基于策略梯度强化学习的高铁列车动态调度方法

高速铁路以其运输能力大、速度快、全天候等优势,取得了飞速蓬勃的发展.而恶劣天气等突发事件会导致列车延误晚点,更甚者延误会沿着路网不断传播扩散,其带来的多米诺效应将造成大面积列车无法按计划运行图运行.目前依靠人工经验的动态调度方式难以满足快速优化调整的实际要求.因此,针对突发事件造成高铁列车延误晚点的动态调度问题,设定所有列车在各站到发时间晚点总和最小为优化目标,构建高铁列车可运行情况下的混合整数非线性规划模型,提出基于策略梯度强化学习的高铁列车动态调度方法,包括交互环境建立、智能体状态及动作集合定义、策略网络结构及动作选择方法和回报函数建立,并结合具体问题对策略梯度强化学习(REINFORCE)算法进行误差放大和阈值设定两种改进.最后对算法收敛性及算法改进后的性能提升进行仿真研究,并与Q-learning算法进行比较,结果表明所提出的方法可以有效地对高铁列车进行动态调度,将突发事件带来的延误影响降至最小,从而提高列车的运行效率.     

基于参数自适应蚁群算法的高速列车行车调度优化

随着我国高铁建设成网,列车运行环境更加复杂多变,对日常行车调度的精细化提出了更高要求.对此,重点研究在大风、雨、雪等恶劣天气及设备设施故障等突发事件下造成列车运行晚点时,在不改变列车运行路径的前提下,如何通过调整高速列车行车顺序和到发时间,智能高效地恢复列车按图运行.将含有到发间隔、越行等多约束的列车运行时间调整问题建模成三维空间上的最佳路径搜索问题,提出一种改进蚁群算法来实现高速列车行车调度优化,并提出一个面向高铁调度的信息启发式因子和期望启发式因子的权重组合以及挥发因子的动态调整方法,用以提高收敛速度和维持解质量.仿真结果表明,所提出的“时间$=$空间”转换模型和权重自适应调整方法能有效提高蚁群搜索求解高铁调度问题的性能,实现高速列车行车调度优化.     

基于闭塞区间的高速列车运行时间与节能协同优化方法

提出了一种高速列车运行时间与节能协同优化方法.针对由动态调度层、优化控制层、跟踪控制层组成的列车运行控制与动态调度一体化结构,设计了面向动态调度层和优化控制层的列车运行时间调整策略和节能速度位置曲线.基于高速铁路闭塞区间,建立了列车区间模型和列车速度曲线节能优化模型.利用模型预测控制方法对列车区间运行时间进行调整,优化列车总延误时间;根据调整后的区间运行时间设计列车运行优化速度位置曲线,减少列车运行能耗.仿真算例验证了设计的运行时间与节能协同优化策略的有效性.     

基于两阶段算法的列车调度问题

考虑突发铁路损坏对列车运行的影响,在列车运行调度理论的基础上,建立了单线铁路调度模型,设计了一种带有突发事件处理能力的两阶段列车调度算法,第1阶段对列车区间运行速度进行调整,第2阶段对列车的停站时间进行调整.将3种有效的搜索算子、一种自适应更新规则与粒子群算法相结合,以列车延迟率作为优化目标,求解单线铁路列车调度问题.通过将所提算法与其他算法在相同实验条件下进行测试对比,并进行突发事件测试,验证了所提算法的有效性.     

基于Q-learning的高速铁路列车动态调度方法

高速铁路作为国家综合交通运输体系的骨干核心,近十年来取得了飞速蓬勃的发展.其飞速发展的同时也引发了路网复杂化、分布区域广等现象,这些现象对高铁动态调度提出了更高的要求.突发事件的不确定性会对列车造成时间延误影响,甚者时间延误会沿路网传播,造成大面积列车到发晚点.而目前对于此问题的人工调度方式,前瞻性及针对性较差,难以对受影响列车进行迅速调整.针对上述问题,本文建立了以各列车在各车站延误时间总和最小为目标函数的高速铁路列车动态调度模型,在此基础上设计了用于与智能体交互的仿真环境,采用了强化学习中的Q-learning算法对模型进行求解.最后通过仿真实例验证了仿真环境的合理性以及Q-learning算法用于高铁动态调度的有效性,为高铁调度员做出优化决策提供了良好的依据.     

基于移动闭塞原理的区间中断下列车多策略优化调度方法

在高铁日常运营中,地质灾害或设备故障等突发事件导致铁路行车区间中断,长时间的区间中断通常会导致大面积的列车晚点,给旅客出行带来极大的延误,如何在区间中断下对列车进行实时调整是高速铁路调度运行的一项重要课题,本文针对固定时间的区间中断,构建了列车运行速度调整和运行图调整的混合整数非线性规划(mixed integer n...     

列车运行调度的现状及展望

分析列车运行计划制定和速度调整的实际情况,研究列车运行调度的建模及求解技术。针对目前相对静态的列车运行调度模型,建立车站-闭塞分区一体化及考虑列车动态运行状况的优化模型,并提出一种具有预测控制、滚动优化、实时反馈的列车运行调度与控制框架,该框架可以提高行车密度、抵抗随机扰动、优化铁路网络的运营性能。     

基于混合逻辑动态的列车运行调度模型

通过对列车运行调度问题的分析,指出列车运行过程中存在正常事件、客观事件和主观事件三种类型事件,调度的本质是主观事件通过改变列车的运行速度来克服客观事件对列车造成的影响,是典型的混杂系统.在考虑车站股道约束和区间容量两个约束条件的基础上,采用混合逻辑动态理论建立了列车运行调度模型,仿真结果表明了模型的有效性.     

列车运行调度方法的研究与分析

将列车运行调度的相关研究按列车运行图编制和列车运行调整两方面进行分类,介绍列车单双线区段和客运专线的运行图编制方案,分析列车运行实时调整、列车插入(取消)服务及冲突预测方法,探讨研究列车运行自动调度系统的实时性和智能性、突发条件下列车运行的疏解方案、节假日高峰情况下列车运行调度等问题的重要性。     

面向应急指挥过程的智能决策方案分析研究

面向应急指挥过程的智能决策系统既能发挥计算机迅速处理突发事件的优势,更主要的是根据人工智能中案例推理方法对历史案例进行检索和适配,找出最匹配的预案知识,制定出应急方法。本文针对某城市一高新科技园区内发生的各种公共事件进行应急处置,提供一体化综合应急调度平台。当园区出现应急事件时,平台能够提供快速响应,并触发相应的应急预案流程。     

基于优先经验回放可迁移深度强化学习的高铁调度

高铁行车调度是一个复杂的多阶段序列决策问题,需要考虑列车、线路设备等条件,且决策空间随问题规模的增大呈指数增长.而深度强化学习(DQN)兼备强大的搜索和学习能力,为高铁调度提供了新的解决方案,但存在经验利用效率低、迁移能力差等问题.本文提出一种基于优先经验回放可迁移深度强化学习的高铁调度方法.将包含股道运用计划等约束的高铁调度问题构建为多阶段序列决策过程,为提高算法的迁移能力,提出一种新的支持源域和目标域共享的状态向量和动作空间.为提高经验的利用效率和算法的收敛速度,设计了一种融合优先经验回放的深度Q网络训练方法.以徐兰线小规模案例为源域问题的经验学习实验表明,所提算法的经验利用效率和算法收敛速度优于传统DQN算法,并可适当增大优先级指数和调节权重参数以改善其收敛性能.以京沪线繁忙路段的晚点案例为目标域问题,本文提出的在线决策算法相比于经典的混合整数规划算法,决策时间平均减少约75$%$,且在近77$%$的案例中,总晚点时间的性能损失在15$%$以内.     

TCC系统与CTC系统的接口仿真研究

高速铁路列控中心(TCC,train control center system)子系统作为安全系统,其与非安全系统调度集中(CTC,centralized traffic control)系统的接口是影响高速铁路安全高效运营的关键接口。结合TCC系统的特点和CTC系统对通道的要求,对该接口进行软、硬件仿真,给出了报文交换过程,并对接口通信故障处理进行了说明。实验结果表明,对这种安全系统与非安全系统的接口,因其仅进行信息交互,采用串行接口是方便可行的。同时,硬件上采用交叉连接冗余配置,保证可靠连接;软件上采用查询方式通信,可以实现较好的接口通信效果。     

下一代高速铁路异构网络切换安全认证

近年来,随着高速铁路无线通信技术的快速发展,GSM-R无线通信系统将逐步向LTE-R系统演进。在此演进过程中存在GSM-R和LTE-R长期共存的局面,如何实现高速铁路无线通信异构网络之间的快速切换和安全认证成为铁路无线通信研究的热点问题。针对高速铁路无线通信异构网络切换认证过程中,存在安全性低和认证开销高等问题,提出了一种适用于下一代高速铁路异构网络的轻量级切换安全认证方案。首先,采用哈希函数等操作生成切换请求Token和异构网络切换认证码PASS,实现了用户身份匿名性和可追溯性等安全要求,并且高速列车无需多次注册就可实现异构网络间的无缝切换。其次,设计了基于椭圆曲线密钥交换的轻量级切换算法,完成了高速列车与目标基站的相互认证和密钥协商,降低了计算开销和通信开销,实现了会话协商密钥的前后向安全性。最后,采用形式化方式BAN逻辑进行了安全性验证,并使用朔黄铁路LTE-R线路实测数据进一步对本文所提方案的有效性进行了验证,分析得出所提方案能够满足可追溯性、匿名性、抗伪装用户攻击、抗中间人攻击和抗重放攻击等安全特性。性能分析表明,本文方案在通信开销和计算开销方面较比较方法性能更优,能够满足下一代高速铁路异构通信网络的高效、安全无缝切换的需求。     

Speed tracking control using an ANFIS model for high-speed electric multiple unit

The high-speed electric multiple unit (EMU) is a complex, uncertain and nonlinear dynamic system. The traditional approach to operating the high-speed EMU is based upon manual operation. To improve the performance of high-speed EMU, this paper develops a control dynamic model to capture the motion of the high-speed EMU and then uses it to design a desirable speed tracking controller for EMU. We exploit a data-driven adaptive neurofuzzy inference system (ANFIS) to model the running process. Based on the ANFIS model, we propose a generalized predictive control algorithm to ensure the high-precision speed tracking of the high-speed EMU. The simulation results on the actual CRH380AL (China railway high-speed EMU type-380AL) operation data show that the proposed approach could ensure the safe, punctual, comfortable and efficient operation of high-speed EMU.     

Position computation models for high-speed train based on support vector machine approach

High-accuracy positioning is not only an essential issue for efficient running of high-speed train (HST), but also an important guarantee for the safe operation of high-speed train. Positioning error is zero when the train is passing through a balise. However, positioning error between adjacent balises is going up as the train is moving away from the previous balise. Although average speed method (ASM) is commonly used to compute the position of train in engineering, its positioning error is somewhat large by analyzing the field data. In this paper, we firstly establish a mathematical model for computing position of HST after analyzing wireless message from the train control system. Then, we propose three position computation models based on least square method (LSM), support vector machine (SVM) and least square support vector machine (LSSVM). Finally, the proposed models are trained and tested by the field data collected in Wuhan-Guangzhou high-speed railway. The results show that: (1) compared with ASM, the three models proposed are capable of reducing positioning error; (2) compared with ASM, the percentage error of LSM model is reduced by 50.2% in training and 53.9% in testing; (3) compared with LSM model, the percentage error of SVM model is further reduced by 38.8% in training and 14.3% in testing; (4) although LSSVM model performs almost the same with SVM model, LSSVM model has advantages over SVM model in terms of running time. We also put forward some online learning methods to update the parameters in the three models and better positioning accuracy is obtained. With the three position computation models we proposed, we can improve the positioning accuracy for HST and potentially reduce the number of balises to achieve the same positioning accuracy.     

基于移动IPv6的高速铁路通信快速切换方法

针对高速铁路移动通信系统中越区频繁、切换速度快、丢包延时等问题,根据高速铁路列车运行的自身特点,将移动IPv6切换技术与高速铁路移动通信网络相结合,在快速切换方案的基础上进行改进,提出了一种基于预测的高速铁路移动通信切换方法,为高速铁路安全高效运行提供了可靠优质的移动通信服务。实验结果表明,该方法缩减了移动检测、转交地址配置和重复地址检测的时间,提高了切换效率,解决了由于快速频繁切换而导致的网络资源利用率低和切换延迟大的问题。     

Visual analytics towards axle health of high-speed train based on large-scale scatter image

Axle is an important part of high-speed train. The axle is the key component connecting the train wheelset, which has a great impact on the train safety. The health monitoring of axles is very important for the safe and smooth operation of trains. The axle health detection is a complex process of multi-factor coupling, which faces the problems of health model construction. From the perspective of big data visual analysis, this paper helps people find the information behind the big data of high-speed railway axle monitoring, and makes a prediction and analysis of the health status of high-speed railway axle operation. Starting from the present situation of scatter plot presentation of multi-dimensional data visual analysis, this paper proposes a visual analysis and processing method for high-speed train axle health monitoring, aiming at the problems of intensive rendering, visual mutation and trend prediction when drawing large data scatter plot. Firstly, a new method of the axle data fusion model is proposed in this paper, which can effectively clean the axle health monitoring data and construct the data acquisition and expression mode of axle temperature of high-speed train. Then, visualization of axle data and prediction of axle health trend provide a new analysis model for axle health monitoring. In addition, the visual analysis method of scatter density map data can eliminate the dependence of the original complex mechanical model, and can be used to analyze different working conditions and axle types. Compared with the existing axle health monitoring methods, this method has high accuracy and practicability.

     

铁路信号电缆断线故障在线监测与定位方法研究

铁路信号电缆是保证列车安全运营的重要组成部分,其故障严重影响列车的安全运营;由于其经多个分线盒接线柱连接的敷设特点,存在中间接头过多,致使传统的电缆故障检测方法应用受到了极大的限制;为此,通过在电缆中间分线盒的备用芯线对接线柱中接入固定阻值的电阻,将备用芯线对形成闭合回路网络,然后在线监测其电阻阻值,利用回路阻值的变化来反映电缆状态,并以在线监测备用芯线对代替在用芯线对,进而在不影响正常列控信号传输的情况下实现了信号电缆的故障在线监测;经实际测试,有效地解决了铁路信号电缆断线故障的在线监测及定位。     

基于最小二乘法的高速列车位置估计

随着高铁列车运营速度的不断提高,列车运行控制系统对列车的定位精度要求也越来越高。每经过一个定位应答器,列车将进行一次位置校核,使定位误差变为0 m。但列车在相邻两应答器间的定位误差会随着列车不断的运行而逐渐增大。针对这一问题,建立了列车位置计算的数学模型,以及高速铁路列车位置估计的速度平均法模型和最小二乘法模型;利用武汉-广州高铁实测数据对模型进行验证。结果表明,与速度平均法模型相比,最小二乘法模型能减少一半的定位误差,能更好地估计列车的位置。