Tранспорт

Интеллектуальные системы управления транспортными потоками являются непременным условием единого цифрового транспортного пространства. Для того, чтобы сделать пассажирские и грузовые перевозки более безопасными, снизить транспортные издержки, расширить экспортные и транзитные возможности, необходимо решить множество оптимизационных задач и учесть большое количество факторов. Это целесообразно делать с привлечением технологий машинного обучения.

Интеллектуальный сервис по поддержке принятия решений о порядке роспуска составов на сортировочной горке

Задача состоит в создании интеллектуальной системы, которая представляет собой веб-приложение с обработкой данных на сервере, предназначенной для определения оптимальной очерёдности роспуска составов с учётом выбранных оптимизационных показателей.

Задача

Система «Интеллектуальный сервис» должна учитывать следующие параметры:

  • среднее время простоя транзитного вагона с переработкой;
  • количество расформированных составов, за период для которого осуществляется расчёт среднего времени простоя.

Решение

Веб-приложение с возможностью отслеживания текущих задач, автоматически предлагающее планирование очерёдности роспуска составов с горки и обеспечивающее минимизацию задержек при организации приёма поездов и оптимизацию среднего времени простоя вагонов для повышения пропускной и перерабатывающей способности станции.

Результат

Интеллектуальная поддержка процесса планирования, снижение расходов на простой вагонов, повышение эффективности времени принятия решения диспетчером.

Кейс : Планирование очередности роспуска составов


Проблема

Процесс принятия решения о порядке роспуска составов с сортировочной горки основывается на экспертной оценке маневрового диспетчера с учётом большого количества факторов из разнородных источников, что требует высокой квалификации специалиста и не всегда приводит к получению оптимального результата.

Решение

Интеллектуальный сервис для планирования очерёдности роспуска составов с горки с учётом информации о поездах в парке прибытия и на подходе, оперативной обстановке на станции и инфраструктуре станции. Алгоритмическое решение проблемы обеспечивается двумя модулями:

  1.  Модуль прогнозирования значений оптимизационных показателей для заданной последовательности роспуска составов.

  2.  Модуль нахождения рекомендованной последовательности роспуска составов путём оптимизации целевого показателя.

Сортировочная горка

Модуль прогнозирования

Прогнозирование оптимизационных показателей осуществляется с использованием рекуррентный нейронных сетей. 

Данный тип моделей машинного обучения, нейронные сети, позволяет учитывать большое количество факторов и выявлять сложные взаимосвязи.

Конкретный вид нейронных сетей, рекуррентные нейронные сети, учитывает временную связь между объектами и позволяет обрабатывать последовательные пространственные цепочки, что является ключевым требованием при анализе очерёдности роспуска составов.

Модуль оптимизации

Требования к длине искомой последовательности роспуска не позволяют использовать полный перебор для нахождения оптимального решения ввиду высокой вычислительной сложности.

Альтернативой полного перебора являются метаэвристические алгоритмы, которые не гарантируют нахождение оптимального решения, но, как правило, находят решение, близкое к оптимальному.

В качестве итогового подхода используется широко известный алгоритм имитации отжига. В качестве целевой функции для нахождения рекомендованной очередности роспуска используется рекуррентная нейронная сеть из модуля прогнозирования.