论文部分内容阅读
铁路通过能力研究包含计算、利用、加强与储备这几个部分，是一个涉及铁路运输基本理论、技术、方法的综合体系。铁路能力利用实质是资源约束下的优化问题，具有多元、时变的特点，研究难度很大。尤其是近年来，随着社会经济环境的变化，运输需求不只关注“走得了”，更关注“走得好”，决定了在能力利用优化研究中对“不确定性”引入的内在要求。诚然，对于铁路运输系统这样一个结构复杂的巨系统，如何辨识、描述时变的不确定性尚且困难，要进一步对能力利用进行优化更非易事。既有研究多孤立、静态地研究不确定性及相关优化技术，缺乏数据驱动力和环境适用性，技术间耦合不足，存在分析结构性与范式的改进空间。
本文试图对上述问题进行思考和探索。提出“机器学习+最优化”研究框架，在充分利用铁路数据基础上，从不确定性及能力利用优化基本理论出发，剖析不确定性内部结构及层次分布，分析不确定性静态模式及动态演化规律，进而研究对抗不确定性的能力利用优化技术。具体说来，包含以下工作：
1)界定基于不确定性分析的能力利用优化概念。分析运输组织要素在能力利用中的作用，引出铁路系统中不确定性与能力利用的关系；进行不确定性的分层梳理与结构分析，建立不确定性在不同粒度上的分布(包含主观不确定性和客观随机性并存的结构)；之后提出“机器学习+最优化”研究框架：使用机器学习方法进行不确定性分析，并关联最优化技术完成能力利用优化。不确定性分析包括静态模式分析和动态演化分析。静态模式分析以微观的列车运行序列数据为基础，通过机器学习技术分析数据中蕴含的共性与异性，获得模式并度量不确定性。动态演化分析以受控-随机理论为基础，将铁路系统运营视作执行者(如司乘人员、作业班组等)以及控制者(如行车、车站调度人员等)协同配合的过程，刻画不确定性的连续动态特性；最后，结合不确定性分析过程，以最优化技术设计基于不确定性的能力利用优化框架。
2)提出不确定性静态模式分析的方法。针对数据量庞大、模式识别困难的问题，设计了无监督学习模式发现和有监督学习模式识别相配合的模式分析技术。前者通过无需人工干预的深度学习技术，从小样本数据中发现模式，人工调整后形成模式集。后者提取与铁路能力利用相关的特征，完成大批量序列数据的模式分析；之后，根据Dirichlet分布的共轭先验特性对不确定性的分布情况进行度量。根据所分析的模式及相关不确定性，设计启发式方法校正运行时间所对应的微观实施方案，提升列车运行在微观层面的可操作性；最后，以微观列车时空轨迹数据为输入，通过数值实验分析数据的模式及其不确定性分布情况。分析模式形成原因，测试方法的性能，并揭示模式与主观不确定性及客观随机性间的关系。
3)提出不确定性动态演化分析的方法。根据受控-随机理论，从执行和控制两个角度建立描述不确定性的随机过程模型。利用马尔可夫性，通过离散的状态转移过程描述该模型；设计影响状态转移概率的信息向量，使用贝叶斯网络建立不确定性推理模型，搭建动态演化推理模型；之后，设计列车时空冲突检测以及储备能力调整方法，为能力利用优化模型参数微调提供支持；最后，基于静态模式分析结果，通过数值实验分析不确定性演化的差异性，如延误较严重时，列车在某些区间会选择减速运行(晚点模式达到80%左右)，相当于把闭塞分区当作临时存车线使用，证实“车站-区间”配合协调的能力利用现象的存在。
4)构建基于不确定性分析的能力利用优化模型并求解。依托事件-活动EAN网络，建立以期望计划完成度、能力利用衔接性、能力利用可行性、能力利用鲁棒性以及能力利用可恢复性为优化目标的理想优化模型。进一步，分析模型中与不确定性相关的目标函数及约束，将模型改进为能够对抗不确定性的鲁棒优化模型，具体实施路径包括：首先构建基于扰动(u1)和数据驱动(u2)两种不确定性集，而后从主动、被动对抗不确定性的优化方法入手，设计包括强鲁棒、弱鲁棒、可行恢复鲁棒、最优恢复鲁棒在内的适用于不同数据环境的鲁棒优化模型。之后，为描述列车的会让、越行关系，构建分支定界算法以求解模型；分别基于u1与u2设计数值实验，对各鲁棒优化模型的参数灵敏度进行指标分析。
5)针对我国典型煤运重载铁路进行实例验证。将研究内容应用于实际案例，获得以下结论：1)发现不同区间模式分布规律的差异性，例如，研究案例某普通区间的早点模式、正点模式、晚点模式比为25%:7%:68%；而在组合拆解技术站邻近区间，该比例为23%∶58%∶19%。可见在不确定性晚点发生时，铁路运行系统出现内部自组织现象；2)在设定不同的储备能力量值情况下，运用动态演化评价其对能力利用的影响效果，如案例中总体分配2%储备能力时，其可以抵抗最大平均初始扰动为8min；3)界定不同鲁棒优化模型所适用的数据环境，揭示储备能力的时空分配对方案效果的影响，如：由于针对性地加强关键区间在易发生扰动时段内的储备能力并降低其他时空的储备能力，基于u2的最优恢复鲁棒方法获得的方案在储备能力总量上较强鲁棒优化方案少6.4个百分点，却使指标优化8.6%。
本文以不确定性为着眼点，从理论、模型、算法等方面对能力利用优化体系进行了一定地补充与完善。所提出的“机器学习+最优化”研究框架，可充分利用历史数据信息，从静态模式、动态演化等角度实现多维度不确定性分析；不确定性分析结果直接参与优化模型不确定性集构建、模型参数选择以及求解过程冲突检测等环节，指导不同数据环境下多目标能力利用方案优化。研究的成果可从数据中分析不确定性的特性，并通过优化模型合理地优化能力利用方式，提升能力利用方案质量，可为我国铁路能力精细化利用理论方法提供一定参考。
本文试图对上述问题进行思考和探索。提出“机器学习+最优化”研究框架，在充分利用铁路数据基础上，从不确定性及能力利用优化基本理论出发，剖析不确定性内部结构及层次分布，分析不确定性静态模式及动态演化规律，进而研究对抗不确定性的能力利用优化技术。具体说来，包含以下工作：
1)界定基于不确定性分析的能力利用优化概念。分析运输组织要素在能力利用中的作用，引出铁路系统中不确定性与能力利用的关系；进行不确定性的分层梳理与结构分析，建立不确定性在不同粒度上的分布(包含主观不确定性和客观随机性并存的结构)；之后提出“机器学习+最优化”研究框架：使用机器学习方法进行不确定性分析，并关联最优化技术完成能力利用优化。不确定性分析包括静态模式分析和动态演化分析。静态模式分析以微观的列车运行序列数据为基础，通过机器学习技术分析数据中蕴含的共性与异性，获得模式并度量不确定性。动态演化分析以受控-随机理论为基础，将铁路系统运营视作执行者(如司乘人员、作业班组等)以及控制者(如行车、车站调度人员等)协同配合的过程，刻画不确定性的连续动态特性；最后，结合不确定性分析过程，以最优化技术设计基于不确定性的能力利用优化框架。
2)提出不确定性静态模式分析的方法。针对数据量庞大、模式识别困难的问题，设计了无监督学习模式发现和有监督学习模式识别相配合的模式分析技术。前者通过无需人工干预的深度学习技术，从小样本数据中发现模式，人工调整后形成模式集。后者提取与铁路能力利用相关的特征，完成大批量序列数据的模式分析；之后，根据Dirichlet分布的共轭先验特性对不确定性的分布情况进行度量。根据所分析的模式及相关不确定性，设计启发式方法校正运行时间所对应的微观实施方案，提升列车运行在微观层面的可操作性；最后，以微观列车时空轨迹数据为输入，通过数值实验分析数据的模式及其不确定性分布情况。分析模式形成原因，测试方法的性能，并揭示模式与主观不确定性及客观随机性间的关系。
3)提出不确定性动态演化分析的方法。根据受控-随机理论，从执行和控制两个角度建立描述不确定性的随机过程模型。利用马尔可夫性，通过离散的状态转移过程描述该模型；设计影响状态转移概率的信息向量，使用贝叶斯网络建立不确定性推理模型，搭建动态演化推理模型；之后，设计列车时空冲突检测以及储备能力调整方法，为能力利用优化模型参数微调提供支持；最后，基于静态模式分析结果，通过数值实验分析不确定性演化的差异性，如延误较严重时，列车在某些区间会选择减速运行(晚点模式达到80%左右)，相当于把闭塞分区当作临时存车线使用，证实“车站-区间”配合协调的能力利用现象的存在。
4)构建基于不确定性分析的能力利用优化模型并求解。依托事件-活动EAN网络，建立以期望计划完成度、能力利用衔接性、能力利用可行性、能力利用鲁棒性以及能力利用可恢复性为优化目标的理想优化模型。进一步，分析模型中与不确定性相关的目标函数及约束，将模型改进为能够对抗不确定性的鲁棒优化模型，具体实施路径包括：首先构建基于扰动(u1)和数据驱动(u2)两种不确定性集，而后从主动、被动对抗不确定性的优化方法入手，设计包括强鲁棒、弱鲁棒、可行恢复鲁棒、最优恢复鲁棒在内的适用于不同数据环境的鲁棒优化模型。之后，为描述列车的会让、越行关系，构建分支定界算法以求解模型；分别基于u1与u2设计数值实验，对各鲁棒优化模型的参数灵敏度进行指标分析。
5)针对我国典型煤运重载铁路进行实例验证。将研究内容应用于实际案例，获得以下结论：1)发现不同区间模式分布规律的差异性，例如，研究案例某普通区间的早点模式、正点模式、晚点模式比为25%:7%:68%；而在组合拆解技术站邻近区间，该比例为23%∶58%∶19%。可见在不确定性晚点发生时，铁路运行系统出现内部自组织现象；2)在设定不同的储备能力量值情况下，运用动态演化评价其对能力利用的影响效果，如案例中总体分配2%储备能力时，其可以抵抗最大平均初始扰动为8min；3)界定不同鲁棒优化模型所适用的数据环境，揭示储备能力的时空分配对方案效果的影响，如：由于针对性地加强关键区间在易发生扰动时段内的储备能力并降低其他时空的储备能力，基于u2的最优恢复鲁棒方法获得的方案在储备能力总量上较强鲁棒优化方案少6.4个百分点，却使指标优化8.6%。
本文以不确定性为着眼点，从理论、模型、算法等方面对能力利用优化体系进行了一定地补充与完善。所提出的“机器学习+最优化”研究框架，可充分利用历史数据信息，从静态模式、动态演化等角度实现多维度不确定性分析；不确定性分析结果直接参与优化模型不确定性集构建、模型参数选择以及求解过程冲突检测等环节，指导不同数据环境下多目标能力利用方案优化。研究的成果可从数据中分析不确定性的特性，并通过优化模型合理地优化能力利用方式，提升能力利用方案质量，可为我国铁路能力精细化利用理论方法提供一定参考。