一种基于空车-重车双层服务网络的货车空率预测方法与流程

本发明涉及货车运输调度，尤其涉及一种基于空车-重车双层服务网络的货车空率预测方法。

背景技术：

1、随着汽车制造业的不断发展，“公转铁”进程不断推进，商品车的运输需求不断提高。jsq型车为我国商品车铁路运输的专用车辆。由于我国商品车生产销售的空间不均衡性及jsq型车的专用特性，全路近两万辆jsq型车存在大量空车调配需求。在商品车运输的旺季，常常出现商品车运输车辆供不应求的情况；即使在运输淡季，每周的空车调配量将近万辆·次。目前，负责运输商品汽车的铁路jsq型车的全路空率基本维持在30％-70％之间，这造成铁路商品汽车物流中的空车调配成本巨大。

2、在实际运输工作当中，影响空率的因素主要包括货源结构、货流波动以及运输组织的合理性三个方面。首先，货源结构和货流波动是由生产和消费市场共同决定的，而商品汽车的运输市场基本上体现着生产集中、消费分散的特征，并且生产消费具有明显的季节性特点。其次，jsq型车的运输组织工作是由中铁特货公司负责，在实际工作中致力于压缩调度成本，合理分配资源，但是人工调配仍然难以得到最优的调配方案。

3、在此背景下，若能充分考虑现实工作当中影响空率的相关因素，并通过智能化的方法提前预测空率，则可以实现后续资源的合理调配，大幅度压缩调配成本，提升作业效率。

4、从既有相关研究来看，目前，关于jsq型车空率的研究集中在战术层以及操作层的基本面上，主要考虑以次日和次几日为周期、以铁路局为单位的大区域间的运量变化而进行的定性预测。

5、目前，现有技术针对铁路普通货车的空车调配作业决策问题研究成功较为丰富，既有研究主要将其抽象为运输问题，通过构建线性规划或者整数规划模型来进行求解，同时考虑到我国铁路路网规模较大，直接求解较为困难，大部分研究采用启发式算法保障求解效率，从算法角度提升决策质量；除此之外，部分研究考虑我国铁路运输组织特性，将调配随机性、车种代用、滞留费用等要素纳入模型。随着相关理论研究与优化技术的成熟，时空网络建模技巧、强化学习技术等新方法被应用于空车调配；同时多时点决策、两阶段动态调配和空重车一体化决策等空车调配新情境也被逐渐发掘并应用。

6、目前，现有技术中对空率问题的既有研究方法的缺点包括：这些方法主要集中在战术层以及操作层的基本面上，主要考虑以次日和次几日为周期、以铁路局为单位的大区域间的运量变化而进行的定性预测，从理论层面进行研究并以模型方式进行定量预测的相关研究则进行较少。

7、这些方法往往割裂市场生产消费结构与调配策略之间的关系，进而影响市场空率，没有将空率本身的变化与市场供需结构做出定量研究。

8、在实际作业中影响空车调配的因素较多，空率往往仅作为表征运输组织效率的指标使用，且现场作业仅依靠人工，在数据量和相关因素较多时，难以形成最优的运输组织方案。

技术实现思路

1、本发明的实施例提供了一种基于空车-重车双层服务网络的货车空率预测方法，以实现有效地进行货车空率预测。

2、为了实现上述目的，本发明采取了如下技术方案。

3、一种基于空车-重车双层服务网络的货车空率预测方法，包括：

4、建立“空车-重车”双层服务网络；

5、构造基于所述“空车-重车”双层服务网络的货车空率预测模型，设定所述货车空率预测模型的参数、目标函数和约束条件；

6、将车站初始状态数据、车站之间的走行距离数据和走行时间数据输入到所述货车空率预测模型，调用gurobi求解器对所述货车空率预测模型进行求解，得到最优空率；循环求解每周最优空率后，采用带季节的自回归移动平均模型sarima学习历史空率与最优空率的商值，得到预测的货车空率。

7、优选地，所述的建立“空车-重车”双层服务网络，包括：

8、在时间轴上将车站按照单位离散时间拓展成时空节点，同时引入状态维度，将时空网络拓展为空车调配层和重车运输层，所述重车运输层表示商品车订单被运输以及检修车走行的过程，所述空车调配层用来刻画空车调配过程，在给定各车站初始存车数量之后，为满足所有重车运输弧的装车需求和检修车检修需求而进行的空车调配；

9、建立“空车-重车”双层服务网络g＝(n,a)，所述双层服务网络中的节点包括空车调配层普通节点、空车调配层虚拟节点和重车运输节点，所述双层服务网络中的弧段包括空车虚拟弧、空车调配弧、等待弧、重车运输弧、检修走行弧和装卸弧。

10、优选地，所述的构造基于所述“空车-重车”双层服务网络的货车空率预测模型，设定所述货车空率预测模型的参数、目标函数和约束条件，包括：

11、构造基于所述“空车-重车”双层服务网络的货车空率预测模型；

12、设定货车空率预测模型的符号及定义如下：

13、(1)网络结构集合

14、分别为节点n∈n的入弧、出弧集合；

15、ok、dk分别表示空车流的始发节点与终到节点，

16、(2)参数

17、qa，对于空车虚拟弧qa表示站存空车情况；对于其他弧段，qa表示空车调配数量上限，单位：车；

18、qk，服务网络中空车数量总和，单位：车

19、la，弧a∈a对应起讫点间的距离，单位：公里；

20、ca，弧a∈a对应车站的存车能力，单位：车；

21、ha，弧a∈a的通过能力，单位：车；

22、fa，弧a∈a上需求车数，单位：车；

23、ra，弧a∈a上检修车数，单位：车；

24、(3)决策变量

25、ka，非负整数变量，表征网络中弧段a∈a上的空车流量。

26、铁路货车空率是指空车走行里程和重车走行里程的比率，所述货车空率预测模型的目标函数为空车调配层的空车走行里程最小，以达到最优空率；

27、设定货车空率预测模型的目标函数如下：

28、

29、设定货车空率预测模型的约束条件如下：

30、(1)重车装车满足约束：保证所有重车运输订单装车需求被满足；

31、

32、(2)检修车走行约束：保证所有需要检修的空车走行；

33、

34、(3)流平衡约束：表征空车流量符合有向网络中流量特性。

35、

36、(4)车站初始状态约束：表示初始空车输入服务网络。

37、

38、(5)车站存车能力约束：表示车站存车能力上限，即等待弧上流过的空车数不大于车站存车能力上限；

39、

40、(6)弧段通过能力约束：表示弧段通过能力上限，即空车调配弧上流过的空车数不大于弧段通过能力上限；

41、

42、(7)装卸约束：表示空车流经重车运输弧和检修走行弧后需返回空车层；

43、

44、(8)变量取值约束：

45、

46、优选地，所述的将车站初始状态数据、车站之间的走行距离数据和走行时间数据输入到所述货车空率预测模型，包括：

47、获取货车空率预测模型的输入数据，该输入数据包括车站初始状态数据、车站数据、走行距离数据、走行时间数据、重车运单数据、检修走行数据和日期时间索引数据，将所述输入数据输入到所述货车空率预测模型；

48、根据货车原始走行数据获取所述车站初始状态数据，根据货车站点获取车站数据及其存车能力，根据车站之间的铁路运行里程获取走行距离数据，根据整列重车走行时间、大组重车走行时间、零散重车走行时间和空车走行时间获取走行时间数据，所述重车运单数据包括本周以及下周的重车运单数据，所述日期时间索引数据包括车站初始状态以及重车运单的日期。

49、优选地，所述的调用gurobi求解器对所述货车空率预测模型进行求解，得到最优空率；循环求解每周最优空率后，采用带季节的自回归移动平均模型sarima学习历史空率与最优空率的商值，得到预测的货车空率，包括：

50、利用c#编程语言生成节点和弧段，建立“空车-重车”双层服务网络，生成所述货车空率预测模型的决策变量、目标函数和约束条件，调用gurobi求解器对所述货车空率预测模型进行求解，获取每周最小空车走行里程，根据每周重车走行里程和每周最小空车走行里程计算出每周最优空率；

51、根据既有历史货车运输数据循环计算每周最优空率，每次循环计算的输入数据为每周第一天的车站初始状态数据，每两周的重车运单数据，并计算每周实际空率和最优空率的商值，将所述商值作为误差值，利用时间序列对所述误差值进行规律预测，采用带季节的自回归移动平均模型sarima利用网格搜索法寻找所述货车空率预测模型的最优参数，得到训练好的货车空率预测模型；

52、将待预测的下一周的重车运单数据、车站初始状态数据输入到训练好的货车空率预测模型，调用gurobi求解器对训练好的货车空率预测模型进行求解，得到预测的下一周最优空率，将下一周最优空率乘以经验误差值得到下一周预测空率。

53、由上述本发明的实施例提供的技术方案可以看出，本发明方法在当前的运输组织和供需条件下，构建空率的预测模型，考虑调配策略生成最优空车调配方案，并根据市场的生产消费特点，通过时间序列的数据挖掘技术根据空率的历史数据对空率预测结果进行人工经验误差调整，以求得最接近目前人工经验调配下的预测空率值。

54、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。