«ТРАНСПОРТЫ СИСТЕМИ ТА ТЕХНОЛОГИ ПЕРЕВЕЗЕНЬ»
36ipHUK наукових праць ДНУЗТ iM. акад. В. Лазаряна. Вип. 11. 2016р.
УДК 656.222.5.6
О. О. БАРДАСЬ1*
1 * Каф. «Станцй та вузли», Дншропетровський нацюнальний ушверситет затзничного транспорту iMeHi академiка В. Лазаряна, вул. Лазаряна, 2, 49010, м. Днгпропетровськ, Укра!на, тел. +38 (056) 373-15-12, ел. пошта bardas_oleksandr@ukr.net, ORCID 0000-0001-8772-9328
УДОСКОНАЛЕННЯ 1НТЕЛЕКТУАЛЬНИХ ТЕХНОЛОГ1Й ВИКОНАННЯ ПО1ЗНО1 РОБОТИ НА СОРТУВАЛЬНИХ СТАНЦ1ЯХ
Мета. Метою дано! роботи являеться удосконалення нейромережево! моделi вибору коли приймання по-!зда на сортувальну стaнцiю за рахунок врахування прогнозу розвитку по!зно! ситуаци та вибору рацюналь-них пaрaметрiв архтгектури нейронно! мереж1. Методика. В якосп моделi вибору коли приймання по!зда обрано штучну нейронну мережу. Формування вектора вхiдних пaрaметрiв пропонуеться виконувати на ос-новi даних АСК ВП УЗ-£. З метою врахування прогноз розвитку по!зно! ситуаци на станцй та на пiдходaх до станцп пропонуеться виконати декомпозищю нейронно! мережi iз видiленням блоку прогнозування руху та блоку безпосереднього вибору коли приймання. Результати. Представлена комплексна нейромережева модель дозволяе враховуючи прогноз прибуття по1здв та прогноз розвитку ситуаци в парку приймання, ви-значати рaцiонaльнi коли для приймання по^здв. При цьому прогноз прибуття по^здв представляеться в явному вигляд^ а прогноз розвитку ситуаци в парку - в неявному виглядi (шляхом врахування моменпв та послщовносп прибуття по1здв в парк). Наукова новизна. Наукова новизна роботи полягае в удосконаленш нейромережево! моделi вибору коли приймання по!зда на сортувальну станцш, що досягаеться за рахунок формування комплексно! нейронно! мереж1, яка враховуе прогноз прибуття по^здв на станцш та прогноз розвитку по!зно! ситуаци в парку, а також за рахунок встановлення рaцiонaльних пaрaметрiв арх1тектури, кiлькостi нейронiв у вихщному шaрi нейронно! мереж1 та способу представлення результaтiв моделi. Практична значимкть. Практична знaчимiсть отриманих результата полягае в тому, що представлена модель може бути використана при створенш системи шдтримки прийняття ршень ДСП парку приймання при ви-конaннi по!зно! та маневрово! роботи.
Ключовi слова: штучна нейронна мережа, черговий по станцй, прогноз прибуття по!здiв, система тдтри-мки прийняття ршень.
Вступ
Одним !з основних оперативних пращвни-юв, як забезпечують яюсть виконання по!'зно!' роботи на затзничнш станцй, являеться черговий по станцй - ДСП. Вщ ефективносп його роботи значною м1рою залежить виконання оперативних плашв роботи, а також яюсть ви-користання рухомого складу та станцшно!' ш-фраструктури. Свою д1яльшсть ДСП виконуе в умовах, що характеризуються великою кшьюс-тю подш, як доводиться анатзувати, високим динам1змом розвитку та певною невизначешс-тю поточно! ситуаци, а також значними психо-лопчними навантаженнями. Зважаючи на це, актуальним завданням являеться створення систем тдтримки прийняття ршень ДСП при ви-конант по!'зно!' та маневрово! роботи. Пщтвер-дженням тако! думки являеться штенсифшащя наукових дослщжень в цш обласп, що вщм1ча-еться останшм часом.
Правила та алгоритми прийняття ршень, якими користуються професшш ДСП в сво!й робот можна вщнести до категори знань, яю
важко тддаються формал1заци та структуру-ванню. Тут велике значення мае практичний досвщ роботи та шту!щя, яку з науково! точки зору можна розглядати як проекщю набутого досвщу на поточну ситуащю, в якш знаходить-ся ДСП. Специфша керування по!зною та мане-вровою роботою вимагае використання адеква-тних математичних моделей, метод1в та шдхо-д1в при розробщ систем тдтримки прийняття ршень ДСП. До найбшьш перспективних можна вщнести продукцшш модел1 представлення знань [1], неч1тку лопку [2, 3] та штучш ней-ронш мереж1 [4, 5].
Серед основних керуючих вплив1в, яю здш-снюе ДСП парку приймання на виконання по!-зно! i маневрово! роботи на станцй, слщ вщнес-ти визначення послщовносп виконання пересу-вань по станцшним кол1ям та виб1р колш для приймання i пропуску по!зд1в.
Необхщтсть вибору послщовносп виконання пересувань на станцй, як правило, обу-мовлена р1зним ступенем прюритетносп по!з-них та маневрових операцш. Хоча шод1 мають мюце i шш1 проблемы ситуаци, до яких насам-
© Бардась О. О. 2016
перед можна вщнести задачi вибору черговост розформування-формування по].здв [6, 7]. Останш являються досить складною проблемою, яка в рамках дано! роботи не розглядаеть-ся.
В данш робот розглядаеться проблема ращ-онального вибору коли приймання по!зда на сортувальну станцiю. При цьому алгоритми прийняття рiшень ДСП формалiзовано на осно-вi штучно! нейронно! мережа
Мета
Метою дано! роботи являеться удоскона-лення нейромережево! моделi вибору коли приймання по!зда на сортувальну станщю за рахунок врахування прогнозу розвитку по!зно! ситуаци та визначення ращональних парамет-рiв аритектури нейронно! мереж.
Методика
Пщ час вибору коли приймання по!зда, ДСП керуеться мiркуваннями забезпечення:
- приймання та пропуску по!здiв без затри-мок, а також паралельносп виконання операцш (з урахуванням розвитку ситуацi! в майбутньо-
му);
- безпеки руху;
- зменшення витрат енергi!, що пов'язанi iз розформуванням составiв та переведенням стршочних переводiв.
В робой [8] представлено нейронну мережу, яка виконуе вибiр коли приймання з урахуванням поточного стану колш в парку приймання (визначаеться наявшстю по!зда на коли, його категорiею та ознаками негабаритност i небез-печностi вантажiв) та характеристики по!зда, що приймаеться. Остання включае в себе кате-горiю по!зда, ознаки негабаритностi, небезпеч-ностi вантажiв та довгосоставностi по!зда. Слiд вiдмiтити, що представлена модель не враховуе динамiчно! природи шдсистеми розформуван-ня.
Вибiр колi! приймання по!зда ДСП здiйснюе в момент його вщправлення iз сусiдньо! станцп. Враховуючи, що в середньому перегшний час ходу мiж станцiями становить 10-15 хв, ршен-ня доводиться приймати iз урахуванням експе-ртного прогнозу розвитку ситуаци в парку приймання на глибину до 15 хв.
На колiях приймання iз по!здами виконуеть-ся складний комплекс технолопчних операцiй iз пiдготовки составiв до розпуску та !х розпус-ку iз сортувально! гiрки. Для прийняття ращональних ршень щодо приймання по!зда на ста-
нщю, ДСП повинен мати прогноз роботи парку приймання на найближчий час. Слщ зазначити, що на поточний момент АСК ВП УЗ-С не за-безпечуе оперативне планування таким прогнозом. Тому ДСП, як правило, керуючись доступ-ними вщомостями та власним досвщом, виконуе експертне передбачення розвитку ситуаци в парку та обирае вщповщно до цього колда приймання по!зда.
Для врахування динамiчно! природи шдсистеми розформування, вектор вхщних парамет-рiв нейронно! мережi повинен бути доповнений часовими характеристиками по!здiв, що знахо-дяться на станци та очiкуються прибуттям на станщю. Таким чином, така нейронна мережа повинна в певному виглядi (явному чи неявному) враховувати два види прогнозу: прогноз звшьнення колш в парку приймання та прогноз прибуття по!здiв в цей парк. Проблема полягае в тому, що параметри, яю описують часовi характеристики по!здiв, повиннi бути наявш (хо-ча б у перспектив^ в АСК ВП УЗ-С.
При прогнозуванш розвитку ситуацi! у парку приймання, ДСП орiентуеться за фактични-ми моментами прибуття, моментами початку виконання технолопчних операцш iз по!здами, мiсцезнаходженням та станом маневрових ло-комотивiв. При цьому в АСК ВП УЗ-С доступна лише невелика частина ще! шформаци, яка надходить у виглядi шформацшних повiдом-лень:
201 - повiдомлення про прибуття по!зда;
09 - коректувальне повiдомлення, повинно вводитися пiсля завершення технiчного огляду;
203 - повщомлення про завершення розформування по!зда.
Проте статистичнi данi свiдчать, що факти-чно коректувальне повiдомлення 09 вводиться одночасно iз прибуттям по!зда на станцiю. Таким чином, за даними АСК ВП УЗ-С, фактично можливо визначити лише чи знаходиться по!зд в парку приймання. В зв'язку з цим в данш робот пропонуеться поточний стан по!зда, що знаходиться на певнш колi!, описувати лише одним параметром - тривалютю знаходження по!зда на станцi!, що зафшсована на поточний момент. Такий параметр в неявному виглядi мiстить шформащю щодо черговостi прибуття по!здiв та ймовiрного поточного етапу пiдгото-вки состава по!зда до розпуску.
Крiм цього, стан кожно! колi! повинен бути доповнений наступними характеристиками [8]:
- стан зайнятост чи вшьносп коли;
- категорiя по!зда, що знаходиться на колi!;
- ознаки негабаритносп вантажв у склащ по!зда, що сто!ть на коли;
- ознаки небезпечносп вантажiв у складi по-!зда, що сто!ть на колi!.
1з набору перелiчених параметрiв формуеть-ся вектор вхщних параметрiв, який описуе стан парку приймання в цiлому:
V" — IV" V" V" VII 1
Л - {Л 1 1, Л 12,...,Лп ,....,Хпт}
(1)
де Хг" - значенняу-го параметру /-! колi!.
В данiй робот пропонуеться статичнi характеристики по!зда, що очiкуеться прибуттям на станщю [8], доповнити динамiчною характеристикою - очшуваним моментом прибуття та номером тдходу прибуття по!зда. Таким чином, по!зд, що прибувае на станщю, описуеться наступними параметрами:
- прогнозом прибуття по!зда у стохастич-ному виглядц
- номером тдходу прибуття по!зда;
- категорiею по!зда (у розформування, тран-зитний, транзитний з частковою переробкою, пасажирський, iн.);
- ознакою довгосоставностi по!зда;
- ознаками негабаритносп вантажв у складi по!зда;
- ознаками небезпечносп вантажв у складi по!зда.
Слiд зазначити, що конструкцiя колшного розвитку паркiв приймання сортувальних стан-цiй не завжди забезпечуе можливють приймання по!здiв iз кожного окремого тдходу на будь-яку колда. В зв'язку з цим, можливi ситуацi!, в яких вибiр певно! колi! для приймання по!зда iз умовного пiдходу А, не залишае можливих ва-рiантiв приймання наступного по!зда iз умовного тдходу Б навпь за умови наявносп вшь-них колiй в парку приймання. Тому прогноз прибуття повинен охоплювати не лише той по-!зд, для якого обираеться колiя приймання, а i деяку множину наступних по!здiв, що очшу-ються прибуттям на станцiю. При цьому для кожного по!зда повинен бути вщомим весь на-бiр як статичних, так i динамiчних параметрiв:
V" — I VI" Vт Vт V"' »
Л - \Л 1 1, Л 1 2,....,Л и ,..,ЛЬЯ}
(2)
де Л™ - значенняу-го параметра для 7-го по!з-
да, що очшуеться прибуттям на станцiю.
В данш роботi з метою визначення очшува-них моментiв прибуття по!здiв на станщю, про-понуеться використати нейромережеву модель, представлену в [9] та дослщжену в [10]. При цьому пропонуеться, комплексну нейронну мережу вибору коли приймання представити у виглядi двох послщовних нейронних мереж, так, як показано на рис. 1.
Рис. 1. Архитектура комплексно!' нейронно!' мереш вибору коли приймання по!'зда
Об'еднання комплексно! двохступенево! нейронно! мережi в одну являеться нерацiона-льним кроком по двом причинам. По-перше, прогноз прибуття по!здiв визначаеться на осно-вi велико! кiлькостi факторiв [Л[,Л'2,...,Лк} (описанi в [9, 10]), яю впливають на вибiр колi! приймання по!зда лише шляхом впливу на па-
раметр «очiкуваний момент прибуття». Для того, щоб не створювати зайвих синаптичних зв'язюв мiж нейронами, спочатку слiд окремо визначити цей параметр, а поим включити його у вхщний вектор наступно! нейронно! мереж^ яка безпосередньо обирае номер коли приймання по!зда.
По-друге, навчання нейронно! мережi про-гнозування прибуття по!зд!в передбачаеться на основ! фактичних даних виконаного руху, а навчання нейронно! мереж! вибору кол!! - на основ! експертних оцшок найбшьш профес!йних та досвщчених ДСП. Така технолог!я вщпов> дае перспективн!й ситуац!!, в якш АРМ ДСП забезпечуеться прогнозом прибуття по!зд!в, отриманим на основ! нейромережево! модел! прогнозування руху.
Результатом роботи нейронно! мереж! прогнозування прибуття по!зд!в являеться вектор
тя, прийнято, що ц! област! визначаються лише двома абстрактними параметрами Х1 та Х2.
(3)
де У' - ймов!рнють прибуття по!зда в певний пром!жок часу, який в!дпов!дае i-му штервалу, I - 1..1.
На основ! вектор!в, що описуються вираза-ми (1-3), формуеться вектор вхщних параметр!в нейронно! мереж! вибору кол!! приймання по!з-да:
X - {х15 X 2,..., Хп } .
(4)
Важливим питанням являеться визначення к!лькост! нейрон!в у вихщному шар! нейронно! мереж!. Саме цей параметр визначае в який спос!б буде представлена вщповщь на завдан-ня, яке ставиться перед нейронною мережею.
Кшьюсть нейрон!в у вихщному шар! бага-тошарового перцептрону може визначатися ю-льк!стю вих!дних параметр!в, що визначаються нейронною мережею [8]. Наприклад, якщо ней-ронна мережа визначае номер кол!! та номер парку, до якого приймаеться по!зд, то всього необхщно мати два нейрони у вихщному шар! -по одному для номера кол!! та номера парку. Проте слщ зазначити, що у такого шдходу, окр!м певних переваг, е декшька недол!к!в, як! ускладнюють можливост! його застосування на практищ.
По-перше, параметр «номер кол!! для приймання по!зда» не являеться ф!зичною величиною, яку можна вим!ряти, цей параметр являеться назвою певного образу по!зно! ситуац!!. При цьому кол!!, як! являються найб!льш бли-зькими з експлуатацшно! точки зору, можуть мати несум!жш номери. Може, наприклад, скластися ситуащя, наведена на рис. 2, де зо-бражено област! рацюнального вибору окремих кол!й для приймання по!зд!в. На виб!р кол!! приймання впливае багато фактор!в, проте на рисунку для можливост! в!зуального сприйнят-
Рис. 2. Приклад некоректно! класифжаци по!зно! ситуацi!.
Област! вибору кол!! 1 та кол!! 4 являються сум!жними. На меж! цих областей (вщр!зок АВ) знаходяться точки (наприклад точка С), як! ха-рактерш тим, що в них рацюнальними вар!ан-тами одночасно являються ! виб!р кол!! 1 ! ви-б1р кол!! 4. Тобто при переход! через цю межу повинен вщбуватися стрибок вщразу через дв! кол!! (2 та 3). Це свщчить про те, що функщя в!дгуку повинна бути розривною по вщр!зку АВ. Отримати таку функщю в!дгуку шляхом п!дбору синаптичних ваг практично неможли-во.
По-друге, в робот! ДСП парку приймання довол! рщко трапляються ситуац!!, як! мають однозначну вщповщь щодо вибору номера кол!! приймання. Можна стверджувати, що дуже часто для приймання по!зда юнуе не одна, а вщ-разу дек!лька р!внозначних кол!й. Тобто в однш ! т!й же по!знш ситуац!! можна не порушуючи умов рац!онального режиму роботи, обирати один !з дек!лькох можливих вар!анпв прий-мання по!зда. Особливо це стосуеться роботи в умовах низького р!вня завантаження парку приймання. Тому п!д час навчання нейронно! мереж! необхщно мати можливють вказувати !й дек!лька допустимих колш для приймання по!-зда !з зазначенням в!дпов!дного ступеня дощ-льност! вибору кол!! (ступеня ДВК). Аналог!ч-ним повинен бути ! результат роботи нейронно! мереж! - вш повинен бути представленим у вигляд! списку кол!й !з визначеними ступенями ДВК. Стушнь ДВК для приймання по!зда не являеться тотожним такому параметру як ймо-в!рн!сть. Бшьш точною аналог!ею тут можна вважати поняття !з теор!! неч!тко! лопки - сту-
тнь приналежност коли до множини «оптимальна кол1я для приймання поïзда».
З точки зору теорiï розподшених обчислень, задачу вибору колiï для приймання поïзда мож-на вщнести до задач класифiкацiï образiв або клаав. Згiдно [11], для задачi класифiкацiï на M класiв, в якш об'еднання M класiв формуе весь простiр вхiдних сигналiв, для представ-лення всiх можливих результатв класифiкацiï потрiбно M виходiв. Тому в данш статтi пропонуеться кшьюсть нейронiв вихiдного шару визначати кшьюстю колiй приймання та пропуску поïздiв. При цьому передбачаеться, що ко-жен вихiдний нейрон вщповщае певнiй колiï парку приймання та генеруе сигнал в дiапазонi [0;1], який вiдповiдае ступеню дощльност вибору тако1' колiï для приймання чи пропуску по1'зда. Таким чином, результатом роботи нейронно!' мережi вибору коли приймання являеть-ся вектор
Y = (7!, Y2,...,Ym }, (4)
де m - кшьюсть колш в парку приймання.
Навчання нейронно1' мереж вибору колiï приймання пропонуеться виконувати з викори-станням ергатично1' моделi пiдсистеми розфор-мування [12]. При цьому в моменти прийняття ршення щодо вибору колiï приймання, iмiта-цiйна модель повинна зупинятися та надавати можливiсть особi, що виконуе моделювання (ОВМ) прийняти ршення самостiйно. Крiм того, ОВМ повинна встановити ступеш дощльно-ст вибору кожно1' колiï за 4-х ступеневою шкалою:
Оптимальний варiант - 1,0;
Допустимий варiант - 0,67;
Допустимий, але небажаний варiант - 0,33;
Недопустимий варiант - 0.
Числа навпроти назви кожного рiвня вщпо-вiдають ступеню ДВК, який передаеться на ви-ходи нейронно1' мережi в якостi правильно!' вщ-повiдi, цi числа використовуються для визна-чення сигналу помилки нейронно1' мереж та подальшо1' процедури оновлення синаптичних ваг. Процедура навчання нейронно1' мережi за-вершуеться тсля того як синаптичнi ваги вшх зв'язкiв мiж нейронами стабiлiзуються на пев-ному рiвнi. Очевидно, що для виконання цiеï умови необхщно, щоб ОВМ дотримувалася ч№ ких правил у визначеннi ступеня дощльност вибору тiеï чи iншоï коли. З щею метою в данш статп пропонуеться користуватися наступними правилами.
1. Стушнь ДВК «оптимальний» присвою-еться тим колiям, вибiр яких забезпечуе вщсут-
нiсть затримок у виконанш по1'зно1' та маневро-во1' роботи, а також мшмальш витрати енерги на обробку поïздiв у пiдсистемi розформування.
2. Ступiнь ДВК «допустимий» присвоюеть-ся тим колiям, вибiр яких призводить до незна-чних затримок у виконаннi маневрово1' роботи та появи деяких незначних додаткових витрат (збшьшення витрат енергiï, що пов'язане iз пе-реведенням стрiлочних переводiв та прохо-дженням составiв кривих малого радiусу пiд час насуву та розпуску iз сортувально1' прки).
3. Ступiнь ДВК «допустимий, але небажаний» присвоюеться тим колiям, вибiр яких призводить до (або ютотно пiдвищуе ймовiрнiсть) значних затримок у русi поïздiв та виконанш маневрово1' роботи.
4. Стушнь ДВК «недопустимий» присвоюеться тим колiям, приймання поïздiв на як не-можливе за схемою колшного розвитку, або за по1'зною ситуащею (наприклад якщо колiя за-йнята). Колiï iз таким ступенем ДВК визнача-ються ергатичною моделлю автоматично.
Використання таких правил дозволить ви-конувати навчання нейронно1' мережi на бшьш якiсному рiвнi.
Результати
Представлена комплексна нейромережева модель дозволяе враховуючи прогноз прибуття поïздiв та прогноз розвитку ситуацiï в парку приймання, визначати ращональш коли для приймання поïздiв. При цьому прогноз прибуття поïздiв представляеться в явному виглядi, а прогноз розвитку ситуаци в парку - в неявному виглядi (шляхом врахування моментв та посл> довностi прибуття поïздiв в парк).
Наукова новизна та практична значимкть
Наукова новизна роботи полягае в удоско-наленнi нейромережово1' моделi вибору колiï приймання по1'зда на сортувальну станцiю, що досягаеться за рахунок:
- формування комплексно!' нейронно!' мере-жi, яка враховуе прогноз прибуття поïздiв на станщю та прогноз розвитку поïзноï ситуаци в парку;
- встановлення ращональних параметрiв ар-хiтектури, кiлькостi нейрошв у вихiдному шарi нейронноï мережi та способу представлення результатiв модель
Практична значимють отриманих результа-тв полягае в тому, що представлена модель може бути використана при створенш системи тдтримки прийняття ршень ДСП парку прий-
мання при виконанш по1'зно1 та маневрово1' роботи.
Висновки
Виконанi дослщження дозволяють встано-вити наступнi висновки.
1. З метою врахування прогнозу прибуття поïздiв на станщю, нейромережеву модель вибору колiï приймання поïзда слiд сформувати на основi двох послiдовних блокiв - блоку про-гнозування руху та блоку безпосереднього ви-бору коли приймання.
2. З метою зменшення ймовiрностi виник-нення помилок класифiкацiï поïзних ситуацш, кiлькiсть нейронiв у вихiдному шарi нейроме-реж вибору колiï приймання по1'зда слiд визна-чати за кшьюстю колiй приймання та пропуску по1здв.
3. Навчання нейромережево1' моделi вибору колiï приймання по1'зда доцшьно використову-вати за допомогою ергатично1' моделi шдсисте-ми розформування сортувально1' станцiï. При цьому в якосп правильно!' вiдповiдi нейроме-реж слщ використовувати ступеш доцiльностi вибору для приймання вщповщних колiй.
4. Результатом роботи нейромережево1' мо-делi вибору коли приймання по1'зда являеться список допустимих варiантiв колiй iз вщповщ-ними 1'м значеннями доцiльностi вибору таких варiантiв.
Б1БЛ1ОГРАФ1ЧНИЙ СПИСОК
1. Долгий, И. Д. Динамические модели прогнозирования движения поездов в интеллектуальных системах диспетчерского управления / Долгий И. Д., Криволапов С. В. // Вестник Рост. гос. ун-та путей сообщ. - 2012. - № 4. - С. 75-81.
2. Chen, G. Introduction to fuzzy sets, fuzzy logic and fuzzy control systems / Guanrong Chen, Trung Pat Pham, - New York: CRC Press, 2001. - 316 p.
3. Лаврухш, О. В. Розробка моделi тдтримки прийняття ршень на залiзничному транспорта [Текст] / О. В. Лаврухш // Вюник Дншропетровського нацюнального ушверситету залiзничного транспорту iменi академжа В. Лазаряна. - 2006. - Вип. 11. - С. 84-86.
4. Bavarian, B. Introduction to neural networks for intelligent control [Електрон. ресурс] / B. Bavarian // Control Systems Magazine, IEEE. - 1988. - № 6(2). -
А. А. БАРДАСЬ
P. 3-7. - Режим доступу - http://ieeecss.org/CSM/ library/1988/april1988/w03-07.pdf. - перевiрено 12.03.2016.
5. Лаврухш, О. В. Формування пiдходiв щодо реaлiзaцii системи тдтримки прийняття ршень оперативного управлшня по!здопотоками з розподше-ним штучним iнтелектом / О. В. Лаврухш // Транспортш системи та технологii перевезень. - 2014. -Вип. 8. - С. 88-99.
6. Бардась, О. О. Удосконалення критерш вибору черговосп розпуску состaвiв з урахуванням за-вдань попереднього сортування вагонопотошв [Текст] / О. О. Бардась // Транспортш системи та технологи перевезень. - 2013. - Вип. 6. - С. 5-9.
7. Бардась, О. О. Дослвдження впливу точносп прогнозування руху на ефектившсть керування чер-говiстю розформування по1здв / О. О. Бардась // Транспортш системи та технологи перевезень. -2015. - Вип. 9. - С. 4-9.
8. Лаврухин, А. В. Формирование интеллектуальной модели функционирования железнодорожной станции при выполнении поездной работы /
A. В. Лаврухин // Наука та прогрес транспорту. -2015. - № 1(55). - С. 43-53.
9. Вернигора, Р. В. Структура та принципи функцюнування прогнозно! моделi роботи зaлiзнич-ного напрямку / Р. В. Вернигора, Л. О. Сльшкова // Транспортш системи i технологи перевезень. - 2015.
- Вип. 9. - С. 16-22.
10. Вернигора, Р. В. Дослщження ефективносп використання нейронних мереж при прогнозуванш прибуття поiздiв на техшчш станци / Р. В. Вернигора, Л. О. Сльшкова // ВосточноЕвропейский журнал передовых технологий. - 2015.
- № 3/3. -С. 23-27.
11. Haykin, S. Neural networks. A comprehensive foundation / S. Haykin, - Hamilton: McMaster University, 2005. - 823 p.
12. Бобровский, В. И. Количественная оценка технико-технологических параметров железнодорожных станций на основе эргатических моделей /
B. И. Бобровский, Р. В. Вернигора, В. В. Малашкин // Вюник Дншропетровського нацюнального ушверситету зaлiзничного транспорту iменi академжа В. Лазаряна. - 2007. - Вип. 16 - С. 50-57.
Стаття рекомендована до публтацп д.т.н., професор О. I. Михальовим (Украгна)
Надшшла до редколеги 08.05.2016.
Прийнята до друку 10.05.2016.
УСОВЕРШЕНСТВОВАНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ ВЫПОЛНЕНИЯ ПОЕЗДНОЙ РАБОТЫ НА СОРТИРОВОЧНЫХ СТАНЦИЯХ
Цель. Целью данной работы является усовершенствование нейросетевой модели выбора пути приема поезда на сортировочную станцию за счет учета прогноза развития поездной ситуации и выбора рациональных параметров архитектуры нейронной сети. Методика. В качестве модели выбора пути приема поезда выбрана искусственная нейронная сеть. Формирование вектора входных параметров предлагается выполнять на основе данных АСК ВП УЗ-£. С целью учета прогноза развития поездной ситуации на станции и на подходах к станции предлагается выполнить декомпозицию нейронной сети с выделением блока прогнозирования движения и блока непосредственного выбора пути приема. Результаты. Представленная комплексная нейросетевая модель позволяет учитывая прогноз прибытия поездов и прогноз развития поездной ситуации в парке приема, определять рациональные пути для приема поездов. При этом прогноз прибытия поездов представляется в явном виде, а прогноз развития ситуации в парке - в неявном виде (путем учета моментов и последовательности прибытия поездов в парк). Научная новизна. Научная новизна работы заключается в усовершенствовании нейросетевой модели выбора пути приема поезда на сортировочную станцию, которое достигается за счет формирования комплексной нейронной сети, учитывающей прогноз прибытия поездов на станцию и прогноз развития поездной ситуации в парке, а также за счет определения рациональных параметров архитектуры, количества нейронов в выходном слое нейронной сети и способа представления результатов модели. Практическая значимость. Практическая значимость полученных результатов заключается в том, что представленная модель может быть использована при создании системы поддержки принятия решений ДСП парка приема при выполнении поездной и маневровой работы.
Ключевые слова: искусственная нейронная сеть, дежурный по станции, прогноз прибытия поездов, система поддержки принятия решений.
O. O. BARDAS
IMPROVING THE INTELLIGENCE TECHNOLIGIES OF TRAIN TRAFFIC'S MANAGEMENT ON SORTING STATIONS
Purpose. The purpose of this article is to improve the neural network model of selection the receive path of the train to the rail yard by taking into account the forecast of the development of the train situation and a choice of rational parameters of the neural network architecture. Methodology. As a model of selection the receive path of the train selected artificial neural network. Formation of the vector of the input parameters is proposed to carry out on the basis of data of automated rail traffic management systems. To account for the forecast of the situation at the train station and on the approaches to the station proposed to decompose the neural network with the release of a block motion prediction and the block directly select the reception path. Findings. Representations of complex neural network model allows taking into account the forecast arrival of trains and train forecast of the situation in the arrival park, to determine efficient ways to receive trains. At the same time train arrivals forecast is presented in explicit form, and the forecast of development of the situation in the park - implicitly (by taking into account the moments and the sequence of trains arriving at the park) Originality. The scientific novelty of this work lies in improving the neural network model of selection of the receive path of the train at the rail yard, which is achieved due to the formation of a complex neural network that takes into account the forecast of trains arriving at the station and the outlook for the train situation in the park, as well as by the definition of rational parameters of the architecture, the number of neurons in the output layer of the neural network and a method for reporting the results of the model. Practical value. The practical significance of the results is that the presented model can be used when creating a decision support system chipboard reception at arrival park for supporting train and shunting work.
Keywords: artificial neural network, railway station's dispatcher, forecast of train's arrival, decision support system.