鐵路車?貨實時追蹤影響因素研究

錢 琳，關夢園，王鳳琳，黃 睿

（中國鐵道科學研究院集團有限公司 電子計算技術研究所，北京 100081）

目前，以鐵路車號自動識別系統（簡稱：車號識別系統）和鐵路運輸信息集成平臺[1]（簡稱：集成平臺）信息為基礎構建的鐵路貨車動態追蹤技術已廣泛應用。在鐵路貨車追蹤[2]的基礎上，利用集成平臺的標準化數據服務[3]，整合運單、裝卸、集裝箱裝載清單等各類貨運數據，建立車-貨追蹤匹配算法模型[4]，研究開發了鐵路車-貨實時追蹤及預警系統（簡稱：系統），實現鐵路車-貨全程追蹤、現在車分布、統計分析等功能，可對貨物列車運行途中出現的在途超時停留和超運輸期限等問題進行預警，對重車到達進行預報[5]，為國鐵集團和企業自備貨車[6]承運的整車和集裝箱貨物提供更為精準和細化的追蹤信息，為優化鐵路貨運物流、提高貨運服務質量提供有力的技術支撐，以更好地適應市場需求。

車-貨追蹤效果主要取決于車輛全程追蹤相關信息的質量以及車-貨匹配算法的有效性。本文重點分析影響車-貨成功匹配的相關因素，提出提高車-貨追蹤匹配率的針對性措施和改進算法，并對改進效果進行定量評價。

1 車?貨追蹤現狀

車-貨全程追蹤的完整性是指，在貨物運輸過程中各個環節（包括裝車、始發、在途、終到、卸車），均可實現貨物與車輛的關聯，并保證車-貨追蹤信息與現場實際情況相符。若相關數據質量理想，通過信息整合、數據挖掘、分析預測等技術手段，理論上可實現100%準實時車-貨全程追蹤的目標。

根據實際運輸情況，為定量評價全路國鐵線路上車-貨追蹤匹配效果，定義車-貨追蹤的匹配率指標，匹配率 R計算公式為：

其中，Mi為某天已匹配車輛總數；Ti為某天制票車輛數；N為指定的統計天數。

匹配率計算采用指定時間段內的全數統計，即在指定的時間段內運行車-貨匹配算法模型，計算出匹配成功車輛數量，除以參與匹配的總制票車輛數，即為匹配率。

對于大部分運輸場景，已匹配車輛總數為已實現全程追蹤完整匹配的制票車數，全程追蹤完整匹配是指在裝車、始發、在途、終到、卸車各環節均可成功匹配。為了較好地反映匹配效果，選取連續30 天的數據進行統計，避免因采樣天數太少導致統計結果與實際情況偏離過大，同時也便于今后按月對比分析。表1為車-貨追蹤算法改進前，針對2020年6 月制票車輛計算得到的車-貨匹配率統計數據，日均只有85%左右制票車可以做到全程追蹤。

表1 車-貨追蹤算法改進前匹配率（2020 年6 月制票）

經分析后發現，日均約有15%的制票車輛無法實現車-貨全程追蹤，具體有3 類原因：（1）貨車位置追蹤信息質量不理想，約占總制票車輛的4.59%；（2）車-貨匹配關系不準確，約占總制票車輛的0.16%；（3）其它特殊運輸場景，如發到站相同、空自備車回送、臨站代報等，約占總制票車輛的10.25%，見表2。

表2 車-貨追蹤匹配的影響因素及占比（2020 年6 月制票）

下面對這3 類原因分別進行詳細分析，并提出改進措施。

2 貨車車輛位置追蹤信息質量分析及改進措施

車-貨追蹤的基礎是車輛位置的準確追蹤，這主要依賴于貨車車輛位置追蹤信息的質量。目前，貨車車輛追蹤信息的種類較為齊全，信息采集點密度較高，數量較為豐富。如圖1 所示，要實現車-貨全程追蹤，需要做到貨物在裝車、始發、在途、終到、卸車各環節均能追蹤到具體的承運車，即貨物在所有運輸環節上均可與承運車建立準確的匹配關系。對于小運轉、站內搬運等距離比較短的貨物運輸，有時無法生成在途車輛位置追蹤信息；因此，對于此類情況，在途車輛位置信息不強制作為車-貨匹配率統計的判定條件。而裝車/始發位置信息和終到/卸車位置信息分別表征車-貨運輸開始和結束，應作為判定車-貨追蹤全過程匹配成功的必要條件。

圖1 貨物運輸各個環節匹配車-貨信息

為提高貨車車輛追蹤的準確性，首先應提高貨車車輛位置追蹤報告的數據質量。目前，通過車號識別系統和集成平臺可獲取車輛位置追蹤信息，集成平臺已對貨運站系統[7]和集裝箱管理系統[8]上傳的裝卸報告、現車系統上傳的到發報告實行完整率、合規率考核[9]。以下對這2 個系統的車輛追蹤報告的數據質量進行分析，并提出提升數據質量的改進措施。

2.1 集成平臺報告質量分析及改進措施

為保證集成平臺獲取報告的質量，運輸部門已對集成平臺的報告實行完整率、及時率等考核。其中，完整率定義為已上報的裝卸、到發車輛數與現場實際裝卸、到發車輛數之比；及時率定義為裝卸、到發作業完成后在規定的時間內及時上報的車輛數與總上傳車輛數之比。

目前，集成平臺獲取的報告存在部分鐵路局集團公司車站完整率不夠高的情況，部分站還存在誤報、遲報等情況。

表3 為2020 年6 月期間集成平臺中裝卸、到發報告的及時率與完整率的月度統計。可以看出，裝車、卸車、列車出發、列車到達這4 類報告各自的完整性與及時性均達到較高水平，據此實現的貨車車輛追蹤可達到較好效果，幾乎可以準確掌握全路貨車車輛的動態和歷史信息。依據車-貨追蹤匹配率的定義，上述所有報告中的車輛都能與貨物實現關聯匹配，才算實現全程追蹤，因而每類報告的質量均會影響到全程追蹤匹配率。

表3 集成平臺中裝卸、到發報告的及時率與完整率統計（2020 年6 月制票）

因此，為進一步提高貨車車輛追蹤的準確性，集成平臺對這些報告的及時率和完整率需制定更為有效的考核制度。對于報告上報質量不佳的車站進行針對性考核，以進一步提高這些報告的及時率和完整率，進而提高車-貨追蹤匹配率。

此外，針對集成平臺采集的報告中相關貨物信息（如到發報告包含了運單號、集裝箱裝載清單ID、清單號，裝卸報告包含了需求單號和運單號）未填或者填寫錯誤的情況，也要進行業務合規率考核，以提高報告的準確性。

2.2 車號識別系統報告質量分析及改進措施

目前，車號識別系統除了通過車號自動識別設備（AEI）采集的車輛位置信息，還接入了紅外線車輛軸溫探測系統采集的車輛位置信息，以補充集成平臺中車輛位置信息采集點密度不夠高的欠缺。雖然AEI 僅采集車輛位置信息，但由于信息上報的實時性較好，在進行車-貨追蹤過程中，利用車號和時間來匹配貨物，也可取得比較滿意的效果；此外，分界口處安裝的AEI 日常維護工作也比較好，有利于保證跨局通過車輛的位置追蹤信息的完整、準確。因而，車號識別系統的報告對于提升車-貨追蹤的實時性和采集點密度具有較大幫助。

目前，在車號識別系統中，部分車站進出口處的AEI 老化，甚至失效，由此導致車輛位置報告的報文數量減少。為此，將車站間線路上每隔30 km 安裝的紅外線探測站所采集的車輛位置信息接入車號識別系統后，可大幅提高車輛位置追蹤的密度，顯著提高車輛位置追蹤的實時性和準確性。

3 車?貨匹配關系準確性分析及車?貨匹配算法改進

準確、及時地確定車-貨匹配關系，需要考慮到貨物運輸全過程中的各種情況，如在貨物裝車后、運輸前掌握車-貨匹配關系，在運輸過程中發生倒換裝、更改目的地等特殊情況時，應及時更新車-貨匹配關系。

在鐵路運輸過程中，貨物可能會發生承運車變化的情況。例如，在貨運站裝車階段出現臨時換車，在運輸過程中因車況不良而換裝等。經統計，日均倒換裝車輛大約占制票車輛總數的0.16%。由于貨物發生倒換裝車，即便在出發前已掌握貨物所裝載的車輛信息，在途中仍有可能發生裝載車輛的變化。為此，要實現車-貨全程追蹤，不僅需要在車輛出發前掌握車-貨匹配關系，在運輸開始前完成車-貨信息整合，將車號、運單等車-貨匹配所需的基本信息建立起關聯；在運輸過程中，若貨物所裝載的車輛發生變化，也應及時更新車-貨信息。這樣，在貨物運輸過程中，就可以通過車輛追蹤來實現車-貨追蹤。

在運輸開始前，按照整車和集裝箱分類，將貨物信息與貨物承載車輛信息建立關聯。對于整車，只需確定車輛與貨物的對應關系，對于集裝箱，則需確定貨-箱-車三者之間的對應關系，生成包含車號、需求單號、運單號、清單ID、箱號、時間等數據的車-貨匹配記錄，如圖2 所示。

在實際運輸過程中，若出現裝車時倒換裝、運輸途中因車況不良臨時倒換裝、制票填寫終點站錯誤、客戶臨時換終到站等情況，可采取如下2 種方式來更新車-貨匹配信息和貨物倒裝信息。

3.1 補充倒換裝、貨運記錄裝卸車信息

圖2 運輸開始前整車、集裝箱運輸的車-貨匹配示意

貨物臨時換裝車時，系統從貨票系統和集裝箱系統中分別接入整車和集裝箱車倒換裝、貨運記錄裝卸車等貨物換裝信息，及時獲取貨物換裝后的新車號，更新車-貨匹配記錄中的原車號，其它信息不變，之后按照新的車-貨匹配關系繼續追蹤車-貨情況，如圖3 所示。只要能夠及時、準確地共享貨票系統和集裝箱系統的裝車、卸車數據，即可實現換裝前后連續的車-貨追蹤，從而提高車-貨匹配率。

圖3 貨物倒、換裝時更新車-貨匹配記錄示意

3.2 利用集成平臺的裝卸和到發報告

集成平臺的裝卸報告和到發報告記錄貨物相關信息，裝車報告記錄需求單號、運單號，到發報告記錄運單號、裝載清單ID、裝載清單號。在運輸過程中，若通過裝車報告中的車號和貨物無法在車-貨匹配記錄表中找到對應記錄，可推斷貨物是換裝到該車上的，這時將車-貨匹配記錄表中原來的車-貨匹配關系更新為新的車-貨匹配關系。具體算法流程如圖4 所示。

（1）在運輸開始前，生成第一條車-貨匹配記錄，為即將開始的車-貨追蹤建立初始的車-貨匹配關系。

（2）運輸過程中，根據各類報告，在車-貨匹配記錄表中查找車-貨關系；若查找到車-貨匹配記錄，則后續按照查找到車-貨匹配記錄中的車-貨匹配關系追蹤車-貨情況；若在記錄表中僅查詢到此貨物，但對應的車號不相同，則推斷發生了倒裝或者換裝，將新的車-貨匹配記錄增加到車-貨匹配記錄表中，后續按照新的車-貨匹配關系追蹤車-貨情況。

圖4 集成平臺報告更新貨物倒換裝信息算法流程

4 車?貨追蹤其它特殊情況分析及處理策略

通過2020 年6 月期間制票的車-貨匹配情況的統計分析發現，影響車-貨匹配的因素還包括短途調運、空自備車回送、臨站代報等特殊情況，大約占10.25%。以下分別對這些情況進行分析，并提出處理策略。

4.1 站內搬運和口岸站短途卸車

所有制票車輛中，日均約有1.61%的重車車輛是站界內搬運或者口岸站短途卸車，即制票發站和到站相同或者相近，對應的運輸總里程較短，僅有裝車和卸車報告，在途信息無法或很難采集，如圖5所示。由于短途運輸的車-貨追蹤需求并不迫切，在統計車-貨匹配率時，不計入這種情況。

圖5 站內搬運和口岸站短途卸車

4.2 臨近站代報

所有制票車輛中，日均約有5.4%的重車車輛由于始發或者終到站為接軌站，存在始發或者終到由其附近車站代報情況。為此，建立相應的車站及代報站對應關系字典，若代報站可成功匹配制票發站或到站，即視為車-貨匹配成功。

4.3 空自備車回送

在所有制票車輛中，日均空自備車回送約占3.24%。這部分車輛需要制票，但沒有貨物裝車和卸車，如圖6 所示。因此，對于空自備車回送的情況，車-貨全程追蹤匹配成功的規則調整為：只要有始發報告和終到報告，就認為車-貨追蹤成功。

通過對這些特殊情況采取針對性的處理策略，車-貨追蹤匹配率可進一步提升。

圖6 空自備車回送無裝車和卸車

5 車?貨追蹤改進效果

采用改進的車-貨匹配算法重新對2020 年6 月制票的車-貨信息進行整合和統計分析，以及對各種特殊運輸場景采取針對性處理策略，利用現有貨車車輛追蹤信息實現車-貨追蹤功能，車-貨全程追蹤匹配率總體為95%；其中，國鐵車占96%，自備車占83%，見表4。

系統能全面掌握車輛和貨物的實時位置，對于無法實現 全程追蹤的車-貨信息，系統還提供匹配過程明細，便于查找和分析匹配原因。此外，系統還提供現車分布、在途預警、到達預報、統計分析等功能，可為貨物運輸的調度指揮、分析決策提供較為全面的數據支持，有利于提升貨運服務質量。

表4 車-貨追蹤算法改進前后的匹配率（2020 年6 月制票）

6 結束語

系統在較為成熟的貨車車輛追蹤技術基礎上，充分利用現有貨物運輸數據，通過信息整合和集成運用，建立車-貨匹配關系，實現車-貨全程追蹤。本文詳細分析影響追蹤效果的相關因素，提出針對性措施和改進的車-貨匹配算法。對比算法改進前后的車-貨匹配率，系統車-貨追蹤效果得到明顯提高。

目前，車-貨追蹤僅能實現車輛和貨物的節點式準實時追蹤。今后隨著北斗導航技術發展，可考慮車輛加裝定位裝置等方式，實現定位更為精確、實時的車輛和貨物追蹤，以提供更為優質的鐵路貨運服務。