新浪博客

高速铁路列车连带晚点的智能预测及特征识别

2023-07-12 16:29阅读：

http://blog.sina.cn/dpool/blog/u/1304706164

引用本文

张琦, 陈峰, 张涛, 袁志明. 高速铁路列车连带晚点的智能预测及特征识别. 自动化学报, 2019, 45(12): 2251−2259 doi: 10.16383/j.aas.c190188
Zhang Qi, Chen Feng, Zhang Tao, Yuan Zhi-Ming. Intelligent prediction and characteristic recognition for joint delay of high speed railway trains. Acta Automatica Sinica, 2019, 45(12): 2251−2259 doi: 10.16383/j.aas.c190188
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190188


关键词

铁路运输，高速铁路，列车连带晚点，晚点预测，特征识别，神经网络

摘要

列车晚点预测及分析直接服务于高速铁路调度指挥, 是列车晚点研究的重点内容. 通过对列车晚点传播结构及传播规律的分析, 提出了一种高速铁路列车连带晚点的智能预测及特征识别方法. 首先利用列车晚点自身传播及相邻线列车晚点传播的关系, 构建基于小波神经网络的列车连带晚点递阶预测模型; 然后利用列车晚点波动的线性组合方程及其结构向量, 进行列车连带晚点影响值的量化; 最后综合连带晚点的实际值、预测值和影响值, 将晚点分为严重晚点、消散晚点、潜在晚点、一般晚点四种类型. 成渝高铁的实例数据表明, 小波神经网络的预测结果具有较高精度, 连带晚点的分类结果也比较符合实际, 能够为高速铁路列车连带晚点的运行调整提供数据支撑.

文章导读

高正点率是高速铁路的主要特征, 按图行车也是高速铁路行车组织的基本要求, 但是在实际的执行过程中, 偏离图定计划的高速列车晚点已成为难以避免的现象, 这其中既包括设备故障、天气变化、人员干扰等因素所导致的初始晚点, 又包括初始晚点纵向及横向传播所形成的、不同层次的连带晚点[1]. 与初始晚点(不包括连带影响所形成的初始晚点)相比, 连带晚点的占比更大、规律性更强, 也更易受控制, 因此常常作为行车组织的研究重点[2].

目前, 国内外关于晚点的研究主要集中在晚点致因分析、晚点传播及预测、晚点列车运行调整等三个领域. 关于连带晚点致因, 国内外研究基本上达成了共识, 主要是为了消除初始晚点所带来的列车冲突所致, 并且行车密度越大, 连带晚点的发生频率越高[3-5]. 关于晚点传播及预测, 胡思继等[6]通过对区段内两相邻列车间晚点传播过程及传播规律的分析, 提出了列车后效晚点时间的定义和计算公式; Meester等[7]通过对列车晚点传播规律及其影响程度的分析, 构建了基于铁路网络的列车晚点传播模型; Goverde[8]针对大面积的铁路网系统, 提出了一种计算周期性列车时刻表初始晚点传播的模型和算法; Yuan等[9]提出了一种车站列车晚点传播的随机分析模型, 用于估计线路冲突和晚点换乘连接所引起的连带晚点现象; 黄平等[10]以武广高速铁路的列车运行实际数据为例, 构建了基于随机森林回归的晚点恢复时间预测模型; Zhuang等[11]基于模糊时间知识推理, 提出了列车运行冲突的预测方法. 关于晚点运行调整, Burdett等[12]通过对列车连带晚点情况的仿真分析, 分别采用模拟退火算法和构造算法, 获得了列车运行时刻的最优表; 柏赟等[13]针对交叉线干扰情形下的列车晚点, 提出了一种最优接近速度控制方法; 季学胜等[14]针对高速铁路的晚点区段, 设计了一种基于整数规划的列车运行调整模型. 从上述研究可以看出, 晚点传播及预测不仅是列车晚点研究的核心, 也是晚点列车运行调整的基础, 其基本思路是通过列车晚点传播机理的分析, 构建列车晚点传播的系统网络和计算模型, 进而实现连带晚点预测, 因此, 晚点传播分析可以看作是晚点预测的工作内容.

在晚点数量少、晚点时间短的情况下, 调度人员利用工作经验可以粗略估计短期内的列车连带晚点, 另外, 调度指挥系统也可以提供较为精确的中短期连带晚点数据. 但是对于晚点数量多、行车密度大的列车连带晚点, 则需要采用类似随机森林[15]、灰色理论、神经网络[16]的智能预测方法. 针对高速铁路列车连带晚点较为密集的情况, 本文提出了一种基于小波神经网络的列车连带晚点预测方法, 并且根据连带晚点的预测值及影响值, 构建了连带晚点的特征识别及分类方法, 有别于传统列车晚点严重程度的简单化定义, 结果有助于合理选择列车晚点运行调整方法, 为高速铁路调度指挥策略提供数据支撑.
高速铁路列车连带晚点的智能预测及特征识别
图 1 成渝高铁4趟晚点列车的恢复过程
高速铁路列车连带晚点的智能预测及特征识别
图 2 同一车站相邻车次的到达晚点时间散点图
高速铁路列车连带晚点的智能预测及特征识别
图 3 同一列车相邻车站的到达晚点时间散点图

高速铁路列车运行线具有较高弹性, 并不是所有列车的初始晚点或者连带晚点, 都有可能造成相邻列车或其自身的后效晚点. 因此, 有效的晚点预测不仅是对列车偏离图定时间范围的预测, 还需要估计列车晚点传播所带来的影响, 以采取有针对性的运行调整策略. 本文基于列车晚点传播结构及传播规律的分析, 提出了一种大规模列车连带晚点的智能预测及特征识别方法, 其主要结论如下:
1)与多元线性回归、BP神经网络和随机森林等预测模型相比, 基于小波神经网络的连带晚点预测模型可以大幅提高预测精度, 其中最大相对误差在15 %以内, 平均相对误差在9 %以内.
2)综合连带晚点的实际值、预测值和影响值, 将列车晚点分为严重、潜在、消散、一般四种类型, 提高了列车连带晚点的辨识度, 能够为高速铁路调度指挥提供数据支撑.

本文案例所采用的大规模列车晚点数据来源于成都铁路局集团有限公司高速铁路列车调度指挥系统, 虽然剔除了二次或多次干扰所导致的后续列车晚点急剧增加的样本数据, 但是并没有考虑运行调整方案所带来的晚点变化影响, 后续工作将在列车连带晚点样本充足的基础上, 结合列车运行调整方案进行深度研究.

我的更多文章

下载客户端阅读体验更佳

APP专享