近年来,我国产业结构调整不断升级,货运物流市场风谲云诡,技术概念推陈出新,使得传统铁路货运的改革迫在眉睫。为进一步提高铁路货运服务水平、加强市场竞争力,中国铁路总公司推行实货制改革。要实现货物快运“随想随到随运”,必然要对运输货物的车辆流进行全过程的实时追踪管理和动态分布预测,准确、细致的车流推算便成为铁路货运市场化、物流化、智能化改革的重要基础。此外,及时、准确的车流推算,对于调度人员提前制定有预见性的车流调整措施,保证全路运输的均衡性、通畅性,提高车流组织水平,缩短货物送达时间,加速货车周转,提高货运收入具有十分重要的作用。随着大数据技术的飞速发展,全球各领域均出现数据爆炸增长和人工智能快速发展的现象,铁路运输领域也初现端倪。30年的信息化建设为铁路积累了海量的车流数据,对研究车流推算具有不可估量的价值。因此,在铁路货运的大数据环境下,应用大数据、云计算与人工智能技术,以积累的海量车流历史数据为基础,设计高效、实时、准确的新的车流推算方法便成为解决现行铁路车流推算业务难题和技术难题的良好契机。本文从“数据基础——时空分布——动态协同——系统支撑”的四个阶段出发,着眼于铁路车流推算问题,对基于铁路货运大数据的重车车流推算关键技术进行研究。具体内容包括:(1)服务于车流推算的基础数据排异融合方法。梳理铁路货运生产系统与相关数据,构建服务于车流推算的基础数据模型。鉴于铁路生产异常数据广泛存在,从异常分析、异常识别、异常重塑三个方面设计车流基础数据的排异融合方法,以满足车流推算时空层面的基本数据需求。(2)重车车流空间轨迹模式识别与径路预测。描述传统车流径路算法,分析现行径路算法在实际生产中出现的兑现率低的原因,提出符合车流推算要求的径路决策方案。以铁路车流大数据为基础,利用降维相似度算法对轨迹特征进行聚类,构建基于模式感知的车流径路轨迹识别算法,从海量车流数据中识别与感知径路的轨迹模式。为提高车流径路决策的准确率,构建基于特征加权的铁路车流径路变长马尔可夫模型,提高车流推算空间预测的准确性。(3)重车车流在站停留时间的分析与预测。描述传统车辆在站停留时间的计算方法,分析现行方法存在的问题。基于铁路车流大数据,结合车流途经中间站的不同特点,深入学习车辆在站停留时间的指标特征,构建车辆在站停留时间推断模型。考虑车辆停留时间在时间轴上的波动性,构建基于时间序列的车辆在站停留时间预测模型。结合以上两个模型的计算结果,综合预测车辆在站停留时间,提高车流推算时间预测的准确性。(4)路网车流动态协同推算方法。以单个车辆为研究对象,构建车辆时空动态推算模型,通过迭代计算保证车辆个体推算的准确性。在全路宏观层面,构建到达车流时空推算模型,保证全路车流推算的准确性。提出基于时空迭代的全路车流协同推算方法,将全路车辆按照时空切片进行分割,随着车辆在路网中状态的变化,实时更新与调整车流时空推算结果和节点状态,保证车流推算的动态性与实时性。(5)车流推算计算架构设计与大规模并行推算配置任务优化。考虑到海量车流大数据的不断、快速增长,构建全路车流推算计算架构,充分协调历史批量数据与实时流式数据间的关系,保证车流推算流程的健康、快速、稳定运行。结合路网中节点多、流量大、同一时刻推算任务较多的特点,构建基于运算性能的车流推算并发任务分配模型与算法,以充分利用云计算资源,保证推算集群高效运行。从总体结构设计和功能模块设计两个方面,设计基于铁路货运大数据的重车车流推算原型系统,提升研究的实用性,保证其现实意义。