一种地铁列车轨迹的实时预测方法技术

本发明专利技术涉及一种地铁列车轨迹的实时预测方法，包括如下步骤：先根据各个列车的计划运行参数，生成轨道交通网络的拓扑结构图；再基于拓扑结构图，分析列车流的可控性和敏感性；再根据各个列车的计划运行参数，生成多列车无冲突运行轨迹；再在每一采样时刻，基于列车当前的运行状态和历史位置观测序列，对列车未来某时刻的行进位置进行预测。该方法对地铁列车的轨迹预测精度较高。

【技术实现步骤摘要】

本专利技术涉及一种地铁列车轨迹的实时预测方法，尤其涉及一种基于鲁棒策略的地铁列车轨迹的实时预测方法。
技术介绍
随着我国大中城市规模的日益扩大，城市交通系统面临着越来越大的压力，大力发展轨道交通系统成为解决城市交通拥塞的重要手段。国家“十一五”规划纲要指出，有条件的大城市和城市群地区要把轨道交通作为优先发展领域。我国正经历一个前所未有的轨道交通发展高峰期，一些城市已由线的建设转向了网的建设，城市轨道交通网络已逐步形成。在轨道交通网络和列车流密集的复杂区域，仍然采用列车运行计划结合基于主观经验的列车间隔调配方式逐渐显示出其落后性，具体表现在：(1)列车运行计划时刻表的制定并未考虑到各种随机因素的影响，容易造成交通流战术管理拥挤，降低交通系统运行的安全性；(2)列车调度工作侧重于保持单个列车间的安全间隔，尚未上升到对列车流进行战略管理的宏观层面；(3)列车调配过程多依赖于一线调度人员的主观经验，调配时机的选择随意性较大，缺乏科学理论支撑；(4)调度人员所运用的调配手段较少考虑到外界干扰因素的影响，列车调配方案的鲁棒性和可用性较差。已有文献资料的讨论对象多针对长途铁路运输，而针对大流量、高密度和小间隔运行条件下的城市地铁交通系统的科学调控方案尚缺乏系统设计。复杂路网运行条件下的列车协调控制方案在战略层面上需要对区域内交通网络上单列车的运行状态进行推算和优化，并对由多个列车构成的交通流实施协同规划；而多列车的运行冲突解脱是基于对地铁列车轨迹的预测的基础上，列车的运行状态往往不完全属于某一特定的运动状态，目前尚无有效的地铁列车轨迹的实时预测方法。
技术实现思路
本专利技术要解决的技术问题是提供一种鲁棒性和可用性较好的地铁列车轨迹的实时预测方法，该方法对地铁列车的轨迹预测精度较高。实现本专利技术目的的技术方案是提供一种地铁列车轨迹的实时预测方法，包括如下步骤：步骤A、根据各个列车的计划运行参数，生成轨道交通网络的拓扑结构图；步骤B、基于步骤A所构建的轨道交通网络的拓扑结构图，分析列车流的可控性和敏感性二类特性；步骤C、根据各个列车的计划运行参数，在构建列车动力学模型的基础上，依据列车运行冲突耦合点建立列车运行冲突预调配模型，生成多列车无冲突运行轨迹；步骤D、在每一采样时刻t，基于列车当前的运行状态和历史位置观测序列，对列车未来某时刻的行进位置进行预测；其具体过程如下：步骤D1、列车轨迹数据预处理，以列车在起始站的停靠位置为坐标原点，在每一采样时刻，依据所获取的列车原始离散二维位置序列x＝[x1，x2，...，xn]和y＝[y1，y2，...，yn]，采用一阶差分方法对其进行处理获取新的列车离散位置序列Δx＝[Δx1，Δx2，...，Δxn-1]和Δy＝[Δy1，Δy2，...，Δyn-1]，其中Δxi＝xi＋1-xi，Δyi＝yi+1-yi(i＝1，2，...-1)；步骤D2、对列车轨迹数据聚类，对处理后新的列车离散二维位置序列Δx和Δy，通过设定聚类个数M′，采用K-means聚类算法分别对其进行聚类；步骤D3、对聚类后的列车轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的列车运行轨迹数据Δx和Δy视为隐马尔科夫过程的显观测值，通过设定隐状态数目N′和参数更新时段τ′，依据最近的T′个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数λ′；具体来讲：由于所获得的列车轨迹序列数据长度是动态变化的，为了实时跟踪列车轨迹的状态变化，有必要在初始轨迹隐马尔科夫模型参数λ′＝(π，A，B)的基础上对其重新调整，以便更精确地推测列车在未来某时刻的位置；每隔时段τ′，依据最新获得的T′个观测值(o1，o2，...，oT′)对轨迹隐马尔科夫模型参数λ′＝(π，A，B)进行重新估计；步骤D4、依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态q；步骤D5、每隔时段，根据最新获得的隐马尔科夫模型参数λ′＝(π，A，B)和最近H个历史观测值(o1，o2，...，oH)，基于列车当前时刻的隐状态q，在时刻t，通过设定预测时域h′，获取未来时段列车的位置预测值O，从而在每一采样时刻滚动推测到未来时段内地铁列车的轨迹。进一步的，步骤A的具体过程如下：步骤A1、从地铁交通控制中心的数据库提取各个列车运行过程中所停靠的站点信息；步骤A2、按照正反两个运行方向对各个列车所停靠的站点信息进行分类，并将同一运行方向上的相同站点进行合并；步骤A3、根据站点合并结果，按照站点的空间布局形式用直线连接前后多个站点。进一步的，步骤B的具体过程如下：步骤B1、构建单一子段上的交通流控制模型；其具体过程如下：步骤B1.1、引入状态变量Ψ、输入变量u和输出变量Ω，其中Ψ表示站点间相连路段上某时刻存在的列车数量，它包括单路段和多路段两种类型，u表示轨道交通调度员针对某路段所实施的调度措施，如调整列车速度或更改列车的在站时间等，Ω表示某时段路段上离开的列车数量；步骤B1.2、通过将时间离散化，建立形如Ψ(t+Δt)＝A1Ψ(t)+B1u(t)和Ω(t)＝C1Ψ(t)+D1u(t)的单一子段上的离散时间交通流控制模型，其中Δt表示采样间隔，Ψ(t)表示t时刻的状态向量，A1、B1、C1和D1分别表示t时刻的状态转移矩阵、输入矩阵、输出测量矩阵和直接传输矩阵；步骤B2、构建多子段上的交通流控制模型；其具体过程如下：步骤B2.1、根据线路空间布局形式和列车流量历史统计数据，获取交叉线路各子段上的流量比例参数β；步骤B2.2、根据流量比例参数和单一子段上的离散时间交通流控制模型，构建形如Ψ(t+Δt)＝A1Ψ(t)+B1u(t)和Ω(t)＝C1Ψ(t)+D1u(t)的多子段上的离散时间交通流控制模型；步骤B3、根据控制模型的可控系数矩阵[B1，A1B1，...，A1n-1B1]的秩与数值n的关系，定性分析其可控性，根据控制模型的敏感系数矩阵[C1(zI-A1)-1B1+D1]，定量分析其输入输出敏感性，其中n表示状态向量的维数，I表示单位矩阵，z表示对原始离散时间交通流控制模型进行转换的基本因子。进一步的，步骤C的具体过程如下：步骤C1、列车状态转移建模，列车沿轨道交通路网运行的过程表现为在站点间的动态切换过程，根据列车运行计划中的站点设置，建立单个列车在不同站点间切换转移的Petri网模型：E＝(g，G，Pre，Post，m)为列车路段转移模型，其中g表示站点间各子路段，G本文档来自技高网...

【技术保护点】
一种地铁列车轨迹的实时预测方法，其特征在于包括如下步骤：步骤A、根据各个列车的计划运行参数，生成轨道交通网络的拓扑结构图；步骤B、基于步骤A所构建的轨道交通网络的拓扑结构图，分析列车流的可控性和敏感性二类特性；步骤C、根据各个列车的计划运行参数，在构建列车动力学模型的基础上，依据列车运行冲突耦合点建立列车运行冲突预调配模型，生成多列车无冲突运行轨迹；步骤D、在每一采样时刻t，基于列车当前的运行状态和历史位置观测序列，对列车未来某时刻的行进位置进行预测；其具体过程如下：步骤D1、列车轨迹数据预处理，以列车在起始站的停靠位置为坐标原点，在每一采样时刻，依据所获取的列车原始离散二维位置序列x＝[x1，x2，...，xn]和y＝[y1，y2，...，yn]，采用一阶差分方法对其进行处理获取新的列车离散位置序列Δx＝[Δx1，Δx2，...，Δxn‑1]和Δy＝[Δy1，Δy2，...，Δyn‑1]，其中Δxi＝xi+1‑xi，Δyi＝yi+1‑yi(i＝1，2，...，n‑1)；步骤D2、对列车轨迹数据聚类，对处理后新的列车离散二维位置序列Δx和Δy，通过设定聚类个数M′，采用K‑means聚类算法分别对其进行聚类；步骤D3、对聚类后的列车轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的列车运行轨迹数据Δx和Δy视为隐马尔科夫过程的显观测值，通过设定隐状态数目N′和参数更新时段τ′，依据最近的T′个位置观测值并采用B‑W算法滚动获取最新隐马尔科夫模型参数λ′；具体来讲：由于所获得的列车轨迹序列数据长度是动态变化的，为了实时跟踪列车轨迹的状态变化，有必要在初始轨迹隐马尔科夫模型参数λ′＝(π，A，B)的基础上对其重新调整，以便更精确地推测列车在未来某时刻的位置；每隔时段τ′，依据最新获得的T′个观测值(o1，o2，...，oT)对轨迹隐马尔科夫模型参数λ′＝(π，A，B)进行重新估计；步骤D4、依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态q；步骤D5、每隔时段根据最新获得的隐马尔科夫模型参数λ′＝(π，A，B)和最近H个历史观测值(o1，o2，...，oH)，基于列车当前时刻的隐状态q，在时刻t，通过设定预测时域h′，获取未来时段列车的位置预测值O，从而在每一采样时刻滚动推测到未来时段内地铁列车的轨迹。...

【技术特征摘要】
1.一种地铁列车轨迹的实时预测方法，其特征在于包括如下步骤：
步骤A、根据各个列车的计划运行参数，生成轨道交通网络的拓扑结构图；
步骤B、基于步骤A所构建的轨道交通网络的拓扑结构图，分析列车流的可控性和
敏感性二类特性；
步骤C、根据各个列车的计划运行参数，在构建列车动力学模型的基础上，依据列
车运行冲突耦合点建立列车运行冲突预调配模型，生成多列车无冲突运行轨迹；
步骤D、在每一采样时刻t，基于列车当前的运行状态和历史位置观测序列，对列
车未来某时刻的行进位置进行预测；其具体过程如下：
步骤D1、列车轨迹数据预处理，以列车在起始站的停靠位置为坐标原点，在每一采
样时刻，依据所获取的列车原始离散二维位置序列x＝[x1，x2，...，xn]和y＝[y1，y2，...，yn]，
采用一阶差分方法对其进行处理获取新的列车离散位置序列Δx＝[Δx1，Δx2，...，Δxn-1]和
Δy＝[Δy1，Δy2，...，Δyn-1]，其中Δxi＝xi+1-xi，Δyi＝yi+1-yi(i＝1，2，...，n-1)；
步骤D2、对列车轨迹数据聚类，对处理后新的列车离散二维位置序列Δx和Δy，通
过设定聚类个数M′，采用K-means聚类算法分别对其进行聚类；
步骤D3、对聚类后的列车轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理
后的列车运行轨迹数据Δx和Δy视为隐马尔科夫过程的显观测值，通过设定隐状态数目
N′和参数更新时段τ′，依据最近的T′个位置观测值并采用B-W算法滚动获取最新隐马
尔科夫模型参数λ′；具体来讲：由于所获得的列车轨迹序列数据长度是动态变化的，为
了实时跟踪列车轨迹的状态变化，有必要在初始轨迹隐马尔科夫模型参数λ′＝(π，A，B)
的基础上对其重新调整，以便更精确地推测列车在未来某时刻的位置；每隔时段τ′，依
据最新获得的T′个观测值(o1，o2，...，oT)对轨迹隐马尔科夫模型参数λ′＝(π，A，B)进行重
新估计；
步骤D4、依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应
的隐状态q；
步骤D5、每隔时段根据最新获得的隐马尔科夫模型参数λ′＝(π，A，B)和最近H
个历史观测值(o1，o2，...，oH)，基于列车当前时刻的隐状态q，在时刻t，通过设定预测时
域h′，获取未来时段列车的位置预测值O，从而在每一采样时刻滚动推测到未来时段内

\t地铁列车的轨迹。
2.根据权利要求1所述的一种地铁列车轨迹的实时预测方法，其特征在于：步骤A
的具体过程如下：
步骤A1、从地铁交通控制中心的数据库提取各个列车运行过程中所停靠的站点信
息；
步骤A2、按照正反两个运行方向对各个列车所停靠的站点信息进行分类，并将同一
运行方向上的相同站点进行合并；
步骤A3、根据站点合并结果，按照站点的空间布局形式用直线连接前后多个站点。
3.根据权利要求1所述的一种地铁列车轨迹的实时预测方法，其特征在于：步骤B
的具体过程如下：
步骤B1、构建单一子段上的交通流控制模型；其具体过程如下：
步骤B1.1、引入状态变量Ψ、输入变量u和输出变量Ω，其中Ψ表示站点间相连
路段上某时刻存在的列车数量，它包括单路段和多路段两种类型，u表示轨道交通调度
员针对某路段所实施的调度措施，如调整列车速度或更改列车...

【专利技术属性】
技术研发人员：韩云祥，黄晓琼，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏;32