle Lernmodell mehrere Klassifizierungsalgorithmen umfasst, wobei jeder der mehreren Klassifizierungsalgorithmen Transportereignisdaten-Cluster erzeugt, wobei das Verfahren ferner Folgendes umfasst: Durchführen einer oder mehrerer einer Gittersuche oder einer Zufallssuche der Klassifizierungsalgorithmen, um optimale Hyperparameter des maschinellen Lernmodells zu erzeugen; Kreuzvalidieren der Klassifizierungsalgorithmen; und Auswählen eines genauesten Klassifizierungsalgorithmus für die ETA des Fahrzeugsystems zum Ziel.
Verfahren nach Anspruch 4, ferner umfassend: Erzeugen mehrerer Regressionsmodelle aus den Transportereignisdaten-Clustern, die konfiguriert sind, um die ETA vorherzusagen; Durchführen einer oder mehrerer einer Rastersuche oder einer Zufallssuche der Regressionsmodelle, um optimale Hyperparameter des maschinellen Lernmodells zu erzeugen; Kreuzvalidieren der Regressionsmodelle; und Auswählen eines genauesten Regressionsmodells für die ETA des Fahrzeugsystems zum Ziel.
System, umfassend: ein oder mehrere Prozessoren, die dazu konfiguriert sind, um ein Transportereignis und eine Transportereigniszeit eines Fahrzeugsystems an einem aktuellen Standort des Fahrzeugsystems auf einer Route von einem Ursprung zu einem Ziel zu erhalten; Transportereignisbedingungen basierend auf vergangenheitsbezogenen Transportdaten zu bestimmen; durch mathematische Optimierungsverfahren optimale Transportrouten basierend auf einer oder mehreren von vergangenheitsbezogenen Transportrouten, Vertragsrouten, Vertragsknotenpunkten und Stationsstammdaten vorherzusagen; aus den vergangenheitsbezogenen Transportdaten durch ein maschinelles Lernklassifizierungsverfahren Cluster von Transportereignisdaten zu gruppieren; am aktuellen Standort die Transportereignisdaten mit vergangenheitsbezogenen Transportdaten-Klassifizierungsclustern für maschinelles Lernen abzugleichen; und durch ein maschinelles Lernmodell eine geschätzte Ankunftszeit (ETA) des Fahrzeugsystems am Ziel vorherzusagen.
System nach Anspruch 6, wobei das Transportereignis ein oder mehrere Transportereignisattribute und ein oder mehrere Sendungsattribute umfasst, wobei das eine oder die mehreren Transportereignisattribute eines oder mehrere von Verkehr anderer Fahrzeugsysteme auf der Route, Verkehr anderer Fahrzeugsysteme an einem oder mehreren von Ursprung und Ziel, eine Entfernung des Fahrzeugsystems von einem oder mehreren des Ursprungs oder des Ziels, ein Standort des Fahrzeugsystems, eine Geschwindigkeit des Fahrzeugsystems und Wetterbedingungen umfassen, und das eine oder die mehreren Sendungsattribute einen Frachtbrief und/oder eine Frachtbriefänderung umfassen.
System nach Anspruch 6, wobei der eine oder die mehreren Prozessoren konfiguriert sind, um die vergangenheitsbezogenen Transportdaten-Cluster durch Bestimmen einer gleitenden Durchschnittsdauer abgeschlossener Fahrten vom Ursprung zum Ziel durch eines oder mehrere des Fahrzeugsystems oder eines anderen Fahrzeugsystems zu erzeugen.
System nach Anspruch 6, wobei das maschinelle Lernmodell mehrere Klassifizierungsalgorithmen umfasst, wobei jeder der mehreren Klassifizierungsalgorithmen konfiguriert ist, um Transportereignisdaten-Cluster zu erzeugen, wobei der eine oder die mehreren Prozessoren ferner konfiguriert sind, um: eine oder mehrere einer Gittersuche oder einer Zufallssuche der Klassifizierungsalgorithmen durchzuführen, um optimale Hyperparameter des maschinellen Lernmodells zu erzeugen; die Klassifikationsalgorithmen zu validieren; und einen möglichst genauen Klassifizierungsalgorithmus für die ETA des Fahrzeugsystems zum Ziel auszuwählen.
System nach Anspruch 9, wobei der eine oder die mehreren Prozessoren ferner konfiguriert sind, um: aus den Transportereignisdatenclustern mehrere Regressionsmodelle zu erzeugen, die konfiguriert sind, um die ETA vorherzusagen; eine oder mehrere einer Gittersuche oder einer Zufallssuche der Regressionsmodelle durchzuführen, um optimale Hyperparameter des maschinellen Lernmodells zu erzeugen; die Regressionsmodelle zu validieren; und ein möglichst genaues Regressionsmodell für die ETA des Fahrzeugsystems zum Ziel auszuwählen.