朔黄铁路调度行车指挥智算平台总体架构研究

Overall Architecture of Intelligent Computing Platform for Shuozhou-Huanghua Railway Traffic Dispatching Command

摘要

朔黄铁路作为国家重要的煤炭运输通道，其安全、智能、高效的行车调度对于保障能源供应和区域经济发展具有重要意义。为了加强朔黄铁路数字化与智能化转型，针对朔黄铁路调度指挥主要依靠人工经验、对运输大数据利用不足、对复杂场景适应性不足等问题，提出朔黄铁路调度行车指挥智算平台的总体架构、关键子系统及功能模块。以云计算、大数据、模型构建、智能算法等技术与方法为基础，对既有信息系统产生的海量数据进行深度挖掘和分析，实现多场景下运输态势推演、调度指挥方案生成、调度指挥水平评价、调度指挥辅助决策，从而提供全面、精细化的行车调度分析和决策支持，为朔黄铁路的调度指挥工作提供科学决策依据。

Abstract

As an important coal transportation channel in China, the safe, intelligent, and efficient traffic dispatching of the Shuozhou-Huanghua Railway has great significance for ensuring energy supply and regional economic development. In order to strengthen the digital and intelligent transformation of Shuozhou-Huanghua Railway, this paper proposed the overall architecture, key subsystems, and functional modules of intelligent computing platform for Shuozhou-Huanghua Railway traffic dispatching command (hereinafter referred to as intelligent computing platform). The platform aimed to solve the problems of Shuozhou-Huanghua Railway dispatching command relying on manual experience, insufficient utilization of transportation big data, and insufficient adaptability to complex scenarios. Based on cloud computing, big data, model construction, intelligent algorithms, and other technologies and methods, the massive data generated by the existing information system was deeply excavated and analyzed, and the transportation situation deduction, dispatching command scheme generation, dispatching command level evaluation, and assistant decision-making of dispatching command in multiple scenarios were realized, so as to provide comprehensive and refined traffic dispatching analysis and decision support and scientific decision-making basis for the dispatching command work of Shuozhou-Huanghua Railway.

Graphical abstract

关键词

朔黄铁路 / 调度行车指挥系统 / 大数据融合 / 智算平台 / 总体架构

Key words

Shuozhou-Huanghua Railway / Traffic Dispatching Command System / Big Data Fusion / Intelligent Computing Platform / Overall Architecture

0　引言

随着云计算、互联网、大数据、北斗定位、下一代移动通信、人工智能等先进技术发展，数字化、智能化已成为全球铁路发展的重要方向。近年来，朔黄铁路(神池南—黄骅港)在数字化、智能化转型方面不断探索和投入，一是综合调度信息系统的应用，打通了铁路各专业之间的信息壁垒，实现了多专业的协同指挥，显著提高了运输效率；二是运管维系统的投产，通过智能化管理和维护铁路设备，确保朔黄铁路的高效、安全、可靠运营。但是，朔黄铁路行车指挥方案的制定等主要依靠人工经验，对已经产生的数据要素的利用还不够充分，在面对复杂、特殊场景时适应性不足。因此，对既有信息系统产生的海量数据进行深度挖掘和分析，构建高水平智能调度智算平台系统，实现多场景下智能动态调度、调度指挥方案生成、调度指挥水平评价、调度指挥辅助决策，对提高调度决策质量具有重要意义，也是当前朔黄铁路发展的重要方向。

1　国内外调度指挥系统研究现状

1.1　国外调度指挥系统研究现状

各国铁路运营商或铁路服务机构，为实现智能化运营开发了一系列调度指挥系统或辅助决策系统。日本的新干线运输综合管理系统(COSMOS)是最早的高速铁路综合调度指挥系统，实现了高速铁路调度指挥的综合一体化。欧洲铁路运输管理系统(ERTMS)是欧洲铁路运营部门联合开发和通用的铁路运营综合管理系统，欧盟各主要国家铁路运营部门在其基础上根据各自运营特征不断升级ERTMS系统，实现列车运行计划的编制、车站管理、维修作业管理、车辆管理、数据管理及分析等功能，并辅助调度员进行列车运行调整^[1]。日本首次将人工智能技术应用到列车运行调整问题中，并陆续开发出3个版本的调度专家系统，即ESTRAC-I，ESTRAC-Ⅱ，ESTRAC-Ⅲ，利用经验丰富调度员的调度知识，生成与优秀调度员实际调整中相近的调整策略并将其应用于实时调度调整^[2]。意大利的ROMA系统是一个实验室版本的辅助调度工具，旨在协助调度员计算和评估实时调度的解决方案^[3]。德国的RailSys系统用于各种规模铁路网络的分析、设计和优化等，对列车运行图的制定和优化等起到重要的辅助决策作用^[4]。意大利的列车晚点预测系统(TDPS)从大量历史列车运动数据中提取信息，训练列车晚点模型，建立基于数据驱动的动态列车晚点预测系统，实现列车运行状态的实时预测^[5]。

1.2　国内调度指挥系统研究现状

我国铁路调度系统从1994年至2004年经历了10年发展，2005年构建了以列车调度指挥系统(Train Operation Dispatching Command System，TDCS)为平台，以调度集中系统(CTC)为核心的调度指挥系统，实现列车运行图编制、列车编组信息管理、调车作业管理、综合维修管理、列/调车进路人工和计划自动选排、分散自律控制等功能。目前，铁路行车调度指挥系统仍处于根据计划进行调度行车指挥层面，与客运、货运、机车、供电、防灾、施工等系统都是独立的操作系统，系统间无法进行有效的数据交换和共享，限制了调度台根据实时信息进行灵活调度，无法实现动态调度、资源配置优化等智能化调度功能。随着信息技术发展，我国学者从智能调度框架、数据信息平台方案、智能动态调度、调度评价等方面对智能调度指挥系统进行了研究。

智能调度框架与数据信息平台方面，文超等^[1]论述了我国高速铁路智能调度辅助决策系统的功能需求，并阐释数据管理、列车运行仿真、晚点预测、冲突分析、辅助决策、调度决策质量评估和综合可视化等智能调度关键功能的具体含义。田锐等^[6]构建高速铁路智能调度系统总体架构，从系统数据平台、关键技术等方面提出我国高速铁路智能调度系统建设的关键问题，阐述智能调度系统应解决列车运行态势评估与演化、多工种协同调度决策自动化及高速列车晚点智能预测等课题。李军等^[7]基于运输生产全过程管理，搭建一体化计划编制平台，构建智能综合调度系统，实现计划在运输生产全过程的自动下达与执行管制。张莉艳等^[8]通过用户对铁路信息共享的需求进行分析，结合云计算的虚拟化、群组管理、云数据管理等关键性技术，提出了基于云计算架构的铁路信息共享平台(CRISP)。程达文^[9]研究探讨了动态信息集成平台总体方案，其目的在于通过集成现有调度管理信息系统(TDMS)、TDCS/CTC、货票系统、确报系统、车号识别(ATIS)、货运计划(FMOS)、车站系统等多个应用项目的信息资源，将列车、机车、车辆、货物、客车车底等实体关联，构建铁路动态信息关系数据库。陈乐^[10]提出构建智能行车调度指挥系统数据信息平台，实现供电调度、客运调度、灾害防护、货运调度、行车调度、施工调度和机车调度系统等数据信息集中管理与分析，从而为各级管理部门按需提取海量数据，实现运输组织智能决策。徐洋^[11]从应用架构、数据架构方面分别阐述铁路车流信息管理系统的技术方案。朱椰毅^[12]根据金温货线、金台线、乐清湾线“三线合一”综合调度管理需求，设计了包括计划管理、施工管理、机车调度、货运管理、统计分析于一体的综合调度管理系统，为金温铁路运输调度指挥工作提供“一站式”的决策与数据支撑。

智能动态调度与调度评价方面，韩忻辰等^[13]建立了以各列车在各车站延误时间总和最小为目标函数的高速铁路列车动态调度模型，设计了用于与智能体交互的仿真环境，并采用强化学习中的Q-Learning算法对模型进行了求解。廖志林等^[14]从表示层、业务逻辑层、数据层3个方面对系统进行总体架构，以实现基于全局视野的安全过程卡控，基于大数据架构的调度工作质量评价，跨区段、面向岗位的列车运行图辅助盯控及预测，施工组织可视化管控，面向生产决策的一体化数据统计分析。刘杰鑫^[15]建立了基于灰色关联的TOPSIS法态势评估模型，并提出了高速铁路运输组织态势评估结果等级划分标准。陈泽文^[16]提出“指标-评价-决策”的层层递进方法，基于智能评价结果对日班计划进行决策分析，实现对新编制计划及时化、自动化、智能化评价和决策。王萌等^[17]从计划编制质量与环境变量2个维度建立评价指标体系，建立了基于高斯过程回归的国家能源集团铁路调度日班计划智能评价方法。

1.3　国内外调度指挥系统研究总体评价

综上所述，国外铁路公司或科研机构独立或联合开发了如COSMOS、ERTMS、ESTRAC、ROMA、RailSys等智能化列车运行或调度指挥仿真实验系统，这些系统主要实现了运行图编制、列车运行仿真、可视化、调度分析、晚点实时预测、冲突监测与分析、列车运行辅助决策等功能^[1]。国内外调度行车指挥系统主要智能调度功能如表1所示。

总的来说，国外一些国家已经成功地应用了人工智能技术、大数据分析和云计算等先进技术，构建了高效、智能的调度行车指挥系统，显著提高了铁路运输的效率和安全性。国内调度行车指挥系统仍处于调度行车指挥层面，智算平台处于理论研究阶段，缺少数据挖掘并实际应用。因此，研究调度行车指挥智算平台并运用到朔黄铁路，对朔黄铁路智慧化建设及推广智能调度具有重要意义。

2　智算平台总体结构设计

2.1　需求分析

当前铁路调度行车指挥主要存在以下不足：①高度依赖人工经验。行车指挥方案制定主要依靠人工经验，在面对复杂、特殊场景时适应性不足；②运输态势复杂多变。受天气、设施设备状况及人员等多因素影响，行车秩序复杂多变，难以判断；③运输成因关系复杂，计划完成率、机车车辆运用效率受多种主客观因素影响，事后评价分析不足，难以为行车指挥提供决策支持。

近年来，朔黄铁路研发投产了综合调度信息系统和运管维系统，产生了庞大且复杂的生产数据，为朔黄铁路进一步建立调度行车指挥智算平台奠定了坚实基础。随着大数据、仿真、机器学习、可视化等技术的发展，基于“数据+算法+可视化”原则的调度辅助系统将大大提升调度员调度质量，研发智能调度指挥辅助决策系统，为调度员的调度决策提供支撑、提高决策效率已成为迫切需求。

2.2　总体结构设计

朔黄铁路调度行车指挥智算平台(以下简称“智算平台”)是一套独立于TDCS/CTC系统之外的调度辅助决策系统，系统以运营历史数据和实时数据为基础，运用数据科学和人工智能方法，建立多场景调度指挥方案，实现列车未来运输态势的预测和评估，进而提出调度决策建议，实现数据管理—调度智算方案—运输组织质量评价—调度决策等系列功能。智算平台的总体结构如图1所示。

3　智算平台功能分析

3.1　面向调度指挥全过程的数据仓库

抓取综合调度、运管维等系统调度指挥数据，并采集调度指挥相关外部数据，进行数据筛选、分类及融合，搭建面向调度指挥全过程的数据仓库。

（1）调度指挥全过程数据集：梳理既有系统已有数据项和数据粒度，并分析调度指挥外部数据关联性，形成调度指挥全过程采集数据集。具体分为车辆数据集、机车数据集、车站设备数据集、线路数据集、调度指挥人员数据集与其他数据集。

（2）多源数据融合与计算：针对来自不同系统的多源异构数据，进行数据清洗、缺失值处理、异常值检测及处理、标准化及归一化，最终合并至相应的数据集(机车数据集、车辆数据集等)中。

（3）运输全过程数据建模：包括能力模型与指标模型2部分。

3.2　多场景下调度指挥方案智算系统

构建多场景调度指挥方案智算模型，智能生成天窗日、非天窗日下机车、车辆资源配置方案，并基于实际调度指挥方案，实现智算模型自学习。该系统包括5个部分。

（1）多场景下调度指挥方案智算模型构建：该模型构建主要分为基于数据驱动的调度指挥影响因素挖掘与不同运量计划下的运输资源配置模型构建2个环节。

（2）卸车分流方案智能生成：基于智算模型，确定卸车端能力、卸车场能力、分流能力、日均消耗、卸车流程，制定年度与月度运输计划。

（3）非天窗日运输资源配置方案智能生成：分为非天窗日机车资源配置方案生成与非天窗日车辆资源配置方案生成2个环节。

（4）天窗日运输资源配置方案智能生成：分为天窗日机车资源配置方案生成与天窗日列车扣车方案生成2个环节。

（5）供电不足调整方案智能生成：当面临电力供应不足的情况，通过智能算法生成相应的运输组织调整方案，以优化列车运行、维持运输网络的高效性，并应对电力供应问题，确保铁路运输的稳定性和可靠性。

3.3　运输组织质量评价与成因分析系统

（1）调度指挥质量评价系统：分别为构建调度员指挥水平质量评价体系与安全质量评价体系、训练质量评价智算模型3部分。

（2）运输质量成因分析系统：按影响程度对各因素进行排序，形成改善运量计划完成率、提高机车及车辆运用效率的相关建议。包括运量完成情况成因分析、机车运用效率成因分析与车辆周转效率成因分析3部分。

3.4　精益化调度指挥辅助决策系统

（1）机车运用效率相关指标动态调整模型：通过该模型优化单机率、列车平均牵引总重的建议值、管内各机务段、折返段机车整备时间建议值及机务段所在站、折返段所在站停留时间的建议值。

（2）货车运用效率相关指标动态调整模型：通过该模型优化管内各技术站(神池南、黄骅港等)有调中转、无调中转停留时间的建议值、管内各货物作业站(黄骅港等)的入线前停留时间、站线(专用线)作业停留时间，以及出线后停留时间的建议值与各区段货物列车平均旅速的建议值。

（3）能力瓶颈分析及优化策略生成模型：通过该模型可计算车站咽喉通过能力、到发线通过能力、车站最终通过能力等利用率，生成车站咽喉区道岔改造建议、列车进路优化建议，生成站场功能布局改造建议、装卸设备瓶颈分析及优化策略、机车购置方案、车辆购置方案。

（4）辅助决策方案效益推算模型：定量化推算实现各项指标建议值、设备改造后的运输效益。

4　智算平台各功能模块技术方案

4.1　数据仓库数据融合技术方案

梳理既有系统已有数据项和数据粒度，并分析调度指挥外部数据关联性，形成调度指挥全过程数据仓库，包括车辆数据、基础数据、车站设备数据、线路数据、调度指挥人员数据、施工计划、施工年度数量、施工限速、天窗开设数量、年度运输任务、设备施工维修时长及频次、闭塞方式、天气、历史运量、突发事件等。针对来自不同系统的多源异构数据，进行数据清洗、缺失值处理、异常值检测及处理、标准化及归一化，最终合并至相应的数据集中。数据集结构图如图2所示。

根据调度指挥需求进行数据重构，建立数据接入层、数据仓库层、数据集市层和数据应用层4层模型，为实现多场景下运输组织方案智算与评价提供支撑。数据融合与计算过程如图3所示。数据接入层对综调系统、运管维系统、静态基础数据进行采集、抽取与转化，摘取有效数据并转化为结构标准、类型固定的操作数据系统(ODS)，再加载(ETL)到数据仓库中；数据仓库层按照不同的维度组织数据；数据集市层对数据进行挖掘分析；数据应用层通过智算模型、质量评价、成因分析实现对调度的辅助决策^[18]。

4.2　多场景下调度指挥方案智算技术方案

构建多场景调度指挥方案智算模型，智能生成天窗日、非天窗日下机车、车辆资源配置方案，与施工因素、供电不足、运量波动等场景下的方案，并基于实际调度指挥方案，实现智算模型自学习。

4.2.1　多场景下调度指挥方案智算模型构建

构建多场景下调度指挥方案智算模型，考虑内外部影响因素及影响程度，建立以运量计划为输入参数的运输资源配置模型，输出列车开行计划中开行时刻、开行对数，管内各机务段、折返段的各型号机车、最优保有量等资源配置最优数据。用计算机模拟求解某日运输资源配置过程，并与实际方案比较，为实际运输组织提供参考意见。不同运量计划下的运输资源配置模型如图4所示。

考虑铁路运输在时间、空间上的特点，在一定运量计划条件下，将完整的运输循环作为决策对象，并将运输全程所对应的运输资源时间价值作为运输投入，获得运输质量最优的决策方式。此处运力约束主要是指线路通过能力、车站装卸作业能力和货车分布数量。线路通过能力决定运输过程中的方向限制，车站装卸作业能力决定装卸作业量在路网节点上的分布特点，而货车分布数量决定货物的承载总量。

其中，基于列车运行历史数据，运用人工智能算法，深入挖掘影响列车运行秩序的关键内外部因素(车辆数据、调度指挥人员、机车数据、运量不均衡、天气、环境等)，影响铁路调度指挥的外部因素如图5所示，影响铁路调度指挥的内部因素如图6所示，定量计算各因素对关键运输指标(通过能力指标、机车和车辆运用效率指标)的影响系数。

4.2.2　卸车分流方案智能生成

铁路卸车分流方案是指在铁路货物运输中，对到达终点站或中转站的货物进行有效卸车和分流的计划。该方案包括确定卸车端能力、卸车场能力、分流能力、日均消耗、卸车流程、制定年度与月度运输计划，调配卸车设备和人力资源，安排仓储和存储，利用信息系统支持实时监控，同时考虑安全和环境因素，以确保货物卸车过程高效、安全，并为后续运输或配送提供有序的基础。这有助于提高铁路货物运输的整体效率和可操作性。

基于智算平台数据库，可确定货物卸车的具体流程，包括卸车的时间、地点以及使用的设备；将到达的货物按照目的地、种类、紧急程度等因素进行分类，制定合理的分流策略；根据货物的不同性质和卸车的规模，合理调配卸车设备和人力资源；使用信息系统来追踪和管理卸车过程，以实时监控货物的流动、库存情况以及卸车进度。最终输出列车开行计划中的开行对数，不同流向各车站的最优保有量，与各型车辆的最优保有量等相关数据，可确保铁路货物运输的高效性、准确性和安全性。

4.2.3　非天窗日运输资源配置方案智能生成

（1）非天窗日机车资源配置方案生成。基于智算模型，自动生成非天窗日管内各机务段、折返段的各型号机车最优保有量。以满足运输需求为前提，考虑机车牵引定数、单机调配以及机车检修等实际问题，建立货运机车资源优化配置模块，构建线路上车站的时空网络图，自动生成非天窗日列车开行计划的开行对数，管内各机务段、折返段的各型号机车最优保有量，管内各站的各型号车辆最优保有量等，从而优化货运机车交路、减少铁路运营成本、提高货运机车利用率。

（2）非天窗日车辆资源配置方案生成。基于智算模型，自动生成管内各站的各型车辆最优保有量。智算平台能够利用设施设备能力、设备健康状态、天气状况以及突发事件等多源数据，通过综合考虑各种影响因素，高效地计算出不同类型车辆在每个站点的最佳数量，实现车辆资源的智能化配置，并生成最优的车辆资源配置方案，以确定管辖区域内非天窗日各站点的最佳车辆保有量，列车开行计划的开行对数等，从而可提高整体运营效率、降低成本，并应对各种环境和突发情况的影响。这一智能决策系统不仅考虑了设备状态和性能，还充分利用实时天气和突发事件数据，使车辆配置方案更具灵活性和鲁棒性。通过自动化的计算和优化过程，系统能够在动态变化的条件下持续更新车辆保有量，以适应实际需求的波动，从而提高整体运输网络的效能。

4.2.4　天窗日运输资源配置方案智能生成

（1）天窗日机车资源配置方案生成。基于智算模型，考虑列车运行计划、列车运行条件、车站存车能力、线路条件以及维修天窗，自动生成天窗日管内各机务段、折返段的各型号机车最优保有量，以不同运量计划下的运输资源配置模型为基础，建立天窗日机车资源配置方案。

（2）天窗日列车扣车方案生成。天窗日列车扣车方案是为了满足维护、检修或其他必要操作的需要，而在天窗日暂停列车运行，或是在临时天窗时期将受影响列车扣停在某车站某股道的计划。天窗日列车扣车方案自动生成模块，针对天窗日列车扣车问题，运用最优化理论进行数学建模，设计非线性约束条件下的整数规划求解算法，基于智算模型，自动生成管内各区段最优扣车方案，包括不同车站的小列、万吨列车与2万吨列车扣车数量、扣车类型、扣车股道等数据。

4.2.5　供电不足调整方案智能生成

系统收集实时的铁路运输数据，包括列车位置、电力供应状态等信息，通过智能算法对这些数据进行分析，识别出电力供应不足的场景。在此基础上，系统进行列车调度优化、路线重新规划，智能算法生成相应的运输组织调整方案。整个流程通过智能决策和自适应调整，使系统能够灵活应对电力供应问题，保障铁路运输的可靠性。

4.3　运输组织质量评价与成因分析技术方案

4.3.1　调度指挥质量评价技术

构建调度员指挥水平质量评价体系如图7所示，调度员指挥安全质量评价体系如图8所示。其中：①调度员指挥水平质量评价体系主要包括列车调度指挥水平、机车调度指挥水平和计划调度指挥水平共3项一级指标以及若干个二级指标；②调度员指挥安全质量评价体系主要包括指挥错误次数、非正常停车次数、区间堵塞时间、操作错误次数、违反作业标准次数共5项一级指标。

以上2个评价体系，结合调度指挥全过程生产数据，采用人工智能算法，训练质量评价智算模型，实现各工种调度员指挥水平与安全质量评价。

4.3.2　运输质量成因分析技术

统计运量计划完成率、机车及车辆运用效率指标完成率，综合运用因素分析法、回归分析、机器学习等技术，深入挖掘导致超/欠计划完成的主要影响因素、影响方向(正/负影响)及影响程度(影响百分比)，按影响程度对各因素进行排序，形成改善运量计划完成率、提高机车及车辆运用效率的相关建议。

（1）运量完成情况成因分析。统计不同时期完成运量及计划完成率；定量推算分界口接重车数、管内机车及车辆运用效率等因素对运量完成率的影响方向和影响程度。

（2）机车运用效率成因分析。统计不同车型的机车日产量及计划完成率；定量推算机车旅速、单机率、机车平均牵引总重等因素对机车日产量完成率的影响方向和影响程度。

（3）车辆周转效率成因分析。统计不同车型、不同运用状态的车辆周转时间及计划完成率；定量推算货车旅速、停时、中时等因素对机车日产量完成率的影响方向和影响程度。

4.4　精益化调度指挥辅助决策技术方案

精益化调度指挥辅助决策技术主要包括如下。①机车运用效率相关指标动态调整模型。动态调整单机率、列车平均牵引总重、机车整备时间、机车停留时间等指标，以确保机车的高效利用和系统运行的最佳化。优化建议值根据历史数据、运输需求、设备状况和最佳实践等因素综合考量后提出，有助于提升运输系统的整体效率和运行质量。②货车运用效率相关指标动态调整模型。根据实时数据、运输需求、站点设备状态等信息，动态调整货车运用效率指标，以使货物运输系统更加灵活、高效，并符合实际运营需求。③能力瓶颈分析及优化策略生成模型。通过智算平台对关键问题进行分析和优化，提供针对车站咽喉通过能力、道岔改造、站场布局、装卸设备、机车和车辆等方面的具体建议，以提升管内运输组织的效率和性能。④系统进一步根据设备优化的相关建议，建立辅助决策方案效益推算模型。精益化调度指挥辅助决策系统构成如图9所示。

运用以上4个模型最大程度地提高资源利用率，减少运输过程中的潜在瓶颈，优化管内运输组织的整体效率。通过智算模型生成的建议值和设备优化建议，全面提升了管内运输组织的效率，使其更具适应性和优越性。

5　结束语

针对朔黄铁路行车调度存在的问题以及加强数字化与智能化转型需求，设计了朔黄铁路调度行车指挥智算平台总体架构、关键子系统及功能模块，提出了面向调度指挥全过程的数据仓库、多场景下调度方案生成、调度指挥水平评价、调度指挥辅助决策关键技术方案。该平台不仅能够提高铁路运输的效率和安全性，而且还将提供精细化的运营分析和决策支持，从而降低运营成本，提高经济效益。

参考文献

[1] 文　超，冯永泰，胡　瑞，等. 高速铁路智能调度辅助决策系统功能分析[J]. 中国铁路，2020(7)：9-14.

[2] WEN Chao， FENG Yongtai， HU Rui，et al. Functional Analysis on Intelligent Traffic Control Auxiliary Decision-Making System of High Speed Railway[J]. China Railway，2020(7)：9-14.

[3] 崔　冲. 基于数据挖掘的煤运重载铁路调度辅助决策技术研究[D]. 北京：北京交通大学，2015.

[4] D'ARIANO A. Innovative Decision Support System for Railway Traffic Control[J]. IEEE Intelligent Transportation Systems Magazine，2009，1(4)：8-16.

[5] BENDFELDT J P， MOHR U， MULLER L. RailSys，a System to Plan Future Railway Needs[J].WIT Transactions on The Built Environment，2000，50：249-255.

[6] ONETO L， FUMEO E， CLERICO G，et al. Train Delay Prediction Systems：A Big Data Analytics Perspective[J]. Big Data Research，2018，11：54-64.

[7] 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.

[8] 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.

[9] 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.

[10] 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.

[11] 张莉艳，史天运，刘春煌，等. 基于云计算的铁路信息共享平台总体框架及关键技术研究[C]//中国智能交通协会.第八届中国智能交通年会优秀论文集—轨道交通.北京：中国铁道科学研究院电子计算技术研究所，2013：6.

[12] 程达文. 基于动态信息集成的铁路调度指挥系统研究[D]. 成都：西南交通大学，2015.

[13] 陈　乐. 智能行车调度指挥系统数据信息平台的研究[D]. 北京：中国铁道科学研究院，2019.

[14] 徐　洋. 铁路车流信息管理系统技术方案设计研究[J]. 铁道运输与经济，2020，42(9)：70-74.

[15] XU Yang. Design of the Technical Scheme of Train Flow Information Management System[J]. Railway Transport and Economy，2020，42(9)：70-74.

[16] 朱椰毅. 金温铁道公司铁路综合调度指挥系统总体设计与应用[J]. 铁道货运，2024，42(2)：60-66.

[17] ZHU Yeyi. Overall Design and Application of Comprehensive Railway Dispatching and Command System of Jinwen Railway Company[J]. Railway Freight Transport，2024，42(2)：60-66.

[18] 韩忻辰，俞胜平，袁志明，等. 基于Q-Learning的高速铁路列车动态调度方法[J]. 控制理论与应用，2021，38(10)：1511-1521.

[19] HAN Xinchen， YU Shengping， YUAN Zhiming，et al. High Speed Railway Dynamic Scheduling Based on Q-Learning Method[J]. Control Theory & Applications，2021，38(10)：1511-1521.

[20] 廖志林，胡文斌，方立海，等. 铁路调度工作质量评价及辅助决策系统设计研究[J]. 铁道货运，2020，38(1)：34-38.

[21] LIAO Zhilin， HU Wenbin， FANG Lihai，et al. A Study on the Evaluation and Decision System of the Railway Scheduling Command[J]. Railway Freight Transport，2020，38(1)：34-38.

[22] 刘杰鑫. 基于多源信息融合的高速铁路运输组织态势表征与评估[D]. 成都：西南交通大学，2021.

[23] 陈泽文. 神华铁路调度日班计划智能评价体系研究[D]. 成都：西南交通大学，2022.

[24] 王　萌，梁芮嘉，陈泽文，等. 基于GPR的国家能源集团铁路调度日班计划智能评价方法研究[J]. 铁道运输与经济，2022，44(S1)：77-84.

[25] WANG Meng， LIANG Ruijia， CHEN Zewen，et al. Intelligent Evaluation Method of China Energy Railway Dispatching Daily Shift Plan Based on GPR[J]. Railway Transport and Economy，2022，44(S1)：77-84.

[26] 赵随海. 铁路列车调度指挥系统数据仓库体系结构的研究[J]. 铁道运输与经济，2018，40(12)：55-59.

[27] ZHAO Suihai. A Study on the Architecture of Data Warehouse for the Railway Train Dispatching Command System[J]. Railway Transport and Economy，2018，40(12)：55-59.

基金资助

国家能源投资集团有限责任公司科技创新项目(GJNY-22-84)