一种基于云服务的铁路运输数据管理优化调度方法与流程

本发明属于铁路运输数据管理技术领域，特别涉及一种基于云服务的铁路运输数据管理优化调度方法。

背景技术：

长期以来，我国铁路系统及路外企业自有铁路的车站(站场)的平面调车作业大都是使用具有收发调车信令功能的专用无线集群对讲电台作为车站调度员、现场调车组和机车司机三者之间实现调车指挥和语言沟通的重要装备；现有的数字铁路运输管理系统中调车信令通常通过车载台收到信令后，再调语音向手持台、调度台发送，其大大影响了通信实时性。调车信令中的语音传输与数据传输在同一信道进行，容易产生干扰，影响调车作业管理水平和安全性，随着云技术的普及，为了提高铁路运输过程的安全便捷性，应用云服务技术对铁路运输过程的数据管理进行决策是大势所趋。

技术实现要素：

本发明的目的是为克服已有技术的不足，设计出一种基于云服务的铁路运输数据管理优化调度方法。

其主要基于云数据平台，建立铁路运输数据管理系统，其包含监测装置、调度台及云数据平台；监测装置安装于铁轨及列车上的各个数据采集点，云数据平台通过云网络与监测装置、调度台的上位机连接，铁路运输数据管理系统基于云数据平台，通过对铁路运行主要参数与通信信息之间协同运行调度的优化，为整个铁路运输的调度提供云服务决策支持。

云服务决策支持主要包含以下步骤：

1)、云数据平台获取铁路运行过程中的实时数据、历史数据、铁路运输计划信息；

2)、构建包含物理设施层、传输服务层、调度云服务层、调度云协同层、调度云应用层的层次化调度服务载体；其中，物理设施层、传输服务层分别用以采集和传输信息，而调度云服务层、调度云协同层、调度云应用层根据物理设施层、传输服务层提供的信息，为整个铁路运输调度提供云决策支持；

3)、所述的调度云服务层具有虚拟机，其包括存储虚拟化单元、计算虚拟化单元、网络虚拟化单元、系统虚拟化单元和应用虚拟化单元，可构建铁路运输调度实时仿真模型，通过对历史数据和铁路运输计划数据的智能化分析，为调度云应用层提供包括机车速度、地面标示信号信息、机车供电信息、制动气压信息、机车油温水温监测信息为主要铁路运输参数第一层信息决策要素；

4)、所述的调度云协同层依次设置分布式实时数据库、分布式时序数据库、分布式关系数据库、非结构化数据存储自动化系统；分布式时序数据库、分布式关系数据库具有对应的分布式模型、关系模型，通过各个分布式模型与关系模型之间的协同计算、分析，为调度云应用层提供安全、运维、分布式统一资源管理的第二层通信信息决策要素；

5)、调度云应用层获取调度云服务层、调度云协同层的决策要素，通过设置自我学习的知识库模块以及知识库模块的定义要求，建立铁路运输参数与通信信息调度的关联模型，以铁路运输计划信息为导向，对铁路运输参数与通信信息进行优化，为整个铁路运输系统提供信息通信云决策要求和铁路运输参数调度云决策服务。

优选的，所述的调度云服务层虚拟机，其网络虚拟化单元模拟实际的铁路运输区域组成，系统虚拟化单元对网络虚拟化单元的层次关系和拓扑关系进行数据疏解，计算虚拟化单元构建铁路运输调度实时仿真模型，根据对历史数据和铁路运输计划数据的智能化分析，通过应用虚拟化单元输出包括机车速度、地面标示信号信息、机车供电信息、制动气压信息、机车油温水温监测信息为主要铁路运输参数的第一层信息决策要素。

优选的，所述的调度云协同层中，分布式实时数据库进行数据采集，分布式时序数据库根据分布式模型对采集的数据进行分层集群处理，并建立集群关系表，分布式关系数据库通过集成服务对集群关系表中的数据进行集成处理，通过对众多因子通信信息与空间、时间、属性之间关系模型的计算和分析，输出包括安全、运维、分布式统一资源管理的第二层通信信息决策要素。

优选的，所述步骤5)中所建立铁路运输参数与通信信息调度的关系模型为基于数据驱动的神经网络模型或模式识别模型。

优选的，所述知识库模块的自学习体现在对关联模型融合度rf的调整上，考虑初始融合度rf0、调整前的融合度rf1以及融合度的累计调整次数这三个参数；其中，初始融合度是通过数据驱动得到的固定数值；调整前的融合度为当前的环境下的数值；融合度的累计调整次数体现的是在以电网计划信息为目标导向，关联模型被用来进行优化调整并获得容错误差范围内的次数；结合数据拟合，调整后得到的融合度为：

其中，上式中j为调整基数，取值如下：

其中，融合度不大于1，调整前融合度是1的关联模型不再调整融合度；按照上述方案调整后融合度的理论值大于1时，将该关联模型融合度设为1，完成自我学习的过程。

本发明与现有技术相比，其有益的技术效果为：

1、基于云计算理念而提出的铁路运输调度决策方案，充分利用了云计算所带的高性价比、快速伸缩性、近乎无限的扩展性、高容错性等优势。

2、提出了一种铁路运输主要参数与通信信息之间协同运行的调度优化实现方式，为铁路运输的调度提供了立体、多层次的协同调度运行体系，消除因空间、时间的广阔性等不利因素，客服铁路运输主要参数与通信信息产生的干扰，提高铁路运输调度的管理质量水平。

附图说明

图1是本发明的结构模块图。

具体实施方式

其主要基于云数据平台，建立铁路运输数据管理系统，其包含监测装置、调度台及云数据平台；监测装置安装于铁轨及列车上的各个数据采集点，云数据平台通过云网络与监测装置、调度台的上位机连接，铁路运输数据管理系统基于云数据平台，通过对铁路运行主要参数与通信信息之间协同运行调度的优化，为整个铁路运输的调度提供云服务决策支持。

云服务决策支持主要包含以下步骤：

1)、云数据平台获取铁路运行过程中的实时数据、历史数据、铁路运输计划信息；

2)、构建包含物理设施层、传输服务层、调度云服务层、调度云协同层、调度云应用层的层次化调度服务载体；其中，物理设施层、传输服务层分别用以采集和传输信息，而调度云服务层、调度云协同层、调度云应用层根据物理设施层、传输服务层提供的信息，为整个铁路运输调度提供云决策支持；

3)、所述的调度云服务层具有虚拟机，其包括存储虚拟化单元、计算虚拟化单元、网络虚拟化单元、系统虚拟化单元和应用虚拟化单元，可构建铁路运输调度实时仿真模型，通过对历史数据和铁路运输计划数据的智能化分析，为调度云应用层提供包括机车速度、地面标示信号信息、机车供电信息、制动气压信息、机车油温水温监测信息为主要铁路运输参数第一层信息决策要素；

4)、所述的调度云协同层依次设置分布式实时数据库、分布式时序数据库、分布式关系数据库、非结构化数据存储自动化系统；分布式时序数据库、分布式关系数据库具有对应的分布式模型、关系模型，通过各个分布式模型与关系模型之间的协同计算、分析，为调度云应用层提供安全、运维、分布式统一资源管理的第二层通信信息决策要素；

5)、调度云应用层获取调度云服务层、调度云协同层的决策要素，通过设置自我学习的知识库模块以及知识库模块的定义要求，建立铁路运输参数与通信信息调度的关联模型，以铁路运输计划信息为导向，对铁路运输参数与通信信息进行优化，为整个铁路运输系统提供信息通信云决策要求和铁路运输参数调度云决策服务。

优选的，所述的调度云服务层虚拟机，其网络虚拟化单元模拟实际的铁路运输区域组成，系统虚拟化单元对网络虚拟化单元的层次关系和拓扑关系进行数据疏解，计算虚拟化单元构建铁路运输调度实时仿真模型，根据对历史数据和铁路运输计划数据的智能化分析，通过应用虚拟化单元输出包括机车速度、地面标示信号信息、机车供电信息、制动气压信息、机车油温水温监测信息为主要铁路运输参数的第一层信息决策要素。

优选的，所述的调度云协同层中，分布式实时数据库进行数据采集，分布式时序数据库根据分布式模型对采集的数据进行分层集群处理，并建立集群关系表，分布式关系数据库通过集成服务对集群关系表中的数据进行集成处理，通过对众多因子通信信息与空间、时间、属性之间关系模型的计算和分析，输出包括安全、运维、分布式统一资源管理的第二层通信信息决策要素。

优选的，所述步骤5)中所建立铁路运输参数与通信信息调度的关系模型为基于数据驱动的神经网络模型或模式识别模型。

优选的，所述知识库模块的自学习体现在对关联模型融合度rf的调整上，考虑初始融合度rf0、调整前的融合度rf1以及融合度的累计调整次数这三个参数；其中，初始融合度是通过数据驱动得到的固定数值；调整前的融合度为当前的环境下的数值；融合度的累计调整次数体现的是在以电网计划信息为目标导向，关联模型被用来进行优化调整并获得容错误差范围内的次数；结合数据拟合，调整后得到的融合度为：

其中，上式中j为调整基数，取值如下：

其中，融合度不大于1，调整前融合度是1的关联模型不再调整融合度；按照上述方案调整后融合度的理论值大于1时，将该关联模型融合度设为1，完成自我学习的过程。

以上对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。