CN112307564A - 列车ato目标运行速度曲线优化方法及装置 - Google Patents
列车ato目标运行速度曲线优化方法及装置 Download PDFInfo
- Publication number
- CN112307564A CN112307564A CN202011248024.0A CN202011248024A CN112307564A CN 112307564 A CN112307564 A CN 112307564A CN 202011248024 A CN202011248024 A CN 202011248024A CN 112307564 A CN112307564 A CN 112307564A
- Authority
- CN
- China
- Prior art keywords
- train
- running
- current interval
- target
- speed curve
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 86
- 238000005265 energy consumption Methods 0.000 claims description 42
- 238000006073 displacement reaction Methods 0.000 claims description 29
- 230000001133 acceleration Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 abstract description 12
- 238000009826 distribution Methods 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0062—On-board target speed calculation or supervision
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0058—On-board optimisation of vehicle or vehicle train operation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0072—On-board train data handling
-
- 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
- B61L27/10—Operations, e.g. scheduling or time tables
- B61L27/14—Following schedules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
Abstract
本发明实施例提供一种列车ATO目标运行速度曲线优化方法及装置,包括:计算列车行驶在线路中当前区间的多个性能指标,根据所述多个性能指标构建对所述列车的目标运行速度曲线进行优化的目标函数;根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件;基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线。本发明实施例一方面使用多个性能指标构建对列车的目标运行速度曲线进行优化的目标函数,使得对列车速度曲线优化更加准确;另外基于差分进化算法对运行曲线优化问题进行求解,无须使用机率分布产生下一代解成员,解决了遗传算法容易陷入局部最优和收敛速度慢的问题。
Description
技术领域
本发明涉及列车运行控制技术领域,尤其涉及一种列车ATO目标运行速度曲线优化方法及装置。
背景技术
列车在固定的线路上沿着确定的列车时刻表来回往复运行,通过优化列车自动驾驶系统(Automatic Train Operation,ATO)的自动驾驶策略,可以获得较好的列车驾驶性能。
在列车运行速度曲线优化方面,目前通过建立连续型的节能操纵模型,利用庞特里亚金极大值原理分析并证明列车的最优驾驶策略由最大牵引、巡航、惰行和最大制动4种工况组成。使用极大值原理得出最优工况序列的速度曲线与转换点方程,并对数值进行求解分析。现有技术有针对多坡度线路的节能操纵问题进行研究,采用最小原则进行设计并求解,得到线路的节能运行曲线。还有基于距离的列车速度曲线搜索模型,并分别用蚁群算法、遗传算法和动态规划来寻找最优速度剖面。利用人工神经网络优化得到列车的最优惰行点,使列车实现最小的运行能耗。
传统的列车ATO目标运行速度曲线优化方法多针对列车运行能耗单一目标进行优化,导致优化结果不准确。在求解算法上,多采用遗传算法或粒子群算法进行列车速度曲线优化求解,求解过程复杂,运算量大,容易陷入局部最优或不收敛。
发明内容
本发明实施例提供一种列车ATO目标运行速度曲线优化方法及装置,用以解决现有技术中列车速度曲线优化不准确,运算量大的缺陷,实现对列车速度曲线进行快速准确优化。
本发明实施例提供一种列车ATO目标运行速度曲线优化方法,包括:
计算列车行驶在线路中当前区间的多个性能指标,根据所述多个性能指标构建对所述列车的目标运行速度曲线进行优化的目标函数;
根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件;
基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线。
根据本发明一个实施例的列车ATO目标运行速度曲线优化方法,若所述线路的当前客流量小于预设阈值,则所述多个性能指标包括运行能耗指标和舒适性指标;
若所述线路的当前客流量大于或等于所述预设阈值,则所述多个性能指标包括准点性指标和所述舒适性指标;
其中,所述运行能耗指标反映所述列车运行的能耗;
所述舒适性指标通过所述列车运行的加速度的冲击率衡量;
所述准点性指标反映所述列车到站的准时性。
根据本发明一个实施例的列车ATO目标运行速度曲线优化方法,所述计算列车行驶在线路中当前区间的多个性能指标,包括:
从所述列车的运行时刻表中获取所述列车在当前区间的运行时间;
将所述运行时间划分成多个时间步长,根据所述列车在每个时间步长的平均速度,获取所述列车在每个时间步长的位移;
根据所述列车在每个时间步长的位移和牵引力,获取所述列车在当前区间的运行能耗指标;
根据所述列车在每个时间步长的位移、加速度、平均速度和所述列车在当前区间的运行时间,获取所述列车在当前区间的准点性指标;
根据所述列车在每个时间步长的加速度和时间,获取所述列车在当前区间的舒适性指标。
根据本发明一个实施例的列车ATO目标运行速度曲线优化方法,通过以下公式根据所述列车在每个时间步长的位移和牵引力,获取所述列车在当前区间的运行能耗指标:
其中,E1为所述列车在当前区间的运行能耗指标,T为所述时间步长的个数,Fi为第i个时间步长所述列车的牵引力,si为第i个时间步长所述列车的位移;
通过以下公式根据所述列车在每个时间步长的位移、加速度、平均速度和所述列车在当前区间的运行时间,获取所述列车在当前区间的准点性指标:
其中,E2为所述列车在当前区间的准点性指标,ai为第i个时间步长所述列车的加速度,si+1为第i+1个时间步长所述列车的位移,vi为第i个时间步长所述列车的平均速度,t0为所述运行时刻表中所述列车在当前区间的运行时间;
通过以下公式根据所述列车在每个时间步长的加速度和时间,获取所述列车在当前区间的舒适性指标:
其中,E3为所述列车在当前区间的舒适性指标,ai-1为第i-1个时间步长所述列车的加速度,Δti为第i个时间步长的时间。
根据本发明一个实施例的列车ATO目标运行速度曲线优化方法,所述根据所述多个性能指标,构建对所述列车的目标运行速度曲线进行优化的目标函数,包括:
若所述线路的当前客流量小于预设阈值,则构建的目标函数为:
J1=min(w1E1+w2E3);
其中,J1表示所述目标函数,E1为所述列车在当前区间的运行能耗指标,E3为所述列车在当前区间的舒适性指标,w1和w2分别为所述运行能耗指标和舒适性指标的权重;
若所述线路的当前客流量大于或等于所述预设阈值,则构建的目标函数为:
J2=min(w3E2+w4E3);
其中,J2表示所述目标函数,E2为所述列车在当前区间的准点性指标,w3和w4分别为所述准点性指标和舒适性指标的权重。
根据本发明一个实施例的列车ATO目标运行速度曲线优化方法,所述根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件,包括:
从所述线路的限速信息中查询当前区间的限速值,确定所述目标函数的约束条件为所述列车在当前区间运行的目标运行速度曲线小于所述限速值;
从所述列车的运行时刻表中获取所述列车在当前区间的运行时间,确定所述目标函数的约束条件为所述列车按照所述目标运行速度曲线在当前区间的运行时间小于所述运行时刻表中列车在当前区间的运行时间的预设倍数。
根据本发明一个实施例的列车ATO目标运行速度曲线优化方法,所述基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线,之后还包括:
将获取的所述列车的目标运行速度曲线下发给所述列车的ATO,以供所述列车的ATO按照所述目标运行速度曲线控制所述列车在当前区间运行。
本发明实施例还提供一种列车ATO目标运行速度曲线优化装置,包括:
构建模块,用于计算列车行驶在线路中当前区间的多个性能指标,根据所述多个性能指标构建对所述列车的目标运行速度曲线进行优化的目标函数;
确定模块,用于根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件;
求解模块,用于基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述列车ATO目标运行速度曲线优化方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述列车ATO目标运行速度曲线优化方法的步骤。
本发明实施例提供的列车ATO目标运行速度曲线优化方法及装置,通过根据列车行驶在线路中当前区间的多个性能指标构建目标函数,根据线路的限速信息和列车在当前区间的运行时间,确定所述目标函数的约束条件,基于差分进化算法根据约束条件对目标函数进行求解,获取列车的目标运行速度曲线,一方面使用多个性能指标构建对列车的目标运行速度曲线进行优化的目标函数,使得对列车速度曲线优化更加准确;另外基于差分进化算法对运行曲线优化问题进行求解,无须使用机率分布产生下一代解成员,解决了遗传算法容易陷入局部最优和收敛速度慢的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明实施例提供的一种列车ATO目标运行速度曲线优化方法的流程示意图;
图2是本发明实施例提供的一种列车ATO目标运行速度曲线优化方法中差分进化算法的流程图;
图3是本发明实施例提供的一种列车ATO目标运行速度曲线优化方法中ATO目标速度曲线示意图;
图4是本发明实施例提供的一种列车ATO目标运行速度曲线优化方法完整流程示意图;
图5是本发明实施例提供的一种列车ATO目标运行速度曲线优化装置的结构示意图;
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1描述本发明实施例的一种列车ATO目标运行速度曲线优化方法,该方法包括:步骤101,计算列车行驶在线路中当前区间的多个性能指标,根据所述多个性能指标构建对所述列车的目标运行速度曲线进行优化的目标函数;
其中,列车行驶的当前区间为相邻两站之间的路段。计算列车在当前区间行驶的多个性能指标,如节约能耗、准点运行和乘坐舒适等指标。每个性能指标与列车的目标运行速度相关。使用多个性能指标构建目标函数,如将多个性能指标加权后求和获取目标函数,从而构建目标函数与列车的目标运行速度之间的关联关系。
步骤102,根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件;
列车运行需满足安全、准点的基本运营需要,因此在进行目标运行速度曲线规划时需要列车的速度满足线路的限速要求,从而保证列车的运行安全。同时,列车需要按照运行时刻表上的运行时间行车,否则会造成列车晚点,压缩乘客乘降作业时间,降低服务质量。本实施例按照列车的基本运行需求,根据读入的列车车辆性能参数、线路的限速信息和运行时刻表信息构建约束条件。
步骤103,基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线。
本实施例采用差分进化算法对列车的目标运行速度曲线优化问题进行求解。差分进化算法包括变异、交叉操作和淘汰机制,是一种基于实数编码的具有保优思想的贪婪遗传算法。与传统的求解算法遗传算法不同之处在于,差分进化算法无须使用机率分布产生下一代解成员,解决了遗传算法容易陷入局部最优和收敛速度慢的问题。差分进化算法的流程图如图2所示。
本实施例通过根据列车行驶在线路中当前区间的多个性能指标构建目标函数,根据线路的限速信息和列车在当前区间的运行时间,确定所述目标函数的约束条件,基于差分进化算法根据约束条件对目标函数进行求解,获取列车的目标运行速度曲线,一方面使用多个性能指标构建对列车的目标运行速度曲线进行优化的目标函数,使得对列车速度曲线优化更加准确;另外基于差分进化算法对运行曲线优化问题进行求解,无须使用机率分布产生下一代解成员,解决了遗传算法容易陷入局部最优和收敛速度慢的问题。
在上述实施例的基础上,本实施例中若所述线路的当前客流量小于预设阈值,则所述多个性能指标包括运行能耗指标和舒适性指标;若所述线路的当前客流量大于或等于所述预设阈值,则所述多个性能指标包括准点性指标和所述舒适性指标;其中,所述运行能耗指标反映所述列车运行的能耗;所述舒适性指标通过所述列车运行的加速度的冲击率衡量;所述准点性指标反映所述列车到站的准时性。
具体地,若当前客流量小于预设阈值,说明客流量为平峰,运营需求以节能为主。在构建多目标函数时以降低列车运行能耗,提高舒适性为评价指标进行构建。平峰时将站间运行时间作为约束,而非优化目标。这样做可以使求解到的曲线在不晚点的约束下更多地节约能耗,优化目标函数的设置较一般方法更合理。
若当前客流量大于或等于预设阈值,说明客流量为高峰,运营需求以提高运力为主,目标函数以缩短列车区间运行时间和提高舒适性为目标进行构建。
本实施例能够根据客流情况和运营需求,动态调整优化的目标函数,使得目标运行速度曲线在降低运行能耗的同时,能够更好地满足乘客的出行需求,提高服务质量。
在上述实施例的基础上,本实施例中所述计算列车行驶在线路中当前区间的多个性能指标,包括:从所述列车的运行时刻表中获取所述列车在当前区间的运行时间;将所述运行时间划分成多个时间步长,根据所述列车在每个时间步长的平均速度,获取所述列车在每个时间步长的位移;
具体地,由于列车的区间运动过程是一个复杂非线性的过程,难以用数学方程直接计算列车运行的能耗、舒适性、准点性等指标。因此,将列车站间运行过程划分为T个线性变化的小段进行数学描述,每个小段为一个时间步长dt,那么列车运行曲线可以近似表示为:
其中,dt为时间步长,Vi为第i个时间步长的平均速度,s为站间总路程。在每个时间步长上对列车的多个性能指标值进行计算并求和,从而得到列车整个站间运行的指标值。
根据所述列车在每个时间步长的位移和牵引力,获取所述列车在当前区间的运行能耗指标;根据所述列车在每个时间步长的位移、加速度、平均速度和所述列车在当前区间的运行时间,获取所述列车在当前区间的准点性指标;根据所述列车在每个时间步长的加速度和时间,获取所述列车在当前区间的舒适性指标。
本实施例不考虑列车制动时的能量回馈,列车的运行能耗指标根据列车的牵引力和运行位移获取。准点性指标根据列车实际的站间运行时间和时刻表规定的站间运行时间之间的差值确定。舒适性指标利用加速度的冲击率来衡量。
在上述实施例的基础上,本实施例中通过以下公式根据所述列车在每个时间步长的位移和牵引力,获取所述列车在当前区间的运行能耗指标:
其中,E1为所述列车在当前区间的运行能耗指标,T为所述时间步长的个数,Fi为第i个时间步长所述列车的牵引力,si为第i个时间步长所述列车的位移;
通过以下公式根据所述列车在每个时间步长的位移、加速度、平均速度和所述列车在当前区间的运行时间,获取所述列车在当前区间的准点性指标:
其中,E2为所述列车在当前区间的准点性指标,ai为第i个时间步长所述列车的加速度,si+1为第i+1个时间步长所述列车的位移,vi为第i个时间步长所述列车的平均速度,t0为所述运行时刻表中所述列车在当前区间的运行时间;
通过以下公式根据所述列车在每个时间步长的加速度和时间,获取所述列车在当前区间的舒适性指标:
其中,E3为所述列车在当前区间的舒适性指标,ai-1为第i-1个时间步长所述列车的加速度,Δti为第i个时间步长的时间。
在上述各实施例的基础上,本实施例中所述根据所述多个性能指标,构建对所述列车的目标运行速度曲线进行优化的目标函数,包括:若所述线路的当前客流量小于预设阈值,则构建的目标函数为:
J1=min(w1E1+w2E3);
其中,J1表示所述目标函数,E1为所述列车在当前区间的运行能耗指标,E3为所述列车在当前区间的舒适性指标,w1和w2分别为所述运行能耗指标和舒适性指标的权重;
若所述线路的当前客流量大于或等于所述预设阈值,则构建的目标函数为:
J2=min(w3E2+w4E3);
其中,J2表示所述目标函数,E2为所述列车在当前区间的准点性指标,w3和w4分别为所述准点性指标和舒适性指标的权重。
在上述各实施例的基础上,本实施例中所述根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件,包括:从所述线路的限速信息中查询当前区间的限速值,确定所述目标函数的约束条件为所述列车在当前区间运行的目标运行速度曲线小于所述限速值;从所述列车的运行时刻表中获取所述列车在当前区间的运行时间,确定所述目标函数的约束条件为所述列车按照所述目标运行速度曲线在当前区间的运行时间小于所述运行时刻表中列车在当前区间的运行时间的预设倍数。
具体地,列车运行需要满足安全、准点的基本运营需要,那么在进行目标速度曲线规划时需要确保列车的速度在线路限速之下,如图3所示,从而满足列车运行的安全要求。同时,列车需要按照时刻表行车,站间运行时间不能超过时刻表规划时间的预设倍数,如1.05倍,否则会造成列车晚点,压缩乘客乘降作业时间,降低服务质量的问题。
约束1:规划的目标速度小于线路限速,可以表述为:
v(s)<vline(s);
式中,v(s)为待规划的目标运行速度曲线,vline(s)为从线路电子地图读入的线路限速值。
约束2:站间运行时间不超过时刻表规定的运行时间的1.05倍,可以表述为:
t<t0*1.05;
式中,t为列车按照目标速度曲线运行时,站间运行时间,t0为时刻表规定的站间运行时间。
本实施例满足线路限速等环境约束,列车牵引制动能力等列车系统特性约束,合理规划出全线路内的运行曲线,并能满足列车运行安全的要求。
在上述各实施例的基础上,本实施例中所述基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线,之后还包括:将获取的所述列车的目标运行速度曲线下发给所述列车的ATO,以供所述列车的ATO按照所述目标运行速度曲线控制所述列车在当前区间运行。
具体地,将求解的目标运行速度曲线发送给ATO,ATO按照该曲线控制列车完成站间运行。到达下一站后,在车站停站过程中重复列车目标运行速度曲线优化的步骤,进行下一站的目标运行速度曲线规划并执行。
如图4所示,本实施例中基于差分进化方法的列车运行曲线多目标优化方法包括的具体步骤为:
步骤1,数据读入:读取线路、车辆、列车时刻表和运营需求信息;
步骤2,约束构建:根据读入的车辆性能参数、线路限速信息和运行时刻表信息,构建目标运行曲线优化时的约束条件;
步骤3,评价指标求解及优化目标函数构建:根据运营需求,计算相应的评价指标并构建多目标函数。当平峰时,运营需求以节能为主,在构建多目标函数时以降低列车运行能耗,提高舒适性为评价指标进行构建;高峰时,运营需求以提高运力为主,目标函数以缩短列车区间运行时间和提高舒适性为目标进行构建。
步骤4,目标运行速度曲线求解:针对步骤2和步骤3构建的多目标优化问题,采用差分进化算法求解,得到目标运行速度曲线。
步骤5,曲线下发并执行:将求解的目标运行速度曲线发送给ATO,ATO按照该曲线控制列车完成站间运行。到底下一站后,在车站停站过程中重复步骤1至5,进行下一站的目标运行速度曲线规划并执行。
下面对本发明实施例提供的列车ATO目标运行速度曲线优化装置进行描述,下文描述的列车ATO目标运行速度曲线优化装置与上文描述的列车ATO目标运行速度曲线优化方法可相互对应参照。
如图5所示,该装置包括构建模块501、确定模块502和求解模块503,其中:
构建模块501用于计算列车行驶在线路中当前区间的多个性能指标,根据所述多个性能指标构建对所述列车的目标运行速度曲线进行优化的目标函数;
其中,列车行驶的当前区间为相邻两站之间的路段。计算列车在当前区间行驶的多个性能指标,如节约能耗、准点运行和乘坐舒适等指标。每个性能指标与列车的目标运行速度相关。使用多个性能指标构建目标函数,如将多个性能指标加权后求和获取目标函数,从而构建目标函数与列车的目标运行速度之间的关联关系。
确定模块502用于根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件;
列车运行需满足安全、准点的基本运营需要,因此在进行目标运行速度曲线规划时需要列车的速度满足线路的限速要求,从而保证列车的运行安全。同时,列车需要按照运行时刻表上的运行时间行车,否则会造成列车晚点,压缩乘客乘降作业时间,降低服务质量。本实施例按照列车的基本运行需求,根据读入的列车车辆性能参数、线路的限速信息和运行时刻表信息构建约束条件。
求解模块503用于基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线。
本实施例采用差分进化算法对列车的目标运行速度曲线优化问题进行求解。差分进化算法包括变异、交叉操作和淘汰机制,是一种基于实数编码的具有保优思想的贪婪遗传算法。与传统的求解算法遗传算法不同之处在于,差分进化算法无须使用机率分布产生下一代解成员,解决了遗传算法容易陷入局部最优和收敛速度慢的问题。
本实施例通过根据列车行驶在线路中当前区间的多个性能指标构建目标函数,根据线路的限速信息和列车在当前区间的运行时间,确定所述目标函数的约束条件,基于差分进化算法根据约束条件对目标函数进行求解,获取列车的目标运行速度曲线,一方面使用多个性能指标构建对列车的目标运行速度曲线进行优化的目标函数,使得对列车速度曲线优化更加准确;另外基于差分进化算法对运行曲线优化问题进行求解,无须使用机率分布产生下一代解成员,解决了遗传算法容易陷入局部最优和收敛速度慢的问题。
在上述实施例的基础上,本实施例中若所述线路的当前客流量小于预设阈值,则所述多个性能指标包括运行能耗指标和舒适性指标;若所述线路的当前客流量大于或等于所述预设阈值,则所述多个性能指标包括准点性指标和所述舒适性指标;其中,所述运行能耗指标反映所述列车运行的能耗;所述舒适性指标通过所述列车运行的加速度的冲击率衡量;所述准点性指标反映所述列车到站的准时性。
在上述实施例的基础上,本实施例中构建模块具体用于:从所述列车的运行时刻表中获取所述列车在当前区间的运行时间;将所述运行时间划分成多个时间步长,根据所述列车在每个时间步长的平均速度,获取所述列车在每个时间步长的位移;根据所述列车在每个时间步长的位移和牵引力,获取所述列车在当前区间的运行能耗指标;根据所述列车在每个时间步长的位移、加速度、平均速度和所述列车在当前区间的运行时间,获取所述列车在当前区间的准点性指标;根据所述列车在每个时间步长的加速度和时间,获取所述列车在当前区间的舒适性指标。
在上述实施例的基础上,本实施例中构建模块通过以下公式根据所述列车在每个时间步长的位移和牵引力,获取所述列车在当前区间的运行能耗指标:
其中,E1为所述列车在当前区间的运行能耗指标,T为所述时间步长的个数,Fi为第i个时间步长所述列车的牵引力,si为第i个时间步长所述列车的位移;
通过以下公式根据所述列车在每个时间步长的位移、加速度、平均速度和所述列车在当前区间的运行时间,获取所述列车在当前区间的准点性指标:
其中,E2为所述列车在当前区间的准点性指标,ai为第i个时间步长所述列车的加速度,si+1为第i+1个时间步长所述列车的位移,vi为第i个时间步长所述列车的平均速度,t0为所述运行时刻表中所述列车在当前区间的运行时间;
通过以下公式根据所述列车在每个时间步长的加速度和时间,获取所述列车在当前区间的舒适性指标:
其中,E3为所述列车在当前区间的舒适性指标,ai-1为第i-1个时间步长所述列车的加速度,Δti为第i个时间步长的时间。
在上述实施例的基础上,本实施例中构建模块若所述线路的当前客流量小于预设阈值,则构建的目标函数为:
J1=min(w1E1+w2E3);
其中,J1表示所述目标函数,E1为所述列车在当前区间的运行能耗指标,E3为所述列车在当前区间的舒适性指标,w1和w2分别为所述运行能耗指标和舒适性指标的权重;
若所述线路的当前客流量大于或等于所述预设阈值,则构建的目标函数为:
J2=min(w3E2+w4E3);
其中,J2表示所述目标函数,E2为所述列车在当前区间的准点性指标,w3和w4分别为所述准点性指标和舒适性指标的权重。
在上述实施例的基础上,本实施例中确定模块具体用于:从所述线路的限速信息中查询当前区间的限速值,确定所述目标函数的约束条件为所述列车在当前区间运行的目标运行速度曲线小于所述限速值;从所述列车的运行时刻表中获取所述列车在当前区间的运行时间,确定所述目标函数的约束条件为所述列车按照所述目标运行速度曲线在当前区间的运行时间小于所述运行时刻表中列车在当前区间的运行时间的预设倍数。
在上述各实施例的基础上,本实施例中还包括下发模块,用于将获取的所述列车的目标运行速度曲线下发给所述列车的ATO,以供所述列车的ATO按照所述目标运行速度曲线控制所述列车在当前区间运行。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行列车ATO目标运行速度曲线优化方法,该方法包括:计算列车行驶在线路中当前区间的多个性能指标,根据所述多个性能指标构建对所述列车的目标运行速度曲线进行优化的目标函数;根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件;基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的列车ATO目标运行速度曲线优化方法,该方法包括:计算列车行驶在线路中当前区间的多个性能指标,根据所述多个性能指标构建对所述列车的目标运行速度曲线进行优化的目标函数;根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件;基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的列车ATO目标运行速度曲线优化方法,该方法包括:计算列车行驶在线路中当前区间的多个性能指标,根据所述多个性能指标构建对所述列车的目标运行速度曲线进行优化的目标函数;根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件;基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种列车ATO目标运行速度曲线优化方法,其特征在于,包括:
计算列车行驶在线路中当前区间的多个性能指标,根据所述多个性能指标构建对所述列车的目标运行速度曲线进行优化的目标函数;
根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件;
基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线。
2.根据权利要求1所述的列车ATO目标运行速度曲线优化方法,其特征在于,若所述线路的当前客流量小于预设阈值,则所述多个性能指标包括运行能耗指标和舒适性指标;
若所述线路的当前客流量大于或等于所述预设阈值,则所述多个性能指标包括准点性指标和所述舒适性指标;
其中,所述运行能耗指标反映所述列车运行的能耗;
所述舒适性指标通过所述列车运行的加速度的冲击率衡量;
所述准点性指标反映所述列车到站的准时性。
3.根据权利要求2所述的列车ATO目标运行速度曲线优化方法,其特征在于,所述计算列车行驶在线路中当前区间的多个性能指标,包括:
从所述列车的运行时刻表中获取所述列车在当前区间的运行时间;
将所述运行时间划分成多个时间步长,根据所述列车在每个时间步长的平均速度,获取所述列车在每个时间步长的位移;
根据所述列车在每个时间步长的位移和牵引力,获取所述列车在当前区间的运行能耗指标;
根据所述列车在每个时间步长的位移、加速度、平均速度和所述列车在当前区间的运行时间,获取所述列车在当前区间的准点性指标;
根据所述列车在每个时间步长的加速度和时间,获取所述列车在当前区间的舒适性指标。
4.根据权利要求3所述的列车ATO目标运行速度曲线优化方法,其特征在于,通过以下公式根据所述列车在每个时间步长的位移和牵引力,获取所述列车在当前区间的运行能耗指标:
其中,E1为所述列车在当前区间的运行能耗指标,T为所述时间步长的个数,Fi为第i个时间步长所述列车的牵引力,si为第i个时间步长所述列车的位移;
通过以下公式根据所述列车在每个时间步长的位移、加速度、平均速度和所述列车在当前区间的运行时间,获取所述列车在当前区间的准点性指标:
其中,E2为所述列车在当前区间的准点性指标,ai为第i个时间步长所述列车的加速度,si+1为第i+1个时间步长所述列车的位移,vi为第i个时间步长所述列车的平均速度,t0为所述运行时刻表中所述列车在当前区间的运行时间;
通过以下公式根据所述列车在每个时间步长的加速度和时间,获取所述列车在当前区间的舒适性指标:
其中,E3为所述列车在当前区间的舒适性指标,ai-1为第i-1个时间步长所述列车的加速度,Δti为第i个时间步长的时间。
5.根据权利要求2-4任一所述的列车ATO目标运行速度曲线优化方法,其特征在于,所述根据所述多个性能指标,构建对所述列车的目标运行速度曲线进行优化的目标函数,包括:
若所述线路的当前客流量小于预设阈值,则构建的目标函数为:
J1=min(w1E1+w2E3);
其中,J1表示所述目标函数,E1为所述列车在当前区间的运行能耗指标,E3为所述列车在当前区间的舒适性指标,w1和w2分别为所述运行能耗指标和舒适性指标的权重;
若所述线路的当前客流量大于或等于所述预设阈值,则构建的目标函数为:
J2=min(w3E2+w4E3);
其中,J2表示所述目标函数,E2为所述列车在当前区间的准点性指标,w3和w4分别为所述准点性指标和舒适性指标的权重。
6.根据权利要求1-4任一所述的列车ATO目标运行速度曲线优化方法,其特征在于,所述根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件,包括:
从所述线路的限速信息中查询当前区间的限速值,确定所述目标函数的约束条件为所述列车在当前区间运行的目标运行速度曲线小于所述限速值;
从所述列车的运行时刻表中获取所述列车在当前区间的运行时间,确定所述目标函数的约束条件为所述列车按照所述目标运行速度曲线在当前区间的运行时间小于所述运行时刻表中列车在当前区间的运行时间的预设倍数。
7.根据权利要求1-4任一所述的列车ATO目标运行速度曲线优化方法,其特征在于,所述基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线,之后还包括:
将获取的所述列车的目标运行速度曲线下发给所述列车的ATO,以供所述列车的ATO按照所述目标运行速度曲线控制所述列车在当前区间运行。
8.一种列车ATO目标运行速度曲线优化方法,其特征在于,包括:
构建模块,用于计算列车行驶在线路中当前区间的多个性能指标,根据所述多个性能指标构建对所述列车的目标运行速度曲线进行优化的目标函数;
确定模块,用于根据所述线路的限速信息和所述列车在当前区间的运行时间,确定所述目标函数的约束条件;
求解模块,用于基于差分进化算法根据所述约束条件对所述目标函数进行求解,获取所述列车的目标运行速度曲线。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述列车ATO目标运行速度曲线优化方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述列车ATO目标运行速度曲线优化方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011248024.0A CN112307564B (zh) | 2020-11-10 | 2020-11-10 | 列车ato目标运行速度曲线优化方法及装置 |
EP21150404.8A EP3995383A1 (en) | 2020-11-10 | 2021-01-06 | Method and device for optimizing target operation speed curve in ato of train |
US17/160,211 US11708098B2 (en) | 2020-11-10 | 2021-01-27 | Method and device for optimizing target operation speed curve in ATO of train |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011248024.0A CN112307564B (zh) | 2020-11-10 | 2020-11-10 | 列车ato目标运行速度曲线优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307564A true CN112307564A (zh) | 2021-02-02 |
CN112307564B CN112307564B (zh) | 2024-05-10 |
Family
ID=74285193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011248024.0A Active CN112307564B (zh) | 2020-11-10 | 2020-11-10 | 列车ato目标运行速度曲线优化方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11708098B2 (zh) |
EP (1) | EP3995383A1 (zh) |
CN (1) | CN112307564B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112937647A (zh) * | 2021-03-17 | 2021-06-11 | 青岛海信网络科技股份有限公司 | 一种列车控制方法、设备及介质 |
CN113552839A (zh) * | 2021-07-23 | 2021-10-26 | 广州小鹏自动驾驶科技有限公司 | 速度优化方法、装置及设备 |
CN113642752A (zh) * | 2021-08-24 | 2021-11-12 | 长沙理工大学 | 一种城市出租车同时运营数目确定方法和装置 |
CN113997915A (zh) * | 2021-11-26 | 2022-02-01 | 北京大象科技有限公司 | 基于大数据的列车自动驾驶ato精确停车控制方法 |
CN115056825A (zh) * | 2022-05-17 | 2022-09-16 | 北京理工大学 | 自适应性能的列车加速方法 |
CN115235527A (zh) * | 2022-07-20 | 2022-10-25 | 上海木蚁机器人科技有限公司 | 传感器外参标定方法、装置以及电子设备 |
CN115257865A (zh) * | 2022-07-25 | 2022-11-01 | 青岛海信微联信号有限公司 | 一种列车控制方法、设备及装置 |
CN116401873A (zh) * | 2023-04-11 | 2023-07-07 | 华东交通大学 | 一种考虑列车运行速度曲线优化的智能选线方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114954583A (zh) * | 2022-06-14 | 2022-08-30 | 中国铁路通信信号股份有限公司 | Cbtc追踪间隔仿真方法及装置 |
CN115619060B (zh) * | 2022-10-26 | 2023-12-05 | 中南大学 | 一种基于离散区间工况选择的列车节能运行优化方法 |
CN115758528B (zh) * | 2022-11-18 | 2023-09-29 | 中国铁路设计集团有限公司 | 铁路起拨道整治方案综合优化计算方法 |
CN115879797B (zh) * | 2022-11-29 | 2023-06-27 | 北京城建设计发展集团股份有限公司 | 城市轨道交通线路设计低碳优化综合评估方法 |
CN116039730B (zh) * | 2023-03-31 | 2023-08-18 | 通号城市轨道交通技术有限公司 | 列车运行控制方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004229359A (ja) * | 2003-01-20 | 2004-08-12 | Mitsubishi Electric Corp | 列車走行制御方法および列車走行制御装置 |
CN107585180A (zh) * | 2017-08-16 | 2018-01-16 | 交控科技股份有限公司 | 车载ato基于多目标自调整驾驶策略的方法及装置 |
CN109204391A (zh) * | 2018-09-29 | 2019-01-15 | 交控科技股份有限公司 | 一种基于多目标决策的目标速度曲线确定方法 |
CN109840641A (zh) * | 2019-03-08 | 2019-06-04 | 西南交通大学 | 一种列车多区间运行曲线快速优化方法 |
CN110155126A (zh) * | 2019-06-03 | 2019-08-23 | 北京交通大学 | 临时限速下的高铁列车调度与控制一体优化方法 |
CN110490367A (zh) * | 2019-07-15 | 2019-11-22 | 西安理工大学 | 基于极大值原理的高速列车自动驾驶节能优化方法 |
CN111460633A (zh) * | 2020-03-19 | 2020-07-28 | 南京理工大学 | 一种基于多目标粒子群算法的列车节能运行方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815523B (zh) * | 2018-12-05 | 2023-05-05 | 南京工程学院 | 基于分解的列车运行多目标差分进化算法 |
CN111191819B (zh) * | 2019-12-12 | 2023-07-07 | 同济大学 | 一种轨道交通多列车速度曲线轨迹协调优化方法 |
CN111291856B (zh) * | 2020-01-21 | 2023-05-23 | 大连海事大学 | 一种地铁列车运行操纵多目标优化方法及系统 |
CN113361150B (zh) * | 2021-08-11 | 2021-12-24 | 华东交通大学 | 一种城市列车运行多目标优化方法及系统 |
-
2020
- 2020-11-10 CN CN202011248024.0A patent/CN112307564B/zh active Active
-
2021
- 2021-01-06 EP EP21150404.8A patent/EP3995383A1/en active Pending
- 2021-01-27 US US17/160,211 patent/US11708098B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004229359A (ja) * | 2003-01-20 | 2004-08-12 | Mitsubishi Electric Corp | 列車走行制御方法および列車走行制御装置 |
CN107585180A (zh) * | 2017-08-16 | 2018-01-16 | 交控科技股份有限公司 | 车载ato基于多目标自调整驾驶策略的方法及装置 |
CN109204391A (zh) * | 2018-09-29 | 2019-01-15 | 交控科技股份有限公司 | 一种基于多目标决策的目标速度曲线确定方法 |
CN109840641A (zh) * | 2019-03-08 | 2019-06-04 | 西南交通大学 | 一种列车多区间运行曲线快速优化方法 |
CN110155126A (zh) * | 2019-06-03 | 2019-08-23 | 北京交通大学 | 临时限速下的高铁列车调度与控制一体优化方法 |
CN110490367A (zh) * | 2019-07-15 | 2019-11-22 | 西安理工大学 | 基于极大值原理的高速列车自动驾驶节能优化方法 |
CN111460633A (zh) * | 2020-03-19 | 2020-07-28 | 南京理工大学 | 一种基于多目标粒子群算法的列车节能运行方法 |
Non-Patent Citations (1)
Title |
---|
王花: "基于遗传算法PID控制的ATO速度控制器设计", 《工业控制计算机》, vol. 31, no. 7, 31 July 2018 (2018-07-31), pages 27 - 31 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112937647B (zh) * | 2021-03-17 | 2022-06-24 | 青岛海信网络科技股份有限公司 | 一种列车控制方法、设备及介质 |
CN112937647A (zh) * | 2021-03-17 | 2021-06-11 | 青岛海信网络科技股份有限公司 | 一种列车控制方法、设备及介质 |
CN113552839A (zh) * | 2021-07-23 | 2021-10-26 | 广州小鹏自动驾驶科技有限公司 | 速度优化方法、装置及设备 |
CN113552839B (zh) * | 2021-07-23 | 2022-12-13 | 广州小鹏自动驾驶科技有限公司 | 速度优化方法、装置及设备 |
CN113642752A (zh) * | 2021-08-24 | 2021-11-12 | 长沙理工大学 | 一种城市出租车同时运营数目确定方法和装置 |
CN113997915A (zh) * | 2021-11-26 | 2022-02-01 | 北京大象科技有限公司 | 基于大数据的列车自动驾驶ato精确停车控制方法 |
CN113997915B (zh) * | 2021-11-26 | 2022-06-24 | 北京大象科技有限公司 | 基于大数据的列车自动驾驶ato精确停车控制方法 |
CN115056825A (zh) * | 2022-05-17 | 2022-09-16 | 北京理工大学 | 自适应性能的列车加速方法 |
CN115056825B (zh) * | 2022-05-17 | 2024-04-05 | 北京理工大学 | 自适应性能的列车加速方法 |
CN115235527A (zh) * | 2022-07-20 | 2022-10-25 | 上海木蚁机器人科技有限公司 | 传感器外参标定方法、装置以及电子设备 |
CN115257865A (zh) * | 2022-07-25 | 2022-11-01 | 青岛海信微联信号有限公司 | 一种列车控制方法、设备及装置 |
CN115257865B (zh) * | 2022-07-25 | 2023-09-08 | 青岛海信微联信号有限公司 | 一种列车控制方法、设备及装置 |
CN116401873A (zh) * | 2023-04-11 | 2023-07-07 | 华东交通大学 | 一种考虑列车运行速度曲线优化的智能选线方法 |
CN116401873B (zh) * | 2023-04-11 | 2023-12-26 | 华东交通大学 | 一种考虑列车运行速度曲线优化的智能选线方法 |
Also Published As
Publication number | Publication date |
---|---|
US11708098B2 (en) | 2023-07-25 |
US20220144324A1 (en) | 2022-05-12 |
CN112307564B (zh) | 2024-05-10 |
EP3995383A1 (en) | 2022-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112307564A (zh) | 列车ato目标运行速度曲线优化方法及装置 | |
CN104881527B (zh) | 城市轨道交通列车ato速度命令优化方法 | |
CN109859459B (zh) | 一种自动驾驶公交调度优化方法 | |
CN106777752B (zh) | 一种高速列车追踪运行曲线优化设定方法 | |
Domínguez et al. | Multi objective particle swarm optimization algorithm for the design of efficient ATO speed profiles in metro lines | |
CN113361150B (zh) | 一种城市列车运行多目标优化方法及系统 | |
CN109815523B (zh) | 基于分解的列车运行多目标差分进化算法 | |
CN106503804A (zh) | 一种基于Pareto多目标遗传算法的列车定时节能运行方法 | |
CN112686453B (zh) | 机车能耗智能预测方法及系统 | |
CN110239600B (zh) | 面向再生制动能量利用的列车运行控制方法及系统 | |
CN105118329A (zh) | 一种消解无信号交叉口两车交通冲突的方法 | |
CN104656452B (zh) | 一种基于矩阵离散的地铁列车优化控制方法及装置 | |
CN109783890A (zh) | 基于钩缓装置模型的重载列车运行曲线多目标优化方法 | |
CN106056238B (zh) | 列车区间运行轨迹的规划方法 | |
CN106777717A (zh) | 一种考虑载客量变化的ato速度命令节能优化方法 | |
CN114202316A (zh) | 基于深度强化学习的城市轨道交通列车时刻表优化方法 | |
CN112507464A (zh) | 基于改进多目标灰狼算法的货运列车运行曲线优化方法 | |
CN114074680B (zh) | 基于深度强化学习的车辆换道行为决策方法及系统 | |
Bin et al. | Energy-efficient speed profile optimization for high-speed railway considering neutral sections | |
CN111680413A (zh) | 基于双层算法的有轨电车定时节能运行优化方法及其系统 | |
CN114818135A (zh) | 列车运行曲线离线优化方法、设备、存储介质 | |
Zhang et al. | Train scheduling optimization for an urban rail transit line: a simulated-annealing algorithm using a large neighborhood search metaheuristic | |
Zhang et al. | Pareto multi-objective optimization of metro train energy-saving operation using improved NSGA-II algorithms | |
CN113361984B (zh) | 基于互馈模型的空港客流与运力流动态耦合方法和系统 | |
CN111598311B (zh) | 一种新型列车运行速度曲线智能优化方法 |
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 |