Neues verkehrswissenschaftliches Journal NVJ - Ausgabe 9: Entwicklung eines Algorithmus für die Kalibrierung von Modellen zur Betriebssimulation in spurgeführten Verkehrssystemen unter Berücksichtigung stochastischer Bedingungen DFG-Forschungsprojekt (MA 2326/9-1)
Von Yong Cui, Ullrich Martin, Weiting Zhao und Nan Cao
()
Über dieses E-Book
Yong Cui
Yong Cui arbeitete von 1993 bis 2003 als Softwareentwickler und System Analyst in China und Singapur. Seit 2003 ist er als akademischer Mitarbeiter am VWI Verkehrswissenschaftliches Institut Stuttgart GmbH und Institut für Eisenbahn- und Verkehrswesen der Universität Stuttgart mit Schwerpunkt Modellierung, Simulation und Optimierung des Eisenbahnbetriebs, Disposition und Leistungsuntersuchung im spurgeführten Verkehr und ÖPNV tätig.
Ähnlich wie Neues verkehrswissenschaftliches Journal NVJ - Ausgabe 9
Ähnliche E-Books
Neues verkehrswissenschaftliches Journal NVJ - Ausgabe 10: Modellierung der Wartezeitfunktion bei Leistungsuntersuchungen im Schienenverkehr unter Berücksichtigung der transienten Phase Bewertung: 0 von 5 Sternen0 BewertungenNeues verkehrswissenschaftliches Journal - Ausgabe 13: Umfassende Einführung der Mittelpufferkupplung Bewertung: 0 von 5 Sternen0 BewertungenCommunications-Based Train Control (CBTC): Komponenten, Funktionen und Betrieb Bewertung: 0 von 5 Sternen0 BewertungenMultiple lineare Regression & High Performance Computing: Methodik und Software-Implementation komplexer Analysemodelle Bewertung: 0 von 5 Sternen0 BewertungenNeues verkehrswissenschaftliches Journal - Ausgabe 12: Gesamtwirtschaftliche Bewertung der Elektrifizierung von Dieselstrecken in Baden-Württemberg Bewertung: 0 von 5 Sternen0 BewertungenNumerische Grundlagen der Simulation: Kompendium Simulation und Regelung technischer Prozesse, Teil 5 Bewertung: 0 von 5 Sternen0 BewertungenStrategische Planung und Optimierung der Kapazität in Eisenbahnnetzen unter Nutzung von automatischer Taktfahrplanung Bewertung: 0 von 5 Sternen0 BewertungenSimulation technischer Prozesse mit LabVIEW: Kompendium Simulation und Regelung technischer Prozesse, Teil 6 Bewertung: 0 von 5 Sternen0 BewertungenApproximation der Lösungen von Differentialgleichungen mit Wavelets und Einstellung der Parameter Bewertung: 0 von 5 Sternen0 BewertungenZweipunkt- und Dreipunktregler: Kompendium Simulation und Regelung technischer Prozesse, Teil 9 Bewertung: 0 von 5 Sternen0 BewertungenDigitale Implementierung von Reglern: Kompendium Simulation und Regelung technischer Prozesse, Teil 11 Bewertung: 0 von 5 Sternen0 BewertungenArbeits- und Zeitwirtschaft verstehen: von der Zeitstudie bis zur Abtaktung Bewertung: 0 von 5 Sternen0 BewertungenClusterbasierte Datenanalyse auf Grundlage genetischer Algorithmen in SAP-BI: Ein Verfahren zur selbständigen Ermittlung der optimalen Anzahl Cluster Bewertung: 0 von 5 Sternen0 BewertungenEuropean Train Control System (ETCS): Einführung in das einheitliche europäische Zugbeeinflussungssystem Bewertung: 0 von 5 Sternen0 BewertungenMultivariate Analysemethoden: Multivariate Statistik und Datenanalyse mit SPSS einfach erklärt Bewertung: 0 von 5 Sternen0 BewertungenDie fremderregte Synchronmaschine. Grundlagen und Modellbildung mit Matlab Simulink Bewertung: 0 von 5 Sternen0 BewertungenEffiziente Datenanalyse in Netzwerkgraphen: Durch User Defined Functions in PostgreSQL Bewertung: 0 von 5 Sternen0 BewertungenBetriebsplanung im öffentlichen Personennahverkehr: Ziele, Methoden, Konzepte Bewertung: 0 von 5 Sternen0 BewertungenAutomatisiertes Testen: Testautomatisierung mit Geb und ScalaTest Bewertung: 0 von 5 Sternen0 BewertungenFrequenzverhalten linearer Systeme: Kompendium Simulation und Regelung technischer Prozesse, Teil 7 Bewertung: 0 von 5 Sternen0 BewertungenAutomatisiertes Fahren auf der Schiene: Technische und rechtliche Aspekte für die Praxis Bewertung: 0 von 5 Sternen0 BewertungenDie Eignung Neuronaler Netze für die Mining-Funktionen Clustern und Vorhersage Bewertung: 0 von 5 Sternen0 BewertungenMerkmale effizienten Modellierens: Entwerfen mit Autodesk Inventor Bewertung: 0 von 5 Sternen0 BewertungenApplication Insights Bewertung: 0 von 5 Sternen0 BewertungenDigitalisierung in einem Produktionsunternehmen: Modellbildung und Methoden für die Einführung von einem Manufacturing Execution System (MES) Bewertung: 0 von 5 Sternen0 BewertungenDer Weg zum eigenen Roboter: Tipps, Tricks und kleine Projekte Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Neues verkehrswissenschaftliches Journal NVJ - Ausgabe 9
0 Bewertungen0 Rezensionen
Buchvorschau
Neues verkehrswissenschaftliches Journal NVJ - Ausgabe 9 - Yong Cui
Störungsparameter
1 Einleitung und Begriffe
Simulationsverfahren unterstützen u.a. die Untersuchung und Planung von spurgeführten Verkehrssystemen, um Betriebsprogramme zu erstellen und die Effekte eines Betriebskonzepts zu bewerten. Bei manuellen oder analytischen Methoden ist es schwer oder sogar unmöglich, die Wirkungen stochastisch beeinflusster Zugfahrten sowie der Interaktion zwischen den Zügen und der Infrastruktur eines komplexen Netzes hinreichend detailliert zu bestimmen. Deswegen werden Simulationssoftwares als experimentelle Tools bei Betriebsplanungen und Leistungsuntersuchungen eingesetzt.
Die Anwendung eines Simulationstools für spurgeführte Verkehrssysteme teilt sich in unterschiedliche Einzelprozesse auf: Erfassung der Infrastruktur, Erstellung eines Betriebsprogramms, Kalibrierung des Modells, Simulation und Auswertung. Dabei hängt die Qualität des Untersuchungsergebnisses bei Simulationsverfahren von der Plausibilität des Simulationsmodells ab. Außerdem beschreibt der Ablauf der Kalibrierung des Modells den Betriebsprozess des Schienenverkehrs, sodass einzelne, dabei zu variierende Parameter von großer Relevanz sein können. Die Parameter sind die Eingangswerte des Simulationsmodells für ein konkretes Anwendungsszenario. In der vorliegenden Arbeit werden die Anwendungsszenarien Betriebssimulation und Fahrplanerstellung bei der Modellkalibrierung berücksichtigt, um so die Plausibilität des Modells und die Qualität des Untersuchungsergebnisses durch Anpassung der Parameter sicherzustellen.
Zur Überprüfung der Plausibilität eines Simulationsmodells müssen Indikatoren definiert werden. Indikatoren sind Kenngrößen, die der Überprüfung der Plausibilität der jeweiligen Simulationsergebnisse dienen und in einem konkreten Anwendungsszenario (z. B. Betriebssimulation oder Fahrplanerstellung) relevant sind. D.h. die Kenngrößen aus den entsprechenden Simulationsergebnissen eines konkreten Anwendungsszenarios werden als Indikatoren betrachtet. Auf diese Arbeit bezogen bedeutet dies:
Zur Bewertung der Betriebsqualität werden die Verspätungen bei der durchgeführten Betriebssimulation betrachtet. Hierzu werden der Mittelwert und die Wahrscheinlichkeit der Verspätungen als Indikatoren verwendet.
Bei der Fahrplanerstellung werden die Sollfahrzeiten und Sollhaltezeiten abgebildet. Dafür werden die gebildeten Sollfahrzeiten und Sollhaltezeiten eines Fahrplans in einem Simulationsmodell als Indikatoren betrachtet.
Die Plausibilität der Simulationsergebnisse wird durch den Vergleich des Momentanwerts mit dem Zielwert der jeweiligen Indikatoren überprüft. Ein Momentanwert wird in Abhängigkeit von den eingegebenen Parametern ermittelt. Je nach Anwendungsszenario geschieht dies mit Hilfe von mathematischen Methoden oder mittels Auswertung von Simulationsergebnissen. Ein Zielwert ist der Wert des Indikators, der vom Simulationsmodell erreicht werden soll, d.h. der Momentanwert soll sich dem Zielwert durch die Kalibrierung angleichen. Die jeweilige Höhe des Zielwerts ergibt sich aus statistischen Erhebungen des realen Betriebsablaufs. Ein Simulationsmodell wird durch Anpassung der Parameter im Vergleich zwischen Momentanwert und Zielwert der Indikatoren kalibriert. Der Zusammenhang zwischen den Parametern und den Indikatoren bei einem Kalibrierungsprozess wird in Abbildung 1-1 dargestellt.
Abbildung 1-1: Schema des Kalibrierungsprozesses
Um den erheblichen Aufwand bei der manuellen Kalibrierung zu reduzieren, wird in dieser Arbeit eine automatisierte Kalibrierungsmethode entwickelt. In Kapitel 2 werden zunächst der Aufwand bei Simulationsverfahren sowie die vorhandenen Forschungen und Anwendungen zur Modellkalibrierung erläutert.
Nach dem Anwendungsziel lassen sich die Simulationsaufgaben zum einen in Fahrplansimulation und zum anderen in Betriebssimulation unterscheiden. In einer Betriebssimulation werden die stochastischen Einflüsse durch den realen Betriebsablauf berücksichtigt. Hierfür besteht die Anforderung, die Störungsparameter, die in einem Simulationsmodell die stochastischen Einflüsse definieren, realitätsnah zu kalibrieren. In Ka-Kapitel 3 wird daher das Zielsystem für die Kalibrierung sowie der Algorithmus spezifiziert. Hieran anknüpfend und um die Effekte der Auswirkungen von unterschiedlichen Parametern zu bestimmen, wird eine Sensitivitätsanalyse in die Betrachtung einbezogen und die Auswahl der zu berücksichtigenden Parameter diskutiert. Der Aufwand der Kalibrierung wird reduziert, in dem nur die Parameter, die eine signifikante Auswirkung bei der Sensitivitätsanalyse zeigen, im Kalibrierungsprozess Berücksichtigung finden.
Bevor Fahrplan- und Betriebssimulationen durchgeführt werden können, müssen die Fahrpläne erforderlichenfalls auf der Grundlage eines Betriebskonzepts erstellt werden, da in vielen Fällen noch keine konkreten Fahrpläne vorhanden sind. Bei einem Kalibrierungsprozess werden nicht nur die Störungsparameter in einer Betriebssimulation, sondern auch die fahrplanbezogenen Parameter, die bei der Fahrplanerstellung beeinflusst werden, berücksichtigt. Der Algorithmus, der eine Anpassung der fahrplanbezogenen Parameter beinhaltet, wird daher in Kapitel 4 auf Grundlage von [ZHAO, 2012] diskutiert.
Die entwickelten Kalibrierungsmethoden können bei der Betriebssimulation und Fahrplanerstellung umgesetzt werden. Im darauffolgenden Kapitel 5 werden die Anforderungen, die Anwendungsfälle und die Systemarchitektur zur automatisierten Anwendung des Algorithmus spezifiziert. Zuletzt wird ein Ausblick auf weitere Forschungen und Entwicklungen in Kapitel 6 gegeben.
2 Grundlage der vorhandenen Forschung
Der Betriebsprozess in spurgeführten Verkehrssystemen unterliegt grundsätzlich stochastischen Einflüssen (vgl. u. a. [POTTHOFF, 1962]), die zu entsprechenden Abweichungen zwischen dem geplanten und dem tatsächlichen Betriebsablauf führen. Diese Gesetzmäßigkeiten werden in gängigen Simulationsmodellen und den darauf aufbauenden Simulationsprogrammen (vgl. u. a. RailSys [RMCON, 2010], LUKS [VIA CON, 2011], OpenTrack [OPENTRACK RAILWAY TECHNOLOGY LTD.]) durch eine Mehrfach- bzw. Betriebssimulation abgebildet.
Abbildung 2-1 zeigt eine Übersicht der aus umfangreichen eigenen Erfahrungen abgeschätzten Aufwandsanteile bei der Anwendung von Modellen zur Betriebssimulation im spurgeführten Verkehr, wobei nachfolgend der Aufwand mit der Bearbeitungszeit gleichgesetzt wird. Dementsprechend entfallen auf die Kalibrierung etwa 15 von insgesamt 100 Zeitanteilen. Dieser Wert schwankt jedoch in Abhängigkeit von der konkreten Aufgabenstellung. Bei großer Inhomogenität bzw. Komplexität des Betriebsprogramms ist ein deutlich höherer Zeitanteil zu veranschlagen.
Abbildung 2-1: Aufwandsanteile bei der Anwendung von Modellen zur Betriebssimulation
Da bei der Auswertung bereits erhebliche Verbesserungen erreicht wurden (vgl. u. a. [MARTIN und SCHMIDT, 2010]), die Erstellung sowie Variation des Betriebsprogramms relativ komfortabel möglich sind und der Zeitbedarf für die Simulation selbst unmittelbar vom Entwicklungsstand der Rechentechnik abhängt, verbleibt wesentlich erschließbares Potenzi-Potenzial bei der Erfassung der Infrastruktur und der Kalibrierung.
Während bei den Modellen der Betriebssimulation des spurgeführten Verkehrs gegenwärtig noch „von Hand" auf der Grundlage des Erfahrungsschatzes der Anwender kalibriert werden muss, gibt es bereits eine Reihe von Forschungsarbeiten zur automatisierten Kalibrierung von Modellparametern in der kurzfristig vorausschauenden Simulation des Betriebsablaufs und in anderen Fachgebieten.
HUANG und VERBRAECK beschreiben einen Algorithmus zur dynamischen, prozessnahen Kalibrierung auf der Grundlage einer quasi-kontinuierlichen Erfassung von Echtzeitdaten mit anschließender Parameterschätzung (vgl. u. a. [HUANG und VERBRAECK, 2009]). Der Aufwand diese Echtzeitdaten synthetisch im prozessfernen Simulationsprozess zusätzlich zu erzeugen und auszuwerten würde den Aufwand der Simulation deutlich erhöhen und den Zeitbedarf für die Simulationsläufe vergrößern, sodass das eigentliche Ziel einer aufwandsreduzierten Beschleunigung des Gesamtablaufs konterkariert werden würde.
In [HOMER et al., 1999] werden die primären Methoden zur Kalibrierung eines Parameters in spurgeführten