鐵路調(diào)度集中系統(tǒng)調(diào)車(chē)作業(yè)時(shí)間智能預(yù)測(cè)方法研究

韓 浪,王壯鋒,張春德

(1.中國(guó)鐵道科學(xué)研究院研究生部,北京 100081； 2.中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司通信信號(hào)研究所,北京 100081； 3.中國(guó)鐵路北京局集團(tuán)有限公司,北京 100860)

引言

在調(diào)車(chē)作業(yè)頻繁的調(diào)度集中車(chē)站，影響接發(fā)車(chē)作業(yè)和切割正線(xiàn)的調(diào)車(chē)作業(yè)會(huì)與列車(chē)作業(yè)在時(shí)間和空間上產(chǎn)生沖突，影響彼此的作業(yè)效率和行車(chē)安全[1]。分散自律調(diào)度集中控制系統(tǒng)將調(diào)車(chē)作業(yè)權(quán)和列車(chē)作業(yè)權(quán)分置，協(xié)調(diào)解決了列車(chē)作業(yè)和調(diào)車(chē)作業(yè)的時(shí)空沖突問(wèn)題[2]。在分散自律控制模式下，調(diào)度中心控制列車(chē)作業(yè)，助調(diào)員(采用中心控制操作方式的車(chē)站)或車(chē)站值班員(采用車(chē)站控制操作方式的車(chē)站)控制調(diào)車(chē)作業(yè)。在不影響列車(chē)作業(yè)的情況下，車(chē)站自律機(jī)根據(jù)列車(chē)運(yùn)行調(diào)整計(jì)劃，調(diào)車(chē)作業(yè)估算時(shí)間，聯(lián)鎖關(guān)系，《車(chē)站行車(chē)工作細(xì)則》(以下簡(jiǎn)稱(chēng)“《站細(xì)》”)等條件尋找列車(chē)與列車(chē)之間合適的運(yùn)行空當(dāng)，及時(shí)完成調(diào)車(chē)作業(yè)[3-4]。

科學(xué)準(zhǔn)確地預(yù)測(cè)調(diào)車(chē)作業(yè)時(shí)間對(duì)于調(diào)車(chē)作業(yè)安全卡控，提升調(diào)車(chē)作業(yè)效率，保證列車(chē)作業(yè)不受影響及行車(chē)安全十分重要。預(yù)測(cè)值過(guò)大，會(huì)導(dǎo)致調(diào)車(chē)作業(yè)長(zhǎng)時(shí)間處于等待狀態(tài)，調(diào)車(chē)作業(yè)效率不高，車(chē)站線(xiàn)路利用率低；預(yù)測(cè)值過(guò)小，會(huì)導(dǎo)致調(diào)車(chē)作業(yè)時(shí)間緊張甚至無(wú)法完成，影響列車(chē)作業(yè)，導(dǎo)致后續(xù)列車(chē)的停車(chē)和運(yùn)緩，甚至導(dǎo)致列車(chē)站外停車(chē)，發(fā)生沖突等危險(xiǎn)情況。由于調(diào)車(chē)作業(yè)過(guò)程復(fù)雜，參與人員眾多，對(duì)調(diào)車(chē)作業(yè)時(shí)間合理有效地進(jìn)行預(yù)測(cè)具有較大難度。

目前，針對(duì)調(diào)度集中系統(tǒng)中調(diào)車(chē)作業(yè)時(shí)間估算方法的研究較少。由于影響調(diào)車(chē)作業(yè)時(shí)間的因素復(fù)雜，部分因素不可量化，無(wú)法參與計(jì)算，所以純粹的計(jì)算法便顯得過(guò)于理想化，無(wú)法付諸實(shí)踐。純計(jì)算法考慮調(diào)車(chē)程類(lèi)型、調(diào)車(chē)程數(shù)量和調(diào)動(dòng)車(chē)輛數(shù)3種因素建立簡(jiǎn)單線(xiàn)性函數(shù)對(duì)調(diào)車(chē)作業(yè)時(shí)間進(jìn)行粗略估算；王秀娟[5]等通過(guò)采用寫(xiě)實(shí)法建立調(diào)車(chē)作業(yè)時(shí)間庫(kù)，并對(duì)庫(kù)中數(shù)據(jù)進(jìn)行不斷修正與補(bǔ)充，從中獲取調(diào)車(chē)作業(yè)時(shí)間的評(píng)估值。純計(jì)算法無(wú)法綜合考慮各影響因素，其計(jì)算值與實(shí)際相差較大，誤差率較高；寫(xiě)實(shí)法需要大量的時(shí)間成本和人力成本，且由于靠人工經(jīng)驗(yàn)和少量計(jì)算評(píng)估，所獲取調(diào)車(chē)作業(yè)時(shí)間評(píng)估值波動(dòng)性大，指導(dǎo)性參考性較弱，個(gè)人主觀性強(qiáng)，缺乏統(tǒng)一的解讀標(biāo)準(zhǔn)，容易產(chǎn)生不同的解讀。

在對(duì)調(diào)度集中車(chē)站調(diào)車(chē)作業(yè)過(guò)程和時(shí)間影響因素分析的基礎(chǔ)上，提取調(diào)車(chē)作業(yè)時(shí)間的影響因素作為數(shù)據(jù)集特征，構(gòu)建有標(biāo)識(shí)的數(shù)據(jù)集訓(xùn)練和驗(yàn)證回歸分析預(yù)測(cè)模型，得出誤差率可接受的調(diào)車(chē)作業(yè)時(shí)間預(yù)測(cè)值；通過(guò)采用回歸分析算法[6]對(duì)智能預(yù)測(cè)模型進(jìn)行示例實(shí)現(xiàn)，并對(duì)智能預(yù)測(cè)邏輯流程和應(yīng)用效果進(jìn)行簡(jiǎn)單分析。

1 調(diào)車(chē)作業(yè)過(guò)程及時(shí)間影響因素分析

在鐵路運(yùn)輸生產(chǎn)活動(dòng)中，除列車(chē)運(yùn)行以外，機(jī)車(chē)、車(chē)輛或機(jī)車(chē)車(chē)輛在站線(xiàn)或其他線(xiàn)路上一切有目的、有計(jì)劃的移動(dòng)都屬于調(diào)車(chē)。調(diào)車(chē)作業(yè)是在一定氣候、光照等外部物理環(huán)境下，助調(diào)員或車(chē)站值班員編制調(diào)車(chē)計(jì)劃，機(jī)車(chē)乘務(wù)組按調(diào)車(chē)進(jìn)路操縱機(jī)車(chē)或機(jī)車(chē)車(chē)輛運(yùn)行，調(diào)車(chē)組按計(jì)劃對(duì)車(chē)輛進(jìn)行摘、掛等作業(yè)的一系列過(guò)程。調(diào)車(chē)作業(yè)按照調(diào)車(chē)設(shè)備不同可分為牽出線(xiàn)調(diào)車(chē)和駝峰調(diào)車(chē)[7]。調(diào)度集中站一般利用到發(fā)線(xiàn)、正線(xiàn)進(jìn)行調(diào)車(chē)作業(yè)，特殊情況下會(huì)用到部分區(qū)間線(xiàn)路進(jìn)行調(diào)車(chē)作業(yè)，屬于牽出線(xiàn)調(diào)車(chē)作業(yè)。

1.1 調(diào)車(chē)鉤、調(diào)車(chē)程、調(diào)車(chē)作業(yè)計(jì)劃

任何調(diào)車(chē)作業(yè)都能以調(diào)車(chē)鉤作為基本單位進(jìn)行分解，調(diào)車(chē)鉤按照作業(yè)性質(zhì)不同可分為牽出鉤、摘車(chē)鉤、掛車(chē)鉤、轉(zhuǎn)線(xiàn)鉤，調(diào)車(chē)鉤，按照一定順序排列即可組成調(diào)車(chē)作業(yè)計(jì)劃[8-10]。調(diào)車(chē)鉤可進(jìn)一步細(xì)分為不同種類(lèi)、數(shù)量和長(zhǎng)度的調(diào)車(chē)程，調(diào)車(chē)程按照其各階段運(yùn)行速度不同分為加速—制動(dòng)、加速—惰行—制動(dòng)、加速—定速—制動(dòng)、加速—定速—惰行—制動(dòng)等類(lèi)型。為闡述調(diào)車(chē)鉤、調(diào)車(chē)程和調(diào)車(chē)作業(yè)計(jì)劃的概念，以某一調(diào)車(chē)作業(yè)計(jì)劃為例進(jìn)行分析：A車(chē)起始位置如圖1所示，位于VG道，調(diào)至8G摘鉤甩2節(jié)車(chē)輛，進(jìn)行一次摘車(chē)鉤作業(yè)；然后調(diào)至7G掛鉤1節(jié)待編組車(chē)輛，進(jìn)行一次掛車(chē)鉤作業(yè)；重新調(diào)回VG。其對(duì)應(yīng)的調(diào)車(chē)作業(yè)計(jì)劃如表1所示，其中，“-”表示摘車(chē)作業(yè)，“+”表示掛車(chē)作業(yè)。

圖1 車(chē)站調(diào)車(chē)作業(yè)示例

表1 調(diào)車(chē)作業(yè)計(jì)劃

A車(chē)從VG牽出至2-4DG為一個(gè)加速—定速—制動(dòng)調(diào)車(chē)程；調(diào)至8G摘鉤甩2節(jié)車(chē)輛，為一個(gè)加速—定速—惰行—制動(dòng)調(diào)車(chē)程；回至2-4DG為一個(gè)加速—定速—制動(dòng)調(diào)車(chē)程；調(diào)至7G掛鉤1節(jié)待編組車(chē)輛，為一個(gè)加速—定速—惰行—制動(dòng)調(diào)車(chē)程；回至2-4DG為一個(gè)加速—定速—制動(dòng)調(diào)車(chē)程；回至VG為一個(gè)加速—定速—制動(dòng)調(diào)車(chē)程。

1.2 安全預(yù)留時(shí)間及調(diào)車(chē)作業(yè)時(shí)間分解

調(diào)度集中車(chē)站的調(diào)車(chē)作業(yè)在相鄰兩次列車(chē)作業(yè)間的時(shí)間空當(dāng)內(nèi)完成，該空當(dāng)時(shí)間記作T間。根據(jù)《站細(xì)》，調(diào)度集中站在接發(fā)列車(chē)前，應(yīng)在規(guī)定的時(shí)間內(nèi)停止影響列車(chē)進(jìn)路的調(diào)車(chē)作業(yè)，這一按規(guī)定預(yù)留的時(shí)間間隔稱(chēng)為安全預(yù)留時(shí)間，記作T安。在相鄰兩次列車(chē)作業(yè)時(shí)間間隔T間內(nèi)，做完一次調(diào)車(chē)作業(yè)T總并保證安全預(yù)留時(shí)間T安后，可能會(huì)空出一段時(shí)間間隔，無(wú)調(diào)車(chē)作業(yè)計(jì)劃或不能滿(mǎn)足下次調(diào)車(chē)作業(yè)時(shí)間的要求，該時(shí)間間隔稱(chēng)作空閑時(shí)間，記作T空。

調(diào)車(chē)作業(yè)的總時(shí)間T總與T間、T安、T空之間有如下關(guān)系

(1)

其包含關(guān)系如圖2所示。

圖2 調(diào)車(chē)作業(yè)各時(shí)間量關(guān)系

一次實(shí)際調(diào)車(chē)作業(yè)時(shí)間可由上述各時(shí)間量相加得出，但每個(gè)時(shí)間量并不能通過(guò)簡(jiǎn)單的數(shù)值計(jì)算得到。實(shí)際調(diào)車(chē)作業(yè)過(guò)程會(huì)受到各種因素的影響，如天氣、夜間照明等物理環(huán)境，機(jī)車(chē)乘務(wù)組機(jī)車(chē)操縱水平，調(diào)車(chē)組摘掛作業(yè)熟練程度，調(diào)車(chē)機(jī)車(chē)的類(lèi)型、牽引性能、制動(dòng)性能等，均會(huì)對(duì)加速運(yùn)行時(shí)間T加、定速運(yùn)行時(shí)間T定、惰行時(shí)間T惰、制動(dòng)運(yùn)行時(shí)間T制和摘掛鉤作業(yè)時(shí)間t產(chǎn)生不同程度的影響。將這些影響因素進(jìn)行抽象，視作變量?？芍@些影響因素變量部分是分類(lèi)變量，部分是含義和量綱均不同的數(shù)值變量，均無(wú)法通過(guò)傳統(tǒng)數(shù)學(xué)計(jì)算進(jìn)行分析。針對(duì)這一問(wèn)題，利用大數(shù)據(jù)技術(shù)，將影響因素變量作為特征構(gòu)建數(shù)據(jù)集，通過(guò)構(gòu)建回歸分析模型并對(duì)其進(jìn)行訓(xùn)練驗(yàn)證，構(gòu)建一種綜合考慮各種影響因素的智能預(yù)測(cè)模型，獲取到更為科學(xué)準(zhǔn)確的調(diào)車(chē)作業(yè)時(shí)間預(yù)測(cè)值。

2 智能預(yù)測(cè)模型構(gòu)建和邏輯設(shè)計(jì)

利用大數(shù)據(jù)技術(shù)和機(jī)器學(xué)習(xí)算法對(duì)調(diào)車(chē)作業(yè)時(shí)間進(jìn)行預(yù)測(cè)需分3個(gè)步驟進(jìn)行。

(1)抽象時(shí)間影響因素作為特征，構(gòu)建數(shù)據(jù)集。

(2)構(gòu)建算法模型并利用訓(xùn)練數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練，利用測(cè)試數(shù)據(jù)集對(duì)模型進(jìn)行驗(yàn)證。

(3)結(jié)合調(diào)車(chē)作業(yè)流程，設(shè)計(jì)調(diào)車(chē)作業(yè)時(shí)間智能預(yù)測(cè)邏輯流程。

2.1 構(gòu)建數(shù)據(jù)集

構(gòu)建數(shù)據(jù)集首先需進(jìn)行特征提取，即對(duì)所有影響調(diào)車(chē)作業(yè)時(shí)間的影響因素進(jìn)行變量定義和命名，如圖3所示，調(diào)車(chē)作業(yè)時(shí)間數(shù)據(jù)集的特征組如下。

圖3 調(diào)車(chē)作業(yè)時(shí)間數(shù)據(jù)集特征組成

(1)調(diào)車(chē)程類(lèi)型x1、調(diào)車(chē)程長(zhǎng)度x2、調(diào)車(chē)程數(shù)量x3：不同調(diào)車(chē)鉤計(jì)劃可以分解為不同類(lèi)型、長(zhǎng)度和數(shù)量的調(diào)車(chē)程，調(diào)車(chē)程決定調(diào)車(chē)作業(yè)的走行距離。

(2)調(diào)動(dòng)車(chē)輛的數(shù)量x4、調(diào)動(dòng)車(chē)輛的質(zhì)量x5：在牽引和制動(dòng)性能一定條件下，調(diào)動(dòng)車(chē)輛的數(shù)量和質(zhì)量會(huì)限制調(diào)車(chē)車(chē)列的運(yùn)行速度。

(3)調(diào)車(chē)機(jī)車(chē)類(lèi)型x6、調(diào)車(chē)機(jī)車(chē)牽引性能x7、調(diào)車(chē)機(jī)車(chē)制動(dòng)性能x8：不同動(dòng)力的調(diào)車(chē)機(jī)車(chē)具有不同的牽引和制動(dòng)性能，決定調(diào)車(chē)程加速、定速、惰行和制動(dòng)過(guò)程的速度曲線(xiàn)。

(4)調(diào)車(chē)允許速度x9：不同的調(diào)車(chē)進(jìn)路，途徑的道岔號(hào)不同，所允許的最高調(diào)車(chē)速度會(huì)不同[11]。

(5)站場(chǎng)的正線(xiàn)數(shù)量x10、站場(chǎng)的到發(fā)線(xiàn)數(shù)量x11：站場(chǎng)的正線(xiàn)和到發(fā)線(xiàn)數(shù)量等站場(chǎng)布置信息決定構(gòu)成調(diào)車(chē)進(jìn)路的調(diào)車(chē)程的類(lèi)型、長(zhǎng)度和數(shù)量。

(6)機(jī)車(chē)乘務(wù)組機(jī)車(chē)操縱水平x12、調(diào)車(chē)組摘掛作業(yè)熟練程度x13：參與調(diào)車(chē)作業(yè)的機(jī)車(chē)乘務(wù)組和調(diào)車(chē)組的業(yè)務(wù)水平影響機(jī)車(chē)性能發(fā)揮程度和摘掛鉤作業(yè)時(shí)間t。

(7)濕度x14、溫度x15、光照條件x16：不同濕度、溫度，對(duì)輪軌的黏著系數(shù)[12]，各種調(diào)車(chē)設(shè)備性能和作業(yè)人員的生理、心理都會(huì)產(chǎn)生不同程度且難以量化的影響。

(8)調(diào)車(chē)作業(yè)時(shí)間T總：記錄實(shí)際調(diào)車(chē)作業(yè)時(shí)間，包含該特征值的數(shù)據(jù)集是有標(biāo)識(shí)的數(shù)據(jù)集[13]，方可用于訓(xùn)練或測(cè)試算法模型。

數(shù)值特征是特征取值為數(shù)字的一類(lèi)特征，如調(diào)車(chē)程長(zhǎng)度x2、調(diào)車(chē)程數(shù)量x3、調(diào)動(dòng)車(chē)輛的數(shù)量x4、調(diào)動(dòng)車(chē)輛的質(zhì)量x5、調(diào)車(chē)允許速度x9、站場(chǎng)的正線(xiàn)數(shù)量x10、站場(chǎng)的到發(fā)線(xiàn)數(shù)量x11、濕度x14、溫度x15、光照強(qiáng)度x16、調(diào)車(chē)機(jī)車(chē)牽引性能x7、調(diào)車(chē)機(jī)車(chē)制動(dòng)性能x8、調(diào)車(chē)作業(yè)時(shí)間T總等。不同數(shù)值特征的取值范圍和衡量單位差異較大，需進(jìn)行特征標(biāo)準(zhǔn)化處理，即將特征值縮放成均值為0，方差為1的狀態(tài)，可減少取值過(guò)大的特征對(duì)訓(xùn)練模型精度的影響程度[14]。

分類(lèi)特征是特征取值為不同類(lèi)別的一類(lèi)特征，如調(diào)車(chē)程類(lèi)型x1、調(diào)車(chē)機(jī)車(chē)類(lèi)型x6、機(jī)車(chē)乘務(wù)組機(jī)車(chē)操縱水平x12(例如取值“優(yōu)”“良”“一般”)、調(diào)車(chē)組摘掛作業(yè)熟練程度x13(例如取值“優(yōu)”“良”“一般”)等。不同的分類(lèi)特征，其取值通常為具有不同含義的字符，為使訓(xùn)練模型可以識(shí)別其含義并進(jìn)行處理運(yùn)算，需進(jìn)行one-hot[15]特征編碼。

數(shù)據(jù)集按照4：1分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集用來(lái)訓(xùn)練預(yù)測(cè)算法模型，測(cè)試數(shù)據(jù)集用來(lái)驗(yàn)證預(yù)測(cè)算法模型的好壞程度。

數(shù)據(jù)集具有可調(diào)性，其中的特征可以進(jìn)行增、刪調(diào)整，對(duì)調(diào)車(chē)作業(yè)時(shí)間影響微乎其微的特征可進(jìn)行剔除，對(duì)調(diào)車(chē)作業(yè)時(shí)間具有一定影響但未被考慮的因素進(jìn)行增加操作，使得數(shù)據(jù)集特征結(jié)構(gòu)更具科學(xué)合理性。

數(shù)據(jù)集同樣具有一定的時(shí)效性，調(diào)車(chē)設(shè)備大規(guī)模升級(jí)改造、調(diào)車(chē)作業(yè)規(guī)范發(fā)生較大變化等時(shí)間節(jié)點(diǎn)前后的數(shù)據(jù)對(duì)于調(diào)車(chē)作業(yè)時(shí)間預(yù)測(cè)模型會(huì)產(chǎn)生不同程度的影響，應(yīng)盡量使用最新時(shí)間節(jié)點(diǎn)的數(shù)據(jù)作為數(shù)據(jù)集進(jìn)行預(yù)測(cè)。

2.2 構(gòu)建預(yù)測(cè)模型

在建立數(shù)據(jù)集結(jié)構(gòu)的基礎(chǔ)上，便可利用機(jī)器學(xué)習(xí)算法對(duì)時(shí)間預(yù)測(cè)問(wèn)題進(jìn)行建模。調(diào)車(chē)作業(yè)時(shí)間預(yù)測(cè)問(wèn)題可抽象為：由已知的16種影響因素，即調(diào)車(chē)程類(lèi)型、調(diào)車(chē)程長(zhǎng)度、調(diào)車(chē)程數(shù)量，調(diào)車(chē)機(jī)車(chē)類(lèi)型等，對(duì)調(diào)車(chē)作業(yè)時(shí)間T總進(jìn)行預(yù)測(cè)。輸入是一系列數(shù)值特征數(shù)據(jù)或分類(lèi)特征數(shù)據(jù)，輸出是一個(gè)數(shù)值型數(shù)據(jù)，回歸分析算法或深度學(xué)習(xí)算法均適用于此類(lèi)預(yù)測(cè)問(wèn)題。以回歸分析算法[16]為例進(jìn)行介紹，建立回歸分析算法模型分3步進(jìn)行，如圖4所示。

圖4 回歸分析算法模型訓(xùn)練過(guò)程

STEP1：確定方程域

T總=f1、2、3、…(x1，x2，x3，…，x15，x16)

(2)

方程域是由一系列函數(shù)方程f1、f2、f3…組成的方程集合。調(diào)車(chē)作業(yè)時(shí)間與16種影響因素的映射關(guān)系就被包含于方程域中，回歸分析算法就是試圖從方程域中尋找出最擬合調(diào)車(chē)作業(yè)時(shí)間預(yù)測(cè)的函數(shù)模型。根據(jù)調(diào)車(chē)作業(yè)時(shí)間影響因素及調(diào)車(chē)作業(yè)過(guò)程特性，采用線(xiàn)性回歸方程域，即

T總=b+∑wixi，i=1，2，3，…，15，16

(3)

其中，wi為特征權(quán)重；xi為特征；b為偏差。

STEP2：建立損失函數(shù)

(4)

STEP3：尋找目標(biāo)線(xiàn)性回歸模型，即尋找目標(biāo)函數(shù)f*使?jié)M足

(5)

或?qū)ふ夷繕?biāo)參數(shù)w*和b*使?jié)M足

(6)

即，尋找使損失函數(shù)L(f)=L(wi,b)最小的f*，即為所求的最佳線(xiàn)性回歸函數(shù)模型。確定方程域，建立損失函數(shù)后，需利用數(shù)據(jù)集進(jìn)行訓(xùn)練，逐步逼近最擬合調(diào)車(chē)作業(yè)時(shí)間的回歸分析模型。文中采用隨機(jī)梯度下降的方法，即初始時(shí)隨機(jī)給定一組wi和b值，計(jì)算損失函數(shù)L(f)，設(shè)定各參數(shù)的下降梯度，使得wi和b值向著使損失函數(shù)遞減的方向梯度變化，可設(shè)定

wi的下降梯度為

(7)

b的下降梯度為

(8)

學(xué)習(xí)率(Learning Rate)η值可由專(zhuān)家確定，決定wi和b值的梯度變化速度。利用隨機(jī)梯度下降的方法可以逐步逼近得出最擬合調(diào)車(chē)作業(yè)時(shí)間的預(yù)測(cè)模型f*。

2.3 智能預(yù)測(cè)邏輯設(shè)計(jì)

構(gòu)建出調(diào)車(chē)作業(yè)時(shí)間智能預(yù)測(cè)模型f*后，設(shè)計(jì)智能預(yù)測(cè)邏輯流程，可將預(yù)測(cè)得到的調(diào)車(chē)作業(yè)時(shí)間提供給車(chē)站自律機(jī)進(jìn)行必要的自律運(yùn)算和安全卡控。調(diào)車(chē)作業(yè)時(shí)間智能預(yù)測(cè)邏輯流程如圖5所示。

圖5 調(diào)車(chē)鉤時(shí)間智能預(yù)測(cè)邏輯流程

(1)對(duì)調(diào)車(chē)作業(yè)時(shí)間進(jìn)行智能預(yù)測(cè)，首先需要對(duì)調(diào)車(chē)作業(yè)計(jì)劃進(jìn)行分解，一次調(diào)車(chē)作業(yè)可分解為若干不同類(lèi)型的調(diào)車(chē)鉤[17]，調(diào)車(chē)鉤可進(jìn)一步分解為若干個(gè)不同類(lèi)型、長(zhǎng)度和數(shù)量的調(diào)車(chē)程。

(2)通過(guò)鐵路大數(shù)據(jù)平臺(tái)[18-19]或調(diào)度集中大數(shù)據(jù)平臺(tái)[20-21]可獲取除調(diào)車(chē)作業(yè)時(shí)間以外的16種特征值，輸入智能預(yù)測(cè)模型f*中獲取預(yù)測(cè)值。

(3)自律機(jī)根據(jù)調(diào)車(chē)作業(yè)時(shí)間的預(yù)測(cè)值，綜合列車(chē)運(yùn)行調(diào)整計(jì)劃、《站細(xì)》、聯(lián)鎖關(guān)系等條件進(jìn)行自律運(yùn)算，判斷調(diào)車(chē)進(jìn)路是否符合排列條件并進(jìn)行安全卡控。

(4)當(dāng)調(diào)車(chē)進(jìn)路排列完成，進(jìn)行調(diào)車(chē)作業(yè)，并在調(diào)車(chē)作業(yè)完成后，記錄實(shí)際調(diào)車(chē)作業(yè)時(shí)間，與預(yù)測(cè)值進(jìn)行比對(duì)，計(jì)算誤差率(可接受誤差率范圍由專(zhuān)家設(shè)定)，判斷誤差能否接受。誤差率可接受，則進(jìn)行下一鉤調(diào)車(chē)作業(yè)；如果不滿(mǎn)足誤差率要求，則將數(shù)據(jù)更新至數(shù)據(jù)集對(duì)預(yù)測(cè)模型f*進(jìn)行重新訓(xùn)練，得到優(yōu)化后新的預(yù)測(cè)模型f′*，返回至第3步驟重新進(jìn)行自律運(yùn)算及后續(xù)操作，直至調(diào)車(chē)作業(yè)完成。

3 仿真分析

選取某鐵路局下轄3個(gè)區(qū)段站內(nèi)一晝夜間的調(diào)車(chē)作業(yè)為研究對(duì)象，利用調(diào)度集中系統(tǒng)總顯示軟件的歷史回放功能，統(tǒng)計(jì)得到實(shí)際調(diào)車(chē)作業(yè)時(shí)間。根據(jù)實(shí)際調(diào)車(chē)作業(yè)信息，結(jié)合路內(nèi)及路外數(shù)據(jù)，構(gòu)建仿真數(shù)據(jù)集，對(duì)線(xiàn)性回歸分析預(yù)測(cè)模型進(jìn)行仿真訓(xùn)練。

所選取的3個(gè)區(qū)段站有如下特點(diǎn)：調(diào)車(chē)作業(yè)頻繁，晝夜均有大量調(diào)車(chē)作業(yè)進(jìn)行；車(chē)站所處地區(qū)晝夜氣候變化大，溫度、濕度、光照均有較大起伏；機(jī)車(chē)型號(hào)不一，數(shù)量較多；機(jī)車(chē)乘務(wù)組和調(diào)車(chē)組人員眾多，各班組間作業(yè)水平存在一定差距；站場(chǎng)調(diào)車(chē)設(shè)備狀況不同；站場(chǎng)布局及相關(guān)信號(hào)設(shè)備有較大差異。

仿真分析時(shí)，對(duì)調(diào)車(chē)作業(yè)場(chǎng)景作如下假設(shè)。

(1)調(diào)車(chē)作業(yè)均由一臺(tái)本務(wù)機(jī)車(chē)完成。

(2)調(diào)車(chē)作業(yè)時(shí)間，系指在站線(xiàn)作業(yè)(不包括貨場(chǎng)內(nèi)的貨物線(xiàn))的時(shí)間。

(3)對(duì)各項(xiàng)非生產(chǎn)時(shí)間(如待摘掛、待發(fā)車(chē)等信號(hào)的各種等待時(shí)間)，不計(jì)入作業(yè)時(shí)間內(nèi)。

文中寫(xiě)實(shí)法評(píng)估值由專(zhuān)家(經(jīng)驗(yàn)豐富的助調(diào)員和車(chē)站值班員)給出參考值；純計(jì)算法預(yù)測(cè)值由以下公式計(jì)算得出

t=a+bm

(9)

式中，t為調(diào)車(chē)鉤作業(yè)時(shí)間；a為單機(jī)完成該調(diào)車(chē)鉤作業(yè)所需要的平均時(shí)間，參照寫(xiě)實(shí)法評(píng)估值；b為每增加調(diào)動(dòng)一輛車(chē)所增加的調(diào)車(chē)鉤作業(yè)時(shí)間；m為本調(diào)車(chē)鉤調(diào)動(dòng)的車(chē)數(shù)。

利用寫(xiě)實(shí)法和純計(jì)算法對(duì)某車(chē)站10個(gè)調(diào)車(chē)鉤作業(yè)時(shí)間進(jìn)行預(yù)測(cè)，與線(xiàn)性回歸智能預(yù)測(cè)值的對(duì)比如表2所示。

表2 調(diào)車(chē)鉤作業(yè)時(shí)間對(duì)比分析

由表2可知：由寫(xiě)實(shí)法得出的10個(gè)調(diào)車(chē)鉤作業(yè)時(shí)間的評(píng)估值與實(shí)際值相比，累計(jì)偏差為2 278 s，平均相對(duì)誤差為13.171%；由純計(jì)算法得出的10個(gè)調(diào)車(chē)鉤作業(yè)計(jì)劃的評(píng)估值與實(shí)際值相比，累計(jì)偏差為2 109 s，平均相對(duì)誤差為11.861%；由線(xiàn)性回歸分析預(yù)測(cè)模型得出的10個(gè)調(diào)車(chē)鉤作業(yè)計(jì)劃的預(yù)測(cè)值與實(shí)際值相比，累計(jì)偏差減小到835 s，對(duì)相對(duì)誤差取絕對(duì)值之后求得平均值為4.712%，滿(mǎn)足設(shè)定的可接受誤差率(本文設(shè)定可接受誤差率為5%)，驗(yàn)證了本文模型和方法的可行性。

未來(lái)需加強(qiáng)對(duì)現(xiàn)場(chǎng)調(diào)車(chē)作業(yè)數(shù)據(jù)的規(guī)范收集和統(tǒng)計(jì)工作，以便擴(kuò)充數(shù)據(jù)集，進(jìn)一步優(yōu)化模型和相關(guān)參數(shù)。

利用大數(shù)據(jù)技術(shù)和機(jī)器學(xué)習(xí)算法，構(gòu)建數(shù)據(jù)集和智能預(yù)測(cè)模型，設(shè)計(jì)調(diào)車(chē)作業(yè)時(shí)間智能預(yù)測(cè)邏輯流程。根據(jù)調(diào)車(chē)作業(yè)各個(gè)影響因素，獲取誤差率可接受的調(diào)車(chē)作業(yè)時(shí)間預(yù)測(cè)值，為調(diào)車(chē)作業(yè)在列車(chē)運(yùn)行空當(dāng)及時(shí)合理地完成提供可靠判斷依據(jù)。

4 結(jié)語(yǔ)

通過(guò)對(duì)調(diào)度集中車(chē)站調(diào)車(chē)作業(yè)的物理過(guò)程進(jìn)行細(xì)致分析，并對(duì)調(diào)車(chē)作業(yè)時(shí)間的各部分組成進(jìn)行分解和詳細(xì)闡述，在此基礎(chǔ)上找出影響調(diào)車(chē)作業(yè)時(shí)間的多種影響因素，并將其作為數(shù)據(jù)集特征，提出一種調(diào)車(chē)作業(yè)時(shí)間的線(xiàn)性回歸分析智能預(yù)測(cè)方法。相比于純計(jì)算法和寫(xiě)實(shí)法，預(yù)測(cè)得到的調(diào)車(chē)作業(yè)時(shí)間所考慮的影響因素更全面，獲取的數(shù)值誤差相對(duì)較小，可為車(chē)站自律機(jī)對(duì)調(diào)車(chē)作業(yè)的自律運(yùn)算和安全卡控提供更為有效可靠的數(shù)值依據(jù)。未來(lái)通過(guò)與調(diào)度集中系統(tǒng)大數(shù)據(jù)平臺(tái)或鐵路大數(shù)據(jù)平臺(tái)(目前可通過(guò)與現(xiàn)車(chē)系統(tǒng)接口)信息共享，實(shí)現(xiàn)調(diào)車(chē)作業(yè)計(jì)劃單自動(dòng)獲取，調(diào)車(chē)進(jìn)路指令序列自動(dòng)生成和調(diào)車(chē)進(jìn)路自動(dòng)排列等功能，提高調(diào)度集中系統(tǒng)中調(diào)車(chē)作業(yè)的自動(dòng)化水平，減輕人員勞動(dòng)強(qiáng)度，提高運(yùn)輸效率和安全水平。