CN110969295A - 列车区段延误预测误差控制方法 - Google Patents
列车区段延误预测误差控制方法 Download PDFInfo
- Publication number
- CN110969295A CN110969295A CN201911163897.9A CN201911163897A CN110969295A CN 110969295 A CN110969295 A CN 110969295A CN 201911163897 A CN201911163897 A CN 201911163897A CN 110969295 A CN110969295 A CN 110969295A
- Authority
- CN
- China
- Prior art keywords
- prediction error
- artificial fish
- delay prediction
- train section
- individual
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种列车区段延误预测误差控制方法,属于轨道交通运行控制技术领域,首先确定描述列车区段延误预测误差的状态变量,建立描述列车区段延误预测误差的常微分方程组;然后根据常微分方程组,构建延误预测误差级联控制模型;其次,通过人工鱼群智能算法与SIMULINK仿真工具相结合的方法确定延误预测误差级联控制模型的最优控制参数;最后根据所述最优控制参数,最小化当前车站和前一车站的列车到达时刻预测误差及出发时刻预测误差。本发明引入了一种新的解析优化流程,将控制理论应用至列车区段延误预测误差问题,实现了列车区段延误预测误差的自动控制消减。
Description
技术领域
本发明涉及轨道交通运行控制技术领域,具体涉及一种列车区段延误预测误差控制方法。
背景技术
近年来随着数据处理技术的创新发展,基于自适应和自学习体系的列车延误预测方法层出不穷。从基础形式来看,相关的研究主要在于数理统计方法、优化模型形式、求解算法以及运营领域分析等;从实践流程来看,目前的方法研究多以海量实时数据作支撑,建立评估预测体系,根据实际运营条件预测列车延误数值及误差范围。
作为较早的关于轨道列车延误预测与误差控制的研究成果,Yuan等提出了一个预测模型以分析延误量、外界随机干扰和初始时刻表三者之间的关系。为了精确预测列车到达时刻的延误量,Hansen等提出了一种基于事件图的列车延误分析方法。Yaghini建立了一种预测客运列车晚点的人工神经网络,并以伊朗客运铁路系统为实例进行验证。通过以大量的历史运营统计数据作为参照,Kecman设计了一个实时状态下的列车延误预测模型。此外,应用支持向量回归的方法分析了客运列车的到达时刻延误。Kecman等针对列车运行延误的传播,提出了基于条件概率分析的贝叶斯预测模型。
Martin设计了一个铁路运输咨询系统以提供延误预测信息,其中应用了一系列的预测推理和机器学习模型。Gaurav和Srivastava采用n阶马尔可夫框架和两个基于回归的模型,通过实验分析了列车到达时刻的系统性延迟及误差特点。Corman和Kecman提出了一种预测列车延误传播的随机模型,该模型能够有效地处理随机因素间的复杂推理。Satyakrishna和Sagar研究了大数据分析在列车延误预测系统中的应用,其中使用了浅层和深层极限学习机的方法。为了分析与列车延误密切相关的复杂因素及其影响,Wang和Zhang设计了一个机器学习模型以实现列车到达时刻的延误预测。Lessan等提出了一个混合贝叶斯模型,该模型基于历史运营统计数据进行条件概率下的分析推理,对特定区段内列车到达时刻、发车时刻和相应误差值进行预测研究。
但上述目前的列车区段延误预测误差分析方法中,对于区段内的历史统计数据丰富程度及运营数据可靠性要求较高,对于动态调整的移动元特点缺乏解析性的描述,列车的实时位置和误差更新要求较高,对延误预测误差不能实现高效、准确的控制。
发明内容
本发明的目的在于提供一种列车区段延误预测误差控制方法,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
本发明提供一种列车区段延误预测误差控制方法,包括如下步骤:
步骤S110:确定描述列车区段延误预测误差的状态变量,建立描述列车区段延误预测误差的常微分方程组;
步骤S120:根据所述常微分方程组,构建延误预测误差级联控制模型;
步骤S130:通过人工鱼群智能算法与SIMULINK仿真工具相结合的方法确定所述延误预测误差级联控制模型的最优控制参数;
步骤S140:根据所述最优控制参数,最小化当前车站和前一车站的列车到达时刻预测误差及出发时刻预测误差。
优选的,所述步骤S110中,描述列车区段延误预测误差的状态变量包括本站到达时刻预测误差、本站出发时刻预测误差、前站达到时刻预测误差以及前站出发时刻预测误差。
优选的,所述描述列车区段延误预测误差的常微分方程组为:
优选的,利用Forcal脚本处理铁路运营管理系统对相应列车在相应区段内的统计时刻延误数据,以获得所述常微分方程组的系数,具体包括:
步骤一:定义所述常微分方程组结构;
步骤二:定义Forcal脚本所需工具库,将统计时刻延误数据以多维向量形式导入Forcal脚本;
步骤三:构建所述常微分方程组;
步骤四:定义所述常微分方程组的系数对应的变量,构建最小化目标函数;
步骤五:设定拟合计算的误差精度、变量数据及约束条件,结合最小化目标函数确定所述常微分方程的系数。
优选的,所述延误预测误差级联控制模型为:
优选的,所述步骤S130具体包括:
步骤1:人工鱼种群的初始化;
步骤2:每条人工鱼个体包含的状态(q1,q2,r1,r2)分配至SIMULINK仿真工具中;
步骤3:在SIMULINK中,计算反馈系数K,确定输入变量与状态变量之间反馈关系U=-KX,计算最小化输入变量和状态变量的目标函数;
步骤4:将SIMULINK中计算获得的每条人工鱼个体适应度返回至人工鱼群算法,最优适应度和对应的个体在公告板上被更新;
步骤5:判断终止条件是否满足;若满足,则公告板上的最优个体即为最终输出,若不满足,则转至步骤6;
步骤6:新的人工鱼种群经过仿生行为产生,转至步骤2;其中,所述仿生行为包括觅食行为、随机行为、聚群行为和追尾行为。
优选的,所述仿生行为包括:
人工鱼个体Xi在其视野内随机选择一个状态Xj,
Xj=Xi+Visual×Rand;其中,Visual表示人工鱼个体视野半径,Rand表示(0,1]内随机数;
分别计算Xi与Xj的目标函数值Yi=f(Xi)与Yj=f(Xj);
若Yj>Yi,则Xi向Xj的方向移动一步:
若Yj≤Yi,Xi继续搜寻其他Xj;
若经过Try-number次搜寻仍无合适Xj,则人工鱼个体执行随机行为,Try-number表示人工鱼个体仿生行为最大尝试次数。
优选的,所述随机行为包括:
所述随机行为为所述觅食行为之后的缺省操作,人工鱼个体Xi在视野随机半径内移动:Xi+1=Xi+Visual×Rand。
优选的,所述聚群行为包括:
人工鱼个体Xi在视野半径内搜寻相邻nf个人工鱼个体间的中心位置Xc,其对应目标函数值Yc=f(Xc),若(Yc/nf)>δYi,该中心位置不如Xi当前位置拥挤,则Xi向Xc移动:
优选的,所述追尾行为包括:
人工鱼个体Xi在视野半径内搜寻相邻nf个人工鱼个体,并且选择最优的相邻个体Xj;若(Yj/nf)>δYi,即Xi周围并不拥挤,则Xi向Xj移动:
本发明有益效果:引入了一种新的解析优化流程,将控制理论应用至列车区段延误预测误差,以实现误差的自动控制消减;针对现有列车区段延误预测误差分析方法中数据丰富量和准确度要求较高的现状,提出通过构建常微分方程组形式的状态空间来描述分析列车区段延误预测误差分析问题;针对现有列车区段延误预测误差分析方法中列车位置实时性和控制性要求较高的现状,在所提出的描述列车区段延误预测误差的状态空间基础上构建列车区段延误预测误差基本控制结构,根据极小化目标函数进一步提出需实现的控制目标,并借鉴现代控制理论和自动控制原理引入控制器形成闭环反馈的自动控制结构;通过假设推导的数学方法,解析描述了控制模块的计算和构建;同时,为了确定控制模块参数,设计人工鱼群智能算法结合SIMULINK仿真工具进行优化计算。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
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的附图。
图1为本发明实施例所述的列车区段延误预测变量示意图。
图2为本发明实施例所述的列车区段延误预测误差逻辑关系结构图。
图3为本发明实施例所述的列车区段延误预测误差基本控制结构示意图。
图4为本发明实施例所述的列车区段延误预测误差的简化基本控制结构示意图。
图5为本发明实施例所述的列车区段延误预测误差的闭环反馈自动控制结构示意图。
图6为本发明实施例所述的列车区段延误预测误差自动控制模块设计步骤示意图。
图7为本发明实施例所述的列车区段延误预测误差中SIMULINK仿真工具的仿真架构示意图。
图8为本发明实施例所述的列车区段延误预测误差自动控制模块关键参数的优化计算过程示意图。
具体实施方式
下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或模块,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、模块和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且实施例并不构成对本发明实施例的限定。
本领域普通技术人员应当理解的是,附图只是一个实施例的示意图,附图中的部件或装置并不一定是实施本发明所必须的。
实施例
本发明实施例提供一种列车区段延误预测误差控制方法。该方法首先是基于状态空间结构来分析控制列车区段延误预测的误差,先确定描述列车区段延误预测误差的状态空间结构变量,利用Forcal脚本处理统计数据以获得相关参数取值,建立描述问题的常微分方程组。进而从现代控制理论和自动控制原理角度出发,提出一种闭环反馈结构以自动控制误差,并对控制模块进行必要推导论证以获得相关结构配置。此外,设计了人工鱼群智能算法(Artificial Fish Swarm Algorithm)并结合MATLAB中的SIMULINK仿真工具来确定控制模块的必要参数。可为铁路运输系统中列车区段延误预测误差控制的理论创新和工程实践提供有效的参考。
本发明实施例所述的方法具体方案步骤包括:
(a)列车区段延误预测误差分析状态空间的构建:
如图1所示的某运营区段内,列车由站点1行驶至相邻站点2,涉及的时刻变量包括在站点1的到达时刻与出发时刻,以及在站点2的到达时刻与出发时刻。在基于列车于站点1的时刻值按照行驶里程预测其于站点2的相关时刻值时,由于设备因素(车辆故障、信号失灵、动力故障等)、操作因素(调度失误、突发大客流等)和环境因素(暴雨雪、强风)等,预测时刻值往往存在一定误差。从规律性的统计学角度来看,列车于当前站点的时刻值预测误差和列车于前一站点的时刻值预测误差呈一定的逻辑关系结构,即当前站点的到达时刻预测误差与前一站点的到达时刻预测误差及出发时刻预测误差有关,当前站点的出发时刻预测误差与当前站点的到达时刻预测误差及前一站点的出发时刻预测误差有关。该逻辑关系结构如图2所示。
根据图2所示逻辑关系结构,可进一步通过常微分方程的解析形式描述分析预测误差变量之间的关系,如(1)式所示。
图2中,以5个车站为例,例如,“aS1”表示列车在车站S1的到达时刻预测误差,“dS1”表示列车在车站S1的出发时刻预测误差,车站S2至S5相关变量命名规则与S1相同。
其中,为列车在车站i的到达时刻预测误差,为列车在车站i的出发时刻预测误差,而与分别为列车在前一车站i-1的相应值。H1,H2,H3,H4为方程组系数,这些系数可通过基于运营数据的拟合确定,具体操作为:
步骤一:利用脚本工具Forcal实现数据拟合以获得参数值,定义所述常微分方程组结构;步骤二:定义Forcal脚本所需工具库,将统计时刻延误数据以多维向量形式导入Forcal脚本;步骤三:构建所述常微分方程组;步骤四:定义所述常微分方程组的系数对应的变量,构建最小化目标函数;步骤五:设定拟合计算的误差精度、变量数据及约束条件,结合最小化目标函数确定所述常微分方程组的系数。
相应的Forcal操作核心指令如下:
(b)列车区段延误预测误差控制分析体系的构建
基于常微分方程组所示状态空间结构,进一步引入控制分析体系以实现控制误差的目的。图3为与状态空间相对应的基本控制结构,(2)式为与状态空间对应的控制系统矢量形式。
从整个列车运行路程角度来看,各个区段之间存在级联作用,当前区段对应系统的输出变量为下一区段对应系统的输入变量。对于(2)式描述的控制系统,X物理意义为列车在当前车站的到达和出发时刻预测误差,其大小应被控制至最低程度。U物理意义为列车在前一车站的到达和出发时刻预测误差,其大小也应被控制至最低程度。因此,可引入“能量”函数的概念来描述所有预测误差的控制程度,如(3)式所示。式中,ti为两个相邻车站构成运营区段的计划列车行驶时间,Q为需计算的半正定矩阵,R为需计算的正定矩阵。
(3)式中的二次项XTQX≥0,且UTRU≥0,当式中目标函数趋于极小时,即可达到状态变量X和输入变量U被控制至最小的目的。因此,(3)式的物理意义是最小化当前车站和前一车站的列车到达及出发时刻预测误差。从理想的数值计算角度来看,Q和R的设定值越大,对应的X和U越小。然而,由图3基本控制结构可明显发现X和U的数值存在制约变化关系,难以实现同步的极小化。因此,需要设定合理的二次项矩阵Q和R,以使得(3)式目标函数趋于极小。为方便计算,可将Q和R设定为对角矩阵。
(3)式的极小化目标函数即为图3基本控制结构需实现的控制目标,在列车区段延误预测误差控制实践中需要直接自动地消除误差。因此,需添加设计合理的自动控制措施以获得合理的Q和R值,确保实现目标函数的极小化(预测误差的最大限度消除)。下面设计一种闭环控制器单元,并将其添加在图3基本控制结构中,以实现上述自动控制目标。
(c)列车区段延误预测误差自动控制结构
列车区段延误预测误差自动控制结构的设计思想源于现代控制理论和自动控制原理,图3基本控制结构即为被控对象,添加到被控对象的控制器将在数值上起到自动计算抵消的作用。为方便解析推导,将图3基本控制结构简化表示为图4,进而添加控制器形成闭环反馈自动控制结构如图5所示。反馈控制器K满足状态变量X和输入变量U之间的关系U=-KX,进而问题的关键在于获取合理的K以自动实现(3)式目标。下面对K的取值条件进行推导。
闭环反馈控制系统对应的状态空间方程如(4)式所示。首先将U=-KX代入(3)式目标函数可得(5)式目标函数,且假设存在一个常量矩阵P使得(6)式成立。将(6)式代入(5)式得到(7)式。对于稳定的闭环反馈自动控制系统,当t→ti时X趋于定值,并且当ti→∞时X→0。
其中,为了便于后续推导表示,令ω=A-B·K
将(6)式左边的微分项展开,并把状态变量X的微分用(4)式替代得到(8)式。为确保(8)式的等式成立,左侧括号内的项应等于0,进而得到(9)式。(9)式是关于K的二次型的方程,且直接求解难度较大。下面通过抵消项法对(9)式进行处理。
引入抵消项K=R-1BTP代入(9)式得到(10)式,(10)式即现代控制理论中的经典Riccati方程形式。同时,K的二次项被消除,因此控制器K的获取与假设矩阵P紧密相关。由(10)式方程可知,矩阵A和B为已知的系数矩阵,则矩阵P由矩阵Q和R确定。总体来看,列车区段延误预测误差自动控制模块的设计步骤如图6所示,因而问题的关键在于矩阵Q和R中参数的选取确定。若逐一尝试各种参数组合则需消耗大量的人力物力,实践操作难度较大,因而在此提出一种人工智能算法(人工鱼群算法,AFSA)计算获取矩阵Q和R的参数。
(d)列车区段延误预测误差自动控制模块关键参数的确定
为便于计算,将Q和R设置为对角矩阵,相应的(3)式目标函数可表示为(11)式,进而本发明设计人工鱼群算法对Q和R的参数进行优化求解。
人工鱼群算法是一种新的人工智能算法,它具有收敛速度快、全局搜索能力强和鲁棒性强等特点。每条人工鱼包含一组参数(q1,q2,r1,r2),人工鱼的评估指标为个体的适应度(生物学意义为其所在位置的食物浓度)。适应度计算公式即为(11)式目标函数,该计算过程可通过控制系统仿真工具(SIMULINK)实现,如图7所示。每个个体适应度会与公告板的适应度值进行比较,若高于公告板值则将公告板更新。如果经过最大代数M代后公告板的适应度值仍未更新,则计算停止且公告板对应的人工鱼个体及适应度为最终输出。列车区段延误预测误差自动控制模块关键参数的优化计算过程如图8所示,相应步骤如下。
步骤1:人工鱼种群的初始化。
步骤2:每条人工鱼个体包含的(q1,q2,r1,r2)分配至控制系统仿真工具
SIMULINK中的仿真架构。
步骤3:在SIMULINK中,计算获得控制器K,确定输入变量与状态变量之间反馈关系U=-KX,进而计算(11)式目标函数。
步骤4:将SIMULINK中计算获得的每条人工鱼个体适应度返回至人工鱼群算法,最优适应度和对应的个体在公告板上被更新。
步骤5:判断终止条件是否满足。若满足则公告板上的最优个体即为最终输出,否则转至步骤6。
步骤6:新的人工鱼种群经过仿生行为(觅食、随机、聚群、追尾)产生,转至步骤2。
图7中,端口1和端口2为列车区段延误预测误差自动控制架构中状态变量值,即列车在第i个车站的到达时刻延误预测误差和出发时刻延误预测误差。端口3和端口4为列车区段延误预测误差自动控制架构中输入变量值,即列车在i-1个车站的到达时刻延误预测误差和出发时刻延误预测误差。为了充分结合实践应用条件,引入高斯白噪声w(t)作为控制系统受到的外部环境扰动,仿真中的扰动增益环节其中G0为列车静止时受到的外部环境扰动,v为列车的行驶速度。为了简化计算,v取列车在区段(相邻车站i-1至i)内的平均运营速度,其可依据运营里程和运营时刻表计算得出。
在人工鱼群算法的初始化步骤中,随机生成N个个体以组成初始人工鱼种群,并将当前最优适应度及对应个体记录在公告板上。之后所有的人工鱼个体执行仿生行为(觅食、随机、聚群、追尾),新的人工鱼种群产生且公告板最优个体记录随之更新。若经历M代计算后公告板记录持续未更新,则计算停止并输出最优解。所设计人工鱼群算法的变量和函数如表1和表2所示,表后为各仿生模块执行过程。
表1人工鱼群算法中的变量定义
表2人工鱼群算法中的函数定义
1)觅食行为
人工鱼个体Xi在其视野内随机选择一个状态Xj
Xj=Xi+Visual*Rand。
分别计算Xi与Xj的目标函数值Yi=f(Xi)与Yj=f(Xj)。
①若Yj>Yi,则Xi向Xj的方向移动一步。
②若Yj≤Yi,Xi继续搜寻其他Xj。
③若经过Try-number次搜寻仍无合适Xj,人工鱼个体执行随机行为。
2)随机行为
随机行为是觅食行为之后的缺省操作,人工鱼个体Xi在视野随机半径内移动。
Xi+1=Xi+Visual*Rand。
3)聚群行为
人工鱼个体Xi在视野半径内搜寻相邻nf个人工鱼个体间的中心位置Xc,其相应目标函数值Yc=f(Xc),若(Yc/nf)>(δYi),即该中心位置不如Xi当前位置拥挤,则Xi向Xc移动。
4)追尾行为
人工鱼个体Xi在视野半径内搜寻相邻nf个人工鱼个体,并且选择最优的相邻个体Xj(根据最优适应度Yj)。若(Yj/nf)>(δYi),即Xj周围并不拥挤,则Xi向Xj移动。
综上所述,本发明实施例针对现有列车区段延误预测误差分析方法中数据丰富量和准确度要求较高的现状,提出通过构建常微分方程组形式的状态空间来描述分析列车区段延误预测误差分析问题,方程组参数结构通过数据拟合处理获得。针对现有列车区段延误预测误差分析方法中列车位置实时性和控制性要求较高的现状,在所提出的描述列车区段延误预测误差的状态空间基础上构建列车区段延误预测误差基本控制结构,根据极小化目标函数进一步提出需实现的控制目标,并借鉴现代控制理论和自动控制原理引入控制器形成闭环反馈的自动控制结构。在此过程中,通过假设推导的数学方法,解析描述了控制模块的计算和构建。同时,为了确定控制模块参数,设计人工鱼群智能算法结合SIMULINK仿真工具进行优化计算。本发明跨学科引入了一种新的解析优化流程,将控制理论应用至列车区段延误预测误差问题,以实现误差的自动控制消减。
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揭露的技术范围内,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的保护范围为准。
Claims (10)
1.一种列车区段延误预测误差控制方法,其特征在于,包括如下步骤:
步骤S110:确定描述列车区段延误预测误差的状态变量,建立描述列车区段延误预测误差的常微分方程组;
步骤S120:根据所述常微分方程组,构建延误预测误差级联控制模型;
步骤S130:通过人工鱼群智能算法与SIMULINK仿真工具相结合的方法确定所述延误预测误差级联控制模型的最优控制参数;
步骤S140:根据所述最优控制参数,最小化当前车站和前一车站的列车到达时刻预测误差及出发时刻预测误差。
2.根据权利要求1所述的列车区段延误预测误差控制方法,其特征在于,所述步骤S110中,描述列车区段延误预测误差的状态变量包括本站到达时刻预测误差、本站出发时刻预测误差、前站达到时刻预测误差以及前站出发时刻预测误差。
4.根据权利要求3所述的列车区段延误预测误差控制方法,其特征在于,利用Forcal脚本处理铁路运营管理系统对相应列车在相应区段内的统计时刻延误数据,以获得所述常微分方程组的系数,具体包括:
步骤一:定义所述常微分方程组结构;
步骤二:定义Forcal脚本所需工具库,将统计时刻延误数据以多维向量形式导入Forcal脚本;
步骤三:构建所述常微分方程组;
步骤四:定义所述常微分方程组的系数对应的变量,构建最小化目标函数;
步骤五:设定拟合计算的误差精度、变量数据及约束条件,结合最小化目标函数确定所述常微分方程的系数。
6.根据权利要求5所述的列车区段延误预测误差控制方法,其特征在于,所述步骤S130具体包括:
步骤1:人工鱼种群的初始化;
步骤2:每条人工鱼个体包含的状态(q1,q2,r1,r2)分配至SIMULINK仿真工具中;
步骤3:在SIMULINK中,计算反馈系数K,确定输入变量与状态变量之间反馈关系U=-KX,计算最小化输入变量和状态变量的目标函数;
步骤4:将SIMULINK中计算获得的每条人工鱼个体适应度返回至人工鱼群算法,最优适应度和对应的个体在公告板上被更新;
步骤5:判断终止条件是否满足;若满足,则公告板上的最优个体即为最终输出,若不满足,则转至步骤6;
步骤6:新的人工鱼种群经过仿生行为产生,转至步骤2;其中,所述仿生行为包括觅食行为、随机行为、聚群行为和追尾行为。
8.根据权利要求7所述的列车区段延误预测误差控制方法,其特征在于,所述随机行为包括:
所述随机行为为所述觅食行为之后的缺省操作,人工鱼个体Xi在视野随机半径内移动:Xi+1=Xi+Visual×Rand。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911163897.9A CN110969295B (zh) | 2019-11-25 | 2019-11-25 | 列车区段延误预测误差控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911163897.9A CN110969295B (zh) | 2019-11-25 | 2019-11-25 | 列车区段延误预测误差控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969295A true CN110969295A (zh) | 2020-04-07 |
CN110969295B CN110969295B (zh) | 2022-11-04 |
Family
ID=70031429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911163897.9A Active CN110969295B (zh) | 2019-11-25 | 2019-11-25 | 列车区段延误预测误差控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969295B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070325A (zh) * | 2020-11-12 | 2020-12-11 | 北京交通大学 | 非正常事件下路网列车优化方法、装置、设备及存储介质 |
CN112232415A (zh) * | 2020-10-16 | 2021-01-15 | 中南大学 | 一种高铁全网络站点延误传播的识别方法、设备及介质 |
CN112580204A (zh) * | 2020-12-16 | 2021-03-30 | 同济大学 | 一种铁路区间非正常事件下的列车延误时间预测方法 |
CN112800565A (zh) * | 2021-01-12 | 2021-05-14 | 北京交通大学 | 高速铁路网络列车延误传播的预测方法 |
CN113850411A (zh) * | 2021-08-17 | 2021-12-28 | 中国铁道科学研究院集团有限公司 | 一种列车晚点预测方法、装置、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120037251A (ko) * | 2010-10-11 | 2012-04-19 | 서울특별시도시철도공사 | 열차 운행 예측 및 밀집운행 방지 시스템 및 방법 |
JPWO2016084197A1 (ja) * | 2014-11-27 | 2017-06-15 | 三菱電機株式会社 | 列車運転間隔制御システム及び列車運転間隔制御装置 |
CN109760721A (zh) * | 2019-02-28 | 2019-05-17 | 南京理工大学 | 一种列车区间运行实时调整系统及方法 |
-
2019
- 2019-11-25 CN CN201911163897.9A patent/CN110969295B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120037251A (ko) * | 2010-10-11 | 2012-04-19 | 서울특별시도시철도공사 | 열차 운행 예측 및 밀집운행 방지 시스템 및 방법 |
JPWO2016084197A1 (ja) * | 2014-11-27 | 2017-06-15 | 三菱電機株式会社 | 列車運転間隔制御システム及び列車運転間隔制御装置 |
CN109760721A (zh) * | 2019-02-28 | 2019-05-17 | 南京理工大学 | 一种列车区间运行实时调整系统及方法 |
Non-Patent Citations (3)
Title |
---|
师彪等: "弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用", 《水力发电学报》 * |
张路凯 等: "状态空间下列车区段晚点预测误差控制", 《东北大学学报(自然科学版)》 * |
温珏: "基于改进人工鱼群算法优化参数的支持向量机研究――中长期电力需求预测应用", 《软件导刊》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232415A (zh) * | 2020-10-16 | 2021-01-15 | 中南大学 | 一种高铁全网络站点延误传播的识别方法、设备及介质 |
CN112070325A (zh) * | 2020-11-12 | 2020-12-11 | 北京交通大学 | 非正常事件下路网列车优化方法、装置、设备及存储介质 |
CN112070325B (zh) * | 2020-11-12 | 2021-02-26 | 北京交通大学 | 非正常事件下路网列车优化方法、装置、设备及存储介质 |
CN112580204A (zh) * | 2020-12-16 | 2021-03-30 | 同济大学 | 一种铁路区间非正常事件下的列车延误时间预测方法 |
CN112580204B (zh) * | 2020-12-16 | 2022-07-26 | 同济大学 | 一种铁路区间非正常事件下的列车延误时间预测方法 |
CN112800565A (zh) * | 2021-01-12 | 2021-05-14 | 北京交通大学 | 高速铁路网络列车延误传播的预测方法 |
CN112800565B (zh) * | 2021-01-12 | 2023-12-26 | 北京交通大学 | 高速铁路网络列车延误传播的预测方法 |
CN113850411A (zh) * | 2021-08-17 | 2021-12-28 | 中国铁道科学研究院集团有限公司 | 一种列车晚点预测方法、装置、设备和介质 |
CN113850411B (zh) * | 2021-08-17 | 2023-04-07 | 中国铁道科学研究院集团有限公司 | 一种列车晚点预测方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110969295B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969295B (zh) | 列车区段延误预测误差控制方法 | |
CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
Ma et al. | Trajectory planning for connected and automated vehicles at isolated signalized intersections under mixed traffic environment | |
CN103164742B (zh) | 一种基于粒子群优化神经网络的服务器性能预测方法 | |
Guo et al. | An integrated MPC and deep reinforcement learning approach to trams-priority active signal control | |
Liu et al. | Communication-aware motion planning for multi-agent systems from signal temporal logic specifications | |
CN110481536B (zh) | 一种应用于混合动力汽车的控制方法及设备 | |
Meng et al. | An adaptive task-oriented RBF network for key water quality parameters prediction in wastewater treatment process | |
CN112070325B (zh) | 非正常事件下路网列车优化方法、装置、设备及存储介质 | |
Zhang et al. | Traffic signal optimization for partially observable traffic system and low penetration rate of connected vehicles | |
CN112990485A (zh) | 基于强化学习的知识策略选择方法与装置 | |
CN111860621B (zh) | 一种数据驱动的分布式交通流量预测方法及系统 | |
Zhao | Application of interval type–2 fuzzy neural networks to predict short–term traffic flow | |
CN110851911B (zh) | 终端状态计算模型训练方法、控制序列搜索方法及装置 | |
Zhang et al. | Direction-decision learning based pedestrian flow behavior investigation | |
Wu et al. | Traffic signal networks control optimize with PSO algorithm | |
Wang et al. | Traffic signal priority control based on shared experience multi‐agent deep reinforcement learning | |
Zhao et al. | Adaptive Swarm Intelligent Offloading Based on Digital Twin-assisted Prediction in VEC | |
Zhang et al. | Multi-objective deep reinforcement learning approach for adaptive traffic signal control system with concurrent optimization of safety, efficiency, and decarbonization at intersections | |
CN112721948A (zh) | 基于预测和搜索框架的自动驾驶汽车变道调度的实现方法 | |
Xu et al. | A deep learning approach for vehicle velocity prediction considering the influence factors of multiple lanes | |
CN112258856A (zh) | 一种区域交通信号数据驱动控制模型建立方法 | |
Yan et al. | Service caching for meteorological emergency decision-making in cloud-edge computing | |
Jin et al. | Optimal bipartite consensus for discrete-time multi-agent systems with event-triggered mechanism based on adaptive dynamic programming | |
Wen et al. | Multi‐model direct generalised predictive control for automatic train operation system |
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 |