一种地铁列车运务调度方法及系统-尊龙凯时官方app下载

文档序号:36398398发布日期:2023-12-15 23:51阅读:9来源:国知局
一种地铁列车运务调度方法及系统

1.本发明涉及数字数据处理技术领域,具体涉及一种地铁列车运务调度方法及系统



背景技术:

2.运务调度是地铁列车运营的一项核心工作,保证调度的安全性

高效性以及实时性是对地铁列车运营安全的重要保障

地铁列车的运务调度包括改变列车运行速度

压缩列车停站时间

列车加开等运营调控措施

而地铁列车的运行速度的管理往往是必不可少的,列车运行速度的管理,需要考虑列车停站时间

列车晚点或者早点

车站的客流量等多种因素

3.随着数据处理领域的发展,对地铁列车运务的调度往往采用优化算法的方式解决

比如,
pso
粒子群优化算法

蚁群算法

遗传算法等,在数据管理以及任务调度等领域得到广泛的应用

其中,蚁群算法中的搜索过程采用并行计算的方式,但是蚁群算法的收敛速度较慢,难以满足运务调度近实时性的要求;遗传算法虽然能够适用在多种问题最优解的寻找,但是遗传算法需要大量样本才能得到较为准确的最优解;
pso
粒子群优化算法具备收敛速度快

简单易实现的优点

但是,
pso
粒子群优化算法存在一定的局限性,优化结果容易陷入局部最优,无法准确地获取全局最优结果



技术实现要素:

4.本发明提供一种地铁列车运务调度方法及系统,以解决利用传统粒子群优化算法获取地铁列车的调度方案时,固定惯性权重造成的易于陷入局部最优解的问题,所采用的技术方案具体如下:
5.第一方面,本发明一个实施例一种地铁列车运务调度方法,该方法包括以下步骤:
6.获取地铁列车的相关运行信息,所述相关运行信息包括地铁列车的行驶路径上的站点信息

相邻两站之间的历史平均速度

站点停留时间

站点的平均人流量

启动时的初始速度;
7.根据地铁列车当前时刻的相关运行信息获取地铁列车对应粒子在寻优过程中的粒子随机性;根据运务调度过程中对应多维寻优特征空间内两个粒子之间的欧氏距离获取每次迭代后每个粒子的优化距离序列;根据当前时刻每辆地铁列车的运行状态与其余不同班次地铁列车的运行状态获取每辆地铁列车对应粒子的粒子搜索强度;
8.根据每辆地铁列车对应粒子的粒子搜索强度获取所述粒子在寻优过程中的自适应惯性权重,根据所述粒子的自适应权重获取地铁列车的最佳运行速度;根据所有列车的最佳运行速度获取地铁列车不同阶段的调度方案,调度系统根据所述调度方案向地铁列车发送调度指令

9.优选的,所述根据地铁列车当前时刻的相关运行信息获取地铁列车对应粒子在寻优过程中的粒子随机性的方法为:
10.根据每次迭代前每个粒子在历史迭代过程中的移动距离信息获取每次迭代后每个粒子的移动扩大指数;
11.将每次迭代后每个粒子与其余粒子之间的欧氏距离在所有粒子上的累加作为每次迭代后每个粒子的第一组成因子;
12.每次迭代后每个粒子的粒子随机性由每个粒子的移动扩大指数

第一组成因子两部分组成,其中,所述粒子随机性与移动扩大指数

第一组成因子成正比关系

13.优选的,所述根据每次迭代前每个粒子在历史迭代过程中的移动距离信息获取每次迭代后每个粒子的移动扩大指数的方法为:
14.获取当前迭代后每个粒子与历史迭代过程中每次迭代后粒子之间的欧式距离,将以所述欧氏距离的相反数为指数,以自然常数为底数的计算结果作为每个粒子的相对位移;
15.将当前迭代后每个粒子与历史迭代过程中每次迭代后其余每个粒子之间的欧氏距离在所有其余粒子上的累加作为每个粒子的粒子活跃度;
16.将每个粒子的相对位移与每个粒子的粒子活跃度之和作为第一累加因子,将所述第一累加因子在历史迭代过程中所有迭代次数上的累加作为当前迭代后每个粒子的移动扩大指数

17.优选的,所述根据运务调度过程中对应多维寻优特征空间内两个粒子之间的欧氏距离获取每次迭代后每个粒子的优化距离序列的方法为:
18.将每次迭代后每个粒子与其余每个粒子之间的欧氏距离作为每个粒子与其余每个粒子之间的优化距离值;
19.将每次迭代后每个粒子与其余所有粒子之间的优化距离值按照粒子序号升序顺序组成的序列作为每次迭代后每个粒子的优化距离序列

20.优选的,所述根据当前时刻每辆地铁列车的运行状态与其余不同班次地铁列车的运行状态获取每辆地铁列车对应粒子的粒子搜索强度的方法为:
21.获取每次迭代后每个粒子与其余每个粒子之间的欧式距离在其余所有粒子上的累加作为分子,将所述其余所有粒子的数量作为分母,将分子与分母的比值作为每次迭代后每个粒子的平均近邻距离;
22.根据每次迭代后不同粒子的优化距离序列之间的差异获取每次迭代后每个粒子的位置最优概率;
23.每次迭代后每个粒子的粒子搜索强度由平均近邻距离

位置最优概率

粒子随机性三部分组成,其中,所述粒子搜索强度与平均近邻距离

位置最优概率

粒子随机性成正比关系

24.优选的,所述根据每次迭代后不同粒子的优化距离序列之间的差异获取每次迭代后每个粒子的位置最优概率的方法为:
25.根据每次迭代后每个粒子与所有历史全局最优解对应粒子优化距离序列之间的差异获取每次迭代后每个粒子的全局寻优稳定系数;
26.将每次迭代后每个粒子的优化距离序列与每次迭代后全局最优解对应粒子的优化距离序列之间的度量距离,将所述度量距离与预设参数的和作为第二组成因子;
27.每次迭代后每个粒子的位置最优概率由全局寻优稳定系数

第二组成因子两部分
组成,其中,所述位置最优概率与全局寻优稳定系数成正比关系,所述位置最优概率与第二组成因子成反比关系

28.优选的,所述根据每次迭代后每个粒子与所有历史全局最优解对应粒子优化距离序列之间的差异获取每次迭代后每个粒子的全局寻优稳定系数的方法为:
29.获取当前迭代之前所有历史全局最优解对应粒子的优化距离序列,将每个历史全局最优解对应迭代次数与当前迭代次数的比值作为每个历史全局最优解对应粒子的置信度权重;
30.获取当前迭代后每个粒子的优化距离序列与每个历史全局最优解对应粒子的优化距离序列之间的度量距离,将所述度量距离与置信度权重的乘积作为当前迭代后每个粒子与每个历史全局最优解对应粒子之间的寻优距离;
31.将当前迭代后每个粒子与所有历史全局最优解对应粒子之间的寻优距离组成的序列作为将当前迭代后每个粒子的迭代寻优序列,将所述迭代寻优序列的变异系数作为当前迭代后每个粒子的全局寻优稳定系数

32.优选的,所述根据每辆地铁列车对应粒子的粒子搜索强度获取所述粒子在寻优过程中的自适应惯性权重的方法为:
33.将每次迭代后每个粒子的粒子搜索强度与惯性权重的预设范围的乘积作为每次迭代后每个粒子的权重修正量;
34.将每次迭代后每个粒子的权重修正量与预设参数之和作为每次迭代后每个粒子的自适应惯性权重

35.优选的,所述根据所有所述粒子的自适应权重获取每辆列车的最佳运行速度的方法为:
36.将每次迭代后粒子的自适应惯性权重作为优化算法的输入,利用优化算法输出的最优解获取每辆列车的最佳运行速度

37.第二方面,本发明实施例还提供了一种地铁列车运务调度系统,包括存储器

处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤

38.本发明的有益效果是:本发明根据粒子迭代过程中粒子的相对变化,构建了粒子的移动扩大指数以及粒子随机性,同时根据粒子达到全局最优解的位置信息特征,其次基于粒子每次迭代后的优化距离特征序列与历史全局最优解对应粒子的优化距离特征序列构建粒子搜索强度,进而得到每次迭代后每个粒子的自适应惯性权重,并利用改进后的粒子群算法获取地铁列车从起点站到终点站的实际用时时间与其标准用时时间的差异最小的实际最优运行速度

获取自适应惯性权重的其益效果在于,不再是单一固定的惯性权重,一定程度上提高算法对粒子惯性权重的灵活性,同时保证粒子群算法具备较高的收敛速度的基础上尽可能地避免粒子陷入局部最优的情况,更加准确地得到地铁列车运行时的最优运行速度

附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本
发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图

40.图1为本发明一个实施例所提供的一种地铁列车运务调度方法的流程示意图

具体实施方式
41.下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚

完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例

基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围

42.请参阅图1,其示出了本发明一个实施例提供的一种地铁列车运务调度方法的流程图,该方法包括以下步骤:
43.步骤
s001
,获取地铁列车的相关运行信息,根据所获相关运行信息得到粒子的数据序列

44.地铁列车的运营中心对地铁实际运行时的相关运行信息进行远程监视,以确保每一辆地铁列车的高效

安全的行驶

由于不同的地铁列车实际行驶中的路线不同,往往会导致列车晚点或者早点,因为城市中心的地铁线与城市边缘的地铁线有明显的区别,城市中心的地铁线中的地铁站乘客往往较多,地铁列车往往需要适当的延长停站时间,从而导致地铁列车晚点,影响地铁列车的追踪间隔

因此,对于不同的列车,在实际运行过程中,往往需要调整地铁列车的实际运行速度,达到地铁列车运行速度的最优规划,以保证地铁列车在规定时间内到达目的地,从而保证地铁线路的持续

安全

可靠的运作

45.本发明从地铁列车的运营中心获取每个时刻地铁列车的相关运行信息,所述地铁列车的相关运行信息包括地铁列车的行驶路径上的站点信息

相邻两站之间的历史平均速度

站点停留时间

站点的平均人流量

启动时的初始速度,实施者可根据每个地区的实际情况选择合适的运行信息

为了得到每个时刻不同地铁列车的最优运行速度,对地铁列车的相关运行信息进行归一化处理,利用归一化后的数据构建地铁列车其对应粒子的数据序列,数据归一化为公知技术,具体过程不再赘述

将s时刻第a辆地铁列车对应粒子的数据序列记为
x
sa
,,其中,vs,a
是指s时刻第a辆地铁列车的运行速度
、t
q,a
是上一站点q的停留时间
、l
q 1,a
是距离下一站点
q 1
的行驶距离,是第a辆地铁列车在两个站点之间的历史平均速度

是下一站点
q 1
历史平均人流量
、za是第a辆地铁列车最大载客量

46.至此,得到每辆地铁列车对应粒子的数据序列,用于后续粒子随机性的获取

47.步骤
s002
,根据地铁列车当前时刻的相关运行信息获取地铁列车对应粒子在寻优过程中的粒子随机性

48.地铁列车在运行过程中需要根据实际情况进行合理有效的调度,以保证地铁高效有序的运行

由于不同的地铁行驶路线不同,当某个站点乘客人数较多时,地铁列车需要等待乘客上车,此时地铁列车的停留时间会相应地加长,此时就会出现地铁晚点的现象

那么为了保证地铁列车能在既定时间内到达下一个站点或者终点站,此时列车在去往下一站的过程中应该提高运行速度,在保证安全的前提下以最优速度行驶

在本发明中,地铁列车运
行速度的最优化问题需要考虑局部最优和全局最优,所述局部最优是地铁列车在行驶过程中,根据已经经过的站点信息进行运行速度的最优调整,将上述优化作为局部最优;所述全局最优是地铁列车在行驶过程中,根据已经经过的站点以及未经过站点的信息进行运行速度的最优调整

49.在地铁列车行驶的过程中,局部最优是根据已经经过的站点信息进行运行速度的调整,往往忽略全局的重要性,解决了当前地铁晚点的问题,但是忽略了未经过站的信息,若是未经过的站点的乘客仍旧较多,那么后续仍旧需要进行运行速度的调整,较多次数运行速度的调整不利于地铁列车的安全行驶

传统的
pso
算法中惯性权重的大小是固定的,惯性权重的大小会对优化结果产生较大的影响

而地铁列车的实际运行中,不同时刻的乘客乘车情况往往是不同的,往往需要根据实际情况自适应惯性权重

50.由于地铁列车一般需要在既定时间内到达终点站,而每个站点的停留时间的改变,极易导致地铁列车的早点或晚点

通过对地铁列车运行速度进行优化的目的,是使地铁列车从起点站到终点站的实际用时时间与其标准用时时间的差异最小,所述标准用时时间是地铁列车在规定线路上运行时既定的用时时间

51.基于上述分析,本发明采用粒子群优化算法来对地铁列车的运行速度进行最优规划,基于最优运行速度实现对地铁列车运务的实际调度,本发明中,参与优化的粒子数量为n,n的大小取经验值
30
,最大迭代次数大小取经验值
100
,个体学习因子

群体学习因子大小分别取经验值
3。
52.随着地铁列车的不断运行,其对应粒子的数据序列在不断变化,如果在寻优过程中发生了上述局部最优的现象,那么局部最优解只考虑了少量的信息,很可能与其他地铁列车的运行调度发生冲突

因此考虑利用每次迭代前后粒子的移动距离评估粒子寻优过程中的粒子随机性,计算第j次迭代后粒子i的粒子随机性vij

[0053][0054][0055][0056]
式中,
d(ij,ck)
是第j次迭代后粒子i与第k次迭代后粒子c之间的粒子活跃度,a是第k次迭代后除粒子i之外其余粒子的数量,
dist()
是距离函数,
l(ij)、l(ck)
分别是第j次迭代后粒子
i、
第k次迭代后粒子c的位置,
dist(l(ij),l(ck))

l(ij)、l(ck)
之间的欧氏距离;
[0057]bij
是第j次迭代后粒子i的移动扩大指数,m是第j次迭代前的历史迭代次数,
l(ik)
是第k次迭代后粒子i的位置,
dist(l(ij),l(ik))

l(ij)、l(ik)
之间的欧氏距离,需要说明的是,本发明中j的取值范围为
[2,100]
,这样取值的原因在于粒子群优化算法在初次迭代过程中一般不会陷入局部最优的情况;
[0058]vij
是第j次迭代后粒子i的粒子随机性,
norm()
是归一化函数,n是粒子数量,
l(fj)
是第j次迭代后粒子f的位置,
dist(l(ij),l(fj)

l(ij)、l(fj)
之间的欧氏距离

[0059]
粒子寻找最优解的能力越强,粒子i相较于其余粒子距离全局最优解越近,粒子i与其余粒子的位置越远,
dist(l(ij),l(ck))
的值越大,
d(ij,ck)
的值越大;粒子i在多次迭代后的位置变化越小,粒子i陷入局部最优解的可能性越大,
dist(l(ij),l(ik))
的值越小,的值越大,第一累加因子的值越大,反映到运务调度中表现为地铁列车的运行速度偏向于只根据已经经过的站点信息进行地铁列车运行速度的调整,而忽略了未达到站点的信息,解决的地铁列车晚点的问题只是暂时性的;第j次迭代后粒子i与其余粒子的位置相差越远,相应的粒子i在后续迭代过程中可以移动的范围更大,的值越大;即vij
的值越大,粒子i在优化过程中的可寻优的范围越广,反映到地铁列车上表现为地铁列车的实际运行速度与最优运行速度有较大的差异

[0060]
至此,得到每次迭代后每个粒子的粒子随机性,便于后续对粒子搜索能力的评估

[0061]
步骤
s003
,根据多维寻优特征空间内粒子之间的欧氏距离获取优化距离序列;根据不同班次地铁列车的实时运行状态获取粒子搜索强度

[0062]
进一步地,如果粒子群优化算法达到了全局最优时,粒子集群中应该有较多粒子集中在最优解的邻近区域,即多辆地铁列车在后续将要达到站点的运行速度是适应于地铁运行整个路线的平均速度

而较少部分异常粒子与整体之间的距离较大,即地铁列车在少数站点的运行速度不符合最优运行速度

[0063]
本发明中,通过计算每次迭代后每个粒子与其他粒子之间的欧式距离获取每个粒子的优化距离特征序列,第j次迭代后粒子i的优化距离序列ci,j
的获取过程如下

[0064]
根据第j次迭代后粒子i与其余每个粒子位置之间的欧氏距离获取粒子i的优化距离值
yj(i,f)

[0065]
yj(i,f)

dist(l(ij),l(fj))
[0066]
式中,
yj(i,f)
是第j次迭代后粒子i与粒子f之间的优化距离值,
l(ij)、l(fj)
分别是第j次迭代后粒子
i、
粒子f的位置

[0067]
其次分别计算第j次迭代后粒子i与其余每个粒子之间的优化距离值,并将所有优化距离值按照粒子序号升序的顺序排序,将所得序列作为第j次迭代后粒子i的优化距离序列ci,j

(yj(i,1),yj(i,2),

,yj(i,f),

,yj(i,n-1))。
[0068]
进一步的,根据每次迭代后每个粒子与所有历史全局最优解对应粒子优化距离序列之间的差异评估每个粒子在寻找全局最优解的过程中的稳定程度,反映到地铁列车的运务调度中表现为地铁列车的运行速度是否一直向着最优运行速度进行调整

获取前m次迭代后m个全局最优解对应粒子的优化距离序列,将第m次全局最优解对应粒子的优化距离序列记为cbest,m
,根据第j次迭代后粒子i的优化距离序列ci,j
与m个全局最优解对应粒子的优化距离序列之间的度量距离获取第j次迭代后粒子i的全局寻优稳定系数
x
i,j

[0069]fi,j

ρ
(ij,m)
×
dtw(c
i,j
,c
best,m
)
[0070]
x
i,j

cv(ym(f
i,j
))
[0071]
式中,fi,j
是第j次迭代后粒子i与第m次全局最优解之间的寻优距离,
dtw(c
i,j
,c
best,m
)
是优化距离序列ci,j
、c
best,m
之间的
dtw
距离,
ρ
(ij,m)
是第m次全局最优解对应的置信
度权重,
ρ
(ij,m)
的大小等于m与j的比值,所述置信度权重的获取过程为:每个历史全局最优解对应迭代次数与当前迭代次数的比值,例如第2个全局最优解对应迭代次数为2,当前迭代次数为
10
,则第2个全局最优解对应的置信度权重为
0.2

dtw
距离为公知技术,具体过程不再赘述

[0072]
ym(f
i,j
)
是第j次迭代后粒子i与m个全局最优解之间寻优距离组成的长度为m的迭代寻优序列,
cv(ym(f
i,j
))
是迭代寻优序列的变异系数,变异系数为公知技术,具体过程不再赘述

[0073]
进一步的,基于每次迭代后每个粒子的全局寻优稳定系数以及每个粒子与历史全局最优解的特征差异,评估每个粒子搜索全局最优解的能力

[0074]
基于上述分析,此处构建粒子搜索强度,用于表征每次迭代后每个粒子的找寻全局最优解的能力,计算第j次迭代后粒子i的粒子搜索强度uij

[0075][0076][0077]uij

norm(p
ij
×uij
×vij
)
[0078]
式中,
p
ij
是第j次迭代后粒子i的平均近邻距离,m是第j次迭代后除粒子i之外其余粒子的数量,ci,j
、c
f,j
分别是第j次迭代后粒子
i、
粒子f的优化距离序列,
dtw(c
i,j
,c
f,j
)
是优化距离序列ci,j
、c
f,j
之间的
dtw
距离;
[0079]uij
是第j次迭代后粒子i的位置最优概率,
x
i,j
是第j次迭代后粒子i的全局寻优稳定系数,cbest,j
是第j次全局最优解对应粒子的优化距离序列,
dtw(c
i,j
,c
best,j
)
是优化距离序列ci,j
、c
best,j
之间的
dtw
距离,
α
是调参因子,
α
的作用是防止分母为0,
α
的大小取经验值
0.001。
[0080]uij
是第j次迭代后粒子i的粒子搜索强度,
norm()
为归一化函数,vij
是第j次迭代后粒子i的粒子随机性

[0081]
粒子搜索强度反映了每次迭代后每个粒子的找寻全局最优解的能力

地铁列车的实时运行速度偏离地铁列车的最优运行速度的程度越大,第j次迭代后粒子i的位置与其余粒子的位置分布越远,
dtw(c
i,j
,c
f,j
)
的值越大,
p
ij
的值越大;第j次迭代后粒子i与第j次迭代后全局最优解的差异越小,
dtw(c
i,j
,c
best,j
)
的值越小,第二组成因子
dtw(c
i,j
,c
best,j
)
α
的值越小,uij
的值越大;即uij
的值越大,第j次迭代后粒子i与全局最优解的位置相距较远,反映到地铁列车运行上表现为地铁列车的运行速度偏向于只根据已经经过的站点信息进行地铁列车运行速度的调整,而忽略了未达到站点的信息,越不符合地铁列车运行过程中全局最优运行速度的特征,此时迭代过程中粒子的移动能力应该提升,则粒子的粒子搜索能力应该越大

[0082]
至此,得到每次迭代后粒子的粒子搜索强度,用于后续自适应惯性权重的计算

[0083]
步骤
s004
,基于粒子搜索强度获取粒子的自适应惯性权重,基于所有列车的最佳运行速度生成地铁列车运务的调度方案,调度系统根据调度方案向地铁列车发送调度指令

[0084]
传统的
pso
优化算法中粒子惯性权重w的一般取值范围为
[0.8,1.2]
,此时粒子群算法有较快的收敛速度

另外,为了在粒子群算法具备较快的收敛速度的基础上避免粒子陷入局部最优的情况,同时为了更加准确地得到地铁列车的最优运行速度,在此结合粒子的粒子搜索能力,自适应每个粒子的惯性权重,更加准确地获取地铁列车运行中的最佳运行速度

[0085]
进一步的,根据每次迭代后粒子的粒子搜索强度获取每次迭代后粒子的自适应惯性权重,计算第j次迭代后粒子i的自适应惯性权重wij

[0086]wij
=wmin
u
ij
×
(w
max-w
min
)
[0087]
式中,wij
是第j次迭代后粒子i的自适应惯性权重,uij
是第j次迭代后粒子i的粒子搜索强度,wmax
、w
min
分别是上述一般取值范围内的最大值

最小值,大小分别为
1.2、0.8。
[0088]
其中,第j次迭代后粒子i与全局最优解的位置越远,uij
的值越大,权重修正量uij
×
(w
max-w
min
)
的值越大,wij
的值越大,相应的第j次迭代后粒子i应该增强全局寻优的能力

[0089]
根据上述步骤,获取每个粒子迭代过程中的自适应惯性权重,将每次迭代后所有粒子的自适应惯性权重作为粒子群优化算法中下一次迭代时的惯性权重输入,利用改进后的粒子群优化算法获取达到迭代次数阈值时的全局最优解,利用所述全局最优解时各地铁列车对应的数据序列获取地铁列车的最有运行速度,粒子群优化算法为公知技术,具体过程不再赘述

[0090]
进一步的,将所得到的每个时刻地铁列车的最优运行速度传输到地铁列车的运营中心的调度系统,调度系统根据所接受的地铁列车的最优运行速度结合地铁列车到达到下一站点的运行距离,生成地铁列车以最优运行速度运行的时长,将所述时长和最优运行速度作为调度方案发送至地铁列车的驾驶系统,驾驶系统根据接收的调度方案完成实际调度

[0091]
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改

等同替换

改进等,均应包含在本发明的保护范围之内

当前第1页1  
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
网站地图