Развитие Интернет имитационной модели для управления внутренним водным путям, флотов,

Интернет моделирования недавно разработанной стратегии управления в области регулирования существующих систем. Эти модели позволяют моделирование краткосрочных решений, а также традиционных долгосрочных решений. Было показано, в литературе и Ting Шенфельд [13], что своевременная информация о предстоящих задержках может дать существенную экономию эксплуатационных расходов. Эта статья расширяет это понятие, представив модель оценки онлайн представить лицам, принимающим решения в режиме реального времени информации для принятия экономически эффективных решений по внутренним водным путям операций. Результаты модели обеспечить лиц, принимающих решения с полезными прогнозы, чтобы помочь оптимизировать свои решения, касающиеся мимолетное, планирования и других аспектов деятельности. Модель предсказывает, перегруженность уровнях путем ее расчета количества подъемников в разных частях системы. Эти скопления уровней указывают скорее всего задержек и предоставить руководителям столь необходимую информацию в реальном времени в оптимизации решений. Эта модель способствует новым методом онлайн моделирования для краткосрочных решений по внутренним водным системам.

Введение

Моделирование является инструментом, который может быть использован для сжать время и детали данной системы на компьютере программы, с тем, что в будущем может быть разумно предвидеть. Это позволяет принимать решения с гораздо более глубокое и эффективность без затрат на тестирование и даже здание реальной системы. Моделирование часто используется для измерения потребления и найти потенциальных узких мест в предлагаемой системы. Это инструмент, который может обрабатывать сложные системы массового обслуживания, для которых существующие теории массового обслуживания является слишком ограниченным.

Моделирования в реальном времени относится к возможности предоставления поддержки принятия решений, которые могут применяться в операциях управления. Однако, большинство имитационных моделей начинается с пустой и свободном состоянии. Это требует от искаженного выход с начала моделирования выполняется быть уничтожены. Понятие моделирования в реальном времени модель требует полной смены парадигмы от долгосрочного планирования к краткосрочному планированию. Она требует добавления дополнительной информации, которая была недоступна в прошлом. Текущее состояние системы становится одним из основных материалов для моделирования в реальном времени модели.

Многие моделирования внутренним водным системам в прошлом были смоделированы с использованием подходов, без упоминания данных в реальном времени [1], [2], [3], [10] и [20]. В самом деле, в режиме реального времени моделирования внутреннего водного системы почти не существующие в настоящее литературе. Это, в частности, из-за прошлые технологические ограничения, а также редкие доступности данных. Тем не менее, с улучшениями в компьютер скорость процессора, памяти и расширения данных становятся доступными в режиме реального времени, модели для краткосрочного анализа реализуемых в настоящее время.

Некоторые общие системе внутренних водных путей параметров, измеряемых очереди времени, прежде чем замок, длина очереди, время простоя замки, времени, в течение подъемников пройти через шлюзы, количество обслуживаемых подъемниками и количество обслуживаемых баржи. Стандартном наборе данных, используемых для получения таких оценок онлайн и известна как система базы данных OMNI. Набор данных находится в ведении США Инженерный корпус армии (USACE) и доступен на сайте [16]. Он содержит усредненные для ранее указанных параметров, а также другие.

Обзор литературы

Существует значительный объем информации в литературе о моделировании системе внутренних водных путей и онлайн-имитационного моделирования. Тем не менее, в литературе не было найдено об онлайн-моделирование внутреннего водного систем. Вместо этого, в литературе была сосредоточена на нескольких различных аспектов деятельности этих систем. Оценка параметров работы системы, управление замками с большей эффективностью, а также расширение возможностей через шлюз проектов по замене некоторых общих вопросов изучения. Три ключевых параметров оценивается в литературе по внутренним водным путям имитационной модели блокировки обслуживания раза, скорость прибытия очереди и времени ожидания. Очередь ожидания в результате взаимодействия замок времена обслуживания, скорость прибытия и объем трафика в рамках системы. Эти параметры имеют существенные последствия, поскольку снижение любого из этих параметров стремится сократить расходы на всю систему транспортировки.

Срок службы - время буксировки пройти через шлюз или вверх или вниз по течению - была широко изучена в прошлом. Использование исторических данных такой подход чаще всего используется в литературе для определения службы время. Дай и Шенфельд [3], используемых исторических распределения времени обслуживания оценить сервис раз. Ким и Шенфельд [6], искусственные нейронные сети LPMS (предшественник системы OMNI) данные для создания оценки срока службы. Тина и Шенфельд [12], используемых линейной регрессии по данным LPMS оценить сервис раз. Уилсон [21] разработали параметризованный метод оценки и оценки (именуемого блокировки производительности) службы время.

Очередь раз задержки были решены с помощью различных методик. Ramanathan и Шенфельд [9], разработанной прогнозной модели для оценки задержек, вызванных одной прерывания услуг замок. Из-за вероятности блокировки взаимозависимости, Мартинелли и Шенфельд [7] разработал метод расчета задержки для множества взаимозависимых замков. Этот метод был разработан с акцентом на замок проектов замены. Дай и Шенфельд [4] разработан численный метод для оценки задержки через серию очередей с притоком и оттоком происходит только в конце узлов. Тина и Шенфельд [1 3] оценили задержек на замки с использованием общих характеристик замка и расстояния между замками в качестве параметров модели. И наконец, Чжу и др. др.. [22] разработали метод прогнозирования очереди задержки в сетях массового обслуживания с разбивкой в сети взаимодействующих компонентов, для которых задержки рассчитаны с помощью искусственных нейронных сетей.

Большая часть литературы была сосредоточена на контроле и замков и подъемников более эффективно. Тина и Шенфельд, [12] и [13], были проанализированы как датчиком последовательности можно уменьшить задержки при запорах. Они сообщили, что Кратчайшее обработки Первая (SPF) политики выступили лучше, чем справедливым обработки политики "первый пришел-первым обслужен" (ПСС). Тина и Шенфельд [14] показали, что буксир операторы могут снизить расходы топлива на целых 30% по замене медленных скоростях более высокую скорость холостого хода затем, когда предстоящих задержки предстоящем. Тина и Шенфельд [15] осуществили политики в области контроля, что пакеты в шлюзовую камеру, чтобы уменьшить неиспользованные возможности шлюзовой камеры, а также регулировка скорости подъемников контролировать время прибытия на замки во Just-In-Time моды.

Ван и Шенфельд [20] представляют обобщенный подход к моделированию моделирования внутренним водным транспортом. Это не ограничены конкретной системы водных путей и расширяемой модели в любой системе внутренних водных путей с замками и плотин, как контроль структур. Он обеспечивает управление памятью возможности и способность обрабатывать большие сети. Она предлагает более широких долгосрочных моделирования поддержку, чем у предыдущих моделей.

Из-за сложности моделирования внутренним водным путям системы, моделирование небольшое количество замков был более практичным, чем больших сетей. Дай и Шенфельд [3] оценили системы задержки для серии из четырех замков с одной O / D пары и ПСС приоритет управления. Кроме того, Тина и Шенфельд [13] испытания политики в области контроля над серией из четырех замков с одной O / D пары. Другие попытки моделирования сложность моделирования одну операцию замок с обеих одна и две камеры [12], [13] и [14].

Манди и Кэмпбелл [8], присутствующих на имитационной модели Верхняя Миссисипи для замков 20-25. Судам входить в систему на часто-пропускных пунктах. Как только судно останавливается или изменена, то он считается неактивным, а затем удалить из системы. Эта система используется для общего управления системой замок реструктуризации политики, а основным направлением оптимизации.

Есть некоторые попытки, чтобы обеспечить отправку поддержки принятия решений по внутренним водным путям. Тейлор и др. Al [1 1], присутствующих моделирования планирование на основе системы, предназначенной для оказания помощи барж и лодок диспетчерского задания. Эта модель позволяет диспетчеру для определения расходов на компромиссы между баржей требования при обращении и время жить оборудования. Vukadinovic и др. др.. [18] при использовании нейронных сетей, чтобы уменьшить нагрузку и повысить качество решений диспетчеров. Нейронной сети узнает от предыдущих примеров решений диспетчера смоделировать процесс принятия решений диспетчера. Vukadinovic и др. Al. [7], присутствующих на нечеткой логике метода для помощи в процессе принятия решений об уступке барж в портах. Vukadinovic и др. др.. [19] представлен метод, который адаптируется нейронной сети для уточнения нечетких системной логики для назначения барж лодки. Сообщается, что нейронная сеть повысит эффективность системы нечеткой логики.

Ни один из подходов в литературе доставить краткосрочные решения информации на основе текущего состояния системы. Сложность еще одна проблема, которая была описана в литературе. Малых сетей и систем только один замок в основном были построены в прошлом, хотя внутренним водным путям замки являются взаимозависимыми друг от друга [2]. Поскольку ожидания зависит от плотности судов в рамках системы, а также взаимодействия судов в рамках системы, необходим подход для моделирования систем реального времени. Harmonosky и Robohn [5] считают, как ожидается, что системы с увеличением средней длительности им гораздо легче в режиме реального времени моделирования. Системе внутренних водных путей хорошо вписывается в эту категорию проблем. Моделирование подход необходим для системы внутренних водных путей, которые дают информацию лицам, принимающим решения для эффективного краткосрочного решения.

Описание модели Методология

Введение

Подход здесь заключается в выявлении возможных задержек в соответствующих блокировок (как вверх, так и вниз по течению) и способствовать эффективному принятию решений, чтобы свести к минимуму задержки и связанные с этим расходы. Это позволит обеим датчиком операторов и диспетчеров для принятия обоснованных решений в режиме реального времени, когда решения должны быть сделаны. Эти задержки определены путем включения в географически привязанных данных инициализации использовать имитационную модель для краткосрочного решения. Этот подход включает в себя дополнительный аспект, systemstate для данной единицы времени, для моделирования системы организации. Акцент смещается от традиционных имитационного моделирования мероприятий (пропускная способность, использование и т.д.) для моделирования расположения и поведения субъектов в рамках системы с краткосрочной перспективе. Таким образом, моделирование этой системы является довольно сложным в связи с дополнительным размеры инициализации системы и жгут поведения.

Модель выполнена в виде неравновесной модели в режиме реального времени. Несколько O / D пар (например, датчик может пройти через 1-8 замки) используются и на основе эмпирических распределений вероятности. Модель позволяет для погрузки / разгрузки / остановки судов в рамках системы, оценка состояния системы, и краткосрочные очереди оценки времени. Объектно-ориентированный событие подход, основанный приняты с использованием программирования на языке С, чтобы возможность расширения. Это объектно-ориентированная модель обеспечивает управление памятью и расширяемость как у Ван и Шенфельд [20].

Пример

Тематическое исследование выбранной для данного исследования представляет собой часть реки Огайо. Система реки Огайо имеет 20 замков на расстоянии примерно 98 миль 1. Модель, описанная в этом документе содержится каждого из замков на реке Огайо с Смитленд Lock

Инициализация / Интернет Ввод данных

Инициализации данных используются относительные места расположения суда о фактическом путям. Они доступны в режиме реального времени через Интернет. Объединив географической привязкой данных инициализации, модель может быть "тенденциозным", чтобы представить фактические системы в ее текущем состоянии. Данные были получены из базы данных OMNI [USACE веб-сайт, 2005]. Эти данные обновляются на полчаса интервалы с нынешним состоянием всех судов в рамках системы. Эти данные файлы содержат дату и время доклада, текущий статус каждого судна в рамках системы (= приезда, L = Начало Локедж, D = End Локедж), имя пула, где каждый находится судно в рамках системы, общее число барж в подъемник, и направление каждого судна. Местах, иногда не точные (в некоторых бассейнах длиннее, чем 90 миль), но все же дают представление снимок, сколько судов находятся в системе, а также их нынешних местах бассейна. Эти данные используются для определения, если буксировать была разумное время (в два раза превышает предполагаемое время путешествия на основе текущей скорости судна) для поездки в следующей блокировки. Если датчик находится в тот или иной пул дольше, чем это количество времени, то считается, что остановился на одной из 3 манекена портов.

Основные параметры судна судна количество, состояние подъемника, нынешнего резерва подъемника, пункт назначения, направление, скорость и поведение на паклю. Хотя число барж, имеющихся в каждой датчиком можно ознакомиться в Интернете, нет никакой информации о содержании этих барж. Кроме того, нет никакой информации о том, эти баржи полной или пустой. Таким образом, пропускная способность количестве барж не является показателем текущего набора параметров.

Данных в автономном режиме входного

Исторических данных, используемых собраны из того же источника данных в Интернете. Они собраны с течением времени и используемые для описания работы модели. Следующие параметры модели созданы с использованием автономных данных на примере:

* Прибытие цены на размещение в четырех пунктах въезда (входа в Смитленд L

* Распределение тарифами на услуги для каждого из 8 шлюзов.

* Распределение скоростей для судов (вверх или вниз по течению).

* Полный перед своей поездкой поездки генерации данных для каждого судна.

* Распределения для остановки в портах с судов.

Поведение датчиком определяется как действия, которые датчиком состоится в рамках системы. Поведение является функцией текущего бассейн, направление, количество блокировок пройти до остановки, останавливая время и действительно ли судно будет менять направление в конце поездки. Параметры судна поездки на основе этих поведение переменных. Имеющиеся данные не дают точной информации назначения в бассейнах. Таким образом, места для судов, случайно выбранное из одного из трех равноотстоящих фиктивный портов.

Проверка модели

Модель проверяется на общее число lockages и ожидания на 2005 год. Lockages для передачи данных по сравнению с OMNI модельных данных представлены в таблице 2. Кроме того, время ожидания для собранных данных в Интернете по сравнению с моделируемой данные представлены в таблице 3. Эти результаты согласуются с собранными данными и OMNI данных и, следовательно, модель признается действительным.

Моделирование дисперсии очереди ожидания были достаточно близки к онлайн-данных. Как правило, это трудно параметров для имитации. Таблица 4 дает реальные результаты для он-лайн данные по сравнению с моделируемой данных.

Тестирование

Анализа переходных процессов было сделано, чтобы определить количество времени сохраняются с использованием модели по сравнению с инициализируется пустой и праздный-модели. Использование традиционных графический анализ очереди раз, будет установлено, что время на разогрев, необходимых для пустой и праздный-модели составляет около 50 моделируемых дней. Используя тот же метод, разогрева период инициализируется модели составляет около 5 моделируемых дней. Следует отметить, что очереди на двух замков выставке почти немедленно поведение стационарного состояния в модели инициализируются. Обе эти замки имеют самый низкий уровень отклонений от 8 замков в обоих измеренных данных очереди и моделируемых данных очереди (Каннелтон л

Следует отметить, что существует значительное количество процессорного времени, что можно избежать, используя метод инициализации. Использование машин Pentium IV с тактовой частотой 2,2 ГГц процессором и 512 МБ RAM это занимает около 2,25 минут, чтобы запустить один файл инициализации для 5 репликаций. Она занимает около 15 минут для того же бежать с пустыми andidle модели.

Чтобы проверить гипотезу, что время ожидания в зависимости от заторов (объем перевозок) в системы, данные из первых нескольких месяцев 2005 графике. В результате график представлен на рисунке 1. Ясно, что существует взаимосвязь между среднее время ожидания на замки и заторов в рамках системы. Максимумы и минимумы на среднее время ожидания и количество lockages отвечают за тот же период времени число подъемников в системе.

После предположение, что время ожидания в зависимости от загруженности системы, модель, то испытания, чтобы сравнить ее точность предсказания бассейн заторов в рамках системы. Модель используется для сравнения моделируемых заторов бассейн от фактической заторов бассейн с течением времени. Автономный данных используются для сравнения этих данных, а также позволяют известные величины, подлежащие измерению. Результаты представлены на рисунке 1. Очевидно, что модель начинает иметь более широкие изменения в момент 0 18 часов. Тем не менее, следует отметить, что предыдущие три периода времени показывают вполне разумные исполнения прогноза заторов в рамках системы.

Выводы

В прошлом использованием стохастической модели для моделирования на основе краткосрочного анализа было невозможным. Подход, представленный здесь, способствует новый метод использования стохастической имитационной модели для получения информации о краткосрочной перспективе по внутренним водным путям. Такой подход способствует для использования в качестве реального времени ожидания очереди предиктор и дескриптор состояния системы.

Очередь раза блокировки зависит от количества судов настоящее время в системе. Для количественной оценки этой имитационной модели разработаны прогнозирует количество подъемников расположены в каждом бассейне и, как следствие перегруженности уровне системы, в ближайшем будущем. Модель достаточно точны до момента времени 0 плюс 15 часов. Изменчивость, резко увеличились после 15 час точки. Эта модель может быть существенно повышена путем иметь более точную информацию, чтобы подготовить его, а также для более полного отражения поведения судов.

Модель предоставляет огромный потенциал для предоставления лицам, принимающим решения краткосрочных информации, с которой, чтобы их решения. Это даст возможность диспетчерам графику / перенести свой флот на основе текущих и ожидаемых условиях водного пути. Например, если ожидаемые задержки вверх в то время как пакли, погрузки / разгрузки барж в порту, диспетчер может загрузить более барж датчиком для повышения эффективности этой поездке. Другая возможность состоит в том, что диспетчер может изменить направление лодки (во время процесса загрузки), чтобы убедиться, что буксировать встречи минимальными задержками. Тина и Шенфельд [14] показали, что экономия может быть достигнута за счет снижения скорости буксировки, когда предстоящих задержки предвидеть. Эта модель дает отрасли инструмент, который ранее был недоступен.

Текущее состояние системы, значительно влияет на способность точно прогнозировать будущие состояния системы. Модель попытки работать в направлении его поведение стационарного быстро и таким образом, положительно сказалось на его инициализации государства. Например, ожидается, что более точные данные инициализации, тем точнее вывод будет. Инициализации данных могут быть более точными время от времени просто с некоторых подъемников, которые перечислены в очередях. Это совершенно точная информация в то время как иногда данные лишь указывает на бассейн и предыдущие замок времени. Кроме того, в государственной системе, в любой момент времени может быть очень отличается от обычных стационарных. Это может привести к модели терять точности прогнозирования состояния системы. Тем не менее, следует отметить, что модель не очень хорошо прогнозирования состояния системы до 15 часов в будущем.

Расширенные параметры, необходимые для ввода и вывода для имитационной модели системе внутренних водных путей, что включает в себя географические данные. Использование количество подъемников в данном бассейне несколько слабых если учесть, что Есть более чем 90 миль в двух бассейнов в обсуждаемой модели и более 70 километров расстояние в семь из восьми бассейнов образцу. Одним из таких возможных параметр определения, какие именно подъемников в котором бассейнов и получения измерения этой величины. Это может дать более реалистичным и практичным измерения для судоходства. Входной параметр, который необходимо расширить это поведение подъемников в рамках системы. Поведение может быть определен на одну поездку основе в зависимости от скорости, целевого пула, количество барж, булева переменная, для изменения направления (вверх / вниз по течению) в конце поездки, и остановка времени (изменение или отдыха экипажа и / или погрузки / разгрузки барж). Это может быть сделано путем составления последних данных в Интернете для конкретных судов и применения, что недавнее поведение модели.

Как видно, точность прогноза окно снижение примерно через 1 час 5 моделирование. Однако, более полную информацию поведение ожидается, что модель будет иметь возможность повысить точность и обеспечить более длительное время окна. В связи с тем, что онлайн-данные не обновляются более чем в два раза в час, было бы полезным, чтобы перезапустить модель более чем в два раза в час. Кроме того, поскольку модель работает довольно быстро, время выполнения модели не будет сдерживающим фактором запуска модели, когда лучшего.

Поскольку объем данных растет, поэтому будет усилия, необходимые для получения информации из данных. Интеллектуального анализа данных представляет собой приемлемую альтернативу традиционным методам определения параметров и распределений. Хотя интеллектуального анализа данных является сложной темы само по себе, кажется, что она будет предлагать множество преимуществ, включая иллюстрирующие модели датчиком поведения, которые могут быть добавлены к модели. Кроме того, тестирование необходимо определить количество последние данные, которые будет фиксировать поведение системы, не слишком эмоционально реагирует на шум в данных.

Ссылки

[1 Банди, Д. С. Моделирование Иллинойс системы путям замки, В трудах 1996 Зимние Моделирование конференции, изд. D. Т. Бруннер, J.J. Суэйн, J. М. Chames и DJ. Моррис, (1996), с. 1483-1487.

2 Кэрролл, Дж. и М. Bronzini, путям модели Моделирование Транспорт: разработка и применение, Water Resources Research, 9 (1), (1973), с. 5163.

3 Дай, М. и П. Шенфельд Моделирование надежности путям транспорта, транспортных исследований запись, 1313, (1991), с. 98-105.

4 Дай, М. и П. Шенфельд Метамодели для оценки путям Задержки Благодаря серии очередей, транспорт исследований Часть B: методологические, 32 (1), (1998), с. 1-19.

5 Harmonosky, CM. и S.F. Robohn, исследуя возможности применения моделирования в режиме реального времени Решения управления, Международный научный журнал "компьютерно-интегрированные производства, 8 (2), (1995), с. 126-132.

6 Ким, Y.M. П. Шенфельд, нейронные сети Оценка обслуживания путям Lock Times, Tranportation исследований запись, 1497, (1995), с. 36-43.

7 Мартинелли, Д. и П. Шенфельд Приближение Задержки на взаимозависимом замки, журнал путям, Порт, прибрежной и океанской техники, 121 (6), (1995), с. 300-307.

8 Манди, контр-адмирал и Ф. Кэмпбелл, систем управления в области внутреннего водного контроля движения, Заключительный доклад - министерства транспорта США, Центр транспортных исследований - Университет Миссури, июль, (2005).

9 Ramanathan, В. П. Шенфельд Ориентировочная задержек, вызванных Lock Перебои услуги, транспорт исследований Рекорд, 1430, (1994), с. 41-49.

10 Шведский, JA, моделирование сети внутренних водных путей флота Распределение Баржа, Труды 1998 Зимние Моделирование конференции, изд. D.J. Медейрос, Е. F. Уотсон, J.S. Карсон, и М.С. Manivannan, Vol. 2, (1998), с. 1219-1221.

11 Тейлор, G.D., T.C. Уайт, вес брутто Депуи и D.J. Drosos, моделирования программного обеспечения на основе системы диспетчерского баржи и лодки назначения на внутренних водных путях, имитационное моделирование практикой и теорией, 13, (2005), с. 550-565.

12 Ting, CJ и П. Шенфельд воздействии Буксировка последовательности по созданию и задержки в пути Lock, журнал путям, Порт, прибрежной и океанской техники, 122 (1), (1996), с. 16-26.

13 Ting, CJ и П. Шенфельд комплексного контроля для серий путям замки, журнал путям, Порт, прибрежной и океанской техники, 124 (4), (1998), с. 199-206.

14 Ting, CJ и П. Шенфельд воздействии контроля скорости буксировки на путевые расходы, журнал путям, Порт, прибрежной и океанской техники, 125 (4), (1999), с. 203206.

15 Ting, CJ и П. Шенфельд, управление Альтернативы на пути Lock, журнал путям, Порт, прибрежной и океанской техники, 127 (2), (2001), с. 89-96.

16 США Инженерный корпус армии сайте,, по состоянию на апрель 2003 - октябрь 2005].

17 Vukadinovic, К. и Д. Теодоровича, Нечеткий подход к Судно Диспетчерская Проблема, Европейский журнал исследования операций, 76 (1), (1994), p. 155.

18 Vukadinovic, К., Д. Теодоровича и Г. Павкович, нейросетевого подхода для судна Диспетчерская Проблема, Европейский журнал исследования операций, 102, (1997), с. 473, 487.

19 Vukadinovic, К., Д. Теодоровича и Г. Павкович, применение Neurofuzzy моделирование: проблемы автомобиля Назначение Европейский журнал исследования операций, 114, (1999), с. 474-488.

20 Wang, S.L. П. Шенфельд, Разработка обобщенной модели моделирование пути к путям операции, Working Paper, транспортных исследований Центр, Университет штата Мэриленд, Колледж-Парк, штат Мэриленд, (2002).

21 Уилсон, WW, судно, прочном и меры по повышению эффективности Lock Lock в производительности, IWR Доклад 05-СЕТИ-R-13, Институт водных ресурсов, США Инженерный корпус сухопутных войск, (2005).

22 Zhu, Л., П. Шенфельд Y.M. Ким, И. наводнений, и CJ-тин, очереди сети для анализа водных путей искусственные нейронные сети, искусственный интеллект для проектирования, анализа и производства, 13 (5), (1999), с. 365-375.

Джерри К. Билбри, Jr

Трои Университет

Пол М. Шенфельд

Университет Мэриленда

электронная почта: <a href="mailto:jbilbrey@troy.edu"> jbilbrey@troy.edu </ A> <a href="mailto:pschon@eng.umd.edu"> pschon@eng.umd.edu </ >