本技術涉及數(shù)據(jù)處理，尤其涉及列車動態(tài)調(diào)度方法及資源調(diào)配系統(tǒng)。

背景技術：

1、隨著鐵路運輸行業(yè)的快速發(fā)展，列車運行密度不斷增加，運輸環(huán)境日益復雜，對列車調(diào)度的準確性、高效性和靈活性提出了更高要求，早期的列車調(diào)度主要依賴調(diào)度員的經(jīng)驗和人工操作，通過電話和信號設備等方式進行列車運行指揮，這種方式效率低、易出錯，且難以應對復雜的運輸場景；隨著信息技術的進步，基于固定時刻表的自動化調(diào)度系統(tǒng)應運而生，該調(diào)度系統(tǒng)通過預先制定的列車運行計劃進行調(diào)度，在一定程度上提高了調(diào)度效率和準確性，然而這種方式缺乏對實時變化因素的適應性，當遇到突發(fā)情況時，無法及時調(diào)整調(diào)度方案，容易導致列車晚點和線路擁堵等問題。

2、同時現(xiàn)有技術大多數(shù)據(jù)類型單一、資源狀態(tài)的評估方式簡單、調(diào)度方案的生成優(yōu)化目標單一以及調(diào)度方案的驗證手段不能根據(jù)實時變化的環(huán)境因素和運行狀態(tài)進行有效評估和調(diào)整。大多沒有解決如何在復雜運行環(huán)境下實現(xiàn)列車調(diào)度的動態(tài)優(yōu)化和資源的合理調(diào)配。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本技術提供列車動態(tài)調(diào)度方法及資源調(diào)配系統(tǒng)。

2、第一方面，本技術提供列車動態(tài)調(diào)度方法，該方法包括：實時獲取異構(gòu)數(shù)據(jù)，異構(gòu)數(shù)據(jù)包括軌道電路信號、站臺客流圖像和氣象環(huán)境數(shù)據(jù)，在車載邊緣節(jié)點處通過時空注意力機制將異構(gòu)數(shù)據(jù)進行時空對齊，并對異構(gòu)數(shù)據(jù)進行處理，同時監(jiān)測供電網(wǎng)絡、備用列車和信號機以確定資源狀態(tài)，以輸出列車數(shù)據(jù)矩陣，列車數(shù)據(jù)矩陣包括信號特征向量、客流密度系數(shù)、氣象修正參數(shù)和資源狀態(tài)；

3、根據(jù)列車數(shù)據(jù)矩陣和調(diào)度知識圖譜構(gòu)建列車調(diào)度的評估向量，評估向量包括緊急程度因子、經(jīng)濟價值因子和線路影響因子，基于模糊層次分析法動態(tài)調(diào)整評估向量的維度權重，生成列車優(yōu)先級；

4、通過強化學習生成調(diào)度方案，強化學習的狀態(tài)空間表征列車優(yōu)先級和資源狀態(tài)，強化學習的獎勵函數(shù)表征時間準點率、能耗降低率和沖突風險值；

5、通過gpu并行對每種調(diào)度方案進行蒙特卡洛仿真，基于閾值驗證每種調(diào)度方案的沖突概率、能耗偏差和時延裕度，以輸出驗證通過后的調(diào)度指令集，調(diào)度指令集包括列車路徑調(diào)整和資源分配指令，執(zhí)行調(diào)度指令集并實時監(jiān)測調(diào)度指令集執(zhí)行過程中的反饋數(shù)據(jù)，以判斷是否重采樣異構(gòu)數(shù)據(jù)和更新資源狀態(tài)。

6、作為一種可選的實施方式，所述資源狀態(tài)的確定子策略包括：

7、部署傳感器實時監(jiān)測供電網(wǎng)絡、備用列車和信號機，以獲取資源數(shù)據(jù)，資源數(shù)據(jù)包括供電網(wǎng)絡的負載率、備用列車的設備健康度和位置以及信號機的故障概率；

8、以供電網(wǎng)絡、備用列車和信號機為節(jié)點，建立拓撲圖，節(jié)點屬性表征資源數(shù)據(jù)，邊表征資源數(shù)據(jù)間的耦合關系，通過圖卷積網(wǎng)絡提取拓撲圖的節(jié)點特征向量；

9、在拓撲圖上嵌入貝葉斯網(wǎng)絡，將節(jié)點特征向量輸入貝葉斯網(wǎng)絡中，并通過歷史運行數(shù)據(jù)訓練貝葉斯網(wǎng)絡，確定節(jié)點間的狀態(tài)轉(zhuǎn)移概率，整合節(jié)點間的狀態(tài)轉(zhuǎn)移概率以確定資源狀態(tài)。

10、作為一種可選的實施方式，所述列車數(shù)據(jù)矩陣的輸出策略包括：

11、實時獲取異構(gòu)數(shù)據(jù)，異構(gòu)數(shù)據(jù)包括軌道電路信號、站臺客流圖像和氣象環(huán)境數(shù)據(jù)，在車載邊緣節(jié)點處通過時空注意力機制將異構(gòu)數(shù)據(jù)進行時空對齊，并對異構(gòu)數(shù)據(jù)進行標準化處理；

12、通過殘差卷積神經(jīng)網(wǎng)絡對軌道電路信號進行特征提取，并將提取的特征映射為信號特征向量，信號特征向量包括信號強度、信號頻率和信號相位；

13、對站臺客流圖像進行語義分割，計算乘客像素面積與站臺總面積的比值，得到初始客流密度，結(jié)合歷史客流數(shù)據(jù)通過長短時記憶網(wǎng)絡預測客流變化趨勢，以對初始客流密度進行動態(tài)加權修正，生成客流密度系數(shù)；

14、通過隨機森林算法分析不同氣象環(huán)境數(shù)據(jù)與列車運行數(shù)據(jù)、制動距離和能耗的影響程度，根據(jù)分析結(jié)果為每個氣象環(huán)境數(shù)據(jù)分配影響權重，將標準化后的氣象環(huán)境數(shù)據(jù)與影響權重進行加權求和，生成氣象修正參數(shù)；

15、監(jiān)測供電網(wǎng)絡、備用列車和信號機以確定資源狀態(tài)，將信號特征向量、客流密度系數(shù)、氣象修正參數(shù)和資源狀態(tài)進行整合，輸出列車數(shù)據(jù)矩陣。

16、作為一種可選的實施方式，所述評估向量的構(gòu)建子策略包括：

17、將列車數(shù)據(jù)矩陣進行歸一化處理，并關聯(lián)列車數(shù)據(jù)矩陣和調(diào)度知識圖譜；

18、結(jié)合列車數(shù)據(jù)矩陣中的信號特征向量和資源狀態(tài)以分析列車運行狀態(tài)，提取調(diào)度知識圖譜的歷史調(diào)度數(shù)據(jù)以評估在列車運行狀態(tài)下的晚點風險值，并根據(jù)客流密度系數(shù)和站臺承載能力評估列車晚點下的乘客影響值，將晚點風險值和乘客影響值進行加權求和得到列車的緊急程度因子；

19、根據(jù)能耗和列車數(shù)據(jù)矩陣中的氣象修正參數(shù)，結(jié)合調(diào)度知識圖譜確定列車的能源消耗成本，結(jié)合資源成本得到列車的運營成本，并根據(jù)客流密度系數(shù)和調(diào)度知識圖譜確定運營收益值，結(jié)合運營收益值和運營成本確定經(jīng)濟價值，將經(jīng)濟價值歸一化后得到列車的經(jīng)濟價值因子；

20、結(jié)合列車數(shù)據(jù)矩陣中的客流密度系數(shù)和資源狀態(tài)以分析列車線路負荷，結(jié)合調(diào)度知識圖譜的歷史負荷數(shù)據(jù)評估線路負荷值，將線路負荷值與調(diào)度知識圖譜中的線路重要性進行加權組合，得到線路影響因子；

21、整合緊急程度因子、經(jīng)濟價值因子和線路影響因子，以構(gòu)建列車調(diào)度的評估向量。

22、作為一種可選的實施方式，所述列車優(yōu)先級的生成策略包括：

23、通過模糊層次分析法將列車優(yōu)先級作為目標層，評估向量作為準則層，通過模糊數(shù)來表征準則層間的重要性并確定模糊判斷矩陣；

24、對模糊判斷矩陣進行一致性檢驗和修正，并通過求解模糊特征方程得到評估向量的模糊權重向量，將模糊權重向量進行模糊化處理，得到評估向量的維度權重；

25、將評估向量與維度權重進行加權求和，得到列車的綜合評估值，根據(jù)列車的綜合評估值生成列車優(yōu)先級。

26、作為一種可選的實施方式，所述調(diào)度方案的生成策略包括：

27、構(gòu)建強化學習，強化學習的狀態(tài)空間表征列車優(yōu)先級和資源狀態(tài)，強化學習的動作空間表征列車速度調(diào)整、列車路徑選擇和資源分配，強化學習的獎勵函數(shù)表征時間準點率、能耗降低率和沖突風險值；

28、通過狀態(tài)空間和動作空間訓練深度q網(wǎng)絡，計算目標q值，并基于均方誤差損失函數(shù)更新深度q網(wǎng)絡的參數(shù)；

29、通過深度q網(wǎng)絡選擇目標q值最大的動作，根據(jù)動作生成調(diào)度方案，并通過獎勵函數(shù)中的時間準點率、能耗降低率和沖突風險值對生成的調(diào)度方案進行評估，以判斷是否調(diào)整強化學習。

30、作為一種可選的實施方式，所述調(diào)度指令集的驗證子策略包括：

31、構(gòu)建gpu并行計算架構(gòu)，將蒙特卡洛仿真的任務分解為三層子任務；

32、基于歷史運行數(shù)據(jù)確定閾值，通過長短期記憶網(wǎng)絡對每種調(diào)度方案的沖突概率、能耗偏差和時延裕度進行時間序列分析；

33、結(jié)合氣象環(huán)境數(shù)據(jù)以及客流密度系數(shù)和資源狀態(tài)通過注意力機制動態(tài)調(diào)整閾值；

34、通過模糊綜合評價法將蒙特卡洛仿真得到的每種調(diào)度方案的沖突概率、能耗偏差和時延裕度與閾值進行模糊匹配；

35、為沖突概率、能耗偏差和時延裕度設定隸屬度函數(shù)，通過模糊合成算子綜合隸屬度函數(shù)確定調(diào)度方案的評價結(jié)果，將評價結(jié)果與評價閾值比對判斷調(diào)度方案是否通過驗證，并輸出驗證通過后的調(diào)度指令集。

36、作為一種可選的實施方式，所述資源狀態(tài)的更新策略包括：

37、執(zhí)行調(diào)度指令集并實時監(jiān)測調(diào)度指令集執(zhí)行過程中的反饋數(shù)據(jù)，反饋數(shù)據(jù)包括供電網(wǎng)絡、備用列車和信號機的運行數(shù)據(jù)，以及調(diào)度指令集的執(zhí)行狀態(tài)數(shù)據(jù)；

38、通過卷積神經(jīng)網(wǎng)絡提取反饋數(shù)據(jù)的指標特征；

39、通過長短時記憶網(wǎng)絡學習反饋數(shù)據(jù)的指標特征，以預測資源狀態(tài)的變化趨勢，以更新資源狀態(tài)，同時更新拓撲圖的節(jié)點屬性、貝葉斯網(wǎng)絡的參數(shù)和狀態(tài)轉(zhuǎn)移概率。

40、作為一種可選的實施方式，所述異構(gòu)數(shù)據(jù)的重采樣策略包括：

41、通過關聯(lián)規(guī)則挖掘算法分析軌道電路信號、站臺客流圖像和氣象環(huán)境數(shù)據(jù)間的關聯(lián)關系，基于統(tǒng)計方法對關聯(lián)關系進行異常檢測，并對檢測到的異常異構(gòu)數(shù)據(jù)進行原因分析；

42、根據(jù)異常檢測和原因分析的結(jié)果，確定采樣頻率的調(diào)整機制，并根據(jù)異常異構(gòu)數(shù)據(jù)的類型選擇采樣方式；

43、對重采樣后的異構(gòu)數(shù)據(jù)進行質(zhì)量評估，以判斷是否重采樣異構(gòu)數(shù)據(jù)，并將重采樣后的異構(gòu)數(shù)據(jù)與列車數(shù)據(jù)矩陣進行融合，以更新列車數(shù)據(jù)矩陣。

44、第二方面，本技術提供列車動態(tài)資源調(diào)配系統(tǒng)，該系統(tǒng)包括：實時獲取異構(gòu)數(shù)據(jù)，異構(gòu)數(shù)據(jù)包括軌道電路信號、站臺客流圖像和氣象環(huán)境數(shù)據(jù)，通過車載邊緣節(jié)點將異構(gòu)數(shù)據(jù)進行時空對齊，并對異構(gòu)數(shù)據(jù)進行處理，同時獲取供電網(wǎng)絡的負荷率、備用列車的設備健康度和位置以及信號機的故障概率，以確定資源狀態(tài)，同時輸出列車數(shù)據(jù)矩陣；

45、根據(jù)列車數(shù)據(jù)矩陣和調(diào)度知識圖譜構(gòu)建列車調(diào)度的評估向量，基于模糊層次分析法動態(tài)調(diào)整評估向量的維度權重，生成列車優(yōu)先級，通過強化學習生成調(diào)度方案，根據(jù)調(diào)度方案中的列車優(yōu)先級，動態(tài)分配供電網(wǎng)絡中各區(qū)段的電能配額，并結(jié)合資源狀態(tài)生成資源分配指令；

46、通過gpu并行對每種調(diào)度方案進行蒙特卡洛仿真，基于閾值驗證每種調(diào)度方案的沖突概率、能耗偏差和時延裕度，以輸出驗證通過后的調(diào)度指令集，執(zhí)行調(diào)度指令集并實時監(jiān)測調(diào)度指令集的執(zhí)行效果，以判斷是否重采樣異構(gòu)數(shù)據(jù)和更新資源狀態(tài)。

47、與現(xiàn)有技術相比，本技術的有益效果是：通過從異構(gòu)數(shù)據(jù)的實時獲取與處理，到列車優(yōu)先級的生成，再到調(diào)度方案的生成及驗證執(zhí)行，實現(xiàn)了對列車調(diào)度全流程的精細化管理，各步驟相互協(xié)作且層層遞進，能夠綜合考慮列車運行過程中的多種復雜因素，改變了傳統(tǒng)調(diào)度方式依賴經(jīng)驗或單一指標的局限性，顯著提升了列車調(diào)度決策的科學性、準確性和及時性，使得在面對復雜多變的運營場景時，能夠動態(tài)且高效地調(diào)配資源，優(yōu)化列車運行安排，提高運輸效率和服務質(zhì)量，有效滿足現(xiàn)代鐵路運輸日益增長的多樣化需求。

48、實時獲取異構(gòu)數(shù)據(jù)并處理，確定資源狀態(tài)輸出列車數(shù)據(jù)矩陣，通過獲取軌道電路信號、站臺客流圖像和氣象環(huán)境數(shù)據(jù)等異構(gòu)數(shù)據(jù)，全方位覆蓋了影響列車運行的關鍵因素，使調(diào)度決策能夠基于更豐富且全面的信息基礎，避免因數(shù)據(jù)缺失導致的決策偏差；通過監(jiān)測供電網(wǎng)絡、備用列車和信號機，能夠精準確定資源狀態(tài)，深入挖掘資源間的潛在關系和變化趨勢，為合理調(diào)配資源提供精確依據(jù)；整合處理后的數(shù)據(jù)形成列車數(shù)據(jù)矩陣，將各類信息以結(jié)構(gòu)化形式呈現(xiàn)，便于后續(xù)分析和應用，為構(gòu)建評估向量和生成調(diào)度方案等提供了標準化且規(guī)范化的數(shù)據(jù)輸入。

49、根據(jù)列車數(shù)據(jù)矩陣和調(diào)度知識圖譜構(gòu)建評估向量，生成列車優(yōu)先級，從緊急程度、經(jīng)濟價值和線路影響等多個維度構(gòu)建評估向量，綜合考慮了列車運行的安全性、經(jīng)濟性和線路資源利用等關鍵因素，使列車優(yōu)先級的生成更加全面且客觀，能夠平衡不同方面的需求，優(yōu)化資源配置；基于模糊層次分析法動態(tài)調(diào)整評估向量的維度權重，能夠根據(jù)不同的運營場景和需求，靈活反映各評估因素的相對重要性，使列車優(yōu)先級更貼合實際情況，增強調(diào)度決策的靈活性和適應性。

50、通過強化學習生成調(diào)度方案，利用強化學習，以列車優(yōu)先級和資源狀態(tài)為基礎，通過不斷試錯和學習，從時間準點率、能耗降低率和沖突風險值等多個目標出發(fā)，自動搜索最優(yōu)調(diào)度方案，實現(xiàn)了調(diào)度方案生成的智能化和自動化，相比傳統(tǒng)方法能夠更高效地找到更優(yōu)解，提高調(diào)度方案的質(zhì)量；獎勵函數(shù)涵蓋時間準點率、能耗降低率和沖突風險值等多個關鍵指標，促使強化學習在生成調(diào)度方案時綜合考慮列車運行的多個重要方面，有效平衡了列車運行的安全性、準時性和經(jīng)濟性，提升鐵路運輸?shù)恼w效益。

51、通過gpu并行對調(diào)度方案進行蒙特卡洛仿真，驗證并輸出調(diào)度指令集，監(jiān)測執(zhí)行反饋，借助gpu并行計算架構(gòu)對調(diào)度方案進行蒙特卡洛仿真，大幅提高了仿真計算效率，能夠在短時間內(nèi)對大量調(diào)度方案進行快速驗證，確保在有限時間內(nèi)篩選出可行的調(diào)度方案，滿足列車調(diào)度的實時性要求；基于閾值對調(diào)度方案的沖突概率、能耗偏差和時延裕度等進行驗證，結(jié)合模糊綜合評價法等手段，對調(diào)度方案進行科學且全面的評估，有效排除存在潛在風險或不符合要求的方案，保證輸出的調(diào)度指令集具有較高的可行性和可靠性；實時監(jiān)測調(diào)度指令集執(zhí)行過程中的反饋數(shù)據(jù)，根據(jù)執(zhí)行效果判斷是否重采樣異構(gòu)數(shù)據(jù)和更新資源狀態(tài)，使得能夠及時感知實際運行中的變化，并基于新的信息對調(diào)度決策進行動態(tài)調(diào)整和優(yōu)化，形成閉環(huán)管理，持續(xù)提升列車調(diào)度的準確性和適應性，保障列車運行的穩(wěn)定性和高效性。