CN105095983B - 地铁列车轨迹的实时预测方法 - Google Patents

Abstract

本发明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。

Description

地铁列车轨迹的实时预测方法

技术领域

本发明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。

背景技术

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。

发明内容

本发明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。

实现本发明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，...，x_n]和y＝[y₁，y₂，...，y_n]，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，...，Δx_n-1]和Δy＝[Δy₁，Δy₂，...，Δy_n-1]，其中Δx_i＝x_i+1-x_i，Δy_i＝y_i+1-y_i(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′，采用遗传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，...，o_T′)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，...，o_H)，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，...，A₁ ^n-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)^-1 B₁+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表示列车运行速度状态参数的转换点，Pre和Post分别表示各子路段和站点间的前后向连接关系，表示列车所处的运行路段，其中m表示模型标识，Z⁺表示正整数集合；

步骤C2、列车全运行剖面混杂系统建模，将列车在站点间的运行视为连续过程，从列车的受力情形出发，依据能量模型推导列车在不同运行阶段的动力学方程，结合外界干扰因素，建立关于列车在某一运行阶段速度v_G的映射函数v_G＝λ(T₁，T₂，H，R，α)，其中T₁、T₂、H、R和α分别表示列车牵引力、列车制动力、列车阻力、列车重力和列车状态随机波动参数；

步骤C3、采用混杂仿真的方式推测求解列车轨迹，通过将时间细分，利用状态连续变化的特性递推求解任意时刻列车在某一运行阶段距初始停靠位置点的距离，J(τ)＝J₀+∫₀ ^Δτv_G(τ)dτ，其中J₀为初始时刻列车距初始停靠位置点的航程，Δτ为时间窗的数值，J(τ)为τ时刻列车距初始停靠位置点的路程，由此可以推测得到单列车轨迹；

步骤C4、列车在站时间概率分布函数建模，针对特定运行线路，通过调取列车在各车站的停站时间数据，获取不同线路不同站点条件下列车的停站时间概率分布；

步骤C5、多列车耦合的无冲突鲁棒轨迹调配，根据各列车预达冲突点的时间，通过时段划分，在每一采样时刻t，在融入随机因子的前提下，按照调度规则对冲突点附近不满足安全间隔要求的列车轨迹实施鲁棒二次规划。

进一步的，步骤D中，聚类个数M′的值为4，隐状态数目N′的值为3，参数更新时段τ′为30秒，T′为10，为30秒，H为10，预测时域h′为300秒。

本发明具有积极的效果：(1)本发明的地铁列车轨迹的实时预测方法在满足轨道交通管制安全间隔的前提下，以列车的实时位置信息为基础而非在预测实施前设定列车的特定运行状态，运用数据挖掘手段动态推测列车轨迹。(2)本发明基于所构建的列车运行轨迹滚动预测方案，可以及时融入列车实时运行中的各类干扰因素，提高列车轨迹预测的准确性，克服常规离线预测方案精确度不高的缺点。(3)本发明基于轨道交通网络拓扑结构的可控性和敏感性分析结果，可为地铁交通流轨迹预测提供科学依据，避免预测方案选取的随意性。

附图说明

图1为列车流运行特性分析图；

图2为无冲突3D鲁棒轨迹推测图。

具体实施方式

(实施例1)

一种地铁交通流优化控制系统，包括线路拓扑结构生成模块、数据传输模块、车载终端模块、控制终端模块以及轨迹监视模块，轨迹监视模块收集列车的状态信息并提供给控制终端模块。

所述控制终端模块包括以下子模块：

列车运行前无冲突轨迹生成模块：根据列车计划运行时刻表，首先建立列车动力学模型，然后依据列车运行冲突耦合点建立列车运行冲突预调配模型，最后生成无冲突列车运行轨迹。

列车运行中短期轨迹生成模块：依据轨迹监视模块提供的列车实时状态信息，利用数据挖掘模型，推测未来时段内列车的运行轨迹。

列车运行态势监控模块：在每一采样时刻t，基于列车的轨迹推测结果，当列车间有可能出现违反安全规则的状况时，对其动态行为实施监控并为控制终端提供告警信息。

列车避撞轨迹优化模块：当列车运行态势监控模块发出告警信息时，在满足列车物理性能、区域容流约束和轨道交通调度规则的前提下，通过设定优化指标函数，采用自适应控制理论方法由控制终端模块对列车运行轨迹进行鲁棒双层规划，并通过数据传输模块将规划结果传输给车载终端模块执行。列车避撞轨迹优化模块包含内层规划和外层规划两类规划过程。

应用上述地铁交通流优化控制系统的地铁列车轨迹的实时预测方法，包括以下步骤：

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；其具体过程如下：

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。

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；其具体过程如下：

步骤B1、见图1，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，...，A₁ ^n-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)^-1 B₁+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；

步骤C、见图2，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；其具体过程如下：

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表示列车运行速度状态参数的转换点，Pre和Post分别表示各子路段和站点间的前后向连接关系，表示列车所处的运行路段，其中m表示模型标识，Z⁺表示正整数集合；

步骤C2、列车全运行剖面混杂系统建模，将列车在站点间的运行视为连续过程，从列车的受力情形出发，依据能量模型推导列车在不同运行阶段的动力学方程，结合外界干扰因素，建立关于列车在某一运行阶段速度v_G的映射函数v_G＝λ(T₁，T₂，H，R，α)，其中T₁、T₂、H、R和α分别表示列车牵引力、列车制动力、列车阻力、列车重力和列车状态随机波动参数；

步骤C3、采用混杂仿真的方式推测求解列车轨迹，通过将时间细分，利用状态连续变化的特性递推求解任意时刻列车在某一运行阶段距初始停靠位置点的距离，J(τ)＝J₀+∫₀ ^Δτv_G(τ)dτ，其中J₀为初始时刻列车距初始停靠位置点的航程，Δτ为时间窗的数值，J(τ)为τ时刻列车距初始停靠位置点的路程，由此可以推测得到单列车轨迹；

步骤C4、列车在站时间概率分布函数建模，针对特定运行线路，通过调取列车在各车站的停站时间数据，获取不同线路不同站点条件下列车的停站时间概率分布；

步骤C5、多列车耦合的无冲突鲁棒轨迹调配，根据各列车预达冲突点的时间，通过时段划分，在每一采样时刻t，在融入随机因子的前提下，按照调度规则对冲突点附近不满足安全间隔要求的列车轨迹实施鲁棒二次规划。

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，...，x_n]和y＝[y₁，y₂，...，y_n]，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，...，Δx_n-1]和Δy＝[Δy₁，Δy₂，...，Δy_n-1]，其中Δx_i＝x_i+1-x_i，Δy_i＝y_i+1-y_i(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′，采用遗传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，...，o_T′)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，...，o_H)，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；

上述聚类个数M′的值为4，隐状态数目N′的值为3，参数更新时段τ′为30秒，T′为10，为30秒，H为10，预测时域h′为300秒。

显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (1)

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,K,x_n]和y＝[y₁,y₂,K,y_n]，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△x＝[△x₁,△x₂,K,△x_n-1]和△y＝[△y₁,△y₂,K,△y_n-1],其中△x_i＝x_i+1-x_i,△y_i＝y_i+1-y_i(i＝1,2,K,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△x和△y，通过设定聚类个数M'，采用遗传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△x和△y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,K,o_T')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,K,o_H)，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。