CN110497943B - 一种基于强化学习的城轨列车节能运行策略在线优化方法 - Google Patents

一种基于强化学习的城轨列车节能运行策略在线优化方法 Download PDF

Info

Publication number
CN110497943B
CN110497943B CN201910827467.6A CN201910827467A CN110497943B CN 110497943 B CN110497943 B CN 110497943B CN 201910827467 A CN201910827467 A CN 201910827467A CN 110497943 B CN110497943 B CN 110497943B
Authority
CN
China
Prior art keywords
train
stage
traction
model
energy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910827467.6A
Other languages
English (en)
Other versions
CN110497943A (zh
Inventor
王小敏
杨旭立
张文芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910827467.6A priority Critical patent/CN110497943B/zh
Publication of CN110497943A publication Critical patent/CN110497943A/zh
Application granted granted Critical
Publication of CN110497943B publication Critical patent/CN110497943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/40—Handling position reports or trackside vehicle data

Abstract

本发明公开了一种基于强化学习的城轨列车节能运行策略在线优化方法，首先对列车运行过程进行分析，建立多目标速度调整模型，然后基于强化学习算法对列车能耗优化问题进行求解。该方法不需要目标速度曲线，能够利用实时采集的列车速度、位置信息，在不同计划运行时间并满足安全、准点、舒适、精准停车的条件下选择节能策略运行，有效降低能耗，能够对实际运行过程中的扰动进行在线响应，适用性强。

Description

一种基于强化学习的城轨列车节能运行策略在线优化方法
技术领域
本发明涉及城市轨道交通列车运行控制领域，具体涉及一种基于强化学习的城轨列车节能运行策略在线优化方法。
背景技术
近年来，城市轨道交通因其安全、舒适、高效、环保等特点得到迅速发展，如何降低地铁列车的牵引能耗成为研究重点。列车牵引能耗很大程度上取决于列车的运行策略，经典的列车运行能耗优化问题就是已知列车特性和运行线路数据，离线搜索出满足超速防护、准点、舒适度、精准停车等约束条件下能耗最低的列车工况序列或目标速度曲线。
随着客运量的增加，网内列车群数量增多，城轨系统结构复杂度增大，列车运行过程中极易受到不同程度的外界扰动，而现有离线优化算法不能对实际扰动进行在线响应，因此需要一种在线优化方法。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于强化学习的城轨列车节能运行策略在线优化方法解决了现有离线算法不能对实际扰动进行在线响应的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于强化学习的城轨列车节能运行策略在线优化方法，包括以下步骤：
S1、确定待优化的列车线路区间的基本参数；
S2、根据列车线路区间的基本参数，将列车运行过程分为n个子阶段，建立列车能耗模型；
S3、建立多目标速度调整模型；
S4、使用强化学习算法，结合多目标速度调整模型，对能耗模型进行求解，得到列车节能运行策略。
进一步地：步骤S1中列车线路区间的基本参数包括：列车参数、线路参数和运营参数；
所述列车参数包括：列车质量、牵引特性曲线、制动特性曲线、最大限制速度和最大加速度；
所述线路参数包括：线路的限速、长度、坡度和曲率；
所述运营参数为列车线路区间的计划运行时间。
进一步地：步骤S2中，所述列车能耗模型为：
Figure GDA0002507037130000021
其中，E为列车能耗，fi为第i个阶段的列车单位质量牵引力或制动力，ξ为牵引工况判断系数，Si为第i个阶段的行驶距离，0≤i≤n。
进一步地：步骤S3中多目标速度调整模型包括：超速防护模型、准点速度调整模型和精准停车模型。
进一步地：步骤S4中的强化学习算法采用深度Q学习算法；所述步骤S4包括以下步骤：
S41、定义列车状态和动作；
S42、根据多目标速度调整模型对列车动作进行调整，得到新的环境状态；
S43、根据调整后的列车动作和环境状态参数，通过能耗模型构建深度Q学习算法中Q网络的状态动作Q函数，使用训练后的Q网络得到列车节能运行策略。
进一步地：步骤S41包括以下步骤：
S411、将列车运行模型重新定义为马尔可夫决策过程，将每一子阶段的时间间隔Δt设为0.2s，将深度Q学习算法中智能体选择的动作定义为每一子阶段内牵引力或制动力使用系数μ，动作空间A设置为μi∈|A(si)|＝[0，0.1，0.5，1]，0≤i≤n，其中，si为环境状态；
S412、将深度Q学习算法中的环境状态si定义为：si＝[xi，vi，T-ti，fi，gi，fFSB(xi)]，其中，xi为i阶段列车位置、vi为i阶段列车速度、T-ti为i阶段剩余运行时间、fi为i阶段单位质量牵引力或制动力、gi为i阶段线路坡道值和fFSB(xi)为i阶段位置xi处FSB触发曲线限速值。
进一步地：步骤S42中根据超速防护模型对列车动作进行调整包括以下步骤：
A1、在列车处于状态si时，判断速度vi是否大于位置xi处的EB触发曲线限速值fEB(xi)，若是，则跳转至A2，若否，则跳转至A3；
A2、以紧急制动率矫正列车当前加速度；
A3、判断速度vi是否大于位置xi处的FSB触发曲线限速值fFSB(xi)，若是，则跳转至A4，若否，则保持列车当前加速度；
A4、以全常用制动率矫正列车当前加速度。
进一步地：步骤S42中根据准点速度调整模型对列车动作进行调整包括以下步骤：
B1、在列车处于状态si时，判断速度vi是否小于剩余时间分配算法计算的最优运行速度，若是，则跳转至步骤B2，若否，保持列车当前牵引力或制动力使用系数μ；
B2、矫正牵引力或制动力使用系数μ使列车进入牵引工况。
进一步地：步骤S42中根据精准停车模型对列车动作进行调整包括以下步骤：
C1、在列车处于状态si时，判断速度vi是否大于停车曲线上当前位置xi处所对应的速度，若是，则跳转至步骤C2，若否，则保持当前加速度；
C2、进入停车阶段，以停车制动率ai矫正列车当前加速度，所述停车制动率ai的计算公式为：
Figure GDA0002507037130000041
Figure GDA0002507037130000042
Figure GDA0002507037130000043
其中，
Figure GDA0002507037130000044
为i-1阶段的实际制动率，ai-1为i-1阶段调整后的停车制动率，ρ为学习率，ρ＝0.1，ai*为i阶段理论停车制动率，xstop目标停车点。
进一步地：步骤S43中根据调整后的列车动作和环境状态参数，通过能耗模型构建深度Q学习算法中Q网络的状态动作Q函数，使用训练后的Q网络得到列车节能运行策略满足以下公式：
Figure GDA0002507037130000045
Figure GDA0002507037130000046
Figure GDA0002507037130000047
其中，ri(*)为i阶段奖励函数，γ为衰减因子，γ＝0.99，ξ为牵引工况判断系数，Qπ(*)为Q函数，ε为贪婪随机策略中的随机概率，ε＝0.5，μi为i阶段牵引力或制动力使用系数。
本发明的有益效果为：通过对列车运行过程进行分析建立能耗模型，充分考虑到列车运行的约束条件，不需要目标速度曲线，能够利用实时采集的列车速度、位置信息，在不同计划运行时间时均能满足安全、准点、舒适、精准停车的条件选择节能策略运行，克服了离线优化算法不能对实际扰动进行在线响应的问题，具有灵活性、可适用性强的特点。
附图说明
图1为一种基于强化学习的城轨列车节能运行策略在线优化方法流程图。
图2为超速防护模型示意图。
图3为剩余时间分配算法示意图。
图4为停车曲线示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于强化学习的城轨列车节能运行策略在线优化方法，包括以下步骤：
S1、确定待优化的列车线路区间的基本参数；
步骤S1中列车线路区间的基本参数包括：列车参数、线路参数和运营参数；
所述列车参数包括：列车质量、牵引特性曲线、制动特性曲线、最大限制速度和最大加速度；
所述线路参数包括：线路的限速、长度、坡度和曲率；
所述运营参数为列车线路区间的计划运行时间。
S2、根据列车线路区间的基本参数，将列车运行过程分为n个子阶段，建立列车能耗模型；
步骤S2中，所述列车能耗模型为：
Figure GDA0002507037130000061
其中，E为列车能耗，fi为第i个阶段的列车单位质量牵引力或制动力，ξ为牵引工况判断系数，Si为第i个阶段的行驶距离，0≤i≤n。
S3、建立多目标速度调整模型；
步骤S3中多目标速度调整模型包括：超速防护模型、准点速度调整模型和精准停车模型。
超速防护模型包括EB包络线、EB触发曲线和FSB触发曲线，当列车实际运行速度超过限速值时，系统将激活相应制动率进行强制制动。
准点速度调整模型即根据列车当前位置限速值、当前剩余运行时间、剩余运行距离和实际运行速度，实时计算列车运行过程中，对应于每一限速区间的平均速度，当列车实际运行速度小于该速度时，列车需牵引加速才能满足准点到站要求；如图3所示，计算列车沿最小时间运行曲线运行至位置
Figure GDA0002507037130000062
时的当前限速区段内的最小运行时间
Figure GDA0002507037130000063
和运行至目标停车点xstop的最小运行时间
Figure GDA0002507037130000064
则剩余运行时间tri分配给当前限速区间内的部分可由下式计算：
Figure GDA0002507037130000065
则由点Q(xi，vi)运行至位置
Figure GDA0002507037130000066
时的平均速度为：
Figure GDA0002507037130000067
S4、使用强化学习算法，结合多目标速度调整模型，对能耗模型进行求解，得到列车节能运行策略。
步骤S4中的强化学习算法采用深度Q学习算法；所述步骤S4包括以下步骤：
S41、定义列车状态和动作；
步骤S41包括以下步骤：
S411、将列车运行模型重新定义为马尔可夫决策过程，将每一子阶段的时间间隔Δt设为0.2s，将深度Q学习算法中智能体选择的动作定义为每一子阶段内牵引力或制动力使用系数μ，动作空间A设置为μi∈|A(si)|＝[0，0.1，0.5，1]，0≤i≤n，其中，si为环境状态；
S412、将深度Q学习算法中的环境状态si定义为，si＝[xi，vi，T-ti，fi，gi，fFSB(xi)]，其中，xi为i阶段列车位置、vi为i阶段列车速度、T-ti为i阶段剩余运行时间、fi为i阶段单位质量牵引力或制动力、gi为i阶段线路坡道值和fFSB(xi)为i阶段位置xi处FSB触发曲线限速值。
S42、根据多目标速度调整模型对列车动作进行调整，得到新的环境状态；
如图2所示，步骤S42中根据超速防护模型对列车动作进行调整包括以下步骤：
A1、在列车处于状态si时，判断速度vi是否大于位置xi处的EB触发曲线限速值fEB(xi)，若是，则跳转至A2，若否，则跳转至A3；
A2、以紧急制动率矫正列车当前加速度；
A3、判断速度vi是否大于位置xi处的FSB触发曲线限速值fFSB(xi)，若是，则跳转至A4，若否，则保持列车当前加速度；
A4、以全常用制动率矫正列车当前加速度。
如图3所示，步骤S42中根据准点速度调整模型对列车动作进行调整包括以下步骤：
B1、在列车处于状态si时，判断速度vi是否小于剩余时间分配算法计算的最优运行速度，若是，则跳转至步骤B2，若否，保持列车当前牵引力或制动力使用系数μ；
B2、矫正牵引力或制动力使用系数μ使列车进入牵引工况。
如图4所示，步骤S42中根据精准停车模型对列车动作进行调整包括以下步骤：
C1、在列车处于状态si时，判断速度vi是否大于停车曲线上当前位置xi处所对应的速度，若是，则跳转至步骤C2，若否，则保持当前加速度；
C2、进入停车阶段，以停车制动率ai矫正列车当前加速度，所述停车制动率ai的计算公式为：
Figure GDA0002507037130000081
Figure GDA0002507037130000082
Figure GDA0002507037130000083
其中，
Figure GDA0002507037130000084
为i-1阶段的实际制动率，ai-1为i-1阶段调整后的停车制动率，ρ为学习率，ρ＝0.1，ai*为i阶段理论停车制动率，xstop目标停车点。
S43、根据调整后的列车动作和环境状态参数，通过能耗模型构建深度Q学习算法中Q网络的状态动作Q函数，使用训练后的Q网络得到列车节能运行策略。
步骤S43中根据调整后的列车动作和环境状态参数，通过能耗模型构建深度Q学习算法中Q网络的状态动作Q函数，使用训练后的Q网络得到列车节能运行策略满足以下公式：
Figure GDA0002507037130000085
Figure GDA0002507037130000086
Figure GDA0002507037130000087
其中，ri(*)为i阶段奖励函数，γ为衰减因子，γ＝0.99，ξ为牵引工况判断系数，Qπ(*)为Q函数，ε为贪婪随机策略中的随机概率，ε＝0.5，μi为i阶段牵引力或制动力使用系数。
本发明的有益效果为：通过对列车运行过程进行分析建立能耗模型，充分考虑到列车运行的约束条件，不需要目标速度曲线，能够利用实时采集的列车速度、位置信息，在不同计划运行时间时均能满足安全、准点、舒适、精准停车的条件选择节能策略运行，克服了离线优化算法不能对实际扰动进行在线响应的问题，具有灵活性、可适用性强的特点。

Claims (2)

1.一种基于强化学习的城轨列车节能运行策略在线优化方法，其特征在于，包括以下步骤：
S1、确定待优化的列车线路区间的基本参数；
S2、根据列车线路区间的基本参数，将列车运行过程分为n个子阶段，建立列车能耗模型；
所述步骤S2中，所述列车能耗模型为：
Figure FDA0002507037120000011
其中，E为列车能耗，fi为第i个阶段的列车单位质量牵引力或制动力，ξ为牵引工况判断系数，Si为第i个阶段的行驶距离，0≤i≤n；S3、建立多目标速度调整模型；
步骤S3中多目标速度调整模型包括：超速防护模型、准点速度调整模型和精准停车模型；
S4、使用强化学习算法，结合多目标速度调整模型，对能耗模型进行求解，得到列车节能运行策略；
所述步骤S4中的强化学习算法采用深度Q学习算法；所述步骤S4包括以下步骤：
S41、定义列车状态和动作；
所述步骤S41包括以下步骤：
S411、将列车运行模型重新定义为马尔可夫决策过程，将每一子阶段的时间间隔Δt设为0.2s，将深度Q学习算法中智能体选择的动作定义为每一子阶段内牵引力或制动力使用系数μ，动作空间A设置为μi∈|A(si)|＝[0，0.1，0.5，1]，0≤i≤n，其中，si为环境状态；
S412、将深度Q学习算法中的环境状态si定义为：si＝[xi，vi，T-ti，fi，gi，fFSB(xi)]，其中，xi为i阶段列车位置、vi为i阶段列车速度、T-ti为i阶段剩余运行时间、fi为i阶段单位质量牵引力或制动力、gi为i阶段线路坡道值和fFSB(xi)为i阶段位置xi处FSB触发曲线限速值；
S42、根据多目标速度调整模型对列车动作进行调整，得到新的环境状态；
所述步骤S42中根据超速防护模型对列车动作进行调整包括以下步骤：
A1、在列车处于状态si时，判断速度vi是否大于位置xi处的EB触发曲线限速值fEB(xi)，若是，则跳转至A2，若否，则跳转至A3；
A2、以紧急制动率矫正列车当前加速度；
A3、判断速度vi是否大于位置xi处的FSB触发曲线限速值fFSB(xi)，若是，则跳转至A4，若否，则保持列车当前加速度；
A4、以全常用制动率矫正列车当前加速度；
所述步骤S42中根据准点速度调整模型对列车动作进行调整包括以下步骤：
B1、在列车处于状态si时，判断速度vi是否小于剩余时间分配算法计算的最优运行速度，若是，则跳转至步骤B2，若否，保持列车当前牵引力或制动力使用系数μ；
B2、矫正牵引力或制动力使用系数μ使列车进入牵引工况；
所述步骤S42中根据精准停车模型对列车动作进行调整包括以下步骤：
C1、在列车处于状态si时，判断速度vi是否大于停车曲线上当前位置xi处所对应的速度，若是，则跳转至步骤C2，若否，则保持当前加速度；
C2、进入停车阶段，以停车制动率ai矫正列车当前加速度，所述停车制动率ai的计算公式为：
Figure FDA0002507037120000031
Figure FDA0002507037120000032
Figure FDA0002507037120000033
其中，
Figure FDA0002507037120000034
为i-1阶段的实际制动率，ai-1为i-1阶段调整后的停车制动率，ρ为学习率，ρ＝0.1，ai *为i阶段理论停车制动率，xstop目标停车点；
S43、根据调整后的列车动作和环境状态参数，通过能耗模型构建深度Q学习算法中Q网络的状态动作Q函数，使用训练后的Q网络得到列车节能运行策略；
所述步骤S43中根据调整后的列车动作和环境状态参数，通过能耗模型构建深度Q学习算法中Q网络的状态动作Q函数，使用训练后的Q网络得到列车节能运行策略满足以下公式：
Figure FDA0002507037120000035
Figure FDA0002507037120000036
Figure FDA0002507037120000037
其中，ri(*)为i阶段奖励函数，γ为衰减因子，γ＝0.99，ξ为牵引工况判断系数，Qπ(*)为Q函数，ε为贪婪随机策略中的随机概率，ε＝0.5，μi为i阶段牵引力或制动力使用系数。
2.根据权利要求1所述的基于强化学习的城轨列车节能运行策略在线优化方法，其特征在于，所述步骤S1中列车线路区间的基本参数包括：列车参数、线路参数和运营参数；
所述列车参数包括：列车质量、牵引特性曲线、制动特性曲线、最大限制速度和最大加速度；
所述线路参数包括：线路的限速、长度、坡度和曲率；
所述运营参数为列车线路区间的计划运行时间。
CN201910827467.6A 2019-09-03 2019-09-03 一种基于强化学习的城轨列车节能运行策略在线优化方法 Active CN110497943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910827467.6A CN110497943B (zh) 2019-09-03 2019-09-03 一种基于强化学习的城轨列车节能运行策略在线优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910827467.6A CN110497943B (zh) 2019-09-03 2019-09-03 一种基于强化学习的城轨列车节能运行策略在线优化方法

Publications (2)

Publication Number Publication Date
CN110497943A CN110497943A (zh) 2019-11-26
CN110497943B true CN110497943B (zh) 2020-07-14

Family

ID=68591069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910827467.6A Active CN110497943B (zh) 2019-09-03 2019-09-03 一种基于强化学习的城轨列车节能运行策略在线优化方法

Country Status (1)

Country Link
CN (1) CN110497943B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110990950B (zh) * 2019-12-04 2021-12-21 北京交通大学 基于混合运行模式的多目标列车节能优化方法
CN111598311B (zh) * 2020-04-28 2022-11-25 北京交通大学 一种新型列车运行速度曲线智能优化方法
CN111591324B (zh) * 2020-05-29 2022-01-25 中车青岛四方车辆研究所有限公司 基于灰狼优化算法的重载列车能耗优化方法
CN111619624B (zh) * 2020-06-01 2022-06-21 北京全路通信信号研究设计院集团有限公司 一种基于深度强化学习的有轨电车运行控制方法和系统
CN112116156B (zh) * 2020-09-18 2023-02-03 中南大学 基于深度强化学习的混动列车的能量管理方法及系统
CN112249099B (zh) * 2020-09-27 2021-07-02 北京交通大学 一种基于预测控制的高速列车节能运行曲线在线计算方法
CN112109750B (zh) * 2020-09-30 2022-03-08 株洲中车时代电气股份有限公司 列车的牵引力分配方法及装置
CN116888030A (zh) * 2021-03-31 2023-10-13 西门子股份公司 列车运行优化方法及装置
CN113306604B (zh) * 2021-05-26 2022-01-04 西南交通大学 列车车载储能设备的储能量设计方法
CN113371034A (zh) * 2021-06-11 2021-09-10 虞萍 基于列车制动管理的闭塞系统及方法
CN113327055B (zh) * 2021-06-23 2024-04-23 浙江师范大学 调车作业计划的生成方法、装置、电子装置和存储介质
CN113911172A (zh) * 2021-10-12 2022-01-11 中车大连机车研究所有限公司 一种基于自适应动态规划的高速列车优化运行控制方法
CN114620098A (zh) * 2022-01-21 2022-06-14 太原理工大学 一种适用于高速列车自动停车的深度强化学习方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764571B (zh) * 2018-05-28 2020-04-14 西南交通大学 一种重载列车运行的多目标优化方法
CN109615135A (zh) * 2018-12-12 2019-04-12 广州地铁集团有限公司 一种基于动态规划算法的列车运行优化方法
CN109815536B (zh) * 2018-12-19 2020-10-30 西南交通大学 城市轨道交通节能时刻表和运行曲线优化方法

Also Published As

Publication number Publication date
CN110497943A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110497943B (zh) 一种基于强化学习的城轨列车节能运行策略在线优化方法
CN109062273B (zh) 基于事件触发pid控制的列车速度曲线跟踪控制方法和系统
JP5199315B2 (ja) 列車自動運転における速度制御装置
CN111376949B (zh) 一种计算ato准点曲线的调整速度的方法
CN111439264B (zh) 一种基于人机混驾的换道控制模型的实现方法
CN103552555B (zh) 列车安全超速防护与制动距离的方法
CN101941453A (zh) 列车自动控制方法
CN105118329A (zh) 一种消解无信号交叉口两车交通冲突的方法
CN109177972A (zh) 一种车辆柔性避撞系统及其控制方法
CN110435647A (zh) 一种基于滚动优化参数的ttc的车辆安全防撞控制方法
CN112896244B (zh) 基于目标速度曲线跟踪的列车站间运行控制方法及装置
CN109693688A (zh) 预设性能的列车自动驾驶控制系统及控制方法
CN114834503A (zh) 基于弹性追踪模型的虚拟编组列车控制方法
CN109398426B (zh) 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法
CN113223324B (zh) 高速匝道入口合流的控制方法
CN114802362A (zh) 时分控制的列车节能运行方法和装置
CN112363505B (zh) 一种基于目标距离的铰接式扫地车速度规划方法及系统
CN112744270B (zh) 一种基于状态辨识的列车快速精确停车方法
CN112782978B (zh) 一种基于自触发机制的高速列车巡航运行控制方法
JP5512193B2 (ja) 列車制御方法、列車制御装置、および車両
JP5805051B2 (ja) 列車自動制御装置
Zhang et al. A flexible and robust train operation model based on expert knowledge and online adjustment
CN115016264A (zh) 动态跟驰车距调整的主从协同控制方法、装置及存储介质
Fu et al. Speed tracking error and rate driven event-triggered PID control design method for automatic train operation system
CN113313941A (zh) 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant