一种地铁列车智能组合测速方法技术

本发明专利技术公开了一种地铁列车智能组合测速方法，包括：(1)分别采用OPG、雷达、加速度计测量获取列车速度数据并划分测试集与训练集；(2)构建三种速度预测估计模型，将训练集的数据对应输入三种速度预测估计模型获得若干组三种速度估计值；(3)构建组合测速模型，将步骤(2)获取不同速度估计值组合输入组合测速模型进行训练，通过蚁群算法对于组合预测模型的权重系数进行迭代寻优，当达到最大迭代次数时获取到不同速度估计值组合下对应最优的权重系数完成训练；(4)将测试集的数据对应输入速度预测估计模型后再输入训练好的组合测速模型中获得速度预测估计值。本发明专利技术通过优化组合测速的分配系数提高列车速度预测准确性。速的分配系数提高列车速度预测准确性。速的分配系数提高列车速度预测准确性。

【技术实现步骤摘要】
一种地铁列车智能组合测速方法


[0001]本专利技术涉及电子信息
，具体是涉及一种地铁列车智能组合测速方法。

技术介绍

[0002]当前，地铁或轻轨信号系统的测速传感器，通常使用测速电机(OPG)、里程计(ODO)、霍尔式速度传感器、多普勒雷达和加速度计等，这些传感器各有优缺点，如何合理的利用上述多个传感器在时间和空间上的互补或冗余实测数据(信息)进行组合，实现对列车速度的安全可靠测量及实时精确估计，是目前地铁列控车载ATP的一大难题，也是各大信号厂商的核心技术。
[0003]《基于多源信息融合的列车测速方法研究》一文中公开了一种基于OPG、多普勒雷达、加速度计三个数据源的列车组合测速方案。如附图1所示，采用分散式卡尔曼融合结构，对各个传感器数据信息源先进行各自的滤波处理，分别获得状态估计值，以该状态估计值为主滤波器的输入值，在主滤波器内进行信息融合和最优估计，从而得到最终状态估计。其中，对于主滤波器进行全局的最优估计，对三个传感器的工作状态和信息分配系数需要进行分配。但该文献中3个传感器的工作状态和信息分配系数(权重分配系数)全部采用的是假设值(经验值)，主观性很强，不大适合于列车牵引、惰行、制动等复杂运行工况(包括频繁起动、加减速、恒速(或惰行)和制动)。

技术实现思路

[0004]专利技术目的：针对以上技术问题，本专利技术提供一种地铁列车智能组合测速方法，运用蚁群算法自适应地调整分散式卡尔曼滤波权重的分配系数，从而达到进一步提高列车速度最优估计的精确性与可靠性的目标。
[0005]技术方案：为解决上述问题，本专利技术公开一种地铁列车智能组合测速方法，具体包括以下步骤：
[0006](1)分别采用OPG、雷达、加速度计测量获取N天各时刻列车速度数据，将获取的数据按比例划分为训练集与测试集；
[0007](2)分别针对OPG、雷达、加速度计获取的速度数据构建对应速度预测估计模型，三种速度预测估计模型输出的预测值分别记为第一速度估计值、第二速度估计值、第三速度估计值；将训练集的数据对应输入三种速度预测估计模型获得各时刻下第一速度估计值、第二速度估计值、第三速度估计值；
[0008](3)构建组合测速模型；将步骤(2)获取每时刻的第一速度估计值、第二速度估计值、第三速度估计值作为一组速度估计值组合输入组合测速模型中，通过蚁群算法对于每一组速度估计值组合下的组合预测模型的权重系数进行迭代寻优，当达到最大迭代次数时获得该组速度估计值组合下对应最优的权重系数，完成训练；所述组合测速模型公式为：
[0009][0010]式中，为k时刻组合测速模型输出的预测估计值；为k时刻第一速度估计值；
为k时刻第二速度估计值；为第三速度估计值；KF1为第一速度估计值对应权重；KF2为第二速度估计值对应权重；KF3为第三速度估计值对应权重；
[0011](4)将测试集的数据对应输入三种速度预测估计模型获取各时刻对应速度估计值组合，再将该速度估计值组合输入训练好的组合测速模型中获得各时刻速度预测估计值。
[0012]进一步的，步骤(3)中利用蚁群算法对每一组速度估计值组合下组合预测模型中权重系数进行寻优具体包括以下步骤：
[0013](3.1)初始化数据；权重系数的取值范围为[0,1]且权重取值区间平均分为100份，则组合预测模型中每个速度估计值对应的每个权重区间表示为[x
i，j
,x
i，j+1
]，i＝1,2,3，j＝1,2,
…
,100；初始化各取值区间的信息素浓度；
[0014](3.2)初始化参数并设定最大的迭代次数；初始化参数包括信息启发因子α、期望启发因子β、蚁群数量m、信息挥发因子ρ；
[0015](3.3)蚁群遍历搜索三个速度估计值对应的各权重区间，自每个速度估计值对应的各权重区间中确定选择的权重区间；其中单只蚂蚁搜索具体步骤为：
[0016](3.3.1)通过伪随机数生成器确定蚂蚁的初始位置，并设置禁忌表，使得蚂蚁搜索每个权重区间有且仅有一次；
[0017](3.3.2)计算蚂蚁选择组合预测模型中一个速度估计值对应的各权重区间转移概率，公式为：
[0018][0019]式中，为第k只蚂蚁转移到权重区间j的概率；τ
j
为权重区间j的信息素强度；n
j
为权重区间j的信息期望启发参数；J
k
为第k只蚂蚁下一步可选择的权重区间的集合；
[0020](3.3.3)基于转移概率采用俄罗斯轮盘赌的方式确定蚂蚁在该速度估计值对应的各权重区间中选择的权重区间；
[0021](3.3.4)蚂蚁遍历剩余两个速度估计值对应的各权重区间，重复步骤(3.3.2)至步骤(3.3.3)，分别确定在剩余两个速度估计值对应的各权重区间中选择的权重区间；
[0022](3.4)更新信息素；蚁群中所有蚂蚁完成一次搜索后，计算各蚂蚁选择的权重区间下的组合预测模型综合评价指标，选取综合评价指标最大对应蚂蚁为最优蚂蚁，最优蚂蚁选择的权重区间为最优权重区间；对最优蚂蚁选择的权重区间的信息素浓度更新，更新公式：
[0023]τ
i
＝(1
‑
ρ)τ
i
‑1+L
[0024]式中，L为蚂蚁选择的权重区间下的组合测速模型精度指标值；
[0025]对未选择的权重区间的信息素更新，更新公式：
[0026]τ
i
＝(1
‑
ρ)τ
i
‑1[0027](3.5)判断当前迭代次数是否达到最大迭代次数，若达到，则输出最优权重区间；否则，返回至步骤(3.3)继续循环直至达到最大迭代次数。
[0028]进一步的，步骤(2)中构建对应速度预测估计模型获取速度估计值具体为：
[0029]构建三种预测估计模型；第一种速度预测估计模型为采用第一卡尔曼滤波器对于
OPG获得列车速度数据进行速度预测，获取第一速度估计值；第二种速度预测估计模型为采用第二卡尔曼滤波器对于雷达获得列车速度数据进行速度预测，获取第二速度估计值；第三种速度预测估计模型为采用第三卡尔曼滤波器对于加速度计获得列车速度数据进行速度预测，获取第三速度估计值。
[0030]进一步的，步骤(3.4)中L选用均方根误差(RMSE)指标，即：
[0031][0032]式中，x(t)为第t时刻的组合测速模型速度估计值；为第t时刻的实际速度值，n为正数，速度序列的个数。
[0033]此外，本专利技术还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述方法的步骤。
[0034]有益效果：本专利技术提供一种地铁列车智能组合测速方法相对于现有技术，其显著优点是：将卡尔曼滤波和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地铁列车智能组合测速方法，其特征在于，包括以下步骤：(1)分别采用OPG、雷达、加速度计测量获取N天各时刻列车速度数据，将获取的数据按比例划分为训练集与测试集；(2)分别针对OPG、雷达、加速度计获取的速度数据构建对应速度预测估计模型，三种速度预测估计模型输出的预测值分别记为第一速度估计值、第二速度估计值、第三速度估计值；将训练集数据对应输入三种速度预测估计模型获得各时刻下第一速度估计值、第二速度估计值、第三速度估计值；(3)构建组合测速模型；将步骤(2)获取每时刻的第一速度估计值、第二速度估计值、第三速度估计值作为一组速度估计值组合输入组合测速模型中，通过蚁群算法对每一组速度估计值组合下的组合预测模型的权重系数进行迭代寻优，当达到最大迭代次数时获得该组速度估计值组合下对应最优的权重系数完成训练；所述组合测速模型公式为：式中，为k时刻组合测速模型输出的预测估计值；为k时刻第一速度估计值；为k时刻第二速度估计值；为第三速度估计值；KF1为第一速度估计值对应权重；KF2为第二速度估计值对应权重；KF3为第三速度估计值对应权重；(4)将测试集的数据对应输入三种速度预测估计模型获取各时刻对应速度估计值组合，再将该速度估计值组合输入训练好的组合测速模型中获得各时刻速度预测估计值。2.根据权利要求1所述的低成本高可靠地铁列车智能组合测速方法，其特征在于，步骤(3)中利用蚁群算法对每一组速度估计值组合下组合预测模型中权重系数进行寻优具体包括以下步骤：(3.1)初始化数据；权重系数的取值范围为[0,1]且权重取值区间平均分为100份，则组合预测模型中每个速度估计值对应的每个权重区间表示为[x
i，j
,x
i，j+1
]，i＝1,2,3，j＝1,2,
…
,100；初始化各取值区间的信息素浓度；(3.2)初始化参数并设定最大的迭代次数；初始化参数包括信息启发因子α、期望启发因子β、蚁群数量m、信息挥发因子ρ；(3.3)蚁群遍历搜索三个速度估计值对应的各权重区间；其中单只蚂蚁搜索具体步骤为：(3.3.1)通过伪随机数生成器确定蚂蚁的初始位置，并设置禁忌表，使得蚂蚁搜索每个权重区间有且仅有一次；(3.3.2)计算蚂蚁选择组合预测模型中一个速度估计值对应的各权重区间转移概率，公式为：式中，为第k只蚂蚁转移到权重区间j的概率；τ
j
为权重区间j的信息素强度；n
j
为权重区...

【专利技术属性】
技术研发人员：陆海亭，
申请(专利权)人：南京交通职业技术学院，
类型：发明
国别省市：