【技术实现步骤摘要】
非正常事件下路网列车优化方法、装置、设备及存储介质
本专利技术涉及到高速铁路路网列车调整优化方法及系统,尤其涉及一种非正常事件下路网列车优化方法、装置、设备及存储介质。
技术介绍
近年来,我国高速铁路在快速发展。然而,高速列车在运行过程中会遇到各种随机和突发情况,如恶劣的天气、设备的故障、操作人员的失误等;而且随着列车运行距离的延长,列车运行受到随机干扰的可能性将增大,并且这些非正常事件造成的影响将会通过网络效应进一步扩大,可能给邻近车站、线路甚至区域网络的运营带来影响,从而造成列车晚点和连带晚点的发生,增加了列车运行调整的难度;甚至,在非正常事件的扰动下极易发生线路能力失效或者完全失效的情况,进一步演化为大面积路网功能性瘫痪,导致路网能力损失严重。
技术实现思路
为解决上述问题,本专利技术实施例提出了一种非正常事件下路网列车优化方法、装置、设备及存储介质,该方法包括:从历史列车运行数据中提取列车到站晚点的时空特征集;基于所述时空特征集结合粒子群优化算法构建和训练极限学习机晚点预测模型,所述极限学习机晚点预测模型用于列车到站晚点预测;利用所述极限学习机晚点预测模型对列车到站晚点时间进行预测。进一步可选的,所述方法还包括:构建以列车延误时间最小和平均运行时间最小为目标的非正常事件下区间通过能力优化模型;根据所述区间通过能力优化模型计算并输出列车的区间通过能力。进一步可选的,所述方法还包括:建立以列车晚点时间最小和晚点列车数量最小为目标的 ...
【技术保护点】
1.一种非正常事件下路网列车优化方法,其特征在于,包括:/n从历史列车运行数据中提取列车到站晚点的时空特征集;/n基于所述时空特征集结合粒子群优化算法构建和训练极限学习机晚点预测模型,所述极限学习机晚点预测模型用于列车到站晚点预测;/n利用所述极限学习机晚点预测模型对列车到站晚点时间进行预测。/n
【技术特征摘要】
1.一种非正常事件下路网列车优化方法,其特征在于,包括:
从历史列车运行数据中提取列车到站晚点的时空特征集;
基于所述时空特征集结合粒子群优化算法构建和训练极限学习机晚点预测模型,所述极限学习机晚点预测模型用于列车到站晚点预测;
利用所述极限学习机晚点预测模型对列车到站晚点时间进行预测。
2.如权利要求1所述的一种非正常事件下路网列车优化方法,其特征在于,还包括:
构建以列车延误时间最小和平均运行时间最小为目标的非正常事件下区间通过能力优化模型;
根据所述区间通过能力优化模型计算并输出列车的区间通过能力。
3.如权利要求2所述的一种非正常事件下路网列车优化方法,其特征在于,还包括:
建立以列车晚点时间最小和晚点列车数量最小为目标的列车调度优化模型;
根据所述列车调度优化模型计算并输出列车调度优化策略。
4.如权利要求1所述的非正常事件下路网列车优化方法,其特征在于,所述结合粒子群优化算法构建和训练极限学习机晚点预测模型包括:
S131:产生种群,种群里的粒子数,迭代次数,每个粒子都有自己的位置和速度,种群中的每个粒子的位置等价于一个极限学习机隐藏层神经元的
个数;
S132:利用极限学习机算法,输入处理好的晚点时空特征集,以及由粒子群优化算法产生的粒子位置,计算粒子群优化算法的适应度函数,并根据适应度来更新粒子的位置和速度,继续搜索;
S133:第一个粒子所在位置作为第一次迭代中所有粒子位置的最优值,第一个粒子相应的适应度作为当前迭代步中最佳适应度;
S134:计算每个粒子的适应度,比较每个粒子的最佳适应度与当前迭代步中
全局最佳适应度,迭代更新最佳适应度及其粒子所在位置,如果,那么搜索到第个粒子时的全局最佳适应度为;如果,,本次迭代完毕后,当前最佳适应度即为全局最佳适应度,;
S135:进入循环,对所有粒子的位置和速度进行更新,重复步骤S134,如果超过最大迭代次数,则跳出循环;
S136:结合粒子群优化算法训练极限学习机晚点预测模型。
5.如权利要求2所述的非正常事件下路网列车优化方法,其特征在于,构建以列车延误时间最小和平均运行时间最小为目标的非正常事件下区间通过能力优化模型包括:
以列车延误时间最小和平均运行时间最小为模型目标函数;
基于所述模型目标函数构建第一模型约束条件;
根据所述区间通过能力优化模型计算并输出列车的区间通过能力为:求解所述第一模型约束条件下的模型目标函数获取并输出非正常事件下区间通过能力值。
6.如权利要求5所述的非正常事件...
【专利技术属性】
技术研发人员:许心越,许旺土,刘军,秦勇,李建民,王铭铭,马慧茹,
申请(专利权)人:北京交通大学,厦门大学,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。