CN110728309A - 一种基于铁路信号与北斗定位的行车轨迹聚类方法 - Google Patents

Abstract

本发明公开了一种基于铁路信号与北斗定位的行车轨迹聚类方法，包括：读取计算机联锁系统传输的铁路控制与联锁信息中有关车列的位置与速度信息，采用卡尔曼滤波算法，实时预测下一时刻的车列位置，并与车载设备传输而来的车列的北斗定位信息进行比较；若相同时刻下，北斗定位信息偏离预测到的车列位置超出指定距离，则将北斗定位信息作为噪声去除；否则，将相应北斗定位信息对应的位置点保存；基于以上方式，在区段行驶过程中，将积累一定数量的位置点，再通过二分k‑means算法对位置点进行优化，获得行车轨迹。该方法能够提高铁道轨迹测绘效率和准确率，保障测绘工作在现场的安全实行，进而为需要轨迹测绘数据的调车工作提供数据精确性的保障。

Description

一种基于铁路信号与北斗定位的行车轨迹聚类方法

技术领域

本发明涉及轨道交通技术领域，尤其涉及一种基于铁路信号与北斗定位的行车轨迹聚类方法。

背景技术

调车工作是铁路运输生产的主要组成部分，是车站行车组织工作的重要内容，对车站及时编解列车，缩短车辆在站停留时间，加速车辆周转，提高运输效率，都有着重要作用。在调车工作中，保障调车作业安全及提高调车作业效率是调车管理的核心内容。

目前调车作业主要基于单纯的铁路通信信号来控制车列运行，了解车列运行状态，但是对于车列的精确位置往往不能实时确切的加以掌控。而当想在铁路通信信号的基础上结合定位方式来解决上述问题时，但是单纯的车载定位方式存在一定的误差。

现阶段，主要有如下两种方式：

1、场内铁路轨道地理信息测绘主要使用由工作人员手持定位设备间隔一定距离分别测量坐标点位并整合数据信息连接成轨迹的方法。但是，该方案主要存在如下缺陷：

首先，现场交通条件不便，尤其是铁路车站分布较为广泛，偏僻，测绘所需的工作量巨大。

其次，工作人员测绘时，为加快测绘进度，取点的间隔一般较大，尤其是在测绘曲折线路或复杂线路时其取点情况往往不能准确表现轨道轨迹。

再次，现场工作人员测绘的时间非常受限，只能在站场内工作休息的天窗期才能进行测绘，而且往往受到恶劣天气的影响使得测绘工作受阻，如不得以在非天窗期测绘时，则需承担极大的风险(如车辆冲撞等)。

最后，工作人员测绘轨迹往往是一次性的测量，在站场内复杂设备环境下，再受限于测绘设备本身缺陷，单次的测量坐标往往与实际坐标有或多或少的偏差。

2、当前无人机市场发展迅速,各种类型的无人机搭载不同的航测设备达到不同的测绘目的,其中航空摄影测量完成大比例尺地形度(1:2000或1:500地形图)是无人机应用中的一个重要研究方向。随着无人机性能的不断优化,无人机测绘数据的后处理软件不断开发,无人机航空摄影技术在铁路勘测中已经开始了应用。但是，该方案主要存在如下缺陷：

首先，无人机测绘的结果为一次性的，在局部区域发生变动时还需重新部署无人机再次测绘，且一次性测绘的精度可能收到时间、天气等诸多因素的影响而无法得到保证。

其次，站场内如机务段可能存在室内的轨道线路，无人机无法在室内区域进行测绘。

再次，当前无人机测绘技术还存在影像畸变大，模型接变差较大等问题，无法很好满足高精度铁路轨道轨迹测绘的要求。

还有，无人机技术在铁路站场的应用受限于法律法规，需要资质证明与层层审批，工作开展十分不便。

最后，无人机航测适合小面积、零散的补图工作，在应用于大规模站场铁路轨迹测绘时工作量过大。

发明内容

本发明的目的是提供一种基于铁路信号与北斗定位的行车轨迹聚类方法，能够提高铁道轨迹测绘效率和准确率，保障测绘工作在现场的安全实行，进而为需要轨迹测绘数据的调车工作提供数据精确性的保障。

本发明的目的是通过以下技术方案实现的：

一种基于铁路信号与北斗定位的行车轨迹聚类方法，包括：

读取计算机联锁系统传输的铁路控制与联锁信息中有关车列的位置与速度信息，采用卡尔曼滤波算法，实时预测下一时刻的车列位置，并与车载设备传输而来的车列的北斗定位信息进行比较；若相同时刻下，北斗定位信息偏离预测到的车列位置超出指定距离，则将北斗定位信息作为噪声去除；否则，将相应北斗定位信息对应的位置点保存；

基于以上方式，在区段行驶过程中，将积累一定数量的位置点，再通过二分k-means算法对位置点进行优化，获得行车轨迹。

由上述本发明提供的技术方案可以看出，应用了卡尔曼滤波算法和二分k-means相结合的算法，对含有北斗定位芯片的车载定位设备回传的定位坐标以及铁路控制与联锁信息中有关车列位置、速度的部分进行分析，自动绘制出车辆在铁路上运行的轨迹，极大的提高了工作效率，并确保行车轨迹的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种基于铁路信号与北斗定位的行车轨迹聚类方法的流程图；

图2为本发明实施例提供的行车轨迹测绘方法硬件系统架构图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提供一种基于铁路信号与北斗定位的行车轨迹聚类方法，如图1所示，其主要包括如下步骤：

1、读取计算机联锁系统传输的铁路控制与联锁信息中有关车列的位置与速度信息，采用卡尔曼滤波算法，实时预测下一时刻的车列位置，并与车载设备传输而来的车列的北斗定位信息进行比较；若相同时刻下，北斗定位信息偏离预测到的车列位置超出指定距离，则将北斗定位信息作为噪声去除；否则，将相应北斗定位信息对应的位置点保存。

卡尔曼滤波算法可以在任何含有不确定信息的动态系统中使用，对系统下一步的走向做出有根据的预测，即使伴随着各种干扰，卡尔曼滤波总是能指出真实发生的情况。在连续变化的系统中使用卡尔曼滤波是非常理想的，它具有占用内存小的优点(除了前一个状态量外，不需要保留其它历史数据)，并且速度很快，很适合应用于实时问题和嵌入式系统。以上特性非常适合在测量区段轨迹中使用，并合理的去除系统内的干扰。

记当前时刻为j-1时刻，下一时刻为j时刻，两个时刻的时间间隔为Δt；基于当前时刻代表位置范围的协方差矩阵P_j-1来预测下一时刻位置范围的协方差矩阵：

式中，

角标T为矩阵转置符号。

协方差矩阵P_j所表示的车列运行位置与速度的状态概率分布集合服从正态分布，其表示为：

式中，Σ为协方差符号，

表示下一时刻车列的位置向量，

表示下一时刻车列的速度向量，

与

均为变量；

通过协方差矩阵P_j反应下一时刻车列在不同速度向量下对应位置向量的概率，选择其中概率最大的状态向量(即协方差矩阵P_j所对应的的正态分布的中心点)对应的位置作为预测结果。

本发明实施例中，利用卡尔曼滤波算法的预测结果作为参考来判断实测结果的准确性，以达到过滤噪声的目的。

当车列北斗定位信息回传的位置过于偏离预测到的下一时刻车列的状态向量所表示的位置状态时，例如，两者欧式距离相差超过阈值(例如，可设为50cm，具体数值也可以根据情况来调整)，便可视该北斗定位信息为噪声并将其去除，以保证整体定位信息的可靠度。如果车列北斗定位信息偏离很小，即没有超过阈值，则将对应的位置点视为有效值保存，积累到指定数量后，进行后续的聚类。

此外，利用降噪后的初次测量的位置点便可绘制初始站场图。

为便于理解，下面简述卡尔曼滤波算法中相关算式的推导过程。

由于铁路车列运行速度变化在每次通讯间隔中变化极小，且每次通讯速度已知，所以用简单的卡尔曼滤波算法以匀速行进中车列为例。

记当前时刻为j-1时刻，下一时刻为j时刻，两个时刻的时间间隔为Δt；记车列在下一时刻的状态向量为由下一时刻车列的位置向量

与速度向量

合并表示：

根据当前时刻的状态向量

来预测下一时刻的状态向量

表示为：

如之前所述，铁路车列运行速度变化在每次通讯间隔中变化极小，因此：

用矩阵表示：

令，

则有：

从以上过程可知，

和两个变量

与

相关，且它是根据上一时刻的状态预测得到的。而预测过程也存在了各种不确定性，需要通过协方差矩阵来给出，并且不确定性在每一个时刻间还会进行传递。

协方差矩阵的更新公式为：

协方差矩阵P_j表示为：

上述协方差矩阵P_j的每个元素表示相应变量之间的相关度，如果是相同变量，则为相应变量的方差；如果是两个不同变量，则为两个不同变量的协方差。

由于协方差矩阵P_j所表示的车列运行位置与速度的状态概率分布集合服从正态分布，其中心的概率最大，因此，将该正态分布中心所对应的的车列运行状态的位置作为预测结果。

2、基于以上方式，在区段行驶过程中，将积累一定数量的位置点，再通过二分k-means算法对位置点进行优化，获得行车轨迹。

k-means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。数据对象间距离通常采用欧氏距离来计算。

在区段经过多次测量后积累了一定的经过卡尔曼滤波算法降噪的坐标数据(位置点)之后，区段的轨迹地理位置信息便可通过二分k-means(k均值聚类)算法进行优化，以绘制更相似的轨迹图。

通过二分k-means算法，对所有位置点构成的集合进行分裂得到两个类簇；从两个类簇选择一个使得误差项平方和最小的类簇再次进行分类，重复操作k-1次，得到k个类簇；

其中，误差项平方和计算公式如下：

式中，c_i表示第i个类簇C_i的中心，x_j表示第i个类簇C_i中的车列位置点。

本发明实施例中，二分k-means算法中的k值依据区段的长度来设定，合理的选取k值(如平均10米取一个点)，便可花费最少的计算量得到最优的轨迹。

通过上述操作后将得到k个类簇的中心，按照顺序依次连接，构成对应的行车轨迹。

通过上述轨迹聚类方法，可以满足不同精度的轨迹绘制需求，避免精度不足带来的应用风险和精度过高带来的资源浪费。

本发明实施例上述方案能够解决如下技术问题：

1)人工和无人机等测绘技术施行测绘时工作量太大的问题。

2)人工和无人机等测绘技术施行测绘时测绘精度单一且精度不能很好保证的问题。

3)人工和无人机等测绘技术施行过程中受限于气象、工作时段、法律法规等外部因素导致工作效率不高的问题。

4)人工和无人机等测绘技术部署后只能进行单次测量，影响整体精度的问题。

5)人工和无人机等测绘技术开展测绘工作时存在的安全性问题和对现场站场工作正常运行带来的干扰问题。

以上是针对本发明提供的行车轨迹聚类方法进行的介绍，下面结合实际应用中的场景进行说明。

当前北斗定位技术已经比较完善，其民用最高差分定位已经可以达到厘米级，非差分的单点定位也可以达到分米级，结合惯性导航类算法，完全可以满足在站场内确认股道区段、工作人员以及信号机土档等基础设施之间相对距离和所在范围的要求。在当前大数据和机器学习环境背景下，通过计算机来对数据进行各种方面处理的算法也日益丰富，并在实际应用中得到了一定的验证，本发明所采用的降噪和聚类算法相结合的方式，也在市政交通方面的项目上得到过一定的验证。

如图2所示，本发明的硬件主体包含车载信号通信设备、数据服务器与差分服务器组成的服务器集群、计算机联锁系统以及其间传递信号的通信基站和保障数据安全的防火墙与软、硬件隔离设备。其中，本发明提供的行车轨迹聚类方法可以以软件的形式(计算与分析软件)装载在服务器集群中，计算与分析软件会经由软、硬件隔离设备单向接收计算机联锁系统发送的铁路控制与联锁信息，并与包含有定位芯片与通信芯片的车载设备经过通信基站与防火墙实时通讯，传输机车的地理位置信息、速度与方向信息、以及控制信息。计算与分析软件通过以下算法方案整合上述信息，绘制行车轨迹，实现测绘。

本发明在服务器端主要应用了卡尔曼滤波算法和二分k-means相结合的算法，对含有北斗定位芯片的车载定位设备回传的定位坐标以及铁路控制与联锁信息中有关车列位置、速度的部分进行分析，自动绘制出车辆在铁路上运行的轨迹。

本发明实施例上述方案，能够提高铁道轨迹测绘效率和准确率，保障测绘工作在现场的安全实行，进而为需要轨迹测绘数据的调车工作提供数据精确性的保障；具体来说：

首先，本发明通过在车载设备上加装定位芯片和通信芯片的方式，解决了以往铁路轨迹测绘人工测量受限于工作时段、天气、安全性等方面的弊端，实现了自动测量定位信息。

其次，本发明通过采集控制和联锁信息，在轨迹测绘的关键坐标点，即绝缘节的位置坐标的采集方式上提供了更严密精确的测量方法。

再次，本发明结合了卡尔曼滤波方法，通过对轨迹地理位置坐标信息与车辆行驶位置方向等信息的综合分析，有效去除了采集样本里误差过大的数据点，即信息噪点。

最后，本发明通过二分k-means方法提供了一种可以按需求绘制不同精度的铁路轨迹图的方法。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种基于铁路信号与北斗定位的行车轨迹聚类方法，其特征在于，包括：

读取计算机联锁系统传输的铁路控制与联锁信息中有关车列的位置与速度信息，采用卡尔曼滤波算法，实时预测下一时刻的车列位置，并与车载设备传输而来的车列的北斗定位信息进行比较；若相同时刻下，北斗定位信息偏离预测到的车列位置超出指定距离，则将北斗定位信息作为噪声去除；否则，将相应北斗定位信息对应的位置点保存；

基于以上方式，在区段行驶过程中，将积累一定数量的位置点，再通过二分k-means算法对位置点进行优化，获得行车轨迹。

2.根据权利要求1所述的一种基于铁路信号与北斗定位的行车轨迹聚类方法，其特征在于，所述采用卡尔曼滤波算法，实时预测下一时刻的车列位置包括：

当前时刻为j-1时刻，下一时刻为j时刻，两个时刻的时间间隔为Δt；

基于当前时刻代表位置范围的协方差矩阵P_j-1来预测下一时刻位置范围的协方差矩阵：

式中，角标T为矩阵转置符号；

协方差矩阵P_j所表示的车列运行位置与速度的状态概率分布集合服从正态分布，其表示为：

式中，Σ为协方差符号，

表示下一时刻车列的位置向量，表示下一时刻车列的速度向量，

与

均为变量；

选择协方差矩阵P_j中概率最大的状态向量作为预测到的下一时刻车列的状态向量，预测到的下一时刻车列的状态向量对应的位置向量即为预测的下一时刻的车列位置。

3.根据权利要求1所述的一种基于铁路信号与北斗定位的行车轨迹聚类方法，其特征在于，北斗定位信息偏离预测到的车列位置超出指定距离包括：北斗定位信息与预测到的车列位置之间的欧氏距离超出阈值。

4.根据权利要求1所述的一种基于铁路信号与北斗定位的行车轨迹聚类方法，其特征在于，所述通过二分k-means算法对车列位置信息进行优化，获得行车轨迹包括：

通过二分k-means算法，对所有位置点构成的集合进行分裂得到两个类簇；从两个类簇选择一个使得误差项平方和最小的类簇再次进行分类，重复操作k-1次，得到k个类簇；

其中，误差项平方和计算公式如下：

式中，c_i表示第i个类簇的中心。

5.根据权利要求1或4所述的一种基于铁路信号与北斗定位的行车轨迹聚类方法，其特征在于，二分k-means算法中的k值依据区段的长度来设定。

6.根据权利要求1所述的一种基于铁路信号与北斗定位的行车轨迹聚类方法，其特征在于，所述车载设备预先加装有北斗定位芯片和相应的通信芯片。

Images