非正常事件下路网列车优化方法、装置、设备及存储介质制造方法及图纸

本发明专利技术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，涉及高速铁路路网列车调整优化技术，该方法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，利用极限学习机晚点预测模型对列车到站晚点时间进行预测。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，计算并输出列车的区间通过能力。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，计算并输出列车调度优化策略。本发明专利技术为列车调度员提供调度决策依据，有助于在高速铁路成网条件下提高铁路行车组织效率，保障行车安全。

【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。进一步可选的，通过获取所述实际运行数据和计划运行数据计算列车区间运行和车站作业时间数据；进一步可选的，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ELM（极限学习机）算法，输入处理好的晚点时空特征集，以及由PSO（粒子群优化算法ParticleSwarmOptimization）产生的粒子位置，计算PSO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，那么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l+1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,然后重复步骤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；进一步可选的，构建以列车延误时间最小和平均运行时间最小为目标函数的非正常事件下的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列车的区间通过能力值。进一步可选的，所述第一模型约束条件包括：列车作业时间约束、到达安全间隔时间约束、离开安全间隔时间约束和列车在故障区间共线运行约束。进一步可选的，所述列车在故障区间共线运行约束为当发生故障方向列车的计划发车时间处于故障时段内，则故障方向列车需要进入对向轨道运行，并且与对向轨道行驶列车需满足离开和到达安全间隔时间约束。进一步可选的，所述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包括：以列车总晚点时间最少和晚点列车数量最少为模型目标函数；基于所述模型目标函数构建第二模型约束条件，建立双层目标规划模型；所述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为：求解所述第二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列车调度优化策略。进一步可选的，所述第二模型约束条件包括：列车发车间隔约束、列车到达间隔约束、区间最小运行时分约束、列车发车时刻约束、列车到达时刻约束、列车作业时间约束、越行晚点列车约束和车站能力约束。基于同样的专利技术构思，本专利技术还提供一种非正常事件下路网列车优化装置，所述优化装置包括：列车晚点预测模块，用于从历史列车运行数据中提取列车到站晚点的时空特征集，基于所述特征集结合粒子群优化算法构建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；列车通过能力分析模块，用于建立基于车站作业进路分配优化的车站通过能力计算模型；列车区间能力分析模块，用于以列车延误时间最小和平均运行时间最小为目标函数构建非正常事件下的区间通过能力优化模型；列车调度优化模块，用于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；信息发布模块，用于输出非正常事件下晚点预测时间、车站通过能力、区间能力和列车调度策略。进一步可选的，上述装置还包括：数据管理模块，用于基于数据库实现各类数据的导入和查询，并统计分析列车到达和出发晚点的时空分布特性；风险管理模块，用于实现非正常事件风险概率分析和非正常事件的风险计算和预测功能；本专利技术实施例还提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器耦合连接的存储器；其中，所述存储器存储有计算机程序，所述计算机程序能够被所述至少一个处理器执行，以实现上述的方法。本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序被执行时，能够实现上述方法。本专利技术提供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，着重解决非正常事件下列车晚点预测、高速铁路能力分析和调度策略生成等技术，向乘客和管理者推送列车晚点信息，满足乘客的出行需求和运营的管理需求，为列车调度员提供调度决策依据，有助于在高速铁路成网条件下提高铁路行车组织效率，保障行车安全。附图说明图1为本专利技术实施例提供的一种非正常事件下路网列车优化方法流程示意图；图2为本专利技术实施例提供的另一种非正常事件下路网列车优化方法流程示意图；图3为图2中步骤S22的一种实现流程示意图；图4为图2中步骤S23的一种实现流程示意图；图5为图2中步骤S25的一种实现流程示意图；图6为图2中步骤S26的一种实现流程示意图；图7为图5中步骤S263的一种实现流程示意图；图8为本专利技术实施例提供的一种非正常事件下路网列车优化装置结构示意图；图9为本专利技术实施例中基于极限学习机晚点预测流程本文档来自技高网...

【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