Prediction model of dwell time for final arrival vehicle in railway freight yard
-
摘要:
为应对显著增加的铁路货运作业需求,提高铁路货运站场作业效率,在收集相关影响因素的基础上,设计了铁路货运站场车辆终到停留时间预测模型(简称:预测模型)。该模型通过统计数据,预测车辆出发空重状态,再根据出发状态预测终到停留时长。采用同时训练随机森林和BP(Back Propagation)神经网络、选取较优结果的方式构建3个子模型。通过数据验证,该预测模型的预测结果均方误差与平均绝对误差均优于仅使用随机森林算法或BP神经网络算法的模型,能够有效预测车辆终到停留时间,为货运站场作业计划安排和作业效率分析提供技术支撑。
Abstract:To cope with the significantly increased demand for railway freight operations and improve the efficiency of railway freight yard operations, this paper designed a prediction model of dwell time for final arrival vehicles in railway freight yard based on the collection of relevant influencing factors. This model predicted the empty and heavy status of the vehicle's departure based on statistical data, and then predicted the duration of stay. The paper constructed three sub models by simultaneously training a random forest and a BP (Back Propagation) neural network, and selecting the optimal results. Through data verification, the mean square error and mean absolute error of the prediction model are superior to models that only use random forest algorithm or BP neural network algorithm. It can effectively predict the dwell time for final arrival vehicle and provide technical support for the planning and efficiency analysis of freight station operations.
-
列车折返能力是确定城市轨道交通线路运输能力的基础,在工程建设初期,列车折返能力的计算是确定折返站配线形式、验证城市轨道交通信号系统设计能力和最终确定线路运营组织方案的重要依据[1]。尽管我国城市轨道交通已采用基于通信的列车自动控制系统,但是受到各种相关基础设施、运营管理条件约束,目前,多数采用30对/h的列车折返能力,难以满足日益增长的运营需求,如何提高列车折返能力已成为城市轨道交通的研究热点。唐玉川[2]对各种折返形式和站型的折返能力进行分析和计算,对如何提高车站折返能力进行了分类研究,并提出了相应的运输组织措施和工程措施;张雨洁等人[3]通过对典型折返站设计的研究,以及对折返能力的线路条件、道岔型号、配线方案等因素的研究,给出了提高列车折返能力的方法;张帅[4]提出了折返能力计算的列车牵引计算方法,搭建列车速度调整模型,以典型站型为例对折返能力关键技术进行研究与分析。近年来,国内对列车折返能力做了较为深入的研究,包括对折返线配置的研究、折返过程的分析、列车折返能力的计算与提升等。但是大多数的研究仍然处于定性阶段,对于量化参数的确定和计算仍旧不足,不能实际指导地铁设计。现有的列车折返能力计算通常是基于均变速的简单运行过程的条件,导致计算结果误差较大,得出的结论难以指导地铁线路设计[5]。本文结合列车牵引计算、设备选型、线路条件等因素,设计并实现了城市轨道交通列车折返能力仿真系统,并以郑州城市轨道交通某折返站为例,验证了该系统的功能及技术可行性。
1 系统架构
1.1 总体架构
列车折返能力仿真系统总体架构如图1所示。
(1)数据层:提供输入数据,包括仿真计算所需要的基础设施数据、列车数据、运营数据和信号数据。
(2)应用层:根据用户参数配置,加载系统计算所需要的数据,基于牵引计算与速度调整模型,完成多列车进站–折返–出站的场景仿真计算、仿真控制、仿真数据的存储。
(3)输出层:根据折返仿真计算的列车运行通用控制数据,基于前列车、后列车追踪及区段出清关系,生成折返流程图,计算列车折返能力指标;仿真结果可以图表与文档的形式导出。
(4)界面交互层:为用户提供交互式操作界面,通过界面操作输入数据的配置,实现列车折返过程的仿真与模拟运行展示,以及仿真数据结果导出。
1.2 功能架构
在新线设计场景下,可实现通过用户的设定或选择折返站型库,实现不同折返站型下列车折返能力计算分析功能;在既有线优化场景下,可实现根据联锁进路控制原理、列车信号控制原理,通过用户的设计或选择,实现列车折返能力计算分析功能;列车折返过程的仿真计算过程较复杂,需要依据定量分析结果作为论证条件。基于以上的分析,列车折返能力仿真系统在功能上主要包括数据管理、折返仿真计算和结果输出等3个部分,功能架构如图2所示。
1.2.1 数据管理
(1) 基础设施数据配置:主要是对与土建、轨道、线路条件等相关数据的管理,包括折返站类型库、土建限速、道岔型号及参数、线路配线数据(线路长度、坡度及曲线半径)和车站站台数据(站台长度、站台限速)等。
(2) 列车数据配置:主要是对列车自身参数相关数据的管理,包括车辆静态参数(列车车型及编组、列车车重、列车长度、构造速度)和车辆动态参数(牵引特性参数、制动特性参数)等。
(3) 信号数据配置:主要是对与城市轨道交通信号系统方案和设备配置相关数据的管理,包括折返方案、列车自动防护(ATP,Automatic Train Protection)参数、处理/传输延时时间、列车自动运行(ATO,Automatic Train Operation)参数和站停时间等。
用户根据工程条件,通过数据管理功能进行输入数据的管理,系统实现3类数据的增、删、改、查等功能,同时实现数据的正确性自检,是后续列车折返能力仿真分析与计算的基础。
1.2.2 列车折返仿真计算
(1)数据验证与处理:主要包括对输入数据的验证和处理2部分。数据验证功能是对用户输入的基础设施数据、列车数据和信号数据之间的匹配性进行校核与验证,保证数据之间逻辑规则的正确;数据处理是在数据验证通过的基础上对输入数据进行预处理,实现数据按预定格式的存储,以便后续程序计算的查询与调用。
(2)进路排列计算:主要是在用户选定折返站型后,对列车折返路径进行排列计算功能。不同的折返站型可能存在不同的折返路径,在列车折返能力计算时,需要为每列车规划排列折返路径,进路排列计算功能实现了不同折返站型下每列车折返进路排列的适配功能,同时,计算每条折返路径下的目标速度、线路条件并存储,为列车牵引计算功能提供基础。
(3)列车牵引计算:在输入数据条件下,基于列车牵引计算仿真模型,能够计算得到每列车折返运行过程中的V-S曲线和V-T曲线;同时存储每列车的运行状态信息(包括列车编号、当前时刻、列车位置、列车速度、运行时间、列车加速度和列车工况等),以供结果输出功能调用与查询。
1.2.3 结果输出
(1)折返流程图绘制:基于前列车、后列车追踪及区段出清/占用关系的控制,实现了在折返站所有折返路径列车运行仿真计算,根据每列车的仿真数据铺画每列车折返流程图,表示出每列车的位置–时间关系。
(2)列车运行模拟:实现折返过程中每列车的模拟运行,以便更直观地向用户展现折返过程。
(3)仿真结果导出:实现列车折返能力数据和折返流程图的导出功能,同时用户可通过计算结果的统计指标分析,对列车折返能力的影响因素进行调整,研究适合用户项目所需要的提高列车折返能力的措施。
2 关键技术
2.1 折返站基础数据处理
根据列车折返能力仿真系统架构设计的要求,需要对数据层的数据进行规则化的处理,以实现数据关系的描述及数据库的建立[6]。数据库包含的数据类型分为基础设施数据、列车数据和信号数据,是进行列车折返能力计算的基础数据来源,为了实现数据的存储与调用,需要定义数据字段、数据类型和长度等属性。
基础设施数据主要是与土建、轨道和线路条件等相关数据。对轨道交通折返站各种站型下的线路(由配线及道岔组成)进行抽象化,得到配线及道岔的类定义。折返站线路配线的数据结构定义,如表1所示,将线路数据根据其特征划分为若干link段进行区分。
表 1 折返站线路link段的属性定义字段名 字段含义 数据类型 wId link编号 int linkName Link名称 string linkLenth Link长度 double linkGradient Link坡度 double linkCurveRadius Link曲线半径 double wLogicDir link逻辑方向 int wOrgnPointType link起点端点类型 int wOrgnPointId link起点端点ID int wOrgnJointMainLinkId link起点相连接的相邻正线link编号 int wOrgnJointSideLinkId link起点相连接的相邻侧线link编号 int wTmnlPointType link终点端点类型 int wTmnlPointId link终点端点ID int wTmnlJointMainLinkId link终点相连接的相邻正线link编号 int wTmnlJointSideLinkId link终点相连接的相邻侧线link编号 int 折返站配线中各组道岔数据的数据结构定义,如表2所示,对道岔的特征进行数字化描述。
表 2 折返站道岔PointSwitch类的属性定义字段名 字段含义 数据类型 wId 道岔编号 int szCaption 道岔名称 string dwMainLinkOfst 所处正线link偏移量 double dwLocalMainLinkLength 道岔范围在正线长度 double dwSideLinkOfst 所处侧线link偏移量 double dwLocalSideLinkLength 道岔范围在侧线长度 double dwConfluentLinkOfst 所处汇合link偏移量 double dwLocalConfluentLinkLength 道岔范围在汇合线长度 double wMainLinkId 所处正线link编号 int wSideLinkId 所处侧线link编号 int wConfluentLinkId 所处汇合link编号 int wSideResSpeed 道岔反位静态限制速度 double 按照一定规则设计,任何类型的折返站线路形式均可通过配线link段与道岔数据结构的合理组合进行描述。收集国内通用的折返站类型库以保证仿真适用性,同时预留了折返站类型的扩展接口,可通过link段数据结构对任意配线形式进行参数化设计,保证软件的兼容性。
2.2 列车牵引计算模型
列车自动驾驶系统已广泛应用于现有的轨道交通系统中,实现了列车运行过程的自动驾驶[7]。列车运行过程主要包括牵引加速、中间运行过程及制动停车过程,列车折返能力仿真计算是以列车牵引计算为基础,对列车折返运行过程进行仿真。在对国内地铁各种信号控制方式深入研究和分析的基础上[8],列车牵引计算模型采用通用的级联结构设计,如图3所示。
车载控制器的结构主要分为2个层次:高层控制和低层控制。高层控制结构的主要任务是根据线路条件、列车的当前位置和速度、列车牵引制动特性和控制目标(舒适度、准点、节能等)生成目标速度。低层控制结构主要通过当前速度与目标速度的比较,经过低层控制策略调整,计算出所需要的牵引力或制动力,向列车输出相应的控制指令,实现了列车的自动加速或者制动,使列车按目标速度运行。
根据列车牵引计算得到的列车折返过程中列车运行曲线(V-T,V-S),结合列车进路办理时间参数、站停时间参数等,可以得到相应的列车折返时间。
2.3 列车折返能力的计算方法
采用解析法与计算机仿真法相结合的方式分析计算城市轨道交通列车折返能力,折返能力计算流程如图4所示。
(1)通过数据层输入基础设施参数、列车参数、信号参数等数据,通过列车折返仿真计算方法(基于折返站型的折返进路排列、列车牵引计算模型、前后列车追踪及区段出清规则),运用计算机仿真技术模拟列车的折返运行全过程。
(2)列车折返仿真计算过程中存储每个时刻下的每列车的运行状态信息,得到每列车的V-S与V-T速度曲线。
(3)根据折返仿真结果计算出各个单项折返作业时间,结合折返站型配线的作业过程,进而计算出折返站的折返间隔,并绘制折返过程流程图。
由于这种方法考虑的参数和条件比较全面,较真实地反应列车的运行状态,故计算方法的精度较高,结果也直观。
3 系统实现
列车折返能力仿真系统采用基于C#语言的多文档界面应用程序方式,包括基础设施数据配置、列车数据配置、信号数据配置、折返过程仿真计算、折返流程图、结果数据表、列车运行仿真模拟及主操作界面共8个子窗口界面。
(1)折返过程仿真计算。对数据层的数据进行验证与预处理,将折返配线数据处理后生成电子地图存储以供调用查询,根据折返站型生成可能的折返方式,自动分配列车车次号,自动排列折返进路,为列车折返运行提供准备条件。
(2)列车折返运行仿真过程采用多线程技术,实时调用电子地图数据,根据每列车开始时间新建列车运行线程,算法实时计算前列车、后列车追踪及区段出清关系,根据控制器策略和列车模型进行牵引计算,运行过程中每列车采用相同的计算周期Tms和统一的时间戳T(hh∶mm∶ss)记录通用控制数据,每列车完成折返后退出线程。
(3)基于GDI+(Graphics Device Interface plus)绘图技术,根据列车运行记录的数据绘制折返流程图,计算每列车进站、折返、出站进路时间,得出折返间隔,生成折返能力指标。
(4)基于开源的.NET图表ZedGraph类库,绘制V-S与V-T曲线,进行列车仿真模拟,以更直观的方式展示列车折返运行过程。
(5)设置辅助功能模块,包括用户注册、窗口视图管理和工程配置保存。
4 系统应用
以郑州轨道交通3号线二期工程实际数据为例,测试了折返能力仿真计算过程及结果。仿真结果展示如图5所示。
由仿真结果可知,司赵站采用站后折返方式,移动闭塞下的折返间隔为119.3 s,点式后备模式下的折返间隔为148.2 s,仿真结果基本符合我国实际情况。目前系统已应用于郑州市轨道交通3号线二期、武汉市轨道交通12号线、郑州机场—许昌市域铁路等多个工程项目的前期研究工作中,可满足信号系统的设计要求。
5 结束语
本文研发了通用性及适应性强的城市轨道交通列车折返能力仿真系统,重点介绍了系统总体架构、系统功能,以及折返站基础数据处理技术,列车折返能力计算方法、列车牵引计算模型等。以郑州轨道交通某折返站为例,验证了该系统的功能及技术可行性,该系统能够作为城市轨道交通列车折返能力相关工作的辅助工具,辅助工程设计初期列车折返能力的设计及线路运营后期列车折返能力的提升。
-
表 1 各模型的评价指标计算结果
模型 MSE MAE P(5) P(10) A模型 573 14 0.39 0.63 B模型 837 19 0.26 0.38 本文预测模型 509 11 0.51 0.75 -
[1] Shi A Q, Dong B T, Zhao F C, et al. Prediction of dwell time of railway freight cars at the terminal based on Gradient Boosting Regression Tree[C]//Proceedings of 2019 3rd International Conference on Mechanical and Electronics Engineering, 29 November, 2019-30 November, 2019, Chongqing City, China. Clausius Scientific Press, 2019: 220-227.
[2] 韩 浪,王壮锋,张春德. 铁路调度集中系统调车作业时间智能预测方法研究[J]. 铁道标准设计,2022,66(2):143-148. DOI: 10.13238/j.issn.1004-2954.202012210002. [3] 钟立民,付骏峰,李长宇,等. 基于梯度提升决策树模型的铁路货运装卸时间预测技术[J]. 铁路计算机应用,2023,32(3):1-5. DOI: 10.3969/j.issn.1005-8451.2023.03.01 [4] 吴志伟,孔垂云,钟立民,等. 货运车站物流效率多指标优化方法研究[J]. 铁路计算机应用,2023,32(2):18-22. DOI: 10.3969/j.issn.1005-8451.2023.02.04 [5] 李良柱. 关于对进一步优化运输组织方案压缩编组站中停时指标的思考[J]. 黑龙江科技信息,2012(31):137. [6] 何宏伟. 铁路货车在站停留时间延长的原因分析[J]. 铁道运输与经济,2008,30(5):14-16. DOI: 10.3969/j.issn.1003-1421.2008.05.005 [7] 权诗琦,张晓华. 压缩邯郸站货车在站停留时间对策分析[J]. 铁道货运,2021,39(5):8-12. DOI: 10.16669/j.cnki.issn.1004-2024.2021.05.02. [8] 杨廷宇,倪少权,陈钉均,等. 列车在站技术作业时间写实管理信息系统设计[J]. 铁路计算机应用,2019,28(8):31-36. DOI: 10.3969/j.issn.1005-8451.2019.08.008 [9] 张 政,李世强. 基于AdaBoost改进随机森林和SVM的极化SAR地物分类[J]. 中国科学院大学学报,2022,39(6):776-782. [10] 杨长春,聂倩倩. 面向PM2.5预测的时间序列分解与机器学习融合模型[J]. 安全与环境学报,2023,23(12):4600-4608. DOI: 10.13637/j.issn.1009-6094.2022.1616. [11] Zhang W C. Compare Linear regression, Decision Tree Regressor, and Random Forest Regressor based on python, a restaurant company on Kaggle as a case[J]. BCP Business & Management, 2023(36): 322-329. DOI: 10.54691/bcpbm.v36i.3449
[12] 秦建楠,胡文斌,徐 立. 基于随机森林和神经网络的城市轨道交通列车速度预测算法[J]. 控制与信息技术,2022(6):62-68. DOI: 10.13889/j.issn.2096-5427.2022.06.010. [13] Guo K J, Qiao Y X, Gao Z. Based on BP neural network glass cultural relics chemical category and composition prediction model construction[J]. Highlights in Science, Engineering and Technology, 2023(42): 111-117. DOI: 10.54097/hset.v42i.7083
[14] Huang Z L, Wang J J, Gongbo Z D, et al. Prediction of global temperature based on the BP neural networks[J]. Highlights in Science, Engineering and Technology, 2023(42): 251-261. DOI: 10.54097/hset.v42i.7102
-
期刊类型引用(3)
1. 谭宇文,刘瑞敏,王晓东,赵栋,曾雅雯. 基于改进U-Net的单轨受电弓滑块图像分割方法. 轨道交通材料. 2024(04): 63-67 . 百度学术
2. 张渝,王松,邱春蓉. 基于轮对磨耗数据的CRH2A型动车经济镟修策略研究. 铁路计算机应用. 2021(04): 6-10 . 本站查看
3. 步春辰,王亚平,闫雅斌. 地铁闸机扇门机构故障时间序列预测研究. 铁路计算机应用. 2020(09): 16-20+25 . 本站查看
其他类型引用(6)