NL1026957C2

NL1026957C2 - System and method for predicting the progress of guided vehicles, and software for them.

Info

Publication number: NL1026957C2
Application number: NL1026957A
Authority: NL
Inventors: Frederik Makkinga
Original assignee: Holland Railconsult B V
Priority date: 2004-09-03
Filing date: 2004-09-03
Publication date: 2006-03-09
Also published as: WO2006025728A1

Description

SYSTEEM EN WERKWIJZE VOOR HET VOORSPELLEN VAN HET VERLOOP VANSYSTEM AND METHOD FOR FORECASTING THE TRAVEL OF

GELEIDE VOERTUIGEN, EN PROGRAMMATUUR DAARVOORGUIDED VEHICLES, AND PROGRAM FOR THEM

De onderhavige uitvinding heeft betrekking op een systeem en werkwijze voor het voorspellen van het verloop van geleide voertuigen alsmede op programmatuur daarvoor.The present invention relates to a system and method for predicting the progress of guided vehicles as well as software for that purpose.

In geleide vervoersystemen, zoals bijvoorbeeld tram-, 5 metro- en treinsystemen is een infrastructuur omvattende emplacementen, trajecten, wissels, seinen etc. beschikbaar onder gebruikmaking waarvan de voertuigen zoals railvoertuigen kunnen worden toegepast voor het transporteren van mensen en/of goederen. Voor een efficiënt gebruik van de 10 infrastructuur door de voertuigen wordt gebruik gemaakt van een planning. In het geval het systeem omvattende de infrastructuur en de voertuigen in staat zou zijn zich volledig aan deze planning te houden, zou het vervoersproces optimaal zijn. In de praktijk komen echter afwijkingen voor 15 die de planning verstoren. Hierdoor ontstaat onzekerheid in de uitvoering van de planning ten opzichte van de planning.In guided transport systems, such as, for example, tram, metro and train systems, an infrastructure comprising yards, routes, points, signals, etc. is available, using which vehicles such as rail vehicles can be used for transporting people and / or goods. A schedule is used for efficient use of the infrastructure by the vehicles. If the system comprising the infrastructure and the vehicles were able to fully adhere to this planning, the transport process would be optimal. In practice, however, deviations occur 15 that disrupt the planning. This creates uncertainty in the implementation of the planning compared to the planning.

Teneinde een dergelijke onzekerheid te beperken is een zeer gedetailleerd rekenmodel bekend, waarbij parameters worden gebruikt. Dergelijke parameters omvatten parameters 20 met betrekking tot de fysieke kenmerken van de infrastructuur zoals bogen, hellingen of seinbeeldrelaties; fysieke kenmerken van het gebruikte materieel zoals railvoertuigen zoals het vermogen, de lengte, het gewicht, de samenstelling daarvan; en met betrekking tot de planning, zoals rijwegen, 25 insteltijden of materieelrelaties. Indien een parameter ontbreekt is het noodzakelijk aannames te doen. Voorts vergt het zeer veel werk een zo volledig mogelijke invulling van de parameters te verkrijgen teneinde te komen tot betrouwbare voorspellingen. Het bijhouden van de invullingen van de 30 parameters vergt eveneens een grote inspanning.In order to limit such uncertainty, a very detailed calculation model is known, in which parameters are used. Such parameters include parameters related to the physical characteristics of the infrastructure such as arcs, slopes or signal aspect relationships; physical characteristics of the equipment used such as rail vehicles such as power, length, weight, composition; and with regard to planning, such as roadways, setup times or equipment relationships. If a parameter is missing, it is necessary to make assumptions. Furthermore, it takes a great deal of work to obtain the most complete interpretation of the parameters in order to arrive at reliable predictions. Keeping track of the details of the 30 parameters also requires a major effort.

1026957 21026957 2

Teneinde een systeem te verschaffen waarvoor het verkrijgen van invoerinfonnatie relatief eenvoudig is voor het verkrijgen van betrouwbare voorspellingen, verschaft de onderhavige uitvinding een systeem voor het voorspellen van 5 het verloop van geleide voertuigen, zoals railvoertuigen, op basis van tijdmeetgegevens met betrekking tot het verloop van de voertuigen in het verleden, omvattende: - ten minste een computer omvattende een werkgeheugen, een verwerkingseenheid en een opslaggeheugen, 10 - invoermiddelen voor het in het systeem invoeren van meetgegevens met betrekking tot het verloop van de voertuigen op een infrastructuur, - verwerkingsmiddelen voor het middels statistische methoden verwerken van de meetgegevens tot statistische 15 gegevens, - voorspellingsmiddelen voor het bepalen van een voorspelling, - uitvoermiddelen voor het uitvoeren van de voorspelling. Voor het verkrijgen van invoerinformatie voor 20 een dergelijk systeem zal gebruik gemaakt worden van op zich zichzelf bekende meetsystemen. Een voordeel van een systeem volgens de onderhavige uitvinding is dat het systeem functioneert zonder het vereiste van procesparameters die benodigd zijn in een systeem volgens de stand van de 25 techniek. Verdere voordelen zijn dat de gemiddelde afwijkingen van de voorspellingen kleiner zijn, de spreiding in de afwijkingen kleiner zijn en dat de stabiliteit van de voorspellingen groter zal zijn. Hierdoor behoeft minder frequent te worden bijgesteld. Een systeem volgens de 30 onderhavige uitvinding is derhalve kostenefficiënt, heeft lage ontwikkelingskosten en lage onderhoudskosten. In vervoerssystemen met relatief grote verschillen tussen de voertuigen onderling kunnen op praktisch eenvoudige wijze 1026957 3 voorspellingen met betrekking tot elk voertuig worden opgesteld.In order to provide a system for which obtaining input information is relatively simple to obtain reliable predictions, the present invention provides a system for predicting the course of guided vehicles, such as rail vehicles, based on time measurement data with respect to the course of the vehicles in the past, comprising: - at least one computer comprising a working memory, a processing unit and a storage memory, - input means for entering measurement data into the system with regard to the progress of the vehicles on an infrastructure, - processing means for processing the measurement data into statistical data by means of statistical methods, - prediction means for determining a prediction, - output means for performing the prediction. For obtaining input information for such a system, use will be made of measuring systems known per se. An advantage of a system according to the present invention is that the system functions without the requirement of process parameters that are required in a system according to the prior art. Further advantages are that the average deviations from the predictions are smaller, the spread in the deviations are smaller and that the stability of the predictions will be greater. This means that adjustments need to be made less frequently. A system according to the present invention is therefore cost efficient, has low development costs and low maintenance costs. In transport systems with relatively large differences between the vehicles themselves, predictions can be made in practically simple manner with regard to each vehicle.

Een voorspellingssysteem volgens de onderhavige uitvinding is zelflerend ten aanzien van de aanwezige 5 infraconfiguratie (infrastructuur en voertuigen). Met behulp van mettertijd in het systeem aanwezige informatie is het systeem zelflerend ten aanzien van wijzigingen in de dienstregeling en veranderingen van inzet van voertuigen. De toepassing van tijdsmetingen met betrekking tot het verloop 10 van de voertuigen heeft als verder positief voordeel dat hiermee rekening wordt gehouden met exogene factoren zoals het gedrag van machinisten, de invloed van het weer en/of de drukte van spitsuren.A prediction system according to the present invention is self-learning with regard to the available infrastructure configuration (infrastructure and vehicles). With the help of information present in the system over time, the system is self-learning with regard to changes in the timetable and changes in the deployment of vehicles. The use of time measurements with respect to the course of the vehicles has the further positive advantage that this takes into account exogenous factors such as the behavior of drivers, the influence of the weather and / or the busyness of peak hours.

In een eerste voorkeursuitvoeringsvorm omvat het 15 systeem middelen voor het beheren en bepalen van de statistische gegevens. Een voordeel van dergelijke middelen is dat het systeem de statistische gegevens op een voor het voorspellingsproces geoptimaliseerde wijze kan opslaan.In a first preferred embodiment, the system comprises means for managing and determining the statistical data. An advantage of such means is that the system can store the statistical data in a manner optimized for the prediction process.

Hierbij kunnen gegevens bijvoorbeeld worden opgeslagen in de 20 vorm van meetpunten in de tijd of meetgegevens met betrekking tot de rijtijd van een deeltraject (bijvoorbeeld van sein tot sein) of statistische gegevens met betrekking tot afwijkingen daarvan.Here, data can be stored, for example, in the form of measurement points in time or measurement data with regard to the driving time of a partial section (for example from signal to signal) or statistical data with regard to deviations thereof.

In een verdere voorkeursuitvoeringsvorm omvat het 25 systeem monitormiddelen voor het beoordelen van de kwaliteit van de voorspellingen. Met behulp van een dergelijke module kan de kwaliteit van de voorspellingen ten opzichte van daadwerkelijk gerealiseerde metingen na de voorspelling worden geanalyseerd. Op basis van dergelijke analyses kan 30 bijvoorbeeld het voorspellingsmodel nader worden verfijnd.In a further preferred embodiment, the system comprises monitor means for assessing the quality of the predictions. With the aid of such a module, the quality of the predictions in relation to actual realized measurements after the prediction can be analyzed. On the basis of such analyzes, for example, the prediction model can be further refined.

Voor het instellen van systeemparameters omvat een uitvoeringsvorm bij voorkeur instelmiddelen. Een praktische uitwerking hiervan is een grafische gebruikersinterface. Het 1026957'*' 4 is voor bijvoorbeeld een treindienstleider die op basis van voorspellingen met betrekking tot afwijkingèn aanpassingen in zijn dienstregeling gaat instellen praktisch zelf te bepalen hoe nauwkeurig de gegevens dienen te zijn. Voorbeelden 5 hiervan zijn een afronding van de rijtijdenresolutie op een voorafbepaald aantal seconden. Voorts kan bijvoorbeeld de treinresolutie worden ingesteld of een systeemparameter als de minimumafwijking in het aantal treinpassages.For setting system parameters, an embodiment preferably comprises setting means. A practical elaboration of this is a graphical user interface. The 1026957 '*' 4, for example, for a train service manager who is going to make adjustments to his timetable on the basis of predictions with regard to deviations and adjustments, can practically determine for himself how accurate the data should be. Examples of this are a rounding of the driving time resolution to a predetermined number of seconds. Furthermore, for example, the train resolution can be set or a system parameter as the minimum deviation in the number of train passages.

Naast de verwerkingsmiddelen voor het middels 10 statistische methode verwerken van de meetgegevens tot statistische gegevens omvat het systeem bij voorkeur analysemiddelen voor het analyseren van meetgegevens. Met behulp van deze analysemiddelen worden de gegevens op efficiënte wijze in een datastructuur gerangschikt. Deze 15 datastructuur is erop gericht de gegevens, zoals in het . voorgaande reeds is genoemd, in een efficiënte vorm ter beschikking te hebben voor bewerkingen met betrekking tot het voorspelproces. De gegevens en de datastructuur worden opgeslagen op een gegevensopslagmedium.In addition to the processing means for processing the measurement data into statistical data by statistical method, the system preferably comprises analysis means for analyzing measurement data. With the aid of these analysis means, the data is efficiently arranged in a data structure. This data structure focuses on the data, as in the. previously mentioned, to have available in an efficient form for operations related to the prediction process. The data and data structure are stored on a data storage medium.

20 Ten behoeve van bijvoorbeeld het volgen van de kwaliteit van de voorspellingen omvat het systeem bij voorkeur analysemiddelen voor het analyseren van voorspellingen. Naast het grafisch weergeven van de kwaliteit van de voorspellingen kan er eveneens een kwantitatieve 25 analyse op voorspellingen en de onderliggende statistische processen worden uitgevoerd met behulp van deze uitvoeringsvorm.For the purpose of, for example, monitoring the quality of the predictions, the system preferably comprises analysis means for analyzing predictions. In addition to the graphical representation of the quality of the predictions, a quantitative analysis of predictions and the underlying statistical processes can also be performed using this embodiment.

Voorts omvat het systeem bij voorkeur opvraagmiddelen voor het opvragen van meetgegevens met betrekking tot het 30 verloop van de voertuigen op een infrastructuur. Een bediener van een systeem kan met behulp van deze middelen specifieke meetgegevens die zich in een gegevensopslag bevinden opvragen. Het is tevens mogelijk het systeem hiermee te Ï026957 5 koppelen aan een gegevensbron zoals een meetsysteem nabij bijvoorbeeld een sein.Furthermore, the system preferably comprises retrieval means for retrieving measurement data with regard to the course of the vehicles on an infrastructure. An operator of a system can use these means to request specific measurement data that is located in a data store. It is also possible thereby to link the system to a data source such as a measuring system near, for example, a signal.

Een verder aspect van de onderhavige uitvinding betreft een systeem voor het plannen van de loop van 5 voertuigen over een infrastructuur zoals een railinfrastructuur, omvattende een systeem voor het voorspellen van het verloop van de voertuigen zoals in het voorgaande is omschreven. Een dergelijk systeem wordt bijvoorbeeld gebruikt door een treindienstleider voor het al 10 dan niet ad hoe aanpassen van de planning zoals bijvoorbeeld rijwegen. Indien een treindienstleider op grond van een voorspelling waarneemt dat een deel van de infrastructuur zoals bijvoorbeeld een wissel vrij zal zijn op basis van de voorspelling, in tegenstelling tot beschikbaar zou zijn op 15 basis van de planning, dan kan de treindienstleider op basis van de voorspelling een rijweg voor een trein toewijzen onder gebruikmaking van deze wissel in de tijd die de wissel vrij is volgens de voorspelling. De trein die nu op basis van de voorspelling eerder gebruik kan maken van de wissel, en 20 derhalve niet hoeft te wachten op de andere vertraagde trein, loopt hierdoor geen vertraging op. Derhalve is de totale treinenloop door gebruik te maken van de voorspelling bij toewijzen van de rijwegen efficiënter geworden.A further aspect of the present invention relates to a system for planning the course of vehicles over an infrastructure such as a rail infrastructure, comprising a system for predicting the course of the vehicles as described above. Such a system is used, for example, by a train service manager for whether or not to adapt the planning, such as for example, roadways. If a train controller observes on the basis of a prediction that part of the infrastructure such as, for example, a switch will be free on the basis of the forecast, as opposed to being available on the basis of the planning, then the train controller may be based on the forecast assign a route for a train using this switch in the time that the switch is free according to the forecast. The train that can now make earlier use of the switch on the basis of the prediction, and therefore does not have to wait for the other delayed train, is therefore not delayed. Therefore, the total train run by using the prediction when assigning the roadways has become more efficient.

Een verder aspect van de onderhavige uitvinding 25 betreft een werkwijze voor het voorspellen van het verloop van geleide voertuigen, zoals railvoertuigen, waarbij op basis van tijdsmetingen op overgangspunten van deeltrajecten met betrekking tot het verloop van de voertuigen over een infrastructuur in het verleden met behulp van statistische 30 methoden de voorspellingen worden berekend. Verdere voorkeursuitvoeringsvormen op basis van deze werkwijze zijn nader aangeduid in de aangehechte conclusies 11-15. Het 1026957 6 toepassén van deze werkwijze bereikt onder andere voordelen zoals in het voorgaande zijn omschreven.A further aspect of the present invention relates to a method for predicting the progress of guided vehicles, such as rail vehicles, wherein on the basis of time measurements at transition points of partial sections with respect to the progress of the vehicles over an infrastructure in the past with the aid of statistical methods the predictions are calculated. Further preferred embodiments based on this method are further specified in the appended claims 11-15. The use of this method achieves among other advantages as described in the foregoing.

Een verder aspect van de onderhavige uitvinding betreft een computerprogrammaproduct dat wanneer geladen in 5 een computer geschikt is voor het uitvoeren van een werkwijze zoals in het voorgaande is omschreven en/of dat geschikt is te werken in een systeem volgens een of meer van de conclusies 1-10.A further aspect of the present invention relates to a computer program product which when loaded into a computer is suitable for carrying out a method as described above and / or which is suitable for operating in a system according to one or more of the claims 1 -10.

Verdere voordelen, kenmerken en details van de 10 onderhavige uitvinding zullen in het navolgende nader worden verklaard aan de hand van een uitvoeringsvorm waarbij zal worden verwezen naar de aangehechte figuren, waarin: - figuur 1 een uitvoeringsvorm toont van een systeem volgens de onderhavige uitvinding; 15 - figuur 2 een blokschema is van een uitvoeringsvorm volgens dé onderhavige uitvinding,· - figuur 3a een stroomschema is van een uitvoeringsvorm volgens de onderhavige uitvinding; - figuur 3b een stroomschema is van een 20 uitvoeringsvorm volgens de onderhavige uitvinding; - figuur 4 een stroomschema is van een uitvoeringsvorm volgens de onderhavige uitvinding; - figuur 5 een stroomschema is van een uitvoeringsvorm volgens de onderhavige uitvinding; 25 - figuur 6 een stroomschema is van een uitvoeringsvorm volgens de onderhavige uitvinding; - figuur 7 een stroomschema is van een uitvoeringsvorm volgens de onderhavige uitvinding; - figuur 8 een stroomschema is van een 30 uitvoeringsvorm volgens de onderhavige uitvinding; - figuur 9 een stroomschema is van een uitvoeringsvorm volgens de onderhavige uitvinding; 102695? 7 - figuur 10 een schematische weergave is van een schermlay-out voor gebruik in een uitvoeringsvorm volgens de onderhavige uitvinding; en - figuur 11 een schematische weergave is van een 5 schermlay-out voor gebruik in een verdere uitvoeringsvorm volgens de onderhavige uitvinding.Further advantages, features and details of the present invention will be explained in more detail below with reference to an embodiment in which reference will be made to the attached figures, in which: figure 1 shows an embodiment of a system according to the present invention; Figure 2 is a block diagram of an embodiment of the present invention; Figure 3a is a flow chart of an embodiment of the present invention; figure 3b is a flow chart of an embodiment according to the present invention; Figure 4 is a flow chart of an embodiment of the present invention; Figure 5 is a flow chart of an embodiment of the present invention; Figure 6 is a flow chart of an embodiment of the present invention; Figure 7 is a flow chart of an embodiment of the present invention; figure 8 is a flow chart of an embodiment according to the present invention; Figure 9 is a flow chart of an embodiment of the present invention; 102695? Figure 10 is a schematic representation of a screen layout for use in an embodiment of the present invention; and - figure 11 is a schematic representation of a screen layout for use in a further embodiment according to the present invention.

Een treindienstleider maakt bij voorkeur gebruik van een grafische gebruikersinterface voor de bediening en besturing van de treinenloop. Een dergelijke 10 gebruikersinterface functioneert op een computersysteem 1 dat middels een of meer technische interfaces eveneens verbonden is met onderliggende infrastructuurbedieningssystemen en infrastructuurbeveilingssystemen.A train service manager preferably uses a graphical user interface for the operation and control of the train running. Such a user interface functions on a computer system 1 which is also connected by means of one or more technical interfaces to underlying infrastructure operating systems and infrastructure security systems.

Een uitvoeringsvorm volgens de onderhavige uitvinding 15. is een voorspellingsmodule die bij voorkeur eveneens functioneert in dit computersysteem, waardoor de treindienstleider de voorspellingsgegevens op praktische wijze kan gebruiken bij het bedienen en besturen van de treinenloop. In een uitvoeringsvorm is het 20 voorspellingssysteem bijvoorbeeld een geïntegreerde module in het systeem van de treindienstleider voor de bediening en besturing van de treinenloop.An embodiment according to the present invention 15. is a prediction module that preferably also functions in this computer system, whereby the train service manager can use the prediction data in a practical manner in operating and controlling the train running. In one embodiment, the prediction system is, for example, an integrated module in the train controller's system for operating and controlling the train running.

Op het beeldscherm 2 (figuur 1) wordt de geplande treinenloop grafisch weergegeven op een op zichzelf bekende 25 wijze. Tevens wordt de voorspelde treinenloop weergegeven, waarbij deze voorspelling wordt gedaan op een wijze volgens de uitvoeringsvorm volgens de onderhavige uitvinding. Indien er verschillen optreden tussen de planning en de realiteit door bijvoorbeeld vertragingen, kan de treindienstleider op 30 relatief eenvoudige wijze een op de situatie aangepaste nieuwe planning ingeven. Tevens bestaat er de mogelijkheid het systeem binnen grenzen automatisch nieuwe (deel-) 1026957 8 planningen te laten maken, voor zover dergelijke planningen voldoen aan veiligheidsregels.The planned train run is graphically displayed on the screen 2 (Figure 1) in a manner known per se. The predicted train run is also shown, this prediction being made in a manner according to the embodiment of the present invention. If differences occur between the planning and the reality due to, for example, delays, the train service manager can enter a new planning adapted to the situation in a relatively simple manner. It is also possible to have the system automatically make new (part) plans within 10 limits, insofar as such plans comply with safety rules.

De werking van de in het navolgende te beschrijven . uitvoeringsvorm is gebaseerd op de hoofdgedachte dat de basis 5 voor het opstellen van voorspellingen een groot aantal observaties is zoals metingen bij bijvoorbeeld seinpassages.To describe the operation of the following. The embodiment is based on the basic idea that the basis for making predictions is a large number of observations, such as measurements in signal passages, for example.

Deze metingen worden vervolgens geanalyseerd en er worden met behulp van statistische analyses patronen bepaald.These measurements are then analyzed and patterns are determined using statistical analysis.

Vervolgens worden deze patronen omgezet naar 10 informatie ten behoeve van het opstellen van voorspellingen.These patterns are then converted into information for the purpose of drawing up predictions.

Deze voorspellingen, die worden gedaan op basis van gegevens en de systematiek van eerdere metingen, worden gebruikt voor het voorspellen van de nabije toekomst op basis van de bekende situatie van de treinenloop op een infrastructuur.These predictions, which are made on the basis of data and the system of previous measurements, are used to predict the near future on the basis of the known situation of the train running on an infrastructure.

15 In figuur 2 wordt een uitvoeringsvorm volgens de onderhavige uitvinding schematisch weergegeven. Het systeem omvat een module 22 voor het verwerken van metingen. Deze metingen kunnen worden opgevraagd middels een interface 10 voor het uitsturen van informatie-opvraaginstructies. Via de 20 interface 11 voor het ontvangen van meetdata met betrekking tot posities in de tijd van treinen op de sporen verkrijgt het systeem de meetinformatie.Figure 2 schematically shows an embodiment according to the present invention. The system comprises a module 22 for processing measurements. These measurements can be requested via an interface 10 for sending out information requesting instructions. Via the interface 11 for receiving measurement data with respect to positions in time of trains on the tracks, the system obtains the measurement information.

Een alternatieve wijze voor het verkrijgen van informatie is dat het systeem na initialisatie daarvan 25 automatisch in een dataontvangstmodus komt, in welke modus een extern datatoeleverantiesysteem via interface 11 continu actuele data toevoert aan de module voor het verwerken van de metingen 22.An alternative way of obtaining information is that the system, after initialization thereof, automatically enters a data reception mode, in which mode an external data supply system continuously supplies current data via interface 11 to the module for processing the measurements 22.

Na het verwerken van de metingen in module 22 worden 30 de gegevens voor verdere bewerking en het onderbrengen in een datastructuur aangevoerd aan de beheermodule 18. In deze beheermodule worden de gegevens op een voor de voorspellingen geschikte wijze gestructureerd en opgeslagen. Voorts worden 1026957 9 nadere statistische bewerkingen op de data uitgevoerd, waarna ze voor gebruik in de voorspellingsmodule 20 worden opgeslagen.After the measurements have been processed in module 22, the data are supplied to the management module 18 for further processing and to be placed in a data structure. In this management module, the data is structured and stored in a manner suitable for the predictions. Furthermore, further statistical operations are performed on the data, after which they are stored in the prediction module 20 for use.

De voorspellingsmodule 20 maakt gebruik van de 5 opgeslagen informatie in module 18 voor het creëren van voorspellingen. Deze voorspellingen hebben bijvoorbeeld betrekking op posities op het spoor waar een trein zich de komende 30 minuten achtereenvolgens zal bevinden. Op basis van deze voorspellingen kunnen deze posities grafisch worden 10 weergegeven op het beeldscherm van een treindienstleider.The prediction module 20 uses the information stored in module 18 to create predictions. These predictions relate, for example, to positions on the track where a train will be consecutively for the next 30 minutes. Based on these predictions, these positions can be graphically displayed on the screen of a train service manager.

In module 16 worden de gegevens met betrekking tot de voorspellingen verwerkt voor uitvoer. Eveneens worden middels module 16 via interface 12 inkomende gegevens met betrekking tot specifieke vragen naar voorspellingen bewerkt, zodat de 15 resulterende gegevens geschikt zijn voor verwerking in module 20 voor het bepalen van de gewenste voorspelling. Interface 13 dient voor het uitvoeren van gegevens met betrekking tot voorspellingen. Dergelijke gegevens worden uitgevoerd, bijvoorbeeld in de vorm van records of objecten, omvattende 20 velden als <dynamische objectidentificatie>, <statische objectidentificatie>, <datum laatste meting>, ctijdstip laatste meting>, 0[<statische objectidentificatie>, <datum en tijdstip voorspelling:»] .In module 16, the data regarding the predictions is processed for output. Also, through module 16 incoming data with respect to specific questions are processed into predictions via interface 12, so that the resulting data are suitable for processing in module 20 for determining the desired prediction. Interface 13 serves for performing data related to predictions. Such data is output, for example in the form of records or objects, comprising fields such as <dynamic object identification>, <static object identification>, <date of last measurement>, time of last measurement>, 0 [<static object identification>, <date and time forecast: »].

De interface 12 dient voor het in het systeem 25 invoeren van gegevens met betrekking tot specifieke vragen met betrekking tot voorspellingen. Hiermee kan een treindienstleider bijvoorbeeld een voorspelling aanvragen met betrekking tot een specifieke trein met bijvoorbeeld een vertraging. Dergelijke informatie-overdrachten gaan in de 30 vorm van bijvoorbeeld objecten of records omvattende velden als <dynamische objectidentificatie>, <statische objectidentificatie>.The interface 12 serves to enter data into the system 25 with regard to specific questions regarding predictions. With this, a train service manager can, for example, request a prediction with regard to a specific train with, for example, a delay. Such information transfers take the form of, for example, objects or records comprising fields such as <dynamic object identification>, <static object identification>.

1026957 101026957 10

Op soortgelijke wijze wordt in de aanvraag-metingeninterface 10 gebruik gemaakt van objecten die worden geïdentificeerd door bijvoorbeeld het veld <statisch objectidentificatie>. Voor de gegevensinvoerinterface 11 5 wordt gebruikgemaakt van onder andere de velden <dynamisch object identificatie:», <statisch objectidentificatie> en <datum en tijdstip meting>.Similarly, the request measurement interface 10 uses objects that are identified by, for example, the <static object identification> field. The data entry interface 11 uses, among others, the fields <dynamic object identification: », <static object identification> and <date and time measurement>.

Een verdere module is module 14 waarmee de kwaliteit van de voorspellingen wordt bepaald door vergelijking van de 10 voorspellingen met metingen met betrekking tot de daadwerkelijke tijdstippen dat treinen bepaalde punten in het spoor passeren. In weergavevenster 126 van de grafische gebruikersinterface van figuur 11 wordt dit grafisch weergegeven.A further module is module 14 with which the quality of the predictions is determined by comparing the predictions with measurements with regard to the actual times that trains pass certain points in the track. This is graphically displayed in display window 126 of the graphical user interface of Figure 11.

15 Ten behoeve van het instellen van verscheidene systeemparameters is voorts voorzien in beheer- en configuratiemodule 24. Een voorbeeld van een grafische gebruikersinterface waarmee parameters van het systeem kunnen worden ingesteld is weergegeven in figuur 10.For the purpose of setting various system parameters, management and configuration module 24 is further provided. An example of a graphical user interface with which system parameters can be set is shown in Figure 10.

20 Figuur 3 heeft betrekking op de stappen die het systeem uitvoert bij het opstarten daarvan. In stap 26 wordt het systeem opgestart, waarna in stap 28 eerst instellingen worden uitgelezen uit een register "initialiseren van systeemmenu's". Indien in dit register meetgegevens aanwezig 25 zijn, worden deze ingelezen door het systeem. Hierbij wordt in module 22 de eerste gegevensverwerking uitgevoerd. Optioneel wordt eveneens in module 18 de tweede bewerking van het analyseren en indelen van de gegevens in de datastructuur uitgevoerd. Vervolgens is het systeem klaar voor het 30 uitvoeren van voorspellingen.Figure 3 relates to the steps that the system performs when it is started. The system is started in step 26, after which in step 28 first settings are read from a register "initializing system menus". If measurement data are present in this register, these are read in by the system. The first data processing is then performed in module 22. Optionally, also in module 18, the second operation of analyzing and classifying the data in the data structure is performed. The system is then ready for performing predictions.

Bij het afsluiten van het systeem wordt in stap 30 de afsluitinstructie gegeven, waarna in stap 32 achtereenvolgens het systeem wordt afgemeld bij externe meetsystemen die zorg 11 dragen voor het toevoeren van meetgegevens; de meetgegevens die reeds het systeem binnen zijn gekomen, worden opgeslagen; de instellingen worden opgeslagen in het register “initialiseren van de systeemmenu's"; en het systeem wordt 5 gestopt.When the system is shut down, the shutdown instruction is given in step 30, after which the system is successively deregistered in step 32 from external measuring systems which ensure the supply of measurement data; the measurement data that have already entered the system are stored; the settings are stored in the register "initializing the system menus"; and the system is stopped.

Deze module draagt zorg voor enerzijds de aanvraag van meetgegevens aan externe meetsystemen en anderzijds voor de registratie en verwerking van ontvangen metingen. Bij een vooraf bepaald minimaal aantal vereiste metingen worden de 10 metingen doorgestuurd naar de module 18 (beheer statistische gegevens).This module ensures on the one hand the request of measurement data to external measurement systems and on the other hand for the registration and processing of received measurements. With a predetermined minimum number of required measurements, the 10 measurements are sent to the module 18 (statistical data management).

Een dergelijk minimum kan worden ingesteld door de gebruiker of door de beheerder van het systeem. In de module 24 (beheer configuratie gegevens) wordt een database 15 onderhouden. Eerst worden echter gegevens opgevraagd middels de module 22 (verwerk metingen). Dit gaat als volgt. De lijst van statische objecten zoals bijvoorbeeld meetpunten en seinen, waarvan de metingen van tijdstip en van de passages van dynamische objecten zoals treinen worden ontvangen, wordt 20 bepaald. Deze lijst wordt samengesteld op basis van configuratiegegevens of aan de hand van statische objecten zoals die voorkomen in de aanvragen voor voorspellingen die worden opgesteld voor dynamische objecten zoals treinen. Dit geschiedt in stap 36 van figuur 4 na de startstap 34.Such a minimum can be set by the user or by the administrator of the system. A database 15 is maintained in the module 24 (configuration data management). First, however, data is requested through the module 22 (process measurements). This goes as follows. The list of static objects such as, for example, measuring points and signals, whose measurements of time and of the passages of dynamic objects such as trains are received, is determined. This list is compiled on the basis of configuration data or on the basis of static objects as they appear in the requests for predictions made for dynamic objects such as trains. This is done in step 36 of Figure 4 after the starting step 34.

25 Vervolgens wordt er in stap 38 de aanvraag om de bepaalde metingen verstuurd naar het externe meetsysteem. Vervolgens eindigt dit proces in stap 40.Subsequently, in step 38, the request for the determined measurements is sent to the external measuring system. This process then ends in step 40.

In figuur 5 wordt het proces voor het ontvangen van metingen beschreven. In stap 42 wordt een meting ontvangen.Figure 5 describes the process for receiving measurements. A measurement is received in step 42.

30 In stap 44 worden ontvangen metingen geregistreerd en opgeslagen in de interne datastructuur. Vervolgens wordt, indien het aantal ontvangen metingen van het dynamische object bij het statisch object groter of gelijk is aan het 1026957 12 vooraf bepaalde aantal metingen, de meting verder verwerkt in het proces "bepaal statistische gegevens". ïn stap 46 wordt gewacht op de volgende meting na ontvangst waarvan wordt teruggekeerd in stap 42.In step 44 received measurements are recorded and stored in the internal data structure. Then, if the number of measurements received from the dynamic object at the static object is greater than or equal to the predetermined number of measurements, the measurement is further processed in the "determine statistical data" process. In step 46, the next measurement is awaited after receipt, which is returned in step 42.

5 In figuur 6 wordt in stap 48 het proces voor het voorbereiden en bepalen van statistische gegevens gestart middels de ontvangst van een meting.In Figure 6, in step 48, the process for preparing and determining statistical data is started by receiving a measurement.

Vervolgens wordt in stap 50 van de ontvangen meetgegevens een aantal statistische gegevens bepaald zoals 10 minimumrijtijd van de seinstap, gemiddelde rijtijd van de seinstap, maximumrijtijd van de seinstap en/of standaarddeviatie van de rijtijd van de seinstap. Deze gegevens worden vervolgens opgeslagen in een interne datastructuur. In stap 52 worden extreme waarden van de 15 gegevens gefilterd middels op zichzelf bekende wiskundige formules. Met deze wiskundige formules wordt vastgesteld of er sprake is van een extreme meting. Deze meetgegevens worden vervolgens niet gebruikt voor het bepalen van statistische rijtijdgegevens. Deze worden gebruikt in situaties waarbij 20 rekening moet worden gehouden met het verleden van de trein. Vervolgens wordt in stap 54 een significante afwijking bepaald.Subsequently, in step 50, a number of statistical data is determined from the received measurement data, such as minimum driving time of the signal step, average driving time of the signal step, maximum driving time of the signal step and / or standard deviation of the driving time of the signal step. This data is then stored in an internal data structure. In step 52, extreme values of the data are filtered by means of per se known mathematical formulas. These mathematical formulas determine whether there is an extreme measurement. This measurement data is then not used to determine statistical driving time data. These are used in situations where the train's past must be taken into account. Subsequently, a significant deviation is determined in step 54.

De werkwijze voor het bepalen van een significante afwijking wordt weergegeven in figuur 7. In stap 56 wordt het 25 bepalen van de significante afwijking gestart. In stap 58 wordt bepaald of data voldoen aan een van de drie volgende toestanden: - 1. Er zijn nog geen voorspellingen, maar er is wel een meting, dus is er sprake van een significante afwijking 30 van de seinpassage. Een hierbij behorende actie is het alsnog bepalen van de initiële voorspelling.The method for determining a significant deviation is shown in Figure 7. In step 56, determining the significant deviation is started. In step 58, it is determined whether data satisfies one of the three following states: - 1. There are no predictions yet, but there is a measurement, so there is a significant deviation from the signal passage. An associated action is the determination of the initial prediction.

1026957 13 - 2. Er zijn wel voorspellingen en een meting, maar er is geen sprake van een significante afwijking van de seinpassage. Hierbij hoeft geen actie te worden uitgevoerd.1026957 13 - 2. There are predictions and a measurement, but there is no significant deviation from the signal passage. No action needs to be taken.

- 3. Er zijn wel voorspellingen en een meting, en er 5 is sprake van een significante afwijking van de seinpassage.- 3. There are predictions and a measurement, and there is 5 a significant deviation from the signal passage.

De actie die hierbij hoort is het opnieuw bepalen van de voorspelling. Op grond van deze bovenstaande toestanden worden in stap 60 de voorspellingen bepaald.The action that comes with this is to re-determine the prediction. On the basis of these above states, the predictions are determined in step 60.

Een uitgangspunt bij het voorspellen is dat op basis 10 van metingen in het verleden en statistiek voorspellingen worden opgesteld in een vorm van tijdstippen van de passage van statische objecten. Er wordt derhalve van bijvoorbeeld elke trein voorspeld wanneer (tijdstip) een sein zal worden gepasseerd. Dit proces heeft bijvoorbeeld betrekking op 15 treinen die op het moment van het uitvoeren van de voorspelling buiten het meetgebied (de post van de treindienstleider) rijden of het heeft betrekking op treinen die binnen het meetgebied (de post van de treindiènstleider) rijden. Afhankelijk van voorafbepaalde instellingen wordt met 20 betrekking tot treinen een voorspelling bepaald, waarbij in de aanvraag de exacte route die de trein over de statische objecten dient af te leggen is gespecificeerd.A starting point for predicting is that based on past measurements and statistics, predictions are made in a form of times of passage of static objects. It is therefore predicted, for example, of each train when (time) a signal will be passed. This process relates, for example, to trains that run outside the measurement area (the station of the train controller) at the time of making the prediction or it relates to trains that travel within the measurement area (the station of the train controller). Depending on predetermined settings, a prediction is determined with regard to trains, in which the exact route that the train must travel over the static objects is specified in the request.

Een verdere mogelijkheid is dat bij het opstellen van voorspellingen gebruik wordt gemaakt van metingen van reeds 25 eerder door deze specifieke trein gereden routes langs statische objecten. Voor het doen van een initiële voorspelling is bijvoorbeeld een uitgangspunt dat de trein zo snel mogelijk zal rijden, waarbij er in principe geen verstoringen zullen optreden. Op basis hiervan wordt een 30 initiële gegevensverzameling gecreëerd met een hoge punctualiteit. De voorspellingen zijn derhalve nauwkeurig. Indien op enig moment bekend wordt dat een trein vertraagd is, wordt de bekende tijdsvertraging van de trein opgeteld 102695? i 14 bij de voorspellingstijdstippen. Indien er binnen het werkingsgebied van de post van een treindienstleider een meting wordt uitgevoerd nadat een trein dit gebied is binnengereden en op basis van deze meting wordt een afwijking 5 geconstateerd, dan worden op grond van deze meting eveneens voorspellingen verderop in de rijweg van deze trein bijgesteld.A further possibility is that when making predictions use is made of measurements of routes past static objects that were previously driven by this specific train. For making an initial prediction, for example, a starting point is that the train will run as quickly as possible, whereby in principle no disruptions will occur. Based on this, an initial data collection is created with a high punctuality. The predictions are therefore accurate. If it becomes known at any time that a train is delayed, is the known time delay of the train added up 102695? 14 at the forecast times. If a measurement is made within the operating range of the station of a train traffic controller after a train has entered this area and a deviation is found on the basis of this measurement, then also on the basis of this measurement, predictions are further down the route of this train adjusted.

Er wordt gebruik gemaakt van een zogenoemde drempelwaarde "afwijking seinpassage". Slechts indien de 10 gemeten seinpassage meer dan deze drempelwaarde afwijkt, wordt een nieuwe voorspelling gemaakt op basis van deze afwijking boven de drempelwaarde. Vanaf het meetpunt waar de meting met een afwijking boven de drempelwaarde wordt gemeten, worden nieuwe voorspellingen gecreëerd. Hierdoor kan 15 de treindienstleider voor alle meetpunten in zijn grafische weergave zien op welk voorspeld moment de trein daar zal arriveren.A so-called threshold signal deviation is used. Only if the measured signal passage deviates more than this threshold value, a new prediction is made based on this deviation above the threshold value. New predictions are created from the measuring point where the measurement is measured with a deviation above the threshold value. As a result, the train controller can see for all measuring points in his graphical representation at which predicted moment the train will arrive there.

In deze werkwijze wordt gebruik gemaakt van zogenoemde rijtijden per seinstap in plaats van een tijdstip 20 van de seinpassage van een trein bij een sein. Dit heeft bijvoorbeeld als voordeel dat, indien een trein later vertrekt, het over het algemeen niet voorkomt dat een zelfde trein aanwezig is in de bestaande metingen. Indien wordt uitgegaan van de rijtijden kan na het constateren van een 25 afwijking van een seinpassage de gemiddelde rijtijd per seinstap worden opgeteld bij de actuele meting. Hiermee is op eenvoudige en snelle wijze een nieuwe voorspelling te genereren. Na ontvangst van een meting en het constateren dat er een afwijking is geweest in een seinpassage, wordt 30 rekening gehouden met de geschiedenis van de trein op basis van de database met eerdere metingen. Voorts wordt er rekening gehouden met fysieke beperkingen van het materieel. Een dergelijke beperking is dat een trein niet eerder kan ,10269^7 15 vertrekken dan nadat deze is gearriveerd op een station. Indien de aanvrager van de voorspelling aangeeft dat een railvoertuig, bijvoorbeeld trein met nummer 5638 (vertrek), hetzelfde materieel gebruikt als de trein met nummer 5637 5 (aankomst), dan wordt deze informatie gebruikt om op deze wijze een ondergrens te bepalen aan de vertrektijd van de trein met nummer 5638.In this method use is made of so-called driving times per signal step instead of a point in time of the signal passage of a train at a signal. This has the advantage, for example, that if a train leaves later, it generally does not occur that the same train is present in the existing measurements. If the driving times are assumed, after determining a deviation from a signal pass, the average driving time per signal step can be added to the current measurement. A new prediction can be generated in a simple and fast way. After receiving a measurement and finding that there has been a deviation in a signal passage, the history of the train based on the database with previous measurements is taken into account. Furthermore, physical limitations of the equipment are taken into account. Such a limitation is that a train cannot depart earlier than after it has arrived at a station. If the applicant for the prediction indicates that a rail vehicle, for example train with number 5638 (departure), uses the same equipment as the train with number 5637 5 (arrival), then this information is used to determine a lower limit to the departure time in this way from the train with number 5638.

Het bepalen van de voorspellingen geschiedt volgens figuur 8. In stap 62 wordt dit proces gestart. In stap 64 10 worden met betrekking tot een meetpunt een of meer nieuwe voorspellingen opgesteld. Hiertoe wordt, zoals in het voorgaande is genoemd, de rijtijd per seinstap toegepast. Vanaf de laatste meting (op meetpunt X) wordt er voor elk volgend meetpunt (statisch object) voorspeld wat het 15 passagetijdstip zal zijn.The predictions are determined in accordance with Figure 8. In step 62, this process is started. In step 64, one or more new predictions are made with respect to a measuring point. For this purpose, as stated in the foregoing, the driving time per signal step is applied. From the last measurement (at measuring point X), it is predicted for each subsequent measuring point (static object) what the passage time will be.

Met betrekking tot het eerste meetpunt A is dit het tijdstip van de meting X plus dë rijtijd van meetpunt X naar meetpunt A. Voor een verder gelegen tweede meetpunt B zal de voorspelling van het tijdstip van de meting X + rijtijd 20 meetpunt X naar A + rijtijd A naar B bedragen. In het navolgende wordt dit verder uitgewerkt. Hierbij worden voorspellingen stroomafwaarts mede bepaald door een relatieve optelling van de rijtijden. Voorts kan de module 14 voor het in de gaten houden van voorspellingen op continue wijze 25 worden voorzien van de nieuwe statistische informatie, zodat real-time de kwaliteit van de voorspellingen bewaakt en bijgewerkt kan worden. In stap 66 worden de voorspellingen verzonden voor bijvoorbeeld de opslag daarvan en voor grafische weergave daarvan ten behoeve van de 30 treindienstleider.With regard to the first measuring point A, this is the time of the measurement X plus the driving time from measuring point X to measuring point A. For a further second measuring point B, the prediction of the time of the measurement X + driving time will be measuring point X to A + driving time A to B. This will be further elaborated below. Here, predictions downstream are partly determined by a relative addition of the driving times. Furthermore, the module 14 for monitoring predictions can be continuously provided with the new statistical information, so that the quality of the predictions can be monitored and updated in real time. In step 66, the predictions are sent for, for example, their storage and for graphic representation thereof for the benefit of the train service manager.

Bij het opstellen van voorspellingen wordt mede het tijdstip van het opstellen van de voorspelling opgeslagen.When drawing up predictions, the time of drawing up the forecast is also saved.

Met behulp van deze informatie kan worden bepaald wat de 1026957 16 gemiddelde ouderdom is van voorspellingen. De ouderdom van de voorspelling is mede een kwaliteitsfactor van de voorspelling. Een oudere accurate voorspelling is in deze beter dan een jonge accurate voorspelling met gelijke 5 afwijking.With the help of this information it is possible to determine the average age of predictions. The age of the forecast is also a quality factor of the forecast. An older accurate prediction is better than a young accurate prediction with the same deviation.

In figuur 9 wordt de verwerking van de aanvragen van voorspellingen weergegeven. Dit proces dient voor het verwerken van de aanvraag om voorspellingen. Een afnemer, zoals een treindienstleider, maakt gebruik van het systeem 10 teneinde voorspellingen te verkrijgen met betrekking tot een trein en ontvangt van het systeem de opgestelde voorspellingen. In stap 68 wordt het aanvragen van de voorspellingen gestart. In stap 70 wordt aan de hand van de in de aanvraag opgegeven gegevens bepaald van welke statische 15 objecten de passagetijdstippen dienen te worden bepaald van bijvoorbeeld een trein. Vervolgens wordt de aanvraag van de voorspellingen verstuurd naar de module 20 "bepaal voorspellingen". Ten slotte verstuurt module 16 de ontvangen voorspellingen terug naar de aanvrager, zoals het grafische 20 systeem dat de voorspellingen weergeeft aan de treindienstleider.Figure 9 shows the processing of the requests for predictions. This process serves to process the request for predictions. A customer, such as a train service manager, uses the system 10 to obtain predictions regarding a train and receives the predictions made from the system. In step 68, requesting the predictions is started. In step 70, on the basis of the data specified in the request, it is determined from which static objects the passage times of, for example, a train should be determined. Subsequently, the request of the predictions is sent to the module "determine predictions". Finally, module 16 sends the received predictions back to the requester, such as the graphical system that displays the predictions to the train service controller.

In figuur 10 is een schermlay-out van een mogelijke uitvoering van een bedieninterface voor de instellingen van het systeem schematisch weergegeven. 72 is de menubalk van 25 het voorspellingssysteem. 74 is een kopje "rijtijdenresolutie" van de voorspellingen. 76 tot en met 82 zijn hiervan instelmogelijkheden. Indien 76 wordt geselecteerd, wordt afgerond op even seconden. Indien 78 wordt geselecteerd, wordt afgerond op vijf seconden. Indien 30 80 wordt geselecteerd, wordt afgerond op tien seconden en indien 82 wordt geselecteerd, worden voorspellingen niet afgerond. 84 duidt een blok aan voor het selecteren van de resolutie van de treinen. De voorspellingsresultaten worden 1026957 17 met het exacte treinnummer weergegeven indien 86 is geselecteerd. Indien 88 is geselecteerd, worden resultaten per tien treinen weergegeven. Indien 90 is geselecteerd worden resultaten per 100 treinen weergegeven. 92 heeft 5 betrekking op instellingen voor een demonstratiemodel van een simulator. Hierbij kan de treinenloop van een bepaalde datum die kan worden ingevoerd in 94 worden gesimuleerd. In 96 wordt de starttijd van de simulatie ingevoerd. Verdere, systeemparameters zijn in blokje 98 in te stellen. Hierbij 10 betreft 100 ëen invoermodule voor een minimumafwijking in de treinpassages. 102 betreft een minimumvoorspeltijd die kan worden ingevoerd. Ten slotte betreft 104 een in te voeren toevoegperiode. Voorts kan hier nog worden voorzien in een invulveld voor een minimumaantal metingen per sein. Ten 15 slotte representeren 106 en 108 respectievelijk knoppen voor het opslaan en het sluiten of het annuleren van dit invulscherm.Figure 10 schematically shows a screen layout of a possible embodiment of a user interface for the settings of the system. 72 is the menu bar of the prediction system. 74 is a heading "driving time resolution" of the predictions. 76 to 82 are setting options. If 76 is selected, it is rounded off to even seconds. If 78 is selected, it is rounded off to five seconds. If 80 is selected, rounding is rounded to ten seconds and if 82 is selected, predictions are not rounded. 84 denotes a block for selecting the resolution of the trains. The prediction results are displayed 1026957 17 with the exact train number if 86 is selected. If 88 is selected, results per ten trains are displayed. If 90 is selected, results per 100 trains are displayed. 92 relates to settings for a simulator demonstration model. The train run from a certain date that can be entered in 94 can be simulated. The start time of the simulation is entered in 96. Further, system parameters can be set in block 98. 10 relates to an input module for a minimum deviation in the train passages. 102 is a minimum prediction time that can be entered. Finally, 104 relates to an addition period to be entered. Furthermore, an input field can be provided for a minimum number of measurements per signal. Finally, 106 and 108 respectively represent buttons for saving and closing or canceling this input screen.

In figuur 11 wordt een schermweergave van de module 14 weergegeven. Hierbij dient venster 110 voor het weergeven 20 van statistische gegevens zoals het aantal voorspellingen 112, de gemiddelde afwijking 114, de spreiding in de afwijking 116, de' gemiddelde tijdsmarge 118 en eventuele verdere statistische gegevens zoals bijvoorbeeld de spreiding in de tijdmarge. Knop 120 dient voor het laten voortschrijden 25 van het voorspelproces en knop 122 dient voor het opslaan van de voorspellingen. Venster 126 geeft een grafiek weer met de afwijking tussen gemeten tijdstippen van treinpassages en de voorspelde tijdstippen voor treinpassages. De hoogte van het blokje met nummer 128 geeft de gemiddelde afwijking weer. De 30 positieve afwijkingen zijn afwijkingen waarbij een trein vertraging heeft. De negatieve afwijkingen zijn afwijkingen waarbij een trein te vroeg een meetpunt passeert. Dit kan bijvoorbeeld voorkomen bij goederentreinen die weliswaar 1026957 18 volgens een dienstregeling rijden, maar die, indien alle lading beschikbaar is en aangekoppeld is, somtijds eerder vertrekken indien de verkeerssituatie op het spoor dit toelaat.Figure 11 shows a screen display of the module 14. Here, window 110 serves to display statistical data such as the number of predictions 112, the average deviation 114, the spread in the deviation 116, the average time margin 118 and any further statistical data such as, for example, the spread in the time margin. Button 120 serves to advance the prediction process and button 122 serves to store the predictions. Window 126 displays a graph with the deviation between measured times of train passes and the predicted times for train passes. The height of the block with number 128 indicates the average deviation. The 30 positive deviations are deviations where a train is delayed. The negative deviations are deviations where a train passes a measuring point too early. This can occur, for example, with freight trains that, although 1026957 18 run according to a timetable, which, when all cargo is available and connected, sometimes depart earlier if the traffic situation on the track permits this.

5 Op basis van gegevens met betrekking tot 9 december 2002 is een simulatie uitgevoerd met een uitvoeringsvorm volgens de onderhavige uitvinding ten opzichte van een systeem volgens de stand van de techniek. De gegevens luiden: io Nauwkeurigheid seinpassagesBased on data relating to December 9, 2002, a simulation has been performed with an embodiment according to the present invention relative to a system according to the prior art. The data reads: io Accuracy signal passages

Omschrijving Stand van de techniek Uitvoeringsvorm volgens de onderhavige uitvindingDescription State of the art Embodiment according to the present invention

Database : DAV091202CSBO.mdb : dav091202SpectrumNegeerEersteMeting.mdbDatabase: DAV091202CSBO.mdb: dav091202SpectrumNegeerFirst Measurement.mdb

Seinen : Alle seinen : Alle seinenSignals: All signals: All signals

Treinen : Alle treinen : Alle treinen 15 Voorspellingen : Alleen actuele : Alleen actuele voorspel!.Trains: All trains: All trains 15 Predictions: Only current: Only current forecast!

Voorspellingen, geen tijdmarge niet negeren wel negerenPredictions, don't ignore a time margin, or ignore it

Aantal metingen : 927 : 878 806Number of measurements: 927: 878 806

Gem. Afwijking :39s :25s 13Avg Deviation: 39s: 25s 13

Stdev afwijking : 170 s : 140 s 56 20 Gem. Tijdmarge : 1744 s : 1396 s 1044Stdev deviation: 170 s: 140 s 56 20 Avg. Time margin: 1744 s: 1396 s 1044

Stabiliteit voorspelling seinpassagesStability prediction signal passages

Omschrijving Stand van de techniek Uitvoeringsvorm volgens de onderhavige uitvinding 25 Database : dav091202CSBOmetfilter.mdb : dav091202SpectrumNegeerEersteMetIng.mdbDescription State of the art Embodiment according to the present invention Database: dav091202CSBOmetfilter.mdb: dav091202 SpectrumNegeerFirstMetIng.mdb

Seinen : Alle seinen : Alle seinenSignals: All signals: All signals

Treinen : Alle treinen : Alle treinenTrains: All trains: All trains

Voorspellingen : Alle voorspellingen, tijdmarge n.v.t. : Alle voorspellingen, tijdmarge n.v.t.Predictions: All predictions, time margin not applicable : All predictions, time margin not applicable

Historische met actueel :3100 :1552 3 0 Historisch : 2545 :976Historical with current: 3100: 1552 3 0 Historical: 2545: 976

Alleen actueel (nooit bijgesteld) : 376 :302Only current (never adjusted): 376: 302

Totaal aantal voorspellingen : 2912 :1278Total number of predictions: 2912: 1278

Gem. aantal bijstellingen : 6 :3 1026957 19Avg number of adjustments: 6: 3 1026957 19

Hieruit blijkt dat in een systeem volgens de onderhavige uitvinding significante verbeteringen optreden ten opzichte van de stand van de techniek. Bijvoorbeeld de gemiddelde afwijking is afgenomen naar 25 (13) seconden ten 5 opzichte van 39 seconden voor een systeem volgens de stand van de techniek. De spreiding van de afwijking is afgenomen tot 140 (56) seconden ten opzichte van 170 voor de stand van de techniek.This shows that in a system according to the present invention significant improvements occur compared to the prior art. For example, the average deviation has decreased to 25 (13) seconds from 39 seconds for a prior art system. The spread of the deviation has decreased to 140 (56) seconds compared to 170 for the prior art.

Het aantal bijstellingen van de voorspellingen is 10 afgenomen tot drie, waarbij een systeem volgens de stand van de techniek zes bijstellingen van de voorspellingen vertoonde.The number of adjustments of the predictions has decreased from 10 to three, with a prior art system showing six adjustments of the predictions.

Hierbij is gebruik gemaakt van voorspellingsmetingen I waarbij de eerste meting van een doorkomst van een trein is [ 15 genegeerd. Dit is een praktische werkwijze indien gebruik i wordt gemaakt van voorspellingen van de reisafstand tussen verschillende zogenoemde seinpassages.Use was made of prediction measurements I in which the first measurement of a train's passage was ignored [15]. This is a practical method if use is made of predictions of the travel distance between different so-called signal passages.

De onderhavige uitvinding is niet beperkt tot de hierboven beschreven voorkeursuitvoeringsvorm. De gevraagde 20 rechten worden bepaald door de aangehechte conclusies.The present invention is not limited to the preferred embodiment described above. The requested rights are determined by the appended claims.

i 10269571026957

Claims

A system for predicting the progress of guided vehicles, such as rail vehicles, based on time measurement data relating to the progress of the vehicles in the past, comprising: 5. at least one computer comprising a working memory, a processing unit and a storage memory, - input means for entering measurement data into the system with regard to the course of the vehicles on an infrastructure, 10. processing means for processing the measurement data into statistical data by statistical methods, - prediction means for determining a prediction, 15. output means for performing the prediction.

2. System as claimed in claim 1, comprising management means for managing and determining the statistical data.

3. System as claimed in claim 1 or 2, comprising monitoring means for monitoring the predictions.

4. System as claimed in one or more of the foregoing claims, comprising setting means for setting system parameters.

5. System as claimed in one or more of the foregoing claims, comprising analysis means for analyzing measurement data. 1026957

System as claimed in one or more of the foregoing claims, comprising analysis means for analyzing. the predictions.

7. System as claimed in one or more of the foregoing claims, comprising request means for requesting at least one prediction from outside the system.

8. System as claimed in one or more of the foregoing claims, comprising retrieval means for retrieving measurement data with regard to the course of the vehicles on an infrastructure.

A system for planning the course of vehicles over an infrastructure, such as a rail infrastructure, comprising a system for predicting the course of the vehicles according to one or more of claims 1-8.

System as claimed in one or more of the foregoing claims, comprising display means for graphically displaying the train run for a predetermined period of time on predetermined parts of the infrastructure on the basis of predictions. 25

11. Method for predicting the progress of guided vehicles, such as rail vehicles, wherein the predictions are calculated using statistical methods on the basis of time measurements at transition points of partial sections with regard to the progress of the vehicles over an infrastructure in the past. 1026957 * j

12. Method as claimed in claim 11, comprising steps for determining the minimum, the average, the maximum and / or the standard deviation for the driving time of a partial trajeet. 5

A method according to claim 11 or 12 comprising steps for storing the data in a data structure.

A method according to claim 11, 12 or 13 comprising steps for filtering extreme values.

15. Method as claimed in one or more of the foregoing claims 11-14, comprising steps for determining a significant deviation.

16. Method as claimed in one or more of the foregoing claims 11-14, comprising steps for determining a prediction in which a known, measured deviation is added to an expected time at a transition point.

17. Computer program product that when loaded into a computer is suitable for carrying out a method according to one or more of claims 11-16 and / or which is suitable for working in a system according to one or more of claims 1-10 . 10269 ^ 7