CN110427993B - 基于气象参数的高速列车导航盲区定位方法 - Google Patents

Abstract

本发明公开了一种基于气象参数的高速列车导航盲区定位方法，采集隧道气象参数；对采集的隧道气象参数进行分类；利用分类的隧道气象参数构建典型序列HSV颜色空间模板库；训练所述典型序列HSV颜色空间模板库；训练HSV模板匹配模型；训练RVM识别模型；构建HSV模板匹配模型与RVM识别模型的融合模型，即得到里程预测融合模型；获取输入数据，调用里程预测融合模型，预测列车位置。本发明充分利用人工智能大数据分析技术，充分挖掘隧道内环境参数随隧道深度变化的潜在规律。从数据驱动建模的角度解决长大隧道这一典型导航盲区内列车定位的难题。

Description

基于气象参数的高速列车导航盲区定位方法

技术领域

本发明涉及基于气象参数的高速列车导航盲区定位方法。

背景技术

近年来，越来越多铁路线路铺往中国的西部地区，随着地势和地形的变化，线路不免经过很多高山地区，在隧道内搜索不到导航卫星的信号，会造成短暂信息失联，形成导航盲区，危及行车安全。隧道内列车准确定位对保证列车行车安全具有重要意义。

目前国内对于长大隧道这一典型导航盲区内的列车定位方向的研究尚处于初步阶段，为避免由于信号缺失而造成的定位盲区和行车事故，需开发定位准确、成本适合且易实施的定位装备及方法。目前最新提出的列车隧道定位方法有以下几种：

隧道导航信息仿真系统，通过卫星信号模拟器获取信息再生成仿真导航信息经过光缆发送至目标列车，能够实现载隧道内的连续导航定位仿真，达到降低成本，解决隧道内信息丢失和时间不连续问题的目的。但所需光缆组较多，对硬件条件需求高，且在实际应用中需要针对不同地形位置特别设计，普适性差。

轨旁列车定位装置，在列车运行过程中获取轨旁设备图像，通过轨旁智能识别装置结合电子地图，实现对列车的定位。识别精度会随相机的帧率的提升而提升，但需要在沿线布置轨旁设备，维护成本较高。

此外还有测速计算式定位和应答式定位等技术，但同样存在定位精度不足或者维护成本过高的问题，综上可知现有的隧道内列车定位技术难以在保证较高的定位精度下实现大面积推广。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于气象参数的高速列车导航盲区定位方法，解决长大隧道典型导航盲区内列车定位的难题。

为解决上述技术问题，本发明所采用的技术方案是：一种基于气象参数的高速列车导航盲区定位方法，包括以下步骤：

1)采集隧道气象参数；

2)对步骤1)采集的隧道气象参数进行分类；

3)利用分类的隧道气象参数构建典型序列HSV颜色空间模板库；

4)训练所述典型序列HSV颜色空间模板库；

5)利用所述HSV颜色空间模板库训练HSV模板匹配模型；训练RVM识别模型；

6)构建HSV模板匹配模型与RVM识别模型的融合模型，即得到里程预测融合模型；

7)获取输入数据，调用里程预测融合模型，预测列车位置。

步骤1)中，利用采集的隧道气象参数构建隧道气象参数数据库，具体构建过程包括：采集列车一次通过某隧道时采集的温度、湿度时间序列、所在区域的经纬度以及时平均气温、时平均湿度、时平均太阳辐射量的预测值，构成1组隧道气象参数样本；辖区内所有列车1年内运行采集的隧道气象参数样本构成隧道气象参数数据库。

步骤2)的具体实现过程包括：

a)采用球坐标转换关系，将经纬度坐标转换为平面坐标；对隧道气象参数进行归一化处理，处理后的经度、维度坐标和隧道气象参数组成隧道类别粗划分输入属性集合；

b)以隧道类别粗划分输入属性为对象，采用OPTICS算法进行隧道群样本输出排序，将序列的可达距离与设定邻域距离参数ε相比较，序列中可达距离小于设定值的连续样本构成一个样本簇；获取每个聚类样本簇的聚类中心

及距离聚类中心最近的5个样本

其中

对应于转换后的经度、纬度、时平均气温、时平均湿度、时平均太阳辐射量；将聚类中心

和5个样本

定义为当前类别的表征样本；

c)针对每个基于隧道类别粗划分输入属性集合获得的聚类样本簇进行进一步划分。

针对每个基于隧道类别粗划分输入属性集合获得的聚类样本簇进行进一步划分的具体实现过程包括：

1)将样本簇中列车通过隧道时的温度时间序列和湿度时间序列进行镜像延拓，将样本簇内的温度、湿度时间序列转化为长度分别等于各自最长样本长度的序列；

2)设定延迟时间和窗口长度，采用延迟坐标法对温度、湿度时间最长样本长度的序列进行相空间重构，获取代表温度湿度演化特性的二维重构矩阵；

3)将样本的二维重构矩阵输入训练自动编码器，获取用于进一步划分的深度特征属性集合；

4)将深度特征属性集合作为输入，按照步骤b)的流程获取二次聚类的每个聚类样本簇的聚类中心

及距离聚类中心最近的5个样本；将聚类中心

和5个样本

定义为当前类别二次聚类的表征样本。

步骤3)的具体实现过程包括：将各类别隧道群体中距离该群体对应的聚类中心最近的5个二次聚类的表征样本

作为该类别下的典型隧道样本；将典型隧道样本中随隧道里程变化的气温和湿度参数序列作为该类别的模板序列，设定延迟时间和窗口长度，采用延迟坐标法对温度、湿度和温度差分序列时间序列进行相空间重构，获取三个代表温度湿度演化特性的二维重构矩阵，将三个矩阵组合按照HSV颜色空间组合，形成彩色图像即为模板图像f_i,i＝1,2…5。

训练HSV模板匹配模型的具体实现过程包括：

1)采集温度、湿度和温度差分时间序列中当前样本点及往前的N个采样点；

2)设定延迟时间和窗口长度，采用延迟坐标法进行相空间重构，获取三个代表温度湿度演化特性的二维重构矩阵，将三个矩阵组合按照HSV颜色空间组合，形成当前位置特征图像h；

3)将当前位置特征图像与模板库中的图像进行卷积运算

其中每个g_i均为一个一维序列；

4)对所有g_i序列中的元素进行由大到小的排序，确定的最的5个元素为候选元素，候选元素对应的排序前所在位置为候选位置，候选位置对应的里程值为l_j,j＝1,2,…5；

5)将候选位置对应的里程值取均值确定为当前的模板匹配输出值，即模板匹配输出值O^M＝mean(l_j),j＝1,2,…5。

训练RVM识别模型的具体实现过程包括：

1)定义训练样本，定义输入样本I＝(T,H,t₀,h₀,r₀),其中T＝(t₁,t₂…,t₁₉,t₂₀)为隧道内当前样本点及往前N个样本点的温度时间序列，其中H＝(h₁,h₂…,h₁₉,h₂₀)为隧道内的当前样本点及往前N个样本点的湿度时间序列，t₀,h₀和r₀分别为从气象站获取的时平均气温、时平均湿度和时平均太阳辐射量的预测值；输出样本为当前位置对应的里程值O，输入和输出组合Y＝{I,O}构成建模样本；针对每个二次聚类形成的同类隧道群体，选取M₁个样本用于建立里程预测模型，M的取值范围为[2000,6000]；

2)划分训练集、验证集和测试集，采用无放回随机采样的方式选取M个样本中60％作为训练集，30％作为验证集，10％作为测试集；

3)采用二进制鲸鱼算法优化模型的输入特征，即对输入样本I中每个维度的特征进行二进制编码，当某维度的特征对应的编码值为1时，该特征被选择作为RVM模型的输入变量，当某维度的特征对应的编码值为0时，该维度的特征被舍弃，将43个维度特征随机初始化编码为0或1；

4)基于当前特征编码值，确定输入特征，采用训练集数据训练RVM模型，将验证集数据输入训练好的RVM模型，获取模型输出序列为

其中M₁＝0.3M；定义优化目标函数

其中

为验证集的真实输出值；

5)采用二进制鲸鱼算法进行迭代优化运算，确定最优的输入特征和RVM模型，该模型即为RVM里程预测模型。

HSV模板匹配与RVM识别融合模型

其中，

预测列车位置的具体实现过程包括：计算当前样本点的RVM模型输入向量，将RVM模型输入向量代入RVM里程预测模型中，获取目标RVM模型输出值；获取当前样本点的模板匹配模型输入值，代入HSV模板匹配模型中，获取目标模板匹配模型输出值；参照HSV模板匹配与RVM识别融合模型获取最终列车位置预测结果；其中，目标模板匹配模型是指二次聚类目标样本簇下训练的模型；二次聚类目标样本簇是指当前样本点到所有一次聚类目标样本簇下属的二次聚类表征样本间最小值对应的样本簇。

与现有技术相比，本发明所具有的有益效果为：本发明充分利用人工智能大数据分析技术，充分挖掘隧道内环境参数随隧道深度变化的潜在规律。从数据驱动建模的角度解决长大隧道这一典型导航盲区内列车定位的难题。本发明所述方法在建模完成后只需要车载温湿度传感器即可实现输入数据采集，无需任何轨旁设备，降低了系统建设成本和维护成本。

附图说明

图1为数据采集及类别粗划分流程图；

图2为类别二次划分及模型建立流程图；

图3为时间序列相空间重构与HSV颜色空间组合；

图4为测试过程模型调用流程图。

具体实施方式

步骤1：采集隧道气象参数，构建隧道气象参数数据库

通过车载传感器实时采集列车通过时隧道内的温度和湿度和里程时间序列，采样间隔为0.1s。利用隧道所在地区的气象站获取当前位置的经纬度、时平均气温、时平均湿度、时平均太阳辐射量的预测值。列车一次通过某隧道时采集的温度、湿度时间序列、所在区域的经纬度以及时平均气温、时平均湿度、时平均太阳辐射量的预测值构成1组隧道气象参数样本。辖区内所有列车1年内运行采集的隧道气象参数样本构成隧道气象参数数据库。

步骤2：隧道气象参数多尺度分层分类

基于隧道气象参数数据库，以通过某隧道时采集的温度、湿度时间序列、所在区域的经纬度以及时平均气温、时平均湿度、时平均太阳辐射量的预测值作为信息输入，进行多类型属性、多特征尺度、多层次的类别划分，实现属性相近的隧道群体的归类。如图2和图3所示，具体实现流程如下：

步骤A1:采用球坐标转换关系，将经纬度坐标转换为平面坐标。对转换后的经纬度、时平均气温、时平均湿度、时平均太阳辐射量进行归一化处理，形成隧道类别粗划分输入属性集合。

步骤A2:设定初始邻域距离参数ε为0.1，初始邻域样本数参数MinPts为5，以隧道类别粗划分输入属性为对象，采用OPTICS算法进行隧道群样本输出排序。将序列的可达距离与设定邻域距离参数ε相比较，序列中可达距离小于设定值的连续样本构成一个样本簇。获取每个聚类样本簇的聚类中心

及距离聚类中心最近的5个样本

其中

对应于转换后的经度、纬度、时平均气温、时平均湿度、时平均太阳辐射量等5个属性。将聚类中心

和5个样本

定义为当前类别的表征样本。

步骤A3:针对每个基于隧道类别粗划分输入属性集合获得的聚类样本簇进行进一步划分。具体包括以下子步骤：①针对样本簇中列车通过隧道时的温度时间序列和湿度时间序列进行镜像延拓，将样本簇内的温度、湿度时间序列转化为长度分别等于各自最长样本长度的序列。②设定延迟时间为1，窗口长度为5，采用延迟坐标法对温度、湿度时间序列进行相空间重构，获取代表温度湿度演化特性的二维重构矩阵。③将样本的重构矩阵输入训练自动编码器，获取用于进一步划分的深度特征属性集合。④采用深度特征属性集合作为输入，按照步骤A2中的流程获取二次聚类的每个聚类样本簇的聚类中心

及距离聚类中心最近的5个样本

其中

对应于深度特征属性集合中的5个维度变量。将聚类中心

和5个样本

定义为当前类别二次聚类的表征样本。

步骤3：构建典型序列HSV颜色空间模板库

将各类别隧道群体中距离该群体对应的聚类中心最近的5个隧道样本

作为该类别下的典型隧道样本。如图3所示，将典型样本中随隧道里程变化的气温和湿度参数序列作为该类别的模板序列，设定延迟时间为1，窗口长度为5，采用延迟坐标法对温度、湿度和温度差分序列时间序列进行相空间重构，获取三个代表温度湿度演化特性的二维重构矩阵，将三个矩阵组合按照HSV颜色空间组合，形成彩色图像即为模板图像f_i,i＝1,2…5。

步骤4：训练HSV模板匹配模型

基于当前位置样本点及往前的一段样本序列，进行相空间重构和HSV颜色空间组合，构建当前位置特征图像。将当前位置特征模块与模板库中图像进行相关性计算，确定当前位置在模板库中的最佳匹配位置。具体包括以下步骤：

步骤B1:采集温度、湿度和温度差分时间序列中当前样本点及往前的19个采样点。

步骤B2:设定延迟时间为1，窗口长度为5，采用延迟坐标法进行相空间重构，获取三个代表温度湿度演化特性的二维重构矩阵，将三个矩阵组合按照HSV颜色空间组合，形成当前位置特征图像h。

步骤B3:将当前位置特征图像与模板库中的图像进行卷积运算

其中每个g_i均为一个一维序列。

步骤B4:对所有g_i序列中的元素进行由大到小的排序，确定的最的5个元素为候选元素，候选元素对应的排序前所在位置为候选位置，候选位置对应的里程值为l_j,j＝1,2,…5。

步骤B5:将候选位置对应的里程值取均值确定为当前的模板匹配输出值，即模板匹配输出值O^M＝mean(l_j),j＝1,2,…5。

步骤5：训练RVM识别模型

采用同类隧道群体的数据，以温度序列、湿度序列、时平均气温、时平均湿度、时平均太阳辐射量为输入，以当前隧道内的里程数据为输出，训练相关向量机(RVM)，建立隧道里程预测模型。具体包括以下步骤：

步骤C1:定义训练样本，定义输入样本I＝(T,H,t₀,h₀,r₀),其中T＝(t₁,t₂…,t₁₉,t₂₀)为隧道内当前样本点及往前19个样本点的温度时间序列，其中H＝(h₁,h₂…,h₁₉,h₂₀)为隧道内的当前样本点及往前19个样本点的湿度时间序列，t₀,h₀和r₀分别为从气象站获取的时平均气温、时平均湿度和时平均太阳辐射量的预测值。输出样本为当前位置对应的里程值O。输入和输出组合Y＝{I,O}构成建模样本。针对每个二次聚类形成的同类隧道群体，选取M个(本发明中，M取5000)样本用于建立里程预测模型。

步骤C2:划分训练样本和验证样本和测试样本。采用无放回随机采样的方式选取M个样本中60％作为训练集，30％作为验证集，10％作为测试集。

步骤C3:确定优化对象，初始化优化值。采用二进制鲸鱼算法优化模型的输入特征，即对输入样本I中每个维度的特征进行二进制编码，当某维度的特征对应的编码值为1时，该特征被选择作为RVM模型的输入变量，当某维度的特征对应的编码值为0时，该维度的特征将被舍弃。将43个维度特征随机初始化编码为0或1。

步骤C4:确定优化目标函数。基于当前特征编码值，确定输入特征，采用训练集数据训练RVM模型。将验证集数据输入训练好的RVM模型，获取模型输出序列为

其中M₁＝0.3M。定义优化目标函数

式中

验证集的真实输出值。

步骤C5:输出优化预测模型。采用二进制鲸鱼算法进行迭代优化运算，确定最优的输入特征和RVM模型，该模型为RVM里程预测模型。

步骤6：构建HSV模板匹配与RVM识别融合模型

将测试集数据代入RVM里程预测模型，获取模型输出序列为

其中M₂＝0.1M。以测试集数据为输入，按照步骤4的操作流程，获取模板匹配的模型输出结果为

测试集数据中的真实输出结果为

计算RVM模型输出值与真实值的误差为

计算模板匹配模型输出值与真实值的误差为

获取同时计算当前若干模板样本与当前样本的距离。则RVM模型的模型融合系数的定义为

则模板匹配模型的模型融合系数的定义为

则模型的最终输出结果为

步骤7：获取输入数据，调用里程预测融合模型

列车运行过程中，通过区域内的气象站获取当前、隧道外气温、气压和太阳辐射数据。利用安装在列车头部和尾部的温度湿度传感器，获取当前的温度湿度序列。具体包括以下步骤：

步骤D1:参照步骤二的流程，获取用于一次聚类时的输入属性

其中

对应于转换后的经度、纬度、时平均气温、时平均湿度、时平均太阳辐射量等5个属性。参照步骤二的流程，获取用于二次次聚类时的输入属性

其中

对应于深度特征属性集合中的5个属性。

步骤D2:计算当前样本点特征值

与第一次聚类表征样本间的距离

取当前样本点到所有聚类表征样本间最小值对应的样本簇为一次聚类目标样本簇。

步骤D3:计算当前样本点特征值X_t ²与第二次聚类表征样本间的距离

取当前样本点到所有一次聚类目标样本簇下属的二次聚类表征样本间最小值对应的样本簇为二次聚类目标样本簇。该样本簇下训练的模型和模板库为目标模型和目标模板库。

步骤8：预测列车位置

参照步骤5的流程计算当前样本点的RVM模型输入向量，将RVM模型输入向量带入目标模型中，获取目标RVM模型输出值。参照步骤4的流程获取当前样本点的模板匹配模型输入值，带入目标模板匹配模型中，获取目标模板匹配模型输出值。参照式6获取最终列车位置预测结果。

Claims (7)

1.一种基于气象参数的高速列车导航盲区定位方法，其特征在于，包括以下步骤：

1)采集隧道气象参数；

2)对步骤1)采集的隧道气象参数进行分类；

3)利用分类的隧道气象参数构建典型序列HSV颜色空间模板库；

4)训练所述典型序列HSV颜色空间模板库；

5)利用所述HSV颜色空间模板库训练HSV模板匹配模型；训练RVM识别模型；

训练RVM识别模型的具体实现过程包括：

A)定义训练样本，定义输入样本I＝(T,H,t₀,h₀,r₀),其中T＝(t₁,t₂…,t₁₉,t₂₀)为隧道内当前样本点及往前N个样本点的温度时间序列，其中H＝(h₁,h₂…,h₁₉,h₂₀)为隧道内的当前样本点及往前N个样本点的湿度时间序列，t₀,h₀和r₀分别为从气象站获取的时平均气温、时平均湿度和时平均太阳辐射量的预测值；输出样本为当前位置对应的里程值O，输入和输出组合Y＝{I,O}构成建模样本；针对每个二次聚类形成的同类隧道群体，选取M个样本用于建立里程预测模型，M的取值范围为[2000,6000]；

B)划分训练集、验证集和测试集，采用无放回随机采样的方式选取M个样本中60％作为训练集，30％作为验证集，10％作为测试集；

C)采用二进制鲸鱼算法优化模型的输入特征，即对输入样本I中每个维度的特征进行二进制编码，当某维度的特征对应的编码值为1时，该特征被选择作为RVM模型的输入变量，当某维度的特征对应的编码值为0时，该维度的特征被舍弃，将43个维度特征随机初始化编码为0或1；

D)基于当前特征编码值，确定输入特征，采用训练集数据训练RVM模型，将验证集数据输入训练好的RVM模型，获取模型输出序列为

其中M₁＝0.3M；定义优化目标函数

其中

为验证集的真实输出值；

E)采用二进制鲸鱼算法进行迭代优化运算，确定最优的输入特征和RVM模型，该模型即为RVM识别模型；

6)构建HSV模板匹配模型与RVM识别模型的融合模型，即得到里程预测融合模型；HSV模板匹配与RVM识别模型的融合模型

其中，

为将测试集数据代入RVM识别模型获取的输出序列，

为以测试集数据为输入，HSV模板匹配模型的输出结果，M₂＝0.1M，

为真实值；

7)获取输入数据，调用里程预测融合模型，预测列车位置。

2.根据权利要求1所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，步骤1)中，利用采集的隧道气象参数构建隧道气象参数数据库，具体构建过程包括：采集列车一次通过某隧道时采集的温度、湿度时间序列、所在区域的经纬度以及时平均气温、时平均湿度、时平均太阳辐射量的预测值，构成1组隧道气象参数样本；辖区内所有列车1年内运行采集的隧道气象参数样本构成隧道气象参数数据库。

3.根据权利要求1所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，步骤2)的具体实现过程包括：

a)采用球坐标转换关系，将经纬度坐标转换为平面坐标；对隧道气象参数进行归一化处理，处理后的经度、维度坐标和隧道气象参数组成隧道类别粗划分输入属性集合；

b)以隧道类别粗划分输入属性为对象，采用OPTICS算法进行隧道群样本输出排序，将序列的可达距离与设定邻域距离参数ε相比较，序列中可达距离小于设定值的连续样本构成一个样本簇；获取每个聚类样本簇的聚类中心

及距离聚类中心最近的5个样本

其中

对应于转换后的经度、纬度、时平均气温、时平均湿度、时平均太阳辐射量；将聚类中心

和5个样本

定义为当前类别的表征样本；

c)针对每个基于隧道类别粗划分输入属性集合获得的聚类样本簇进行进一步划分。

4.根据权利要求3所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，针对每个基于隧道类别粗划分输入属性集合获得的聚类样本簇进行进一步划分的具体实现过程包括：

1)将样本簇中列车通过隧道时的温度时间序列和湿度时间序列进行镜像延拓，将样本簇内的温度、湿度时间序列转化为长度分别等于各自最长样本长度的序列；

2)设定延迟时间和窗口长度，采用延迟坐标法对温度、湿度时间最长样本长度的序列进行相空间重构，获取代表温度湿度演化特性的二维重构矩阵；

3)将样本的二维重构矩阵输入训练自动编码器，获取用于进一步划分的深度特征属性集合；

4)将深度特征属性集合作为输入，按照步骤b)的流程获取二次聚类的每个聚类样本簇的聚类中心

及距离聚类中心最近的5个样本；将聚类中心

和5个样本

定义为当前类别二次聚类的表征样本。

5.根据权利要求4所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，步骤3)的具体实现过程包括：将各类别隧道群体中距离该群体对应的聚类中心最近的5个二次聚类的表征样本

作为该类别下的典型隧道样本；将典型隧道样本中随隧道里程变化的气温和湿度参数序列作为该类别的模板序列，设定延迟时间和窗口长度，采用延迟坐标法对温度、湿度和温度差分序列时间序列进行相空间重构，获取三个代表温度湿度演化特性的二维重构矩阵，将三个矩阵组合按照HSV颜色空间组合，形成彩色图像即为模板图像f_i,i＝1,2…5。

6.根据权利要求5所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，训练HSV模板匹配模型的具体实现过程包括：

1)采集温度、湿度和温度差分时间序列中当前样本点及往前的N个采样点；

2)设定延迟时间和窗口长度，采用延迟坐标法进行相空间重构，获取三个代表温度湿度演化特性的二维重构矩阵，将三个矩阵组合按照HSV颜色空间组合，形成当前位置特征图像h；

3)将当前位置特征图像与模板库中的图像进行卷积运算

其中每个g_i均为一个一维序列；

4)对所有g_i序列中的元素进行由大到小的排序，确定最大的5个元素为候选元素，候选元素对应的排序前所在位置为候选位置，候选位置对应的里程值为l_j,j＝1,2,…5；

5)将候选位置对应的里程值取均值确定为当前的模板匹配输出值，即模板匹配输出值O^M＝mean(l_j),j＝1,2,…5。

7.根据权利要求6所述的基于气象参数的高速列车导航盲区定位方法，其特征在于，预测列车位置的具体实现过程包括：计算当前样本点的RVM模型输入向量，将RVM模型输入向量代入RVM里程预测模型中，获取目标RVM模型输出值；获取当前样本点的模板匹配模型输入值，代入HSV模板匹配模型中，获取目标模板匹配模型输出值；参照HSV模板匹配与RVM识别融合模型获取最终列车位置预测结果；其中，目标模板匹配模型是指二次聚类目标样本簇下训练的模型；二次聚类目标样本簇是指当前样本点到所有一次聚类目标样本簇下属的二次聚类表征样本间最小值对应的样本簇。

Images