EP3437958A1 - Abschätzen einer voraussichtlichen fahrzeit eines schienenfahrzeugs - Google Patents

Abschätzen einer voraussichtlichen fahrzeit eines schienenfahrzeugs Download PDF

Info

Publication number
EP3437958A1
EP3437958A1 EP18186042.0A EP18186042A EP3437958A1 EP 3437958 A1 EP3437958 A1 EP 3437958A1 EP 18186042 A EP18186042 A EP 18186042A EP 3437958 A1 EP3437958 A1 EP 3437958A1
Authority
EP
European Patent Office
Prior art keywords
route
context information
travel time
rail vehicle
rki
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.)
Withdrawn
Application number
EP18186042.0A
Other languages
English (en)
French (fr)
Inventor
Steven Alexander Calder
Hamed Ketabdar
Navid Nourani-Vatani
Andrew Palmer
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.)
Siemens Mobility GmbH
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of EP3437958A1 publication Critical patent/EP3437958A1/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/10—Operations, e.g. scheduling or time tables
    • B61L27/16—Trackside optimisation of vehicle or train operation
    • 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
    • B61L27/12—Preparing schedules

Definitions

  • the invention relates to a method for estimating a probable travel time of a rail vehicle. Moreover, the invention relates to a driving time estimating device. Furthermore, the invention relates to a traffic system.
  • timetables for example timetables, for public transport systems can be created so that passengers can estimate the time they need to reach a particular destination.
  • an expected arrival time and / or departure time of a vehicle is determined on the basis of an expected driving speed and transmitted via a communication device to a user.
  • This object is achieved by a method for estimating a probable travel time of a rail vehicle according to claim 1, a driving time estimating device according to claim 5 and a traffic system according to claim 6.
  • context information is compared with historical reference context information about the route or a route comparable to the route from a database, the reference context information additionally having historical travel time information about the assigned route.
  • a route comparable to the current route is a route with comparable route parameters. For example, the length and the topography of the route are comparable, there are similar traffic densities, etc. It may be assumed in such a case that with a similar context, for example with a similarly fast vehicle under similar traffic conditions, a similar travel time is achieved.
  • an estimated travel time for the route to be traveled is determined based on the comparison of the context information with the historical reference context information. For example, the estimated travel time may be determined on the basis of reference data records selected using the comparison and the current context information. In this case, an estimation method trained by the reference context information stored in the database is used, wherein the training of the estimation method comprises a machine learning method.
  • railway operators can advantageously create more exact timetables.
  • the method may also be advantageously used to update timetables in response to a changing context and thus to provide passengers with more reliable and accurate information and to fine-tune the driving experience.
  • the use of a machine learning method is particularly advantageous if a route section is passed through for the first time and no historical data from this route section is available yet.
  • the travel time can be based on reference data from other routes having similar characteristics as the current route.
  • context data or reference data can be obtained and evaluated in real time from the currently already traveled part of the traveled section of the route.
  • the two approaches can also be combined to provide a more accurate estimate of travel time.
  • the estimated travel time can be estimated on a broad database of reference data records. so that due to statistical effects, the reliability and accuracy of the estimation result is increased.
  • the training of the estimation method comprises a machine learning method.
  • examples can be learned and these are generalized after completion of the learning phase. That is, the examples are not simply learned by heart, but patterns and laws are identified in the learning data. This allows unknown data to be assessed afterwards.
  • Part of the driving time estimation device according to the invention is also a comparison unit, which is set up to compare the context information with historical reference context information about the route or a route comparable to the route from a database.
  • the reference context information additionally has historical travel time information about the route to be traveled.
  • the driving time estimating device also includes an estimation unit for determining the estimated travel time for the route to be traveled on the basis of the comparison of the context information with the historical reference context information using an estimation method trained by the reference context information stored in the database by a machine learning method.
  • the driving time estimating device shares the advantages of the method according to the invention for estimating an expected journey time of a rail vehicle.
  • the traffic system according to the invention comprises the time estimator according to the invention.
  • the time estimating device according to the invention shares the advantages of the time estimating device according to the invention.
  • Some components of the time estimating device can for the most part be designed in the form of software components. This concerns in particular parts of the context determination unit, the comparison unit and the estimation unit. In principle, however, these components can also be partly realized, in particular in the case of particularly fast calculations, in the form of software-supported hardware, for example FPGAs or the like.
  • the required interfaces for example, if it is only about a transfer of data from other software components, be designed as software interfaces. However, they can also be configured as hardware-based interfaces, which are controlled by suitable software.
  • the calculations can also take place outside the rail vehicle in an external central computer unit, for example as the central computer of a data network. Current context information collected by vehicle sensors may optionally be transmitted by the rail vehicle to this external central computer unit. Conversely, travel time information determined by the central computer unit can also be transmitted to individual rail vehicles.
  • a largely software-based implementation has the advantage that already existing in a traffic control system existing computer systems can be easily retrofitted by a software update to work in the inventive way.
  • the problem is also solved by a corresponding computer program product with a computer program, which directly into a memory device of such computer system is loadable, with program sections to perform all the steps of the inventive method when the computer program is executed in the computer system.
  • Such a computer program product may contain, in addition to the computer program, additional components, e.g. a documentation and / or additional components, also hardware components, such as e.g. Hardware keys (dongles, etc.) for using the software include
  • a computer-readable medium for example a memory stick, a hard disk or another portable or permanently installed data carrier can be used, on which the computer program readable and executable by a computer unit are stored.
  • the computer unit may e.g. for this purpose have one or more cooperating microprocessors or the like.
  • the measures described improve the effectiveness of rail transport and increase passenger comfort.
  • a reference data record with reference context information is identified on the basis of the comparison which comes closest to the determined context information and the estimated travel time is determined on the basis of the historical travel time information assigned to the selected reference data record.
  • a historical reference data set is selected, which most closely corresponds to the current scenario. The similarity of the historical reference data record can be determined by comparing the individual historical context information associated with it with the corresponding context information of the current traffic situation. The better the historical reference data set corresponds to the current scenario, the easier it is to transfer the travel time information of the historical reference data record to the current situation.
  • the information mentioned can have an influence on the speed of a rail vehicle, it is advantageous to take into account at least a part of it in the travel time determination. If reference data sets for the same route or a route with comparable route parameters whose context information corresponds to the current context situation of the rail vehicle are found, it is possible to directly estimate a travel time for a route currently being traveled on the basis of travel times of the reference data records.
  • the determination of the probable travel time is based on a reference data set stored in the database estimation method.
  • a flow chart 100 is shown which illustrates a method for estimating a probable travel time t F of a rail vehicle according to an embodiment of the invention.
  • a route FS with start and destination is first determined by a user.
  • parameter data of the route can also be obtained from a database or from an on-board computer unit.
  • a route length SL of the travel distance FS to be traveled by the rail vehicle is determined.
  • current context information KI which relate to current driving time-relevant influencing factors for a route to be covered by the rail vehicle, are determined.
  • step 1.IV current weather information, information about the current traffic situation, information about daytime, regularly occurring restrictions and information about the driving profile of the driver are determined, for example via the Internet.
  • step 1.IV the context information KI and the determined route information FS, LS and additionally historical reference context information RKI and route information RFS, RLS from a database are then used to estimate an anticipated travel time t F.
  • t F There are a variety of methods available for estimating travel time. For example, monitored or unmonitored machine learning techniques, nearest neighbor comparisons, or simulation based approaches may be used.
  • FIG. 2 a block diagram is shown which illustrates a time estimator 20 according to an embodiment of the invention.
  • the time estimator 20 may, for example, be centrally located in a traffic control center.
  • the time estimator 20 includes a communication interface 21 for communication with external units and users. Via the communication interface 21, the position determining device 20 receives, for example, information FS about a current route, in particular start and destination, and possibly additional information, such as the route length SL, from a user.
  • the input data FS, SL are forwarded to a context determination unit 22, which searches on the basis of these data SL, FS suitable context information KI to the current route. For this purpose, corresponding context data KI, for example weather data, are searched for and acquired on the Internet via the communication interface 21.
  • the determined context information KI and further data FS, SL characterizing the relevant route FS are transmitted to a comparison unit 23.
  • the comparison unit 23 compares the determined context information KI with historical reference context information RKI.
  • the historical reference context information RKI is retrieved from an external database DB, and a reference data record NRD with reference context information RKI which is most similar to the context information KI of the current route is finally identified as a suitable reference data record NRD and transmitted to an estimation unit 24.
  • the estimation unit 24 determines, based on the selected reference data set NRD, an anticipated travel time t F for the selected travel route FS.
  • the determined travel time t F can finally be output via the communication interface 21 to a user or a traffic control device.
  • the estimation process may alternatively be based on a plurality of reference data sets NRD, these being for training the estimation unit 24, which then estimates a probable travel time t F on the basis of a trained model and the detected current context information KI of the current route FS.
  • the traffic system 30 comprises a plurality of rail vehicles 31a, 31b, 31c and a travel time estimation device 20 of the rail vehicles 31a, 31b, 31c data, in particular current context data KI, but also route parameters FS, LS over different routes over a communication interface 21 to the Driving time estimation device 20 transmitted.
  • the driving time estimating device 20 determines estimated travel times t F for the individual vehicles 31a, 31b, 31c and transmits these data t F to these vehicles 31 a, 31 b, 31 c as well as a traffic control device 32.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

Es wird ein Verfahren zum Abschätzen einer voraussichtlichen Fahrzeit (t F ) eines Schienenfahrzeugs (31a, 31b, 31c) beschrieben. Bei dem Verfahren werden aktuelle Kontextinformationen (KI) ermittelt, welche aktuelle fahrzeitrelevante Einflussfaktoren für eine von dem Schienenfahrzeug (30) zurückzulegende Fahrstrecke (FS) betreffen. Es werden Kontextinformationen (KI) mit historischen Referenz-Kontextinformationen (RKI) zu der Fahrstrecke (FS) oder einer mit der Fahrstrecke vergleichbaren Fahrstrecke aus einer Datenbank vergleichen. Dabei weisen die Referenz-Kontextinformationen (RKI) zusätzlich historische Fahrzeitinformationen zu einer zugeordneten Fahrstrecke auf. Schließlich wird die voraussichtliche Fahrzeit (t F ) für die zurückzulegende Fahrstrecke (FS) auf Basis des Vergleichs der Kontextinformationen (KI) mit den historischen Referenz-Kontextinformationen (RKI) ermittelt, wobei die Ermittlung der voraussichtlichen Fahrzeit (t F ) auf Basis eines durch die in der Datenbank (DB) abgespeicherten Referenzkontextinformationen (RKI) trainierten Schätzverfahrens erfolgt und das Training des Schätzverfahrens ein maschinelles Lernverfahren umfasst. Es wird auch eine Fahrzeitschätzeinrichtung (20) beschrieben. Überdies wird ein Verkehrssystem (30) beschrieben.

Description

  • Die Erfindung betrifft ein Verfahren zum Abschätzen einer voraussichtlichen Fahrzeit eines Schienenfahrzeugs. Überdies betrifft die Erfindung eine Fahrzeitschätzeinrichtung. Weiterhin betrifft die Erfindung ein Verkehrssystem.
  • Bei der Organisation des Schienenverkehrs ist es besonders wichtig, planen zu können, welche Fahrzeit ein Schienenfahrzeug von einem Ort zu einem anderen Ort benötigt. Denn auf Basis dieser Informationen können Zeitpläne, beispielsweise Fahrpläne, für öffentliche Transportsysteme erstellt werden, damit die Passagiere einschätzen können, welche Zeit sie benötigen, um ein bestimmtes Fahrziel zu erreichen.
  • Üblicherweise werden in Navigationssystemen Distanzen zwischen einzelnen Orten und Informationen über Geschwindigkeitsbeschränkungen genutzt, um eine voraussichtliche Fahrzeit zu ermitteln. Allerdings gibt es eine Vielzahl von weiteren Faktoren, welche die Fahrzeit eines Schienenfahrzeugs beeinflussen können.
  • In DE 10 2016 215 767 A1 wird ein Verfahren zur Vorhersage eines erwarteten Zuglaufs beschrieben. Dabei werden historische Rahmenbedingungen und Fahrtdaten aus einer Datenbank mit aktuellen Rahmenbedingungen und Fahrtdaten verglichen und basierend auf den historischen Rahmenbedingungen und Fahrtdaten wird der zu erwartende Zuglauf bestimmt.
  • In DE 2005 051 077 A1 wird ein Verfahren zum Erfassen und Berücksichtigen von Seitenwindbelastungen bei einem in Fahrt befindlichen Schienenfahrzeug beschrieben.
  • In DE 10 2009 023 704 A1 wird ein Verfahren zur Information von Fahrpersonal in einem Schienenfahrzeug über ein Darstellungsmittel beschrieben.
  • In DE 196 33 525 wird eine zu erwartende Ankunftszeit und/oder Abfahrtszeit eines Fahrzeugs auf Basis einer zu erwartenden Fahrgeschwindigkeit ermittelt und über eine Kommunikationseinrichtung an einen Benutzer übermittelt.
  • Es besteht also die Aufgabe, ein Verfahren und eine Vorrichtung anzugeben, mit denen eine exaktere Zeitplanung für die Fahrt von Schienenfahrzeugen möglich ist.
  • Diese Aufgabe wird durch ein Verfahren zum Abschätzen einer voraussichtlichen Fahrzeit eines Schienenfahrzeugs gemäß Patentanspruch 1, eine Fahrzeitschätzeinrichtung gemäß Patentanspruch 5 und ein Verkehrssystem gemäß Patentanspruch 6 gelöst.
  • Bei dem erfindungsgemäßen Verfahren zum Abschätzen einer voraussichtlichen Fahrzeit eines Schienenfahrzeugs werden aktuelle Kontextinformationen, welche aktuelle fahrzeitrelevante Einflussfaktoren für eine von dem Schienenfahrzeug zurückzulegende Fahrstrecke betreffen, ermittelt.
  • Weiterhin werden Kontextinformationen mit historischen Referenz-Kontextinformationen zu der Fahrstrecke oder einer mit der Fahrstrecke vergleichbaren Fahrstrecke aus einer Datenbank verglichen, wobei die Referenz-Kontextinformationen zusätzlich historische Fahrzeitinformationen zu der zugeordneten Fahrstrecke aufweisen. Bei einer mit der aktuellen Fahrstrecke vergleichbaren Fahrstrecke handelt es sich um eine Fahrstrecke mit vergleichbaren Streckenparametern. Beispielsweise ist die Länge und die Topographie der Strecke vergleichbar, herrschen dort ähnliche Verkehrsdichten usw.. Es kann in einem solchen Fall davon ausgegangen werden, dass mit einem ähnlichen Kontext, beispielsweise mit einem ähnlich schnellen Fahrzeug bei ähnlichen Verkehrsbedingungen, eine ähnliche Fahrzeit erreicht wird. Schließlich wird eine voraussichtliche Fahrzeit für die zurückzulegende Fahrstrecke auf Basis des Vergleichs der Kontextinformationen mit den historischen Referenz-Kontextinformationen ermittelt. Das Ermitteln der voraussichtlichen Fahrzeit kann zum Beispiel auf Basis von mit Hilfe des Vergleichs ausgewählten Referenzdatensätzen und den aktuellen Kontextinformationen erfolgen. Dabei kommt ein durch die in der Datenbank abgespeicherten Referenzkontextinformationen trainiertes Schätzverfahren zum Einsatz, wobei das Training des Schätzverfahrens ein maschinelles Lernverfahren umfasst.
  • Aufgrund der genaueren Fahrzeitermittlung können von Bahnbetreibern vorteilhaft exaktere Fahrpläne erstellt werden. Das Verfahren kann zudem auch vorteilhaft dazu eingesetzt werden, Fahrpläne in Abhängigkeit von einem sich ändernden Kontext zu aktualisieren und somit den Fahrgästen verlässlichere und präzisere Informationen zukommen zu lassen und den Fahrbetrieb exakter abstimmen zu können.
  • Der Einsatz eines maschinellen Lernverfahrens ist besonders vorteilhaft, wenn ein Streckenabschnitt zum ersten Mal durchfahren wird und noch keine historischen Daten von diesem Streckenabschnitt zur Verfügung stehen. In diesem Fall kann die Fahrzeit auf Basis von Referenzdaten von anderen Strecken erfolgen, welche ähnliche Eigenschaften wie die aktuelle Strecke aufweisen.
  • Außerdem können in Echtzeit Kontextdaten bzw. Referenzdaten von dem aktuell bereits zurücklegten Teil des befahrenen Streckenabschnitts gewonnen und ausgewertet werden. Die beiden Vorgehensweisen können auch kombiniert werden, um eine genauere Schätzung der Fahrzeit vornehmen zu können.
  • Vorteilhaft kann mit Hilfe eines derart trainierten Schätzverfahrens die Einschätzung der voraussichtlichen Fahrzeit auf einer breiten Datenbasis von Referenz-Datensätzen erfolgen, so dass aufgrund von statistischen Effekten die Zuverlässigkeit und Genauigkeit des Schätzergebnisses erhöht wird.
  • In einer Ausgestaltung des erfindungsgemäßen Verfahrens zum Abschätzen einer voraussichtlichen Fahrzeit eines Schienenfahrzeugs umfasst das Training des Schätzverfahrens ein maschinelles Lernverfahren.
  • Mit einem maschinellen Lernverfahren kann aus Beispielen gelernt werden und diese werden nach Beendigung der Lernphase verallgemeinert. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es werden Muster und Gesetzmäßigkeiten in den Lerndaten erkannt. So können anschließend auch unbekannte Daten beurteilt werden.
  • Die erfindungsgemäße Fahrzeitschätzeinrichtung für ein Schienenfahrzeug umfasst eine Kontextermittlungseinheit zum Ermitteln von aktuellen Kontextinformationen, welche aktuelle fahrzeitrelevante Einflussfaktoren für eine von dem Schienenfahrzeug zurückzulegende Fahrstrecke betreffen. Teil der erfindungsgemäßen Fahrzeitschätzeinrichtung ist auch eine Vergleichseinheit, welche dazu eingerichtet ist, die Kontextinformationen mit historischen Referenz-Kontextinformationen zu der Fahrstrecke oder einer mit der Fahrstrecke vergleichbaren Fahrstrecke aus einer Datenbank zu vergleichen. Die Referenz-Kontextinformationen weisen zusätzlich historische Fahrzeitinformationen zu der zurückzulegenden Fahrstrecke auf.
  • Schließlich weist die erfindungsgemäße Fahrzeitschätzeinrichtung auch eine Schätzeinheit zum Ermitteln der voraussichtlichen Fahrzeit für die zurückzulegende Fahrstrecke auf Basis des Vergleichs der Kontextinformationen mit den historischen Referenz-Kontextinformationen mit Hilfe eines durch die in der Datenbank abgespeicherten Referenzkontextinformationen durch ein maschinelles Lernverfahren trainierten Schätzverfahrens auf. Die erfindungsgemäße Fahrzeitschätzeinrichtung teilt die Vorteile des erfindungsgemäßen Verfahrens zum Abschätzen einer voraussichtlichen Fahrzeit eines Schienenfahrzeugs.
  • Das erfindungsgemäße Verkehrssystem weist die erfindungsgemäße Zeitschätzeinrichtung auf. Die erfindungsgemäße Zeitschätzeinrichtung teilt die Vorteile der erfindungsgemäßen Zeitschätzeinrichtung.
  • Einige Komponenten der erfindungsgemäßen Zeitschätzeinrichtung können zum überwiegenden Teil in Form von Softwarekomponenten ausgebildet sein. Dies betrifft insbesondere Teile der Kontextermittlungseinheit, der Vergleichseinheit und der Schätzeinheit. Grundsätzlich können diese Komponenten aber auch zum Teil, insbesondere wenn es um besonders schnelle Berechnungen geht, in Form von softwareunterstützter Hardware, beispielsweise FPGAs oder dergleichen, realisiert sein. Ebenso können die benötigten Schnittstellen, beispielsweise wenn es nur um eine Übernahme von Daten aus anderen Softwarekomponenten geht, als Softwareschnittstellen ausgebildet sein. Sie können aber auch als hardwaremäßig aufgebaute Schnittstellen ausgebildet sein, die durch geeignete Software angesteuert werden. Die Berechnungen können auch außerhalb des Schienenfahrzeugs in einer externen zentralen Rechnereinheit, beispielsweise als Zentralrechner eines Datennetzwerks, erfolgen. Aktuelle, durch Fahrzeugsensoren erfasst Kontextinformationen können gegebenenfalls von dem Schienenfahrzeug an diese externe zentrale Rechnereinheit übermittelt werden. Umgekehrt können auch von der zentralen Rechnereinheit ermittelte Fahrzeitinformationen an einzelne Schienenfahrzeuge übermittelt werden.
  • Eine weitgehend softwaremäßige Realisierung hat den Vorteil, dass auch schon bisher in einem Verkehrsleitsystem vorhandene Rechnersysteme auf einfache Weise durch ein Software-Update nachgerüstet werden können, um auf die erfindungsgemäße Weise zu arbeiten. Insofern wird die Aufgabe auch durch ein entsprechendes Computerprogrammprodukt mit einem Computerprogramm gelöst, welches direkt in eine Speichereinrichtung eines solchen Rechnersystems ladbar ist, mit Programmabschnitten, um alle Schritte des erfindungsgemäßen Verfahrens auszuführen, wenn das Computerprogramm in dem Rechnersystem ausgeführt wird.
  • Ein solches Computerprogrammprodukt kann neben dem Computerprogramm gegebenenfalls zusätzliche Bestandteile, wie z.B. eine Dokumentation und/oder zusätzliche Komponenten, auch Hardware-Komponenten, wie z.B. Hardware-Schlüssel (Dongles etc.) zur Nutzung der Software, umfassen
  • Zum Transport zur Speichereinrichtung des Rechnersystems und/oder zur Speicherung an dem Rechnersystem kann ein computerlesbares Medium, beispielsweise ein Memorystick, eine Festplatte oder ein sonstiger transportabler oder fest eingebauter Datenträger dienen, auf welchem die von einer Rechnereinheit einlesbaren und ausführbaren Programmabschnitte des Computerprogramms gespeichert sind. Die Rechnereinheit kann z.B. hierzu einen oder mehrere zusammenarbeitende Mikroprozessoren oder dergleichen aufweisen.
  • Die abhängigen Ansprüche sowie die nachfolgende Beschreibung enthalten jeweils besonders vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung. Dabei können insbesondere die Ansprüche einer Anspruchskategorie auch analog zu den abhängigen Ansprüchen einer anderen Anspruchskategorie und deren Beschreibungsteilen weitergebildet sein. Zudem können im Rahmen der Erfindung auch die verschiedenen Merkmale unterschiedlicher Ausführungsbeispiele und Ansprüche auch zu neuen Ausführungsbeispielen kombiniert werden.
  • Vorteilhaft kann die mit dem erfindungsgemäßen Verfahren ermittelte voraussichtliche Fahrzeit für mindestens eine der folgenden Maßnahmen genutzt werden:
    • Aktualisieren der voraussichtlichen Fahrzeit auf den Bildanzeigen des Schienenfahrzeugs,
    • Informieren von Passagieren und/oder anderen Zügen über die voraussichtliche Fahrzeit,
    • Optimieren des Geschwindigkeitsprofils und/oder des Energieverbrauchs des Schienenfahrzeugs,
    • Vorbereiten der Infrastruktur, wie z.B. Weichen, Signale, Haltepunkte, auf die Ankunft des Schienenfahrzeugs.
  • Durch die beschriebenen Maßnahmen wird die Effektivität des Schienenverkehrs verbessert und der Komfort für die Reisenden gesteigert.
  • In einer Ausgestaltung des erfindungsgemäßen Verfahrens zum Abschätzen einer voraussichtlichen Fahrzeit eines Schienenfahrzeugs wird auf Basis des Vergleichs ein Referenzdatensatz mit Referenz-Kontextinformationen identifiziert, welcher den ermittelten Kontextinformationen am nächsten kommt und das Ermitteln der voraussichtlichen Fahrzeit erfolgt auf Basis der dem ausgewählten Referenzdatensatz zugeordneten historischen Fahrzeitinformationen. Vorteilhaft wird bei dieser Variante ein historischer Referenzdatensatz gewählt, der dem aktuellen Szenario am ehesten entspricht. Die Ähnlichkeit des historischen Referenz-Datensatzes kann dabei durch Vergleich der einzelnen ihm zugehordneten historischen Kontextinformationen mit den entsprechenden Kontextinformationen der aktuellen Verkehrssituation ermittelt werden. Je besser der historische Referenz-Datensatz dem aktuellen Szenario entspricht, desto einfacher können die Fahrzeitinformationen des historischen Referenz-Datensatzes auf die aktuelle Situation übertragen werden.
  • In einer bevorzugten Ausgestaltung des erfindungsgemäßen Verfahrens zum Abschätzen einer voraussichtlichen Fahrzeit eines Schienenfahrzeugs umfassen die Kontextinformationen Informationen, welche das Abschätzen der Fahrzeit verbessern können, vorzugsweise mindestens einen Teil der folgenden Informationsarten:
    • Wetterdaten,
    • Jahreszeitdaten,
    • das Datum und die Uhrzeit,
    • den Fahrzeugtyp,
    • den Streckentyp,
    • den Streckenzustand,
    • den Namen und/oder eine Identitätsnummer und/oder ein anderes eindeutiges Kennzeichen des Fahrers, welches zu dessen eindeutiger Identifizierung genutzt werden kann,
    • die letzte Fahrzeit für die Fahrstrecke,
    • Zeitpunkte und Orte öffentlicher Ereignisse und Veranstaltungen, wie zum Beispiel Ferienzeiten, Konzerte usw.,
    • die Anzahl von Buchungen und/oder Reservierungen,
    • die Anzahl von Zwischenstopps und Verbindungen mit anderen Zügen, Verspätungszeiten der einzelnen Züge und ihre Ankunftszeiten.
  • Da die genannten Informationen Einfluss auf die Geschwindigkeit eines Schienenfahrzeugs haben können, ist es vorteilhaft, zumindest einen Teil davon bei der Fahrzeitermittlung mitzuberücksichtigen. Werden Referenz-Datensätze für dieselbe Fahrstrecke oder eine Fahrstrecke mit vergleichbaren Streckenparametern, deren Kontextinformationen der aktuellen Kontextsituation des Schienenfahrzeugs entspricht, gefunden, so kann anhand von Fahrzeitangaben der Referenz-Datensätze eine Fahrzeit für eine aktuell zurückzulegende Fahrstrecke direkt abgeschätzt werden.
  • In einer Variante des erfindungsgemäßen Verfahrens zum Abschätzen einer voraussichtlichen Fahrzeit eines Schienenfahrzeugs erfolgt für den Fall, dass keine Referenz-Kontextinformation gefunden wurde, welche der aktuellen Situation entspricht, die Ermittlung der voraussichtlichen Fahrzeit auf Basis eines durch die in der Datenbank abgespeicherten Referenz-Datensätze trainierten Schätzverfahrens.
  • Die Erfindung wird im Folgenden unter Hinweis auf die beigefügten Figuren anhand von Ausführungsbeispielen noch einmal näher erläutert. Es zeigen:
    • FIG 1
    ein Flussdiagramm, welches ein Verfahren zum Abschätzen einer voraussichtlichen Fahrzeit eines Schienenfahr-zeugs gemäß einem ersten Ausführungsbeispiel der Erfin-dung veranschaulicht,
    FIG 2
    ein Blockdiagramm, welches eine Zeitschätzeinrichtung gemäß einem Ausführungsbeispiel der Erfindung veran-schaulicht,
    FIG 3
    ein Blockdiagramm, welches ein Verkehrssystem mit einer Zeitschätzeinrichtung gemäß einem Ausführungsbeispiel der Erfindung veranschaulicht.
  • In FIG 1 ist ein Flussdiagramm 100 gezeigt, welches ein Verfahren zum Abschätzen einer voraussichtlichen Fahrzeit tF eines Schienenfahrzeugs gemäß einem Ausführungsbeispiel der Erfindung veranschaulicht. Bei dem Schritt 1.I wird zunächst eine Fahrstrecke FS mit Start- und Zielort von einem Benutzer festgelegt. Alternativ können Parameterdaten der Fahrstrecke auch aus einer Datenbank oder von einer bordseitigen Rechnereinheit bezogen werden. Nachfolgend wird bei dem Schritt 1.II eine Streckenlänge SL der von dem Schienenfahrzeug zurückzulegenden Fahrstrecke FS ermittelt. Weiterhin werden bei dem Schritt 1.III aktuelle Kontextinformationen KI, welche aktuelle fahrzeitrelevante Einflussfaktoren für eine von dem Schienenfahrzeug zurückzulegende Fahrstrecke betreffen, ermittelt. Hierzu werden zum Beispiel über das Internet aktuelle Wetterinformationen, Informationen über die aktuelle Verkehrssituation, Informationen über tageszeitbedingte, regelmäßig vorkommende Einschränkungen und Informationen über das Fahrprofil des Fahrers ermittelt. Bei dem Schritt 1.IV werden dann die Kontextinformationen KI sowie die ermittelten Routeninformationen FS, LS und zusätzlich historische Referenz-Kontextinformationen RKI und Routeninformationen RFS, RLS aus einer Datenbank dazu herangezogen, eine voraussichtliche Fahrzeit tF zu schätzen. Es stehen eine Vielzahl von Methoden für das Schätzen der Fahrzeit zur Verfügung. Beispielsweise können dazu überwachte oder nicht-überwachte maschinelle Lernverfahren, Nächste-Nachbarn-Vergleiche oder simulationsbasierte Vorgehensweisen eingesetzt werden.
  • In FIG 2 ist ein Blockdiagramm gezeigt, welches eine Zeitschätzeinrichtung 20 gemäß einem Ausführungsbeispiel der Erfindung veranschaulicht. Die Zeitschätzeinrichtung 20 kann zum Beispiel zentral in einer Verkehrsüberwachungszentrale untergebracht sein. Die Zeitschätzeinrichtung 20 umfasst eine Kommunikationsschnittstelle 21 für eine Kommunikation mit externen Einheiten und Benutzern. Über die Kommunikationsschnittstelle 21 erhält die Positionsermittlungseinrichtung 20 beispielsweise von einem Benutzer Informationen FS über eine aktuelle Fahrstrecke, insbesondere Start- und Zielort, und gegebenenfalls zusätzliche Informationen, wie zum Beispiel die Streckenlänge SL. Die eingegebenen Daten FS, SL werden an eine Kontextermittlungseinheit 22 weitergegeben, welche auf Basis dieser Daten SL, FS geeignete Kontextinformationen KI zu der aktuellen Fahrstrecke sucht. Hierzu werden über die Kommunikationsschnittstelle 21 entsprechende Kontextdaten KI, beispielsweise Wetterdaten, im Internet gesucht und akquiriert. Die ermittelten Kontextinformationen KI und weitere die betreffende Fahrstrecke FS kennzeichnende Daten FS, SL werden an eine Vergleichseinheit 23 übermittelt. Die Vergleichseinheit 23 vergleicht die ermittelten Kontextinformationen KI mit historischen Referenz-Kontextinformationen RKI.
  • Die historischen Referenz-Kontextinformationen RKI werden aus einer externen Datenbank DB herausgesucht und ein Referenzdatensatz NRD mit Referenz-Kontextinformationen RKI, welche den Kontextinformationen KI der aktuellen Fahrstrecke am ähnlichsten sind, wird schließlich als geeigneter Referenzdatensatz NRD identifiziert und an eine Schätzeinheit 24 übermittelt. Die Schätzeinheit 24 ermittelt dann auf Basis des ausgewählten Referenzdatensatzes NRD eine voraussichtliche Fahrzeit tF für die gewählte Fahrstrecke FS. Die ermittelte Fahrzeit tF kann schließlich über die Kommunikationsschnittstelle 21 an einen Benutzer oder eine Verkehrsleiteinrichtung ausgegeben werden. Wie bereits erwähnt, kann der Schätzvorgang auch alternativ auf Basis einer Vielzahl von Referenzdatensätzen NRD erfolgen, wobei diese für ein Training der Schätzeinheit 24 genutzt werden, die dann auf Basis eines trainierten Modells und der erfassten aktuellen Kontextinformation KI der aktuellen Fahrstrecke FS eine voraussichtliche Fahrzeit tF schätzt.
  • In FIG 3 ist ein Verkehrssystem 30 veranschaulicht. Das Verkehrssystem 30 umfasst eine Mehrzahl von Schienenfahrzeugen 31a, 31b, 31c und eine erfindungsgemäße Fahrzeitschätzeinrichtung 20. Von den Schienenfahrzeugen 31a, 31b, 31c werden Daten, insbesondere aktuelle Kontextdaten KI, aber auch Streckenparameter FS, LS über unterschiedliche Fahrstrecken über eine Kommunikationsschnittstelle 21 an die Fahrzeitschätzeinrichtung 20 übermittelt. Auf Basis dieser Daten KI, FS, LS sowie zusätzlicher Referenzdaten, insbesondere Referenz-Kontextinformationen RKI, welche für die unterschiedlichen Fahrstrecken FS aus einer Datenbank DB bezogen werden, ermittelt die Fahrzeitschätzeinrichtung 20 voraussichtliche Fahrzeiten tF für die einzelnen Fahrzeuge 31a, 31b, 31c und übermittelt diese Daten tF an diese Fahrzeuge 31a, 31b, 31c sowie eine Verkehrsleiteinrichtung 32.
  • Es wird abschließend noch einmal darauf hingewiesen, dass es sich bei den vorbeschriebenen Verfahren und Vorrichtungen lediglich um bevorzugte Ausführungsbeispiele der Erfindung handelt und dass die Erfindung vom Fachmann variiert werden kann, ohne den Bereich der Erfindung zu verlassen, soweit er durch die Ansprüche vorgegeben ist. Es wird der Vollständigkeit halber auch darauf hingewiesen, dass die Verwendung der unbestimmten Artikel "ein" bzw. "eine" nicht ausschließt, dass die betreffenden Merkmale auch mehrfach vorhanden sein können. Ebenso schließt der Begriff "Einheit" nicht aus, dass diese aus mehreren Komponenten besteht, die gegebenenfalls auch räumlich verteilt sein können.

Claims (8)

  1. Verfahren zum Abschätzen einer voraussichtlichen Fahrzeit (tF) eines Schienenfahrzeugs (31a, 31b, 31c):
    - Ermitteln von aktuellen Kontextinformationen (KI), welche aktuelle fahrzeitrelevante Einflussfaktoren für eine von dem Schienenfahrzeug (31a, 31b, 31c) zurückzulegende Fahrstrecke (FS) betreffen,
    - Vergleichen der Kontextinformationen (KI) mit historischen Referenz-Kontextinformationen (RKI) zu der Fahrstrecke (FS) oder einer mit der Fahrstrecke (FS) vergleichbaren Fahrstrecke aus einer Datenbank (DB), wobei die Referenz-Kontextinformationen (RKI) zusätzlich historische Fahrzeitinformationen zu der zugeordneten Fahrstrecke aufweisen,
    - Ermitteln der voraussichtlichen Fahrzeit (tF) für die zurückzulegende Fahrstrecke (FS) auf Basis des Vergleichs der Kontextinformationen (KI) mit den historischen Referenz-Kontextinformationen (RKI), wobei die Ermittlung der voraussichtlichen Fahrzeit (tF) auf Basis eines durch die in der Datenbank (DB) abgespeicherten Referenzkontextinformationen (RKI) trainierten Schätzverfahrens erfolgt und das Training des Schätzverfahrens ein maschinelles Lernverfahren umfasst.
  2. Verfahren nach Anspruch 1, wobei die ermittelte voraussichtliche Fahrzeit (tF) für mindestens eine der folgenden Maßnahmen genutzt wird:
    - Aktualisieren der voraussichtlichen Fahrzeit auf Bildanzeigen des Schienenfahrzeugs (31a, 31b, 31c),
    - Informieren von Passagieren und/oder anderen Zügen über die voraussichtliche Fahrzeit (tF),
    - Optimieren des Geschwindigkeitsprofils und/oder des Energieverbrauchs des Schienenfahrzeugs (31a, 31b, 31c),
    - Vorbereiten der Infrastruktur auf die Ankunft des Schienenfahrzeugs (31a, 31b, 31c).
  3. Verfahren nach Anspruch 1 oder 2, wobei auf Basis des Vergleichs ein Referenzdatensatz (NRD) mit Referenz-Kontextinformationen (RKI) identifiziert wird, welcher den ermittelten Kontextinformationen (KI) am nächsten kommt und das Ermitteln der voraussichtlichen Fahrzeit (tF) auf Basis von dem ausgewählten Referenzdatensatz (NRD) zugeordneten historischen Fahrzeitinformationen erfolgt.
  4. Verfahren nach einem der vorstehenden Ansprüche, wobei die Kontextinformationen (KI) mindestens einen Teil der folgenden Informationsarten umfassen:
    - Wetterdaten,
    - Jahreszeitdaten,
    - das Datum und die Uhrzeit,
    - den Fahrzeugtyp,
    - den Streckentyp,
    - den Streckenzustand,
    - den Namen und/oder eine Identitätsnummer und/oder ein anderes eindeutiges Kennzeichen des Fahrers, welches zu dessen eindeutiger Identifizierung genutzt werden kann,
    - die letzte Fahrzeit für die aktuelle Fahrstrecke (FS),
    - Zeitpunkte und Orte öffentlicher Ereignisse und Veranstaltungen
    - die Anzahl von Buchungen und/oder Reservierungen
    - die Anzahl von Zwischenstopps und Verbindungen mit anderen Zügen
    - die Verspätungszeiten der einzelnen Züge und ihrer Ankunftszeiten.
  5. Fahrzeitschätzeinrichtung (20) für ein Schienenfahrzeug (31a, 31b, 31c), aufweisend:
    - eine Kontextermittlungseinheit (21) zum Ermitteln von aktuellen Kontextinformationen (KI), welche aktuelle fahrzeitrelevante Einflussfaktoren für eine von dem Schienenfahrzeug (31a, 31b, 31c) zurückzulegende Fahrstrecke (FS) betreffen,
    - eine Vergleichseinheit (22) zum Vergleichen der Kontextinformationen (KI) mit historischen Referenz-Kontextinformationen (RKI) zu der Fahrstrecke (FS) oder einer mit der Fahrstrecke (FS) vergleichbaren Fahrstrecke aus einer Datenbank (DB), wobei die Referenz-Kontextinformationen (RKI) zusätzlich historische Fahrzeitinformationen zu der zugeordneten Fahrstrecke aufweisen,
    - eine Schätzeinheit (24) zum Ermitteln der voraussichtlichen Fahrzeit (tF) für die zurückzulegende Fahrstrecke (FS) auf Basis des Vergleichs der Kontextinformationen (KI) mit den historischen Referenz-Kontextinformationen (RKI) mit Hilfe eines durch die in der Datenbank (DB) abgespeicherten Referenzkontextinformationen (RKI) mit Hilfe eines maschinellen Lernverfahrens trainierten Schätzverfahrens.
  6. Verkehrssystem (30), aufweisend eine Fahrzeitschätzeinrichtung (20) nach Anspruch 5.
  7. Computerprogrammprodukt mit einem Computerprogramm, welches direkt in eine Speichereinheit eines Verkehrssystems (30) ladbar ist, mit Programmabschnitten, um alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 4 auszuführen, wenn das Computerprogramm in dem Schienenfahrzeug ausgeführt wird.
  8. Computerlesbares Medium, auf welchem von einer Rechnereinheit ausführbare Programmabschnitte gespeichert sind, um alle Schritte des Verfahrens nach einem der Ansprüche 1 bis 4 auszuführen, wenn die Programmabschnitte von der Rechnereinheit ausgeführt werden.
EP18186042.0A 2017-08-03 2018-07-27 Abschätzen einer voraussichtlichen fahrzeit eines schienenfahrzeugs Withdrawn EP3437958A1 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102017213512.3A DE102017213512A1 (de) 2017-08-03 2017-08-03 Abschätzen einer voraussichtlichen Fahrzeit eines Schienenfahrzeugs

Publications (1)

Publication Number Publication Date
EP3437958A1 true EP3437958A1 (de) 2019-02-06

Family

ID=63079811

Family Applications (1)

Application Number Title Priority Date Filing Date
EP18186042.0A Withdrawn EP3437958A1 (de) 2017-08-03 2018-07-27 Abschätzen einer voraussichtlichen fahrzeit eines schienenfahrzeugs

Country Status (2)

Country Link
EP (1) EP3437958A1 (de)
DE (1) DE102017213512A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111554118A (zh) * 2020-04-24 2020-08-18 深圳职业技术学院 一种公交车到站时间的动态预测方法及系统
CN115019507A (zh) * 2022-06-06 2022-09-06 上海旷途科技有限公司 城市路网行程时间可靠性实时估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6631322B1 (en) * 2002-12-06 2003-10-07 General Electric Co. Method and apparatus for vehicle management
DE102009023704A1 (de) * 2009-06-03 2010-10-28 Voith Patent Gmbh Verfahren zur Information von Fahrpersonal in einem Schienenfahrzeug
US20150232097A1 (en) * 2006-03-20 2015-08-20 General Electric Company Energy management system and method for vehicle systems
WO2018036759A1 (de) * 2016-08-23 2018-03-01 Siemens Aktiengesellschaft Vorhersage des zuglaufs

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19633525A1 (de) * 1996-08-09 1998-02-12 Siemens Ag Informationssystem für Benutzer öffentlicher Fahrzeuge
DE102005051077A1 (de) * 2005-10-25 2007-04-26 Siemens Ag Verfahren zum Erfassen und Berücksichtigen von Seitenwindbelastungen bei einem in Fahrt befindlichen Schienenfahrzeug und dessen entsprechend ausgeführter Endwagen
DE102016212603A1 (de) * 2016-07-11 2018-01-11 Siemens Aktiengesellschaft Verfahren und Vorrichtung zum Ermitteln einer Fahrtverlauf-Information

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6631322B1 (en) * 2002-12-06 2003-10-07 General Electric Co. Method and apparatus for vehicle management
US20150232097A1 (en) * 2006-03-20 2015-08-20 General Electric Company Energy management system and method for vehicle systems
DE102009023704A1 (de) * 2009-06-03 2010-10-28 Voith Patent Gmbh Verfahren zur Information von Fahrpersonal in einem Schienenfahrzeug
WO2018036759A1 (de) * 2016-08-23 2018-03-01 Siemens Aktiengesellschaft Vorhersage des zuglaufs

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111554118A (zh) * 2020-04-24 2020-08-18 深圳职业技术学院 一种公交车到站时间的动态预测方法及系统
CN115019507A (zh) * 2022-06-06 2022-09-06 上海旷途科技有限公司 城市路网行程时间可靠性实时估计方法
CN115019507B (zh) * 2022-06-06 2023-12-01 上海旷途科技有限公司 城市路网行程时间可靠性实时估计方法

Also Published As

Publication number Publication date
DE102017213512A1 (de) 2019-02-07

Similar Documents

Publication Publication Date Title
EP1026649B1 (de) Verfahren und Vorrichtung zur Bereitstellung von Verkehrsinformation
DE112006002676T5 (de) Berechnung einer optimalen Route auf der Grundlage einer Kohortenanalyse
EP1371047B1 (de) Aktualisierung von routen- und verkehrsflussdaten sowie fahrzeugnavigationsgerät
DE102009008745B4 (de) Verfahren und System zur automatischen Verkehrsführung
EP2953111B1 (de) Verfahren und vorrichtung zur ermittlung freier abstellplätze auf lkw-parkplätzen und mitteilung an lkw-fahrer
EP1045224A2 (de) Verfahren zur Aktualisierung einer Verkehrswegenetzkarte und kartengestütztes Verfahren zur Fahrzeugführungsinformationserzeugung
DE102015213393B4 (de) Verfahren und Vorrichtung zur Anonymisierung von Positions- und Bewegungsdaten eines Kraftfahrzeugs
DE102010054077A1 (de) Verfahren und Vorrichtung zum Bereitstellen einer Fahrempfehlung für einen Streckenabschnitt
DE102015223656A1 (de) Fahrerassistenzsystem und -Verfahren zur Fahrspurempfehlung
DE102012004625A1 (de) Verfahren und Vorrichtung zur Aktualisierung und Anpassung von Karteninformationen in einem Navigationssystem
DE102013000385A1 (de) Verfahren und Navigationssystem zum Ermitteln eines Fahrroutenvorschlags für eine bevorstehende Fahrt mit einem Kraftwagen
DE102013107960B4 (de) Verfahren zur Aktualisierung einer Datenbasis sowie Einrichtung und Computerprogramm
EP3437958A1 (de) Abschätzen einer voraussichtlichen fahrzeit eines schienenfahrzeugs
DE102018211726A1 (de) Verfahren zum automatischen maschinellen Trainieren eines elektronischen Fahrzeugführungssystems, sowie Kraftfahrzeug
DE112016003148T5 (de) Routen-auswertungseinrichtung und routen-auswertungsverfahren
WO2018036759A1 (de) Vorhersage des zuglaufs
EP3062301A1 (de) Verfahren zum zuordnen einer fahrlinie zu einem fahrzeug und verfahren zur steuerung eines verkehrssystems
DE102019001187A1 (de) Steueranordnung und Verfahren zum Einteilen und Überwachen von Transportaufgaben in einem Transport-Verwaltungssystem
DE102022115574A1 (de) Verfahren und Vorrichtung zur Prädiktion der Wartezeit an einer Ladestation
DE102006013297B4 (de) Verfahren zum Betrieb eines Navigationssystems
EP3398828B1 (de) Fahrerassistenzsystem und verfahren zum unterstützen eines führers eines schienenfahrzeugs
DE102020109875A1 (de) Vorrichtung zur Abschätzung einer Fahrzeit bis zu Zusammentreffen
DE102018217610A1 (de) Verfahren zur Luftqualitätsoptimierung, Steuerung, Fahrzeug und System zur Durchführung des Verfahrens
DE102017202564A1 (de) Verfahren und Vorrichtung zum Ermitteln einer Navigationsroute
DE102019002594A1 (de) Verfahren zur Aktualisierung einer optimalen Routenführung

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS MOBILITY GMBH

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20190807