本技術涉及數據處理，尤其涉及列車動態調度方法及資源調配系統。

背景技術：

1、隨著鐵路運輸行業的快速發展，列車運行密度不斷增加，運輸環境日益復雜，對列車調度的準確性、高效性和靈活性提出了更高要求，早期的列車調度主要依賴調度員的經驗和人工操作，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度系統應運而生，該調度系統通過預先制定的列車運行計劃進行調度，在一定程度上提高了調度效率和準確性，然而這種方式缺乏對實時變化因素的適應性，當遇到突發情況時，無法及時調整調度方案，容易導致列車晚點和線路擁堵等問題。

2、同時現有技術大多數據類型單一、資源狀態的評估方式簡單、調度方案的生成優化目標單一以及調度方案的驗證手段不能根據實時變化的環境因素和運行狀態進行有效評估和調整。大多沒有解決如何在復雜運行環境下實現列車調度的動態優化和資源的合理調配。

技術實現思路

1、針對現有技術的不足，本技術提供列車動態調度方法及資源調配系統。

2、第一方面，本技術提供列車動態調度方法，該方法包括：實時獲取異構數據，異構數據包括軌道電路信號、站臺客流圖像和氣象環境數據，在車載邊緣節點處通過時空注意力機制將異構數據進行時空對齊，并對異構數據進行處理，同時監測供電網絡、備用列車和信號機以確定資源狀態，以輸出列車數據矩陣，列車數據矩陣包括信號特征向量、客流密度系數、氣象修正參數和資源狀態；

3、根據列車數據矩陣和調度知識圖譜構建列車調度的評估向量，評估向量包括緊急程度因子、經濟價值因子和線路影響因子，基于模糊層次分析法動態調整評估向量的維度權重，生成列車優先級；

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

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

6、作為一種可選的實施方式，所述資源狀態的確定子策略包括：

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

8、以供電網絡、備用列車和信號機為節點，建立拓撲圖，節點屬性表征資源數據，邊表征資源數據間的耦合關系，通過圖卷積網絡提取拓撲圖的節點特征向量；

9、在拓撲圖上嵌入貝葉斯網絡，將節點特征向量輸入貝葉斯網絡中，并通過歷史運行數據訓練貝葉斯網絡，確定節點間的狀態轉移概率，整合節點間的狀態轉移概率以確定資源狀態。

10、作為一種可選的實施方式，所述列車數據矩陣的輸出策略包括：

11、實時獲取異構數據，異構數據包括軌道電路信號、站臺客流圖像和氣象環境數據，在車載邊緣節點處通過時空注意力機制將異構數據進行時空對齊，并對異構數據進行標準化處理；

12、通過殘差卷積神經網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，結合歷史客流數據通過長短時記憶網絡預測客流變化趨勢，以對初始客流密度進行動態加權修正，生成客流密度系數；

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

15、監測供電網絡、備用列車和信號機以確定資源狀態，將信號特征向量、客流密度系數、氣象修正參數和資源狀態進行整合，輸出列車數據矩陣。

16、作為一種可選的實施方式，所述評估向量的構建子策略包括：

17、將列車數據矩陣進行歸一化處理，并關聯列車數據矩陣和調度知識圖譜；

18、結合列車數據矩陣中的信號特征向量和資源狀態以分析列車運行狀態，提取調度知識圖譜的歷史調度數據以評估在列車運行狀態下的晚點風險值，并根據客流密度系數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、根據能耗和列車數據矩陣中的氣象修正參數，結合調度知識圖譜確定列車的能源消耗成本，結合資源成本得到列車的運營成本，并根據客流密度系數和調度知識圖譜確定運營收益值，結合運營收益值和運營成本確定經濟價值，將經濟價值歸一化后得到列車的經濟價值因子；

20、結合列車數據矩陣中的客流密度系數和資源狀態以分析列車線路負荷，結合調度知識圖譜的歷史負荷數據評估線路負荷值，將線路負荷值與調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、經濟價值因子和線路影響因子，以構建列車調度的評估向量。

22、作為一種可選的實施方式，所述列車優先級的生成策略包括：

23、通過模糊層次分析法將列車優先級作為目標層，評估向量作為準則層，通過模糊數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，根據列車的綜合評估值生成列車優先級。

26、作為一種可選的實施方式，所述調度方案的生成策略包括：

27、構建強化學習，強化學習的狀態空間表征列車優先級和資源狀態，強化學習的動作空間表征列車速度調整、列車路徑選擇和資源分配，強化學習的獎勵函數表征時間準點率、能耗降低率和沖突風險值；

28、通過狀態空間和動作空間訓練深度q網絡，計算目標q值，并基于均方誤差損失函數更新深度q網絡的參數；

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

30、作為一種可選的實施方式，所述調度指令集的驗證子策略包括：

31、構建gpu并行計算架構，將蒙特卡洛仿真的任務分解為三層子任務；

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

33、結合氣象環境數據以及客流密度系數和資源狀態通過注意力機制動態調整閾值；

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，通過模糊合成算子綜合隸屬度函數確定調度方案的評價結果，將評價結果與評價閾值比對判斷調度方案是否通過驗證，并輸出驗證通過后的調度指令集。

36、作為一種可選的實施方式，所述資源狀態的更新策略包括：

37、執行調度指令集并實時監測調度指令集執行過程中的反饋數據，反饋數據包括供電網絡、備用列車和信號機的運行數據，以及調度指令集的執行狀態數據；

38、通過卷積神經網絡提取反饋數據的指標特征；

39、通過長短時記憶網絡學習反饋數據的指標特征，以預測資源狀態的變化趨勢，以更新資源狀態，同時更新拓撲圖的節點屬性、貝葉斯網絡的參數和狀態轉移概率。

40、作為一種可選的實施方式，所述異構數據的重采樣策略包括：

41、通過關聯規則挖掘算法分析軌道電路信號、站臺客流圖像和氣象環境數據間的關聯關系，基于統計方法對關聯關系進行異常檢測，并對檢測到的異常異構數據進行原因分析；

42、根據異常檢測和原因分析的結果，確定采樣頻率的調整機制，并根據異常異構數據的類型選擇采樣方式；

43、對重采樣后的異構數據進行質量評估，以判斷是否重采樣異構數據，并將重采樣后的異構數據與列車數據矩陣進行融合，以更新列車數據矩陣。

44、第二方面，本技術提供列車動態資源調配系統，該系統包括：實時獲取異構數據，異構數據包括軌道電路信號、站臺客流圖像和氣象環境數據，通過車載邊緣節點將異構數據進行時空對齊，并對異構數據進行處理，同時獲取供電網絡的負荷率、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，同時輸出列車數據矩陣；

45、根據列車數據矩陣和調度知識圖譜構建列車調度的評估向量，基于模糊層次分析法動態調整評估向量的維度權重，生成列車優先級，通過強化學習生成調度方案，根據調度方案中的列車優先級，動態分配供電網絡中各區段的電能配額，并結合資源狀態生成資源分配指令；

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

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

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

49、根據列車數據矩陣和調度知識圖譜構建評估向量，生成列車優先級，從緊急程度、經濟價值和線路影響等多個維度構建評估向量，綜合考慮了列車運行的安全性、經濟性和線路資源利用等關鍵因素，使列車優先級的生成更加全面且客觀，能夠平衡不同方面的需求，優化資源配置；基于模糊層次分析法動態調整評估向量的維度權重，能夠根據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，使列車優先級更貼合實際情況，增強調度決策的靈活性和適應性。

50、通過強化學習生成調度方案，利用強化學習，以列車優先級和資源狀態為基礎，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，自動搜索最優調度方案，實現了調度方案生成的智能化和自動化，相比傳統方法能夠更高效地找到更優解，提高調度方案的質量；獎勵函數涵蓋時間準點率、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、準時性和經濟性，提升鐵路運輸的整體效益。

51、通過gpu并行對調度方案進行蒙特卡洛仿真，驗證并輸出調度指令集，監測執行反饋，借助gpu并行計算架構對調度方案進行蒙特卡洛仿真，大幅提高了仿真計算效率，能夠在短時間內對大量調度方案進行快速驗證，確保在有限時間內篩選出可行的調度方案，滿足列車調度的實時性要求；基于閾值對調度方案的沖突概率、能耗偏差和時延裕度等進行驗證，結合模糊綜合評價法等手段，對調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，保證輸出的調度指令集具有較高的可行性和可靠性；實時監測調度指令集執行過程中的反饋數據，根據執行效果判斷是否重采樣異構數據和更新資源狀態，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度決策進行動態調整和優化，形成閉環管理，持續提升列車調度的準確性和適應性，保障列車運行的穩定性和高效性。