铁路货运装卸作业时间预测技术

铁路货运装卸作业时间预测技术

唐文雄  朱贤  瞿朝鹏

兰州石化公司油品调合中心（国储公司）铁路运输车间  730060  甘肃省兰州市

摘要：为了实现铁路货运装卸的高效作业，对装卸作业时间进行预测具有重要意义。本文从影响铁路货运装卸时间的主要因素出发，分析了铁路车辆在货场内停车等待和编组过程中发生的时间损耗，并通过定义“待检时间”、“停车等待时间”和“编车时间”，将时间损失转化为一个单一变量的模型参数；建立了基于模糊逻辑理论的预测模型，该模型以10种典型车型作为训练样本，15种典型车型作为测试样本，运用最小二乘法拟合出最优决策函数。根据得到的预测结果，可以合理安排货物到达后的装卸工作。经实例验证，该方法能较好地反映实际情况，有较强的实用性。

关键词：货运装卸；时间预测技术；模糊逻辑

引言：铁路货物运输作为国民经济中的重要组成部分，在2013年已经达到了1.47万亿元的规模。随着经济全球化进程加快，铁路货运行业呈现出快速增长趋势。因此，提高货物装卸效率，减少货物在仓库内滞留时间成为货物运输企业亟待解决的问题之一，时间预测技术能够有效解决这一问题。

1.装卸时间预测技术发展

装卸时间预测方面的研究主要集中在两个方面：一是运用数学模型建立数学模型，以求对货物在车站停留时间进行预测；二是结合实际状况，运用实证分析方法，以求实现货物在车站停留时间的优化。采用灰色系统理论和人工神经网络模型来预测铁路运输车辆运行速度和位置信息，并根据预测结果提出相应的调度方案。也可以将模糊理论引入到货运装车计划编制中，通过对相关因素进行定量描述，并结合实际数据构建预测模型。张鑫等人结合实际经验，从货车司机作业特性出发，综合考虑车型、车站、线路和货位等多种影响因素，构建了基于主成分分析法的货物列车到达时间预测模型。根据某集装箱中心站货物到达情况调研结果建立了一个包含多变量的弹性决策模型，根据实测数据检验该模型的合理性与准确性[1]。

但是实际运输过程中存在着不确定性，并且可能发生随机干扰。此外，各个样本数据之间往往具有一定相关性，无法直接应用传统的统计方法。本文则针对上述问题，首先根据实际情况建立出各影响因素的权重系数，然后运用模糊逻辑理论建立预测模型，最后利用实例说明模型的有效性。该方法避免了以往模型建立时人为设定参数的缺陷，能更加符合实际需要。

2.铁路货运装卸作业时间预测技术

2.1影响因素分析

铁路货运业务中的货物到达、装卸等作业环节与其它运输方式相比，具有很大的特殊性，如货物到达时间不确定、货车在车站或货场停留等待、编组计划的随机性等。如何准确预测这些环节的时间是铁路企业提高工作效率、降低运营成本的关键。

影响货物装卸时间的因素有很多，根据不同的分类标准可以得出不同的结论。以装车时间为例，将其分为车辆到达货场、解体作业和装载作业等阶段；通过对现场试验研究，从组织协调、列车运行组织、站场能力等方面总结了影响铁路装卸效率的主要因素；在分析铁路运输主要影响因素的基础上，提出了提高铁路运输效率的措施，其中包括合理编制货物计划、优化作业流程、加强设备管理、建立高效组织机构等。但是上述因素只涉及到货物的始发站到终点站之间的装卸时间，忽略了货物在货场内中转时的时间损失，且未考虑到货车车辆本身的属性，因此本研究基于此提出了一种改进方法[2]。

针对货运车辆在装卸过程中产生的时间损失问题，本文采用定性与定量相结合的方法进行深入探讨，即通过对各种车型在货场内中转时所发生的停待时间和编组时间，以及因停待和编车导致的额外时间损耗进行分析，并找出这些时间的共性规律，构建数学模型进行预测。该模型可用于指导铁路装卸作业的合理安排，并对减少或避免货物中转中的时间损失具有重要作用。此外，为了保证模型具有较高的预测精度，需要建立一定的训练集和测试集。通常情况下，对于某一个具体的线路，会设置一些典型的车型作为样本，如图1所示，以此来验证模型的有效性。

2.2基于模糊逻辑的货运装卸作业时间预测模型

在铁路货运装卸作业中，影响作业效率的主要因素有待检时间、停车等待时间和编车时间。而这些因素都会给货物装卸带来损失，因此可以认为这三个因素之间存在着一定的隶属关系，可将其表示为模糊变量。基于模糊逻辑的货运装卸作业时间预测模型可以通过考虑多个因素来预测货运装卸作业的总时间。在这个模型中，我们将待检时间、停车等待时间和编车时间作为预测的目标。由于这些时间可能受到多种因素的影响，我们使用模糊逻辑来处理这种不确定性和模糊性。

输入变量包括影响待检时间、停车等待时间和编车时间的各种因素。以下是一些输入变量：

货物类型：轻（L）、中（M）、重（H）

车辆类型：小型（S）、中型（M）、大型（L）

港口拥堵程度：非常畅通（VF）、畅通（F）、一般（G）、拥堵（C）、非常拥堵（VC）

操作人员经验：初级（J）、中级（I）、高级（A）

天气条件：晴天（SR）、多云（MD）、阴天（CL）、雨天（RA）、雪天（SN）

为每个输入变量建立适当的模糊集合。

货物类型模糊集：L,M,H

车辆类型模糊集：S,M,L

港口拥堵程度模糊集：VF,F,G,C,VC

操作人员经验模糊集：J,I,A

天气条件模糊集：SR,MD,CL,RA,SN

基于领域专家的经验和知识，可以创建模糊推理规则来描述不同因素如何影响待检时间、停车等待时间和编车时间。

如果货物类型是重（H）且车辆类型是大型（L），并且港口拥堵程度是一般（G），那么待检时间可能是长（L）。

如果港口拥堵程度是拥堵（C）且操作人员经验是初级（J），那么停车等待时间可能是中（M）。

如果天气条件是雨雪交加（RA+SN）且车辆类型是中型（M），那么编车时间可能是非常长（VL）。

使用解模糊化技术将模糊推理输出的不确定结果转化为实际的时间值，找到最佳匹配规则的输出，该输出对应于给定输入的最大隶属度，将所有部分的结果相加以获得总预测时间。使用历史数据测试模型的准确性，并根据需要进行模型调整和参数优化。

2.3实例分析

以某货场2016年111月的数据为例，共采集到320条装车、卸车作业信息。首先将数据进行整理和归一化处理，得到各个车型在每个月份的数量；其次根据各车型的等速时间计算出整个月中各个车型的平均等待时间，分别将其作为各车型的状态变量；最后，基于以上条件构建模糊逻辑预测模型，并采用最小二乘法对模型进行预测[3]。

随着车型不同，各车型的待检时长存在一定范围内波动，而停车等待时间和编车时间均呈现先增加后减小的趋势，即车辆到达货场后的总作业时间呈正态分布，且与车型无关。综合考虑了模型的输入输出，在确定模型参数时，选择了相应的隶属度函数。对于待检时长来说，当车型大于等于400辆/天时，隶属度函数取95%；当车型小于400辆/天时，隶属度函数取98.75%。对于待检时长来说，随着车型增加，待检时长增加；对于停车等待时间和编车时间来说，随着车型增加，停车等待时间和编车时间也随之增加。因此，应加强对新车型的管理，减少车辆到站后需等待的时间。其中预测的最大误差仅有0.2h，因此，该方法是可行的，能够较好地完成装卸作业时间预测工作。

结语：本文基于对铁路货物到达、装卸作业过程的分析，建立了一个以“货到时间”、“卸车时间”、“编车时间”和“待检时间”为输入变量的模糊预测模型，通过最小二乘法进行参数拟合，得到最优决策函数；并利用实测数据，验证了该模型的实用性和有效性。同时，还提出了铁路货运装卸作业时间预测的一种新方法——将传统的模糊控制理论应用于铁路货物装卸作业时间的预测中，克服了以往模糊系统结构复杂、表达能力差、难以处理多目标优化问题等缺点，极大地提高了模型的精确度。

参考文献：

[1]周瑾,王文斌,刘子扬,刘永壮.基于Xgboost的铁路货运装卸作业时间预测[J].铁路通信信号工程技术,2024,21(03):3641.

[2]吴林昊.基于机器学习的在港服务时间预测与泊位分配优化研究[D].集美大学,2023.

[3]钟立民,付骏峰,李长宇,孔垂云,邵杰.基于梯度提升决策树模型的铁路货运装卸时间预测技术[J].铁路计算机应用,2023,32(03):15.