面向数据隐私的高速铁路智能调度大数据运用方案研究

Big Data Application Scheme for Intelligent Dispatching of High Speed Railway Oriented to Data Privacy

摘要

为解决高速铁路智能调度大数据运用过程中，数据隐私安全导致的数据共享意愿降低和数据决策效果减弱等影响大数据价值发挥的缺陷，在既有云边协同框架下，借助联邦学习和对抗式生成网络技术，设计面向数据隐私的高速铁路智能调度大数据运用方案。在现状分析基础上，重新构建系统架构和数据交互规范；增设边缘节点的样本层和决策层实现样本构造和决策输出，完善中心云的数据层和调度层实现数据汇集和数据调度；虚拟划定的数据运用区域对内安全共享隐私数据和学习模型，对外提供行车辅助决策支持。方案进一步改善智能调度大数据的计算效能和数据隐私安全效能，充实“智能高铁”理论技术创新内容，加快高速铁路运输组织调度的数字化智能化建设步伐。

Abstract

This paper aimed to solve the defects that affected the value of big data caused by data privacy security during the application of intelligent dispatching big data for high speed railway, such as reduced willingness to share data and weakened data decision-making effects. It designed a big data application scheme for intelligent dispatching of oriented high speed railway oriented to data privacy under the existing cloud edge collaborative framework using federated learning and generative adversarial network technology. Based on the current situation analysis, this paper rebuilt the system architecture and data interaction specifications, added a sample layer and a decision layer for edge nodes to achieve sample construction and decision output, and perfected the data layer and scheduling layer of the central cloud to achieve data collection and data scheduling. the virtual demarcated data utilization area securely shared private data and learning models internally while providing external assistant decision-making support. The scheme further improves the computing efficiency and data privacy security efficiency of intelligent dispatching big data, enriches the theoretical and technological innovation content of "Intelligent HSR", and accelerates the pace of digital intelligent construction of high speed railway transportation organization and dispatching.

Graphical abstract

关键词

智能调度 / 大数据运用 / 数据隐私安全 / 边缘节点 / 联邦学习 / 对抗式生成网络

Key words

Intelligent Dispatching / Big Data / Data Privacy Security / Edge Node / Federated Learning / Generative Adversarial Network

0　引言

高速铁路智能调度集中系统是以现有分散自律系统为基础，结合“智能高铁”发展需求，为在行车调度大数据运用和阶段计划智能调整等方面寻求突破而形成的列车调度指挥控制管理系统^[1]。伴随云计算和人工智能的普及以及铁路运输业务的加速融合，列车调度指挥系统越来越依赖于大数据运用技术^[2]。但由于行业竞争、行政限制和网络安全等数据隐私安全问题，数据拥有者往往抵触直接共享原始数据，阻碍区域内数据形成规模优势。如何在隐私安全概念下消除信息孤岛，发挥高速铁路智能调度大数据对铁路运营效率和运输安全的支撑作用，成为下一步研究重点。

课题组前期设计云边协同架构下高速铁路智能调度集中系统^[3]。针对该系统实际应用中的数据隐私问题，增设边缘节点的决策层和样本层，在中心云的调度层和数据层协同支持下，定义数据交互新范式；虚拟划定的数据运用区域对内实现隐私数据和学习模型的安全共享，对外提供行车辅助决策数据，形成面向数据隐私的高速铁路智能调度大数据运用方案。

1　智能调度大数据运用现状

1.1　调度系统演进及数据运用

初代的列车调度指挥系统(TDCS)实现了铁路运输调度的信息化和现代化。分散自律调度集中系统(CTC)实现了设备、功能和数据的分散化和自律化。智能调度集中系统实现了行车管理的协同化和智能化。伴随云计算、物联网、5G等先进技术的发展，智能调度集中系统的持续演进需要大数据运用在以下2个方面实现突破。

（1）数据维度的扩展。调度系统通过数据共享和数据协同，以数据的规模优势提升系统智能。既有调度系统不仅与联锁、列控、临时限速服务器、无线闭塞中心等系统互联互通，更是建立与C3+ATO、灾害监测、接触网停供电监测、现车及车号自动识别(AEI)等系统的数据通道。

（2）数据内涵的挖掘。利用计算资源和智能技术，通过数据准备、处理和决策，实现大数据平台中的隐含价值信息揭示功能。智能京张^[4](北京北—张家口)线路已在实时监测数据和行车数据以及专家知识库的大数据支持下，实现初代的列车计划自动调整和行车安全智能卡控等功能。

调度系统演进及数据运用如图1所示。

调度系统对大数据广度和深度的挖掘^[5]，也衍生出了3种数据运用方式。

（1）中心集中式。通过持续改进的数据管理平台和中心云，海量前端监测数据以及车站行车数据上传至中心服务器进行集中计算和存储，再由中心推送至车站行车单元，完成闭环指挥操作。中心集中式的特点是计算效果好，但网络占用大，前端资源利用率低且数据隐私安全风险较大。

（2）边缘分布式。高速铁路的广域网络和低维数据暴露了云计算在低时延计算密集型应用中的缺陷。边缘计算应运而生，在靠近数据产生的前端节点，就近采集、计算和决策，但边缘数据的不完备和数据分布差异削弱了模型预测准确性。

（3）云边协同式。融合前述两者的优点，在合适时机交换合适数据。但信息孤岛和隐私保护此消彼长的制衡关系限制了云边协同的发展，数据安全和数据确权逐渐成为数据交易和数据潜能激发的前提条件。

1.2　既有系统大数据运用问题

数据共享输出数据价值的同时，由于其与数据隐私之间的天然矛盾关系，连带使得跨工种、跨部门和跨行业的数据协同产生数据隐私安全隐患，以及由此带来数据共享意愿降低和辅助决策效果减弱等问题。

（1）数据隐私阻碍数据共享^[6]。在政策层面，并行的业务处室、以工种为单位的垂直行政架构以及跨级沟通交流机制的不完善，叠加数据拥有者的数据确权意识增强和数据共享责任风险担忧，极大增加调度系统获取全面行车环境和决策辅助信息的难度。在技术层面，中心云计算和原生云边协同不可避免地导致数据隐私保护和数据安全问题。

（2）数据隐私降低决策效果^[7]。数据隐私阻碍数据共享，进而影响数据价值发挥。无论是智能调度的哪种大数据运用方式，中心云和边缘节点的计算模型均需要大量数据的迭代训练。样本数据多样性和均衡性的缺失降低模型学习效率和计算精度，影响行车决策效果。

1.3　面向隐私的智能调度大数据运用改进思路

高速铁路智能调度大数据^[8]涵盖行车计划编制、列车运营管理和突发事件响应等行车运输管理的全过程数据，包括智能客运数据、智能综合调度数据、智能行车调度数据、工电供一体化运维数据的内部各工种各业务领域数据，更包括来自风雨雪震监测以及其他信息联动领域的数据。在大数据技术快速部署过程中，政策法规、数据权属(不同部门、不同厂家不愿直接贡献原始数据)、跨工种决策知识的缺乏(如列调终端不具备接触网停供电判别的专业知识)以及无处不在的数据篡改攻击隐患，使数据隐私和安全防护成为不可回避的问题，影响数据价值发挥。新方案需要在云边协同框架下维持现有数据确权，定义数据安全共享新范式，借助分布式数据价值提升边缘设备模型学习能力，完成运输组织调度的智能协同控制。

联邦学习^[9](Federated Learning，FL)是在集中式学习和分布式学习基础上建立的面向信息孤岛和隐私保护的全新数据解决方案。FL技术在元数据不出节点的情况下实现联合数据建模并实现区域协同学习。但在云边框架中，FL技术面临边缘节点数据偏移匮乏和非独立同分布问题^[10]，即不同采样节点数据量级差异较大且存在分布差异，影响全局模型预测准确率和决策效果。以高速铁路突发事件监测为例^[11]，西南地区线网易发生地震和山体滑坡等地质灾害，而东北地区则多暴雪事件，更小区域范围内的不同采样节点也受地质、气候等外部因素影响，导致单一节点内部数据聚合偏离全局最优而产生节点偏移现象。生成式对抗网络^[12](Generative Adversarial Network，GAN)是以生成器和判别器的动态零和博弈完成参数调优的深度学习模型。GAN泛化性好，具备模型收敛下的真实样本拟合能力。将GAN技术与FL技术相结合^[13]，在云边协同框架下，设计一种面向数据隐私的高速铁路智能调度大数据运用方案。

2　智能调度大数据运用方案设计

2.1　方案设计

在高速铁路智能调度集中系统的既有设备诸如中心设备(包括列调台、助调台、计划调整服务器等)、车站行车设备(包括车站自律机、追踪服务器、分机等)，既有关联外部设备诸如联锁、列控，以及铁路专用通信网络基础上^[14]，方案重新设计实现负责边缘数据采集、计算、处理和决策的边缘节点以及负责样本汇集、参数聚合和区域模型迭代的中心云^[15]，形成4类设备类别。按业务逻辑划分，边缘节点分为采集层、样本层和决策层，中心云分为数据层和调度层。重点突出层级关系以及核心模块和交互数据，设计面向数据隐私的高速铁路智能调度大数据运用框架如图2所示。

为了便于同类设备的管理和调度，以及数据隐私安全下的资源整合和共享，按照高速铁路调度数据采集处理方式，结合监测事件类别、业务应用场景以及行政管辖范围等，将系统辖内众多边缘节点和中心服务器划分为若干数据运用区域子网，每个子网内设置单一中心服务器和若干边缘节点。将既有调度系统的内部设备和关联外部设备划分为既有调度控制区域。数据运用区域与既有调度控制区域是多对多的关系。在大数据框架下，设计面向数据隐私的高速铁路智能调度集中系统结构示意图如图3所示。

2.2　关键应用

2.2.1　数据运用区域

数据运用区域是一定地理和行政范畴内，为实现同类事件监测而汇聚的若干云边设备集合。该区域产生和输出高速铁路智能调度大数据，以A，B，…，N标识。例如，按照大风监测和接触网停供电监测以及2条线路应用场景，可组合划分为4个数据运用区域。

（1）边缘节点。节点标识为(A，i)，分别代表归属区域和域内序号。作为云边协同框架中的既有设备，边缘节点包含常规的采集层，并增设包含GAN模块用于生成样本和合成样本的样本层，以及包含FL模块用于机器学习和决策输出的决策层。样本层GAN模块实现生成器和判别器，完成高质量拟合数据构造和数据标签分类工作，并叠加上中心云数据层推送的区域合成样本集合成为上层决策层的输入。决策层中的FL模块根据具体数据特点，选用合适的表示模型、评价目标函数、优化处理算法以及迭代策略，处理扩展的合成样本，产生决策输出。各层通信模块根据交易数据的隐私要求、传输协议等实现消息收发功能。

（2）中心云。在完成既有规则管理和统一服务基础上，中心云增设包含了合成样本模块和聚合网络模块的数据层，并进一步完善调度层。其中，合成样本模块设置合成样本集合数据库，存储区域内节点上传的、加入数据扰动和特征噪声的真伪样本数据，在为域内节点提供数据差分隐私保护的同时，构造海量样本共享平台，为GAN模块的自迭代和FL模块的外驱动提供隐私数据样本资源；聚合网络模块设置聚合网络数据库，存储区域内节点上传的FL模型参数信息，借助中心高性能计算实现模型融合；调度层在调度模块的直接指挥下，负责域内数据汇集、模型迭代和数据下发，实现隐私计算和联合计算下域内优势节点对劣势节点的帮扶互助，在数据安全和计算性能平衡中，逼近了集中云学习效果。

以数据产生、采集、流向和处理为脉络，云边协同下的面向数据隐私的大数据运用方案具体实现包含6阶段内容。

（1）数据规范预定义阶段。按区域定义边缘节点监测事件数据的特征向量空间，针对事件等级，明确对应监测操作规范、响应时间和处理方式，建立基础性的数据规范采集、监测平台。

（2）原始数据采集阶段。以监测事件类别和数据特点为导向，海量边缘节点依靠丰富的传感器网络周期性监测、采集原始数据，在一定计算和存储资源的支持下，获取真实样本集合，包括事件元数据和事件标签数据。

（3）合成样本扩充阶段。考虑到高速铁路调度云边网络单一事件监测的明确性，GAN中的低维模型生成器构造伪造样本，并在判别器的反向训练下提升学习能力，减少真伪样本损失差异。边缘节点将本地融合了真实样本和伪造样本的并集，上传至区域中心合成样本集合数据库。区域中心服务器搜集整理本区域边缘节点的合成样本，形成消除隐私差异的样本集合，广播下发至域内各个边缘节点。依靠中心服务器的统筹和区域协同机制，单一节点实现生成器-判别器的串联回馈和交替训练，形成丰富完备的合成样本，支撑下一步机器学习。

（4）本地学习迭代阶段。在扩充本地合成样本支持下，边缘节点内部FL模块进行模型训练，并将训练后的本地模型参数上传至区域中心聚合网络。区域中心服务器整理汇聚本区域节点FL模块模型参数，形成聚合网络，并在分析评估和加权融合后，推送域内集体学习模型至边缘节点，促使单一节点机器学习模型跳出局部最优，在参数迭代和样本扩展的支援下，完成机器学习迭代。

（5）行车辅助决策阶段。边缘节点接收调度系统的包括行车计划、列车位置等行车状态数据，在大数据驱动下由机器学习模块输出行车辅助决策数据，形成诸如调整到发时刻、变更接发股道、站内区间封锁等调度决策结果。

（6）行车命令执行阶段。结合辅助决策数据，由车站自律机等产生行车控制命令，完成调度系统内外部设备的最终行车命令执行。

2.2.2　既有调度控制区域

既有调度控制区域是调度系统核心功能模块的逻辑汇集，包括调度系统内部单元和外部关联单元。该区域输入和应用高速铁路智能调度大数据，在建立行车信息数据平台基础上，通过客运、供电、灾害监测等信息的安全共享，在计划调整服务器和车站自律机等终端实现包括阶段计划自动调整和行车安全卡控等大数据支撑下的智能动态调度、智能协同控制和智能故障诊断等功能，提升系统应急决策和处置能力，提高运营效率和旅客满意度。

（1）既有调度系统设备。在大数据运用方案中，既有调度系统设备增加实现接收数据运用区域众多边缘节点的行车辅助和决策信息的功能，进一步开展行车进路安全卡控和运行计划自动调整等智能调度操作。例如，灾害监测系统从既有调度系统获取列车位置信息，在判别某一区域存在大风事件时，向关联操作员及司机发送报警信息，向大风范围内的列车发送停车或限速命令，向即将进入大风区域的列车发送待避或限速命令，并通知中心计划调整服务器进行后续计划的自动调整操作。相关工作不仅需要大数据的支持，也需要核心控车模块的协同联动。

（2）既有调度系统关联外部设备。联锁、列控、临时限速服务器等既有外部设备，既接收调度系统的控制命令输出，执行实际信号控制操作，也是传统调度大数据采样来源。在大数据运用方案中，对既有调度大数据进行挖掘，从常态下的列车运行状态跳转和非常态下的应急预案响应中分析学习，形成专家数据库，对于列车状态预测、行车报警消除、操作行为分析等，具有极大促进作用。

2.3　方案特点

方案按需组网。云边之间，中心云统筹隐私数据和模型参数，以中心迭代方式推动区域内节点模型升级。边边之间，优势节点在隐私技术保护下，向劣势节点输出价值信息而非原始数据。中心合成样本集合的引入减轻本地模型偏移现象，中心聚合网络的引入驱使模型全局最优，节点合成样本的反向增强消减节点数据非独立同分布缺陷，最终形成云边协同下面向数据隐私的高速铁路智能调度大数据运用新框架。方案具备以下特点。

（1）高效性。合成样本扩充阶段和本地学习决策阶段是串并联关系。在较短时段内，前序阶段的合成样本输出是后序阶段的输入，两者形成串联关系。但拉长处理时限，分属节点两套关联模块的两阶段工作，依靠数据的持续流动完成各自训练和迭代。前序阶段的下一周期样本扩充并行于后序阶段的上一周期学习决策，两者形成交错并行关系。同一节点内部的数据就近优势降低中间环节网络开销。

（2）隐私性。数据在边缘节点的GAN模块、FL模块和中心服务器之间流转。在差分隐私等技术的加持下，GAN模块产生的是剔除用户特征、叠加了随机噪声的隐私安全数据；引入联邦学习技术的FL模块更是屏蔽元数据交互，以模型参数的共享迭代确保数据确权和隐私安全。

3　结束语

大数据对构建基于人工智能的高速铁路智能调度集中系统，实现运输资源的智能协同控制具有基础作用。在大数据应用面临数据隐私和安全边界背景下，提出一种高速铁路智能调度大数据运用方案。在既有云边协同框架中，边缘节点引入样本层扩充样本集合，中心云的数据层依靠隐私样本区域共享和机器学习模型共享实现隐私数据安全通信机制，最终由节点中的决策层完成区域模型协同，产生高质量的行车辅助决策数据。方案进一步改善智能调度大数据的计算效能和数据隐私安全效能，充实“智能高铁”理论技术创新内容，加快高速铁路运输组织调度的数字化智能化建设步伐。

参考文献

[1] 田 锐，赵 飞.高速铁路智能调度系统功能架构及关键技术探讨[J].铁道运输与经济，2022，44(5)：52-56，78.

[2] TIAN Rui， ZHAO Fei.Discussion on Functional Architecture and Key Technologies of Intelligent High Speed Railway Traffic Control System[J].Railway Transport and Economy，2022，44(5)：52-56，78.

[3] 宁 滨，莫志松，李开成.高速铁路信号系统智能技术应用及发展[J].铁道学报，2019，41(3)：1-9.

[4] NING Bin， MO Zhisong， LI Kaicheng.Application and Development of Intelligent Technologies for High Speed Railway Signaling System[J].Journal of the China Railway Society，2019，41(3)：1-9.

[5] 赵宏涛，陈 峰，许 伟，等.基于云边协同的高速铁路智能行车调度系统研究[J].铁道运输与经济，2021，43(1)：71-76.

[6] ZHAO Hongtao， CHEN Feng， XU Wei，et al.High Speed Railway Intelligent Traffic Control System Based on Cloud Edge Collaboration[J].Railway Transport and Economy，2021，43(1)：71-76.

[7] 苗义烽，齐 威，傅钟晖，等.京张高铁智能调度集中系统示范应用[J].铁道通信信号，2022，58(6)：1-6，11.

[8] MIAO Yifeng， QI Wei， FU Zhonghui，et al.Pilot Application of Intelligent Centralized Traffic Control System in Beijing-Zhangjiakou High speed Railway[J].Railway Signalling & Communication，2022，58(6)：1-6，11.

[9] 宋鹏飞，赵宏涛，王 涛，等.多系统数据融合的智能调度集中系统方案研究[J].铁道标准设计，2021，65(5)：168-172.

[10] SONG Pengfei， ZHAO Hongtao， WANG Tao，et al.Study on Intelligent Centralized Traffic Control System of Multi-system Data Fusion[J].Railway Standard Design，2021，65(5)：168-172.

[11] 汤凌韬，陈左宁，张鲁飞，等.联邦学习中的隐私问题研究进展[J].软件学报，2023，34(1)：197-229.

[12] TANG Lingtao， CHEN Zuoning， ZHANG Lufei，et al.Research Progress of Privacy Issues in Federated Learning[J].Journal of Software，2023，34(1)：197-229.

[13] 李逸楷，张 通，陈俊龙.面向边缘计算应用的宽度孪生网络[J].自动化学报，2020，46(10)：2060-2071.

[14] LI Yikai， ZHANG Tong， CHEN Junlong.Broad Siamese Network for Edge Computing Applications[J].Acta Automatica Sinica，2020，46(10)：2060-2071.

[15] 李 军，赵世超，王 斌，等.面向铁路运输生产全过程的智能综合调度系统方案研究[J].铁道运输与经济，2023，45(1)：23-29.

[16] LI Jun， ZHAO Shichao， WANG Bin，et al.Research on Intelligent Integrated Dispatching System for Whole Process of Railway Transport Production[J].Railway Transport and Economy，2023，45(1)：23-29.

[17] 梁天恺，曾 碧，陈 光.联邦学习综述：概念，技术，应用与挑战[J].计算机应用，2022，42(12)：3651-3662.

[18] LIANG Tiankai， ZENG Bi， CHEN Guang.Federated Learning Survey：Concepts，Technologies，Applications and Challenges[J].Journal of Computer Applications，2022，42(12)：3651-3662.

[19] 张泽辉，李庆丹，富 瑶，等.面向非独立同分布数据的自适应联邦深度学习算法[J].自动化学报，2023，49(12)：2493-2506.

[20] ZHANG Zehui， LI Qingdan， FU Yao，et al. Adaptive Federated Deep Learning with Non-IID Data[J]. Acta Automatica Sinica，2023，49(12)：2493-2506.

[21] 刘小洪，陶思宇.西南山区高速铁路非正常情况下列车运行调整探讨[J].铁道经济研究，2024(1)：53-59.

[22] LIU Xiaohong， TAO Siyu.Train Operation Adjustment under Unfavorable Conditions on High Speed Railway in Southwest Mountain Areas[J].Railway Economics Research，2024(1)：53-59.

[23] GOODFELLOW I， POUGET-ABADIE J， MIRZA M，et al. Generative Adversarial Networks[J]. Communications of the ACM，2020，63(11)：139-144.

[24] 汤凌韬，王 迪，刘盛云.面向非独立同分布数据的联邦学习数据增强方案[J].通信学报，2023，44(1)：164-176.

[25] TANG Lingtao， WANG Di， LIU Shengyun.Data Augmentation Scheme for Federated Learning with Non-IID Data[J].Journal on Communications，2023，44(1)：164-176.

[26] 宋鹏飞，许 伟，赵随海，等.基于虚拟化技术的铁路调度集中系统体系架构研究[J].铁道运输与经济，2018，40(10)：61-65.

[27] SONG Pengfei， XU Wei， ZHAO Suihai，et al.An Application of Virtualization to Centralized Traffic Control System Framework[J].Railway Transport and Economy，2018，40(10) ：61-65.

[28] 王振东，齐 威，苗义烽，等.基于云计算技术的铁路调度集中系统架构设计研究[J].铁道运输与经济，2020，42(1)：38-43.

[29] WANG Zhendong， QI Wei， MIAO Yifeng，et al.A Study on the Design of the Architecture of Railway CTC System Based on Cloud Computing Technology[J].Railway Transport and Economy，2020，42(1)：38-43.

基金资助

国家自然科学基金-高铁联合基金项目(U1834211)

中国铁道科学研究院集团有限公司科研项目(2022YJ325)