铁路运输态势推演系统架构及关键技术研究

何世伟，宋 瑞，李玉斌

(北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044)

态势感知(Situation Awareness， SA)的概念最早于 20 世纪 80 年代在军事领域被提出，用于研究飞行员对当前所处飞行状态的认识和理解.

态势感知被广泛运用于军事战场、核反应控制、医疗应急调度、空中交通管制等领域.国外对态势感知系统的实现技术主要是采用贝叶斯网络、专家系统技术、模块技术、黑板技术以及D-S证据理论等[1-5].较为著名的系统包括利用模块技术开发的计划模板的海上作战应用评估系统，使用专家系统开发的态势评估框架以及模式类的态势识别系统等[6-7].在国内，吴鹏等[8]首先对作战态势推演进行了定义，阐述了作战态势推演的基本应用，研究了作战态势推演系统的组成及物理结构，并重点阐述了系统建立过程态势感知的关键技术.尹江丽等[9]设计了空天态势推演与预测分析的框架结构，提出了基于模板匹配的敌方意图识别态势预测方法和基于贝叶斯网络的多维数字战场作战行动预测方法，并通过实例进行空天态势推演的应用.系统层级软件系统研发主要应用在军事领域，国外如美军研发的旅营战斗模拟系统(BBS)、军团战役模拟系统(CBS)、“两面神(JANUS)”模拟系统等[10]，国内主要有“SDS2000 战略决策综合集成研讨与模拟环境系统”“通用战场可视化系统”等[4].

基于Endsley于1988年提出的态势定义[11]，铁路运输态势感知可定义为： “特定的时间和空间内对铁路运输环境中各种要素的察觉、对其意义的理解以及对其未来状态的预测”.

目前国内外对铁路态势研究较少，徐兰花等[12]提出了一些高铁运营安全态势指标，以运营时间为输入变量，事故联动系数和事故次数作为输出变量，建立BP神经网络安全态势预测模型，以对高铁运营安全态势进行预测.罗珍珍[13]研究了在掌握铁路信号系统的运行状况和信息安全情况的基础之上，针对信息安全设计的态势评估方案，给出了态势评估流程，分析得到态势指标，构建态势指标体系.进一步利用D-S证据理论方法，对态势指标进行融合，得到态势评估模型，并对此方法进行了实验验证.左静[14]构造了基于贝叶斯网络的态势演化分析模型.以某列车脱轨突发事件为例，根据天气变化情况，给出不同天气恶劣程度下突发事件态势趋势状态.孙晨冉[15]采用改进XGBoost算法对铁路货物列车分布态势进行研究研究，Qu等[16]基于时空网络模型对紧急情况下车站拥堵态势及疏解问题进行了研究.

态势本质是一种状态、一种趋势，是整体和全局的概念，具有环境性、动态性和整体性的特点，在军事、电力、网络、安全、商务等多领域已有广泛应用，但在铁路运营管理领域还是亟待填补的空白.大数据及其可视化技术近年来在信息、电力、地理等行业也有广泛的应用，在铁路客货营销、铁路运输设备检测、铁路线路勘察规划等方面已开展了一系列理论研究与实践探索.但是，当前国内外采用大数据及可视化技术对铁路运输态势推演及调控方法研究较少，缺乏统一的集成性系统对各个铁路信息系统所产生的海量生产数据进行有效地挖掘、融合及可视化处理.随着大数据、云平台等信息技术的不断发展，借助大数据技术所特有的海量存储、并行计算、高效查询等特点，铁路运输生产管理部门能够对铁路信息管理系统中海量的数据信息进行自动分析与深度挖掘，研究基于实时大数据的铁路日常运输生产总体态势推演系统，并采用可视化技术对运营数据的特征信息进行直观展示，对于更精准掌控运输生产存在的问题和演化规律，提升调度生产管理水平和运输效益，有重要的理论和实用价值.

我国铁路已构建完善的实时运输生产信息动态采集和报告系统，但对未来运输生产运行态势的研判仍主要依赖人工经验，各种态势感知和推演技术研究有待深化，能满足运输生产需要的铁路运输态势推演系统亟待研发.本文作者将以铁路货物运输为例，对铁路运输态势推演系统架构及关键技术展开研究.

1 铁路运输态势推演系统架构设计

铁路运输态势推演，首先需要分析铁路运输相关的各项技术经济指标，提炼出铁路运输状态需要重点关注的指标，并作为态势要素指标.在实际铁路运营中，通过实时态势要素指标提取，并对其进行定量评价，作为评估当前运输生产态势的依据.在此基础上，通过必要推演方法，对未来运输态势进行预测和预警.依据推演结果，便于下一步优化决策，消除或减少突发/灾变等事件影响，从而提高铁路运输工作中的工作效率和相应设备能力利用水平，运输态势推演流程如图1所示.

图1 铁路运输态势评估流程Fig.1 Evaluation process of railway transportation situation

基于铁路运输态势推演的上述内容，构建铁路运输态势推演平台架构如图2所示，包括数据采集层、数据处理层、态势感知层、态势推演/预测层、态势呈现层.

图2 铁路运输态势推演系统架构Fig.2 Architecture of RTSDS

数据采集层：获取与铁路运输生产紧密关联的海量数据，包括列车运行计划和实际轨迹、货票信息、货运计划、装卸车信息等.

数据处理层：包括数据的传输、处理、存储及服务，数据经接口进入大数据处理层，在数据存储之前会经过1～2次的数据清洗，用来进行数据增强、格式化、解析，提供给态势感知层和推演/预测层用来分析和预测.在铁路运输态势推演中，涉及态势察觉、态势理解和评估、态势预测等环节，这也是后续决策执行的基础.以铁路货物运输为例，铁路日常运输综合态势推演系统，涉及的核心内容和主要方法如图3所示.

图3 铁路运输态势推演的核心内容及方法Fig.3 Core contents and methods of railway transportation situation deduction

态势感知层：利用大数据处理层提供的数据即时访问接口，建立相应的指标分析和模型、并利用相关机器学习等算法和评价方法，实现相关态势分析.

态势推演/预测层：主要采用相应的运输日常生产态势演化模型，对未来铁路运输生产态势指标进行推演和预测，分析运输态势的变化.

态势呈现层：多维可视化呈现，实现配置型可视化展现，可视化展现折线图、饼状图、柱状图、条形图等多种常见图形，同时支持热力图、散点图、图标叠加等复杂展示形式.

在总体构架基础上，完成系统的总体架构、核心功能、模型及方法库、数据库及接口、人机交互界面、运用维护及安全等详细设计，研发铁路运输关键数据采集融合、铁路日常运输生产综合态势推演、态势预警等关键技术，开发友好的人机交互界面，为现场调度、管理人员提供数据汇总及辅助决策支持.

2 铁路运输态势推演系统的关键技术

1)铁路运输生产关键数据实时采集、融合与运营环境感知技术.

铁路日常运输生产数据是铁路日常运输态势感知以及态势推演的重要依据，数据来源主要有车号自动识别系统、预确报系统、车流径路文件和列车编组计划、列车运行图、货物装车/卸车报告、现车系统等，如何有效针对不同类型且分散分布的铁路生产数据进行实时采集和融合(见图4)，并给出运营环境感知指标及图形化表现方式是需要解决的关键技术问题之一.由于这些海量运输数据无法在可接受时间内采用传统的数据处理方法进行分析融合，因此必须采用新的数据处理模式及技术，包括大规模并行处理数据库(Massively Parallel Processor，MPP)、分布式文件系统、云计算平台等.

图4 铁路运输生产关键数据的实时采集和融合Fig.4 Acquisition and merging of railway transportation real-time data

2)铁路日常运输综合态势分析指标体系构建及评价技术.

铁路日常运输综合态势评价是态势感知的重要内容，如何构建一套完整系统的铁路运输生产态势分析指标体系，并制定合理有效的评价方法是需要解决的又一关键技术.

反映铁路运输生产状态的指标除既有的铁路技术经济指标，如货运量、货车运用、机车运用、运输能力、时效经济等以外，为更全面反映铁路运输态势，新增日常运送态势和应急运送态势两类指标.日常运送是指正常的运量波动或设备检修导致能力降低等条件下，铁路运输生产的特征；应急运送状态是指各种灾害、突发事件、重大活动等交通事件导致的结果,如图5所示.

图5 铁路货物运输态势指标体系Fig.5 Indexes for railway freight transportation situation

铁路日常运输态势指标体系实质是一个比较完备的指标库，根据铁路运输生产管控的需要，还可从铁路日常运输态势指标体系中抽取部分重要指标，基于态势的不同特征，如连续性、均衡性、高效性、拥堵性、任务性等，构成铁路运输生产的综合态势指标，如图6所示.

图6 铁路货物运输生产综合态势指标体系Fig.6 Comprehensive indexes for comprehensive railway freight transportation situation

根据态势感知对象如路网、线路、区段和车站的不同，还可分别从铁路日常运输态势指标体系中抽取指标，实现对总体态势或局部态势的评估.

通过设置态势等级，可综合度量或描述态势的严重程度，等级越高表示态势越严峻.态势区间是衡量态势指标的数值区间，每一个态势等级都会对应相应的态势区间.根据每项态势指标的具体特征，可设定每项态势指标对应的等级划分标准，采用合适的综合态势指标集成及评价方法，即可得到相应的态势等级.

3)大数据运输日常生产态势演化及预警技术.

运输日常生产态势推演是根据运输生产过程和环境变化，研判未来各项运输指标可能发生的变化，如要获得运用车的数量及分布情况，则需要以技术站列车出发计划车流推算模型为中心，结合站点装卸车和中转作业、区段列车运行计划和实绩大数据，构建包含站段、区段及分界口车流推算过程的运输日常生产态势演化模型.又如，可研发基于数据拟合、极大加代数、网络理论、元胞传输模型的列车运行态势推演方法等技术，对导致列车运行晚点因素如恶劣气候、列车故障、供电故障等可能产生的连带影响进行评估.在对态势指标变化进行推演基础上，可给出每项态势指标的预警阈值及监控方法，为下一步运输调度调整优化奠定基础，如图7所示.

图7 铁路运输生产态势预警方法流程图Fig.7 Predicting and warning flowchart of railway transportation situation

要对铁路运输日常生产态势指标进行推演，除前述方法外，图8给出了知识计算和数值优化融合的铁路货运车流态势智能推算方法构架，将知识计算与传统数值优化方法结合，以获得更精准的态势预测结果，基于该架构的研究方法是目前运输态势推演研究亟待突破的重要方向之一.

3 铁路运输态势推演原型系统研发

在对上述铁路运输态势推演平台架构和关键技术研究基础上，开发铁路日常运输综合态势推演原型系统，并结合实际数据，验证该系统日常运输综合态势分析、态势推演及预警等核心组件的功能，态势推演系统用户界面设计如图9所示.铁路日常运输综合态势推演原型系统，将态势感知和推演结果通过可视化图形界面，展示在呈现层.态势呈现层的功能模块主要包括：

1)铁路装卸车实时数量及态势，利用热力图及柱状图的形式，动态显示路网上各个站点的装车和卸车计划数量及实际数量，并进行态势推演，如图10所示.

2)铁路晚点列车数、晚点时长及态势，利用热力图及 3D 动态柱状图，直观显示路网上各个站点的晚点列车数以及晚点平均时长，并进行态势推演，如图11所示.

图11 列车晚点态势Fig.11 Train delay situation of RTSDS

3)铁路运用车保有量及态势，利用动态散点图，动态显示路网上各个站点的计划和实际运用车保有量，并进行态势推演，如图12所示.

图12 铁路运用车分布态势Fig.12 Railcar distribution situation of RTSDS

4)铁路分界站接入交出数量，利用散点图，折线图以及数据表格对分解站计划和实际接入、交出的列车数及车辆数进行展示，并进行态势推演，如图13所示.

图13 铁路分界站车辆进出态势Fig.13 Railway boundary flow situation of RTSDS

4 结论

本文在分析铁路运输态势推演作用的基础上，提出了铁路运输态势推演流程和系统架构，重点阐述了铁路运输生产关键数据实时采集和融合，铁路日常运输综合态势分析指标及评价，基于大数据的运输日常生产态势演化及预警等关键技术，初步研发了基于实时大数据的铁路货运日常运输生产总体态势推演原型系统.

铁路运输态势推演系统随着功能的进一步扩展和加强，不仅可用于实际调度生产指挥工作，有助于调度部门更精准掌控运输生产演化规律和预见可能出现问题，提升调度生产管理水平和运输效益，而且还能应用于新运输计划应用效果评估，以及新线或车站建成开通后运营变化分析等领域，因此具有广泛的应用前景.

在下一步的研究中将进一步对铁路运输态势推演模型和演化规律进行建模仿真，从而根据铁路态势推演模型更精确地掌握运输生产存在的问题，更好地为铁路运输调度管控提供参考依据.