从数据挖掘到智能调度决策支持：存在问题与实施路径

Ingo A. HANSEN

(代尔夫特理工大学，荷兰 代尔夫特 2628CD)

1 介绍

铁路企业每天都会收集和保存大量实际运营中产生的数据，其中包括铁路旅客、货物和列车的数量、起点以及目的地.同时，信号机、轨道电路、计轴器、联锁、闭塞分区、变电站和机载单元自动生成和传输关于铁路基础设施、轨道占用和机车车辆的数十亿条信息.数据通过过滤和选择，广泛应用于开行方案、时刻表、交通控制、故障/事故检测和维修计划，以确保列车安全、准时、高效的运营，并提供可靠的客户和管理信息.

新信息的巨大规模和生成速度要求铁路员工很好地理解和运用数据处理、储存和分析工具.首先需要明确现阶段哪种数据与列车智能调度、运营管理、客户信息相关？最重要的是，必须确保与安全相关的重要数据的实时收集和交互，以便调度人员在必要时能够迅速做出适当的决定.这意味着任何影响列车实时检测、线路联锁、行车间隔计算、列车控制和调度权限的信号和安全系统数据都是至关重要的.而一些非安全数据可稍后或待运营结束后进行数据分析与传输，其中包括：常规的客货流信息、列车延误记录或商业广告等.

然而，列车驾驶员、调度员和运营管理人员在信息识别、评价/决策可靠性、信息处理的速度及能力是有限的.根据行车密度和列车速度、实际运营条件 (天气、能见度、噪音)、信息清晰度、操作人员任务的复杂性以及个人专业经验、列车驾驶员的反应时间以及交通或信号控制器间的差异很大.一般来说，如果信号将在几秒钟内变成黄色或红色，一位训练有素的列车驾驶员会适时进行制动操作.对列车驾驶员、调度员或运营管理人员的工作负荷和决策时间进行人体工程学和实证研究的文献仍然较为缺乏[1-2].

开发和运用实时列车调度的智能决策支持工具的主要障碍是：

1)对于重要的信号安全系统和非重要的决策支持系统(用于计划、调度和驾驶员)之间的明确区分和快速高效的信息传输；

2)对具有鲁棒性、准确性、计算/通讯时间较短的实时调度和驾驶员辅助决策工具提出更高要求；

3)对日常运营中的不足以及用户反馈记录的不充分；

4)缺少清晰和简单易懂的用户界面及其输出；

5)利益相关者在政治、经济、社会上的利益不同；

下文的主要目的是简要说明如何通过更有效的计算机决策支持系统执行一些复杂的列车运行图编制和运行调整交通管理等任务.

2 计算机辅助决策支持方法

2.1 统计学基础

基于自动生成的列车检测、信号、安全系统数据(轨道占用/出清，信号，进路建立，路径设置/解锁、移动权限)，可以监控和分析主要列车的运行，例如运行时分、安全间隔时间、停站时间、到达时刻、离开时刻、延误时间.

在过去，几乎只有在时刻表发生变化时，计划的列车运营时间才会进行更新，采用新的动车组或通过简单地增加运营时间被证明是不可行的.相反，应该定期对主要列车运行时间的分布情况进行分析，以便估计运行时间的统计拟合和标准参数，这些参数可用于评估时刻表的质量和列车运行性能，并使时刻表更精确地贴近实际的列车运行时间.另外，运行时间和停站时间的概率分布一般是右倾斜的，主要是因为运行计划的缓冲时间、列车安全间隔时间以及路径的冲突.到达延误时间似乎符合对数正态分布和伽玛分布，而发车延误时间可用负指数、威布尔、伽玛密度分布进行描述[3].

列车运行时间的在线预测需要使用复杂的统计学习方法.已在本地和全球范围内分别测试了多元线性回归(MLR)、回归树(RT)和随机森林(RF)模型，以估计运行时间和停站时间[4].局部模型描述了同一线路列车在特定路段上运行时间的变化，而全局模型将记录所有列车的处理时间，并分别聚合为两个分离的测试集，分别测试运行时间和停站时间.由于前车或线路冲突而受阻的列车的处理时间已被过滤掉，因此数据集中只包括无冲突的运行时间.由于模型必须对异常值具有鲁棒性，因此相较于可能对数据过度匹配且差异较高的模型，能够处理异常值的模型更受青睐.在预测精度方面，预测模型对于运行时间的预测准确率明显低于停站时间，因为停站时间往往只因列车延误而受到微弱影响，而到达延误时间和高平峰时段之间的客流量变化会对运行时间产生较大影响.此外全局模型的预测精度也明显低于局部模型.比较不同模型的精确度可以发现，用于鲁棒线性回归的最小修正方法(LTS)优于RF，在运行时间和停站时间的预测上都优于RT模型.

2.2 具有鲁棒性的时刻表

时刻表编制主要可分为图形化、分析、仿真模型和组合优化4种方法.

1)图形化的时刻表编制模型，例如计划列车的时间-距离图描述了列车在车站的到达时间和发车时间、站台股道的占用时间等，是描述列车运行计划和轨道基础设施使用情况的标准方法，一般在宏观层面使用(分钟,千米).列车时间-距离图还用于根据预期的运输需求(列车发车频率和速度)及每条线路所需的(最小)安全间隔时间，快速检查时刻表的可行性.然而宏观图形化时刻表模型的离散化步骤太大，无法准确描述有关技术和安全的约束，例如轨道校准、信号、联锁和列车牵引制动性能对线路能力的影响[5].

2)到目前为止，铁路时刻表主要是基于车站之间确定的运行时间、停站时间和安全间隔时间来制定的.服务时间的微小变化可通过运行时间和停站时间的冗余时间及列车路径之间的边界(缓冲时间)进行补偿.在实际应用中，冗余时间和缓冲时间的确定主要是基于经验法则，有时也通过仿真进行验证.排队模型能够估计时刻表的列车等待时间，以此作为轨道占用函数及个别线路和简单车站的行车间隔和服务时间的变化系数.而具有多个轨道和路线的主要车站通常以多服务台排队系统进行建模.但是，随机分布函数的类型、性质和参数通过对实际运营数据的统计分析进行验证[6-7].时刻表的随机变量产生的计划等待时间必须与运营期间的预计初始延误和二次延误区分出来.特别是在利用率高的路网中，因为信号系统和安全系统在追踪间隔和路线冲突时的实际列车速度和服务时间大多是未知的，这可能会低估延误时间的传播.事实上，车站到达时间和服务时间的安全间隔时间分布存在着随机相互依赖的关系.

3)用于估计不同列车运行时间和停站时间的宏观仿真模型无法准确估计特定技术操作规则的影响，如不同的信号和安全系统、闭塞分区信号间距、局部速度限制、信号和路线的联锁、列车长度、减速度和加速度、(最小)安全间隔时间及车站区域的延误时间.在最糟糕的情况下，因为列车延误在制定时刻表的时候被低估，较紧的列车时刻表甚至可能变得不可行.这就是为什么几个欧洲铁路运营公司开发和实施微观时刻表模拟模型的原因[8].安全间隔、路径冲突、线路能力的使用及初始延误和二次延误的传播是根据秒和米范围内的轨道区段锁闭时间图来计算，因此比以前精确60倍[9].

4)组合优化模型旨在解决公式化的时刻表优化问题，模型具有特定目标函数且有一定的约束，以此优化生成网络中列车在车站的到发时刻计划.模型一般是混合整数线性规划模型，并运用商业优化求解软件进行求解；模型如果难以用商业求解软件进行求解，则会通过启发式方法进行求解，例如分枝定界法或拉格朗日松弛等.在求解列车时刻表时，若模型的路网数据范围超过计算内存或求解速度过慢时，一般会采用混合优化方法，它集成了宏观全局网络时刻表优化和局部/区域网络的微观仿真[10-11].通常情况下，在给定约束如最小的安全间隔时间和列车之间的传输时间优化模型，应用确定性变量来搜索目标函数的(临近)最优解，以最大限度地减少网络中的总运行时间，但该模型在一定程度上具有局限性.在多股道的车站无冲突列车线路上，规定的列车运行时间和最小安全间隔时间的可行性往往没有得到证明，因为确切的轨道占用、规模、分布和对时刻表松弛的使用情况仍不明确.豁免(exemption)是最近兴起的一种迭代方法，用于从零开始在复杂的车站区域构建一个创新的无冲突和具有鲁棒性的乘客路径计划和微观时刻表，以此对缓冲时间进行智能分配[12].但是，运行时间和行车安全间隔时间仍被视为时刻表的给定输入，列车速度也没有进行优化.大多数学模型都缺少以标准时间距离、速度距离和进度时间分布等形式评价列车时刻表的基本图，这是在实际应用中对其进行测试的一个重要障碍.

2.3 实时调度

由于现有的在运行时间添加缓冲时间的方法(在最小运行时分之外加入至少3%的缓冲时间)，在列车延误时间较小的情况下(1～2 min)，列车会自动恢复至正点运行，并且时刻表中提供的缓冲时间(至少1 min)可以避免或减少列车二次延误.但是，由技术故障引起的个别列车产生的较大延误时间可能会对时刻表造成较大的影响，即导致列车运营至少在一个方向上中断且持续时间超过1 h.实时调度模型可以帮助调度员和运营管理人员快速识别和解决路径冲突.经常发生在咽喉区和车站的列车延误，调度员根据经验可以通过简单的调度措施(等待、更换股道、改变列车运行次序、取消车次)进行处理.但由于技术故障、非常恶劣的天气或事故造成的重大中断应由运营管理人员运用(静态)应急计划进行处理.在开行密度较高的线路上，尤其是在单线铁路上，每一次运营中断都会大大降低线路通过能力，因此取消一些列车服务是不可避免的.调度决策的效率可能不是最优的，因为它们只通过无线通信和有限的视觉网络事故信息进行决策，无法很好地预测其调度措施对局部地区和区域网络列车运营的影响.

在过去十年中，开发了一些计算机实时调度工具为列车运营受扰动的线路或网络快速生成相对(次优)最优的时刻表[13-20].实时调度模型需要解决以下问题：

1)信号、安全、交通控制和联锁系统的数据加载和通信；

2)列车路径规划；

3)潜在行车安全间隔和路径冲突的检测和疏解；

4)确定路网边界、中间站、相关的信号机、交叉点、交叉口的确切到发时刻；

5)列车速度曲线的调整.

时至今日，这些工具都没有与铁路企业的数据处理器和铁路运营管理企业进行实时连接、沟通和测试.所有工具都必须编译以前保存的日志文件副本作为测试的输入数据，其中包含列车时刻表、信号机和联锁等相关信息.模型输出至今都是在实验室里进行离线计算的，因为铁路运营公司至今还在犹豫是否要测试并验证实时调度工具在实际运营中的有效性.这意味着，在发生事故时，智能调度系统提供的调度方案和调整后的实际运营情况无法实时向运营管理人员进行展示，因此也无法将调度系统优化的方案与调度员作出的决策进行比较.

值得一提的是，科研人员提出的一个创新的调度方案闭环优化框架，已在英国、荷兰、瑞典、挪威这4个国家铁路网络中进行了案例研究.该框架可以基于列车运行预测数据，在指定的调度范围内，实时得出最优的调度计划，并通过人机界面呈现给调度员.如果调度员接受该调度计划，自动路径设置模块会自动实施该调度计划，即通过为列车设置最优的路径，并将列车运行速度建议传输至驾驶员辅助系统以实现节能驾驶.两种不同的冲突检测疏解模块(ROMA和RECIFC)在挪威和瑞典被提出，并在铁矿线上进行仿真，以比较其性能.

现有的路径更改和时刻表变更的调度模型在处理扰动或部分轨道封锁的情况下根据以下因素进行区分：扰动范围(往往限于联锁区域内的几条标准(通过)路径)、离散化程度(宏观/中观/微观路网模型；列车长度；时间步长(位置、速度、加速度、减速度))、离散事件或同步计算的轨道占用时间、出清时间、联锁时间、安全间隔时间和相应的锁闭时间.应用数学规划方法针对铁路线路和安全间隔的冲突检测有以下研究：可替代图(基于列车速度可协调的车间作业模型)[14-16]；双层资源树冲突图[17]；在闭塞分区入口有速度变化的资源集合配置[18]；没有速度变化的混合整数线性模型(Pellegrini).一般情况下，需要启发式算法来解决短时间内(1～2 min)的调度问题.实时调度模型的首选目标可能是尽量减少①(最大)连续列车延误，②连续的乘客延误，③ 有优先级的列车总延误.最小化列车运行的总延误时间也会被用作目标函数.但是，总延误时间会受初始延误情况的影响，它与应用何种调度工具无关，但或多或少会减少二次延误.

2.4 驾驶辅助系统

驾驶员不能精确地预测准确的最早/最晚的惰行时间或者制动时间，因此驾驶员也不能实现最优的节能驾驶策略及绝对的按图行车.另外，只有训练有素、经验丰富的驾驶员才知道该趟车次可用的缓冲时间，在列车运营受到小扰动的情况下，会运用缓冲时间恢复正点运行.目前的列车驾驶辅助系统(DAS)，如果基于列车超速防护(ATP)和列车自动控制(ATC)系统之上，则可以告知驾驶员实际列车延误时间(以分钟为计)和列车速度建议，而不考虑实际列车延误和网络拥堵的影响.欧洲、北美、日本的一些城市轨道交通系统在列车上装备了一种自动巡航控制(ACC)系统，该系统根据列车的标准速度曲线、行驶距离、牵引力/制动力、需要的安全间隔时间，可以持续控制单列车的加速度、实际速度和减速度.

智能驾驶辅助系统可以使用信号和安全系统实时生成的交通信息，信息可以通过无线闭塞中心(RBC)传送到调度中心.为驾驶员提供灵活的列车速度建议是很有必要的，尤其是在高异质性、停站方案多变的高密度铁路线路上，以及在极端天气和有重载货车的情况下.调度中心可以将建议速度信息传输至列车车载单元，以避免列车间的冲突并尽可能使列车进行节能驾驶.DAS系统架构分为中央、中间、车载三种形式，不同形式的选择取决于速度曲线和速度建议重新计算地点的不同[21].智能算法在以下几个方面的发展是较为具有挑战性但是具有实际意义的：①实时预测列车运营时间；②根据最优速度曲线实时计算和传输速度建议信息；③在区间和车站区域的智能调度[22-25].DAS系统可以确保无冲突的列车运行，减少列车延误，提高列车服务的准时性并实现列车节能驾驶.提供的建议速度信息不是必须遵循的，如果发生超速、列车运行间隔时间或路径冲突，ATP / ATC系统会推翻该速度建议信息并保证列车安全运行.

3 结论

如果基础设施的能力、列车服务的质量、实时运营信息的准确性和可靠性得到提高，那么铁路的吸引力、运输量、市场份额将会相应地提高.这可以通过将大数据挖掘和机器学习一体化的方法来实现，大数据挖掘可以通过共享数据(包括运输、技术、运营、安全数据、业务数据)和开发先进的统计分析工具来进行，这可以更好地描述和预测实际列车速度、准时性、能力和列车运行能耗.对线路、局部网络、区域网络、国家铁路网络的铁路运输、运营、性能的时空分布进行进一步的研究，可以促进鲁棒性时刻表的发展、测试、和更快的实施.同时采用高效的决策支持工具对列车时刻表进行实时调整，可以最大限度地减少运营中断对铁路能力和服务质量的影响.专用的铁路基础设施、高性能的列车控制和安全系统有利于列车在干线上进行自动驾驶[26].

在列车运行受到扰动的情况下，快速制定最优调度计划的最大障碍不是技术或计算能力对的限制，而是目前时刻表制定人员、驾驶员、调度员的能力限制，以及由于基础建设公司和运营公司的分离造成的组织障碍.在驾驶和调度上的人为不足可以通过给予信息、培训和激励来提高，但组织障碍需要基于社会目标和不是商业目标的政治干预才能化解.