CN114348070A - 基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法 - Google Patents

基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法 Download PDF

Info

Publication number
CN114348070A
CN114348070A CN202210044225.1A CN202210044225A CN114348070A CN 114348070 A CN114348070 A CN 114348070A CN 202210044225 A CN202210044225 A CN 202210044225A CN 114348070 A CN114348070 A CN 114348070A
Authority
CN
China
Prior art keywords
speed
subway train
acceleration
interval
distance
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.)
Pending
Application number
CN202210044225.1A
Other languages
English (en)
Inventor
陈德旺
芦玉琦
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.)
Fujian University of Technology
Original Assignee
Fujian University of Technology
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 Fujian University of Technology filed Critical Fujian University of Technology
Priority to CN202210044225.1A priority Critical patent/CN114348070A/zh
Publication of CN114348070A publication Critical patent/CN114348070A/zh
Priority to PCT/CN2022/092115 priority patent/WO2023134093A1/zh
Pending legal-status Critical Current

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
    • B61L27/40—Handling position reports or trackside vehicle data

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法，通过调查地铁运行的实际数据和咨询有关专家来获得虚拟数据的牵引区间、速度区间、站距区间、变速区间等限定参数，使得生成的虚拟数据范围小，信度高；然后根据动力学知识假设地铁列车的五段式运行方式，以便于生成列车的虚拟速度‑距离图像；再而采用python进行编程实现和数据可视化，得到所需要的大量虚拟地铁列车运行数据。对于生成的大量虚拟数据，对其进行条件筛选，得到研究者所需要的部分虚线。另外，对于选出的单条曲线，对其进行了实时跟踪，得到了单条曲线地铁列车每0.1s的运行状态，了解到地铁列车的实时运行状态，以便于研究者对地铁列车的进一步研究。

Description

基于区间限速和专家经验的虚拟地铁列车运行大数据生成 方法
技术领域
本发明涉及数据处理技术领域，尤其涉及基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法。
背景技术
近年来，地铁列车的运行数据获取方式可分为跟踪仿真生成的单条运行曲线和人工驾驶数据的采样两种。其中，仿真生成单条运行曲线有以下研究：通过读入数据、数据预处理、设定计算区间、计算并输出结果4个步骤仿真生成参考运行曲线；采用遗传算法找出地铁列车关键点的位置和地铁列车加速度，然后利用地铁列车运动学知识得到速度曲线；采用非参数化的迭代学习方法进行优化单条地铁列车速度曲线；采用PSO-CS算法为地铁列车提供最优控制目标曲线。但这种获取地铁列车运行数据的方法生成过程比较复杂，优化时间长，并且生成的曲线只能适应一种运行时间。
另外，有研究从人工驾驶专家的运行曲线中获取数据进行挖掘，每0.5s对地铁列车的状态进行采样，得到地铁列车的速度-位移曲线，这种方法费时费力且效率不高，得到的数据也只能适用于该段运行区间以及所设定的运行时间，通用性不强。
发明内容
本发明的目的在于提供基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法，生成大量基于现实的虚拟数据，并根据研究者的需求进行筛选，得到符合要求的曲线，并对其进行等时采样，得到曲线的跟踪数据集，便于列车运行研究。
本发明采用的技术方案是：
基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法，其包括以下步骤：
步骤1，根据专家经验和资料设置虚拟地铁列车的参数区间，参数区间包括加速度区间、速度区间、车站间距区间和变速距离区间；
步骤2，利用五段式运行法将虚拟地铁列车的运行曲线进行分段，并分别设定每个阶段运行参数；
步骤3，利用设定的五段式运行法的每个阶段运行参数计算得到若干组虚拟地铁列车的运行数据，并分别利用绘图工具生成对应运行曲线；
步骤4，根据研究需求设定筛选条件得到对应的运行曲线；
步骤5，对每条筛选出的曲线进行等时间隔的曲线数据采样，并输出每个时间点列车所处状态。
进一步地，步骤1的参数区间的设置具体包括以下步骤：
步骤1-1，基于实际地铁列车资料计算得到实际地铁列车加速度区间，配置虚拟地铁列车的加速度区间包含实际地铁列车加速度区间；即实际地铁列车加速度区间为虚拟地铁列车的加速度区间的子集；
步骤1-2，基于实际地铁列车资料计算得到实际地铁列车运行的速度区间，配置虚拟地铁列车的速度区间包含实际地铁列车运行的速度区间；即实际地铁列车运行的速度区间为虚拟地铁列车运行的速度区间的子集；
步骤1-3，基于实际地铁列车线路的相邻两个车站间距区间，配置虚拟地铁列车线路的相邻两个车站间距区间包含实际地铁列车线路的相邻两个车站间距区间；即实际地铁列车线路的相邻两个车站间距区间为虚拟地铁列车线路的相邻两个车站间距区间的子集；
步骤1-4，将虚拟地铁列车的运行过程分为四段变速过程和一段匀速过程，设定变速距离为100-600m，步长为50m，以形成变速距离区间。
进一步地，步骤2中五段式运行法将虚拟地铁列车的运行曲线分为四段变速过程和一段匀速过程，每个阶段运行参数如下：
第一次变速阶段：
首先，第一次变速阶段的加速时间t1由第一次加速限速vmax1和第一次变速加速度amax1计算得到，如式(1)所示：
Figure BDA0003471516490000021
第一次变速阶段的匀速行驶时间th1由第一次变速剩余预设变速距离Lef1和第一次加速限速vmax1计算得到，如式(2)所示：
Figure BDA0003471516490000022
其中第一次变速剩余预设变速距离Lef1由预设变速距离dis和第一次加速距离s1计算得到，如式(3)所示：
Lef1＝dis-s1 (3)
第一次加速距离s1由第一次变速阶段的加速时间t1和第一次加速限速vmax1计算得到，如式(4)所示：
Figure BDA0003471516490000023
则第一阶段的总运行时间T1由加速时间t1和匀速行驶时间th1计算得到，如式(5)所示：
T1＝t1+th1 (5)
第二次变速阶段：
第二次变速阶段运行时间的计算与第一阶段原理相同，即可通过式(6)～式(10)计算得出。其中涉及的计算变量分别为第一次变速阶段的加速时间t2、第一次加速限速vmax1、第二次加速限速vmax2、第二次变速加速度amax2、第二次变速阶段的匀速行驶时间th2、第二次变速剩余预设变速距离Lef2、预设变速距离dis、第二次加速距离s2。
Figure BDA0003471516490000031
Figure BDA0003471516490000032
Lef2＝dis-s2 (8)
Figure BDA0003471516490000033
T2＝t2+th2 (10)
匀速行驶阶段:
匀速行驶阶段地铁列车的运行时间runtime由地铁列车第二次加速限速vmax2和匀速行驶距离runtance计算得到，如式(11)所示：
Figure BDA0003471516490000034
第三次变速阶段:
第三次变速阶段运行时间可通过式(12)～式(16)计算得出。其中涉及的计算变量分别为第三次变速阶段的减速时间t3、第三次减速限速vmax3、第二次加速限速vmax2、第三次变速加速度amax3、第三次变速阶段的匀速行驶时间th3、第三次变速剩余预设变速距离Lef3、预设变速距离dis、第三次加速距离s3。
Figure BDA0003471516490000035
Figure BDA0003471516490000036
Lef3＝dis-s3 (14)
Figure BDA0003471516490000037
T3＝t3+th4 (16)
第四次变速阶段
第四次变速阶段运行时间可通过式(17)～式(21)计算得出。其中涉及的计算变量分别为第四次变速阶段的减速时间t4、第三次减速限速vmax3、第四次变速加速度amax4、第四次变速阶段的匀速行驶时间th4、第四次变速剩余预设变速距离Lef4、预设变速距离dis、第四次加速距离s4。
Figure BDA0003471516490000041
Figure BDA0003471516490000042
Lef4＝dis-s4 (19)
Figure BDA0003471516490000043
T4＝t4+th4 (21)
最快运行状态运行时间计算:
最快运行状态下的运行时间alltime由四次变速阶段运行时间T1、T2、T3、T4和匀速运行时间runtime计算得到，如式(22)。
alltime＝T1+T2+T3+T4+runtime (22).
进一步地，步骤3中绘制形成运行曲线以最快运行状态对应曲线为上界并以最慢运行状态对应曲线作为下界。
进一步地，步骤5中数据采样的间隔为0.1秒。
进一步地，步骤5中每个时间点列车所处状态包括当前位置加速度m/s2，当前位置已运行时间s、当前位置运行速度m/s、当前位置运行距离m、当前位置限速m/s、保持当前行驶状态时间s、当前位置剩余变速距离m、当前位置剩余变速范围m/s、当前位置到站剩余时间s和当前位置到站剩余距离m。
本发明采用以上技术方案，基于人机混合智能，学习AlphaZero的先进思路，摒弃传统地铁列车运行数据采集方式，根据专家经验和曲线生成算法生成大量数据，再进行筛选、绘图。即把地铁列车驾驶看作在一维空间下围棋，根据地铁列车速度曲线生成算法提出所需参数，并结合专家经验设置参数范围，大幅度缩小地铁列车驾驶数据的数量级，并且满足各种运行时间和区间情况的需求。通过绘制地铁列车运行时间频率分布图观测到该虚拟数据覆盖的各种运行时间，可满足不同情况的数据需求，比传统数据更有利于地铁列车智能驾驶算法的研究。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法的流程示意图；
图2为虚拟地铁列车运行的五段示意图；
图3为虚拟地铁列车运行的最快运行状态和最慢运行状态示意图；
图4为地铁列车速度-距离的关系示意图；
图5为地铁列车运行时间频率分布示意图；
图6为限速80km/h条件下的运行曲线示意图；
图7为限速80km/h条件下的运行时间示意图；
图8为限速100km/h条件下的运行曲线示意图；
图9为限速100km/h条件下的最快运行时间示意图；
图10为站距2800m条件下的运行曲线示意图；
图11为站距2800m且限速100km/h条件下的运行时间示意图；
图12站距700m条件下的运行曲线示意图；
图13站距700m且限速100km/h的运行时间示意图；
图14单条曲线定位示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。
本发明最关键的构思在于：根据专家经验和资料设置参数区间，然后通过本发明设置的列车运行方法生成虚拟数据，再根据研究者要求对数据集进行筛选，得到少量曲线。对得到的少量曲线进行等时跟踪，导出该曲线的运行状态数据集。
如图1至图14之一所示，本发明公开了基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法，其包括以下步骤：
步骤1，根据专家经验和资料设置虚拟地铁列车的参数区间，参数区间包括加速度区间、速度区间、车站间距区间和变速距离区间；进一步地，步骤1的参数区间的设置具体包括以下步骤：
步骤1-1，基于实际地铁列车资料计算得到实际地铁列车加速度区间，配置虚拟地铁列车的加速度区间包含实际地铁列车加速度区间；即实际地铁列车加速度区间为虚拟地铁列车的加速度区间的子集；
具体地，为了使研究产生的数据集包括各种牵引制动情况，本发明查询了福州地铁运行资料，得出以下数据：福州地铁运行速度在0-40km/h时，平均加速度大于0.83m/s2，运行速度在0-80km/h时，平均加速度大于0.5m/s2。因此地铁列车运行速度曲线数据集生成算法的加速度区间应大于实际地铁列车加速度区间，即大于最大加速度，小于最小加速度，具体数据设置为0.3-1.3m/s2，步长设置为0.1m/s2。
步骤1-2，基于实际地铁列车资料计算得到实际地铁列车运行的速度区间，配置虚拟地铁列车的速度区间包含实际地铁列车运行的速度区间；即实际地铁列车运行的速度区间为虚拟地铁列车运行的速度区间的子集；
具体地，经过资料查阅，得到以下信息：截至2020年12月，福州地铁1号线线路全长29.582km，全部为地下线；共设置25个车站，全部为地下车站；采用6节编组B型地铁列车，最高运行速度为80km/h[13]，福州地铁2号线初期配置泉州中车唐车公司31列地铁车辆，地铁列车为4动2拖6辆编组，最大载客量1 880人，最高运行速度80km/h[14]。为使虚拟数据集概括所有的运行情况，设置虚拟数据的速度区间大于实际运行的速度区间，即虚拟最快运行速度应大于实际最快运行速度为100km/h。为考虑乘客的乘坐体验，最慢运行速度不可过低，在此作为本发明的一种实施方式可设置为20km/h。从而得到运行速度区间设置为20-100km/h，步长设置为5km/h。
步骤1-3，基于实际地铁列车线路的相邻两个车站间距区间，配置虚拟地铁列车线路的相邻两个车站间距区间包含实际地铁列车线路的相邻两个车站间距区间；即实际地铁列车线路的相邻两个车站间距区间为虚拟地铁列车线路的相邻两个车站间距区间的子集；
具体地，根据资料显示，调整后福州地铁1号线工程(一期)起点站为象峰站，终点站为福州火车南站，正线线路长约24.618km，共设21个车站，平均站间距为1.202km；截至2019年4月，福州地铁2号线共设置22个车站，全部为地下车站，最大站间距为2.827km(厚庭站至桔园洲站)，最小站间距为0.745km(桔园洲站至洪湾站)，平均站间距为1.392km。因此，设置车站间距为700-3 000m，即小于最小站间距大于最大站间距以包括所有车站间距的可能性，步长设置为100m；因为地铁列车速度生成算法包括四段变速过程和一段匀速过程，所以将变速距离设置为100-600m，步长设置为50m。
步骤1-4，将虚拟地铁列车的运行过程分为四段变速过程和一段匀速过程，设定变速距离为100-600m，步长为50m，以形成变速距离区间。
步骤2，利用五段式运行法将虚拟地铁列车的运行曲线进行分段，并分别设定每个阶段运行参数；
具体地，在理想运行状态下，把地铁列车看成一个刚体，假设其无摩擦力，无空气阻力，无车厢作用力，提出五段式地铁列车运行法，具体实现方式如图2所示,图中粗体的黑色虚线为地铁列车限速曲线；竖直虚线为运行阶段划分线；灰色点为运行阶段转折点。
首先把曲线分为5段(图1中以竖直的虚线进行划分)。在第一次变速阶段，地铁列车以预设第一次变速加速度amax1加速到预设地铁列车首次加速限制速度vmax1，然后匀速行驶完第一次变速剩余预设加速距离Lef1；第二次变速阶段，地铁列车以预设第二次加速度amax2加速到预设地铁列车第二次加速限制速度vmax2，然后进行匀速运动，行驶完第二次变速剩余预设加速距离Lef2；匀速行驶阶段，地铁列车保持预设地铁列车第二次加速限制速度vmax2匀速行驶完预设匀速行驶距离runtance；后两段为减速行驶，在第三次变速阶段地铁列车先行驶完第三次变速剩余预设变速距离Lef3，再以预设第三次变速加速度amax3进行减速运动，使地铁列车速度减到预设地铁列车首次减速限制速度vmax3；第四次变速阶段与第三次变速行驶相同，先匀速行驶完第四次变速剩余预设变速距离Lef4再以预设第四次变速加速度amax4减速行驶，使地铁列车速度减小到0，即地铁列车到站。
进一步地，步骤2中五段式运行法将虚拟地铁列车的运行曲线分为第一次变速阶段、第二次变速阶段、匀速行驶阶段、第三次变速阶段、第四次变速阶段，每个阶段运行参数如下：
第一次变速阶段：
首先，第一次变速阶段的加速时间t1由第一次加速限速vmax1和第一次变速加速度amax1计算得到，如式(1)所示：
Figure BDA0003471516490000071
第一次变速阶段的匀速行驶时间th1由第一次变速剩余预设变速距离Lef1和第一次加速限速vmax1计算得到，如式(2)所示：
Figure BDA0003471516490000072
其中第一次变速剩余预设变速距离Lef1由预设变速距离dis和第一次加速距离s1计算得到，如式(3)所示：
Lef1＝dis-s1 (3)
第一次加速距离s1由第一次变速阶段的加速时间t1和第一次加速限速vmax1计算得到，如式(4)所示：
Figure BDA0003471516490000073
则第一阶段的总运行时间T1由加速时间t1和匀速行驶时间th1计算得到，如式(5)所示：
T1＝t1+th1 (5)
第二次变速阶段：
第二次变速阶段运行时间的计算与第一阶段原理相同，即可通过式(6)～式(10)计算得出。其中涉及的计算变量分别为第一次变速阶段的加速时间t2、第一次加速限速vmax1、第二次加速限速vmax2、第二次变速加速度amax2、第二次变速阶段的匀速行驶时间th2、第二次变速剩余预设变速距离Lef2、预设变速距离dis、第二次加速距离s2。
Figure BDA0003471516490000074
Figure BDA0003471516490000081
Lef2＝dis-s2 (8)
Figure BDA0003471516490000082
T2＝t2+th2 (10)
匀速行驶阶段:
匀速行驶阶段地铁列车的运行时间runtime由地铁列车第二次加速限速vmax2和匀速行驶距离runtance计算得到，如式(11)所示：
Figure BDA0003471516490000083
第三次变速阶段:
第三次变速阶段运行时间可通过式(12)～式(16)计算得出。其中涉及的计算变量分别为第三次变速阶段的减速时间t3、第三次减速限速vmax3、第二次加速限速vmax2、第三次变速加速度amax3、第三次变速阶段的匀速行驶时间th3、第三次变速剩余预设变速距离Lef3、预设变速距离dis、第三次加速距离s3。
Figure BDA0003471516490000084
Figure BDA0003471516490000085
Lef3＝dis-s3 (14)
Figure BDA0003471516490000086
T3＝t3+th3 (16)
第四次变速阶段
第四次变速阶段运行时间可通过式(17)～式(21)计算得出。其中涉及的计算变量分别为第四次变速阶段的减速时间t4、第三次减速限速vmax3、第四次变速加速度amax4、第四次变速阶段的匀速行驶时间th4、第四次变速剩余预设变速距离Lef4、预设变速距离dis、第四次加速距离s4。
Figure BDA0003471516490000087
Figure BDA0003471516490000088
Lef4＝dis-s4 (19)
Figure BDA0003471516490000089
T4＝t4+th4 (21)
最快运行状态运行时间计算:
最快运行状态下的运行时间alltime由四次变速阶段运行时间T1、T2、T3、T4和匀速运行时间runtime计算得到，如式(22)。
alltime＝T1+T2+T3+T4+runtime (22)。
步骤3，利用设定的五段式运行法的每个阶段运行参数计算得到若干组虚拟地铁列车的运行数据，并分别利用绘图工具生成对应运行曲线；
具体地，以地铁列车的最快运行状态和最慢运行状态为例，分析五段式运行方式，如图3所示：第一种运行状态是紧贴地铁列车限速曲线运行的最快运行状态，在此状态下，把地铁列车首次加速限制速度vmax1、首次减速限制速度vmax3设置为地铁列车最低限速Emin，地铁列车第二次加速限制速度vmax2设置为地铁列车最低限速Emax；变速阶段的加速度amax1、amax2、amax3、amax4均为最快加速度；第二种运行状态是把预设地铁列车首次加速限制速度vmax1、首次减速限制速度vmax3设置为预设地铁列车最低限速Emin的一半，预设地铁列车第二次减速限制速度vmax2设置为预设地铁列车最低限速Emin；变速阶段的加速度amax1、amax2、amax3、amax4均为最慢加速度，得到最慢运行状态。这两种运行状态为生成曲线的上边界和下边界，其他的生成曲线都在两者之间，如图4所示。
根据上述假设进行数据分级，可得到地铁列车运行数据集，共312 800 0条数据，可通过Python编程实现并导出为CSV文件，其中列变量包括最低限速、最高限速、加速度、预设加速距离、两站距离、四段加速距离、运行时间等参数。在生成的数据集中，剔除不符合实际情况(如运行时间大于600s、不符合预设运行模型)的曲线后，得到209 005 0条数据，这些数据的运行时间频率分布情况如图5所示。
步骤4，根据研究需求设定筛选条件得到对应的运行曲线；
具体地，为验证数据集的可用性，本发明分别以福州地铁最快运行速度80km/h、数据集设置最快运行速度100km/h、福州地铁2号线最大站间距2800m、数据集两站最短间距700m为例进行筛选，可得到以下结果。
(4.1)以运行速度作为筛选条件:
设置最高限速为福州地铁实际运行速度的最高限速80km/h，其余参数设置为最低限速30km/h、两站间距1600m、加速距离300m，得到2450条数据，经过matplotlib绘图可得到如6所示的运行曲线，并得到其如图7所示的运行时间。
设置最高限速100km/h，最低限速50km/h、两站间距1600m、加速距离300m，得到5510条数据，经过matplotlib绘图可得到如8所示的运行曲线，并得到其如图9所示的运行时间。
(4.2)以两站间距作为筛选条件
设置两站间距为福州地铁2号线最大站间距2800m，其余参数设置为最低限速30km/h、最高限速50km/h、加速距离500m，得到350条数据，经过matplotlib绘图可得到如10所示的运行曲线，并得到其如图11所示的运行时间。
设置两站间距为700m，其余参数设置为最低限速30km/h、最高限速50km/h、加速距离100m，得到350条数据，经过matplotlib绘图可得到如图12所示的运行曲线，并得到其如图13所示的运行时间。
步骤5，对每条筛选出的曲线进行等时间隔的曲线数据采样，并输出每个时间点列车所处状态。
具体地，如图14所示，对于筛选出的曲线，对每条曲线进行0.1s为间隔的数据采样，输出每个时间点列车所处状态，
进一步地，步骤5中每个时间点列车所处状态包括当前位置加速度m/s2，当前位置已运行时间s、当前位置运行速度m/s、当前位置运行距离m、当前位置限速m/s、保持当前行驶状态时间s、当前位置剩余变速距离m、当前位置剩余变速范围m/s、当前位置到站剩余时间s和当前位置到站剩余距离m。
本发明突破性的用人工生成大量地铁运行曲线的方式代替传统获得地铁列车运行数据的方法。具体通过调查地铁运行的实际数据和咨询有关专家来获得虚拟数据的牵引区间、速度区间、站距区间、变速区间等限定参数，使得生成的虚拟数据范围小，信度高；然后根据动力学知识假设地铁列车的五段式运行方式，以便于生成列车的虚拟速度-距离图像；再而采用python进行编程实现和数据可视化，得到本发明所需要的大量虚拟地铁列车运行数据。对于生成的大量虚拟数据，本发明对其进行条件筛选，得到研究者所需要的部分虚线。另外，对于选出的单条曲线，本发明对其进行了实时跟踪，得到了单条曲线地铁列车每0.1s的运行状态，具体包括：当前位置加速度、当前位置已运行时间、当前位置运行速度、当前位置运行距离、当前位置限速、保持当前行驶状态时间、当前位置剩余变速距离、当前位置剩余变速范围、当前位置到站剩余时间、当前位置到站剩余距离，根据这些数据本发明可以了解到地铁列车的实时运行状态，以便于研究者对地铁列车的进一步研究。
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

Claims (7)

1.基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法，其特征在于：其包括以下步骤：
步骤1，根据专家经验和资料设置虚拟地铁列车的参数区间，参数区间包括加速度区间、速度区间、车站间距区间和变速距离区间；
步骤2，利用五段式运行法将虚拟地铁列车的运行曲线进行分段，并分别设定每个阶段运行预设参数；
步骤3，利用设定的五段式运行法的每个阶段运行参数计算得到若干组虚拟地铁列车的运行数据，并分别利用绘图工具生成对应运行曲线；
步骤4，根据研究需求设定筛选条件得到对应的运行曲线；
步骤5，对每条筛选出的曲线进行等时间隔的曲线数据采样，并输出每个时间点列车所处状态。
2.根据权利要求1所述的基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法，其特征在于：步骤1的参数区间的设置具体包括以下步骤：
步骤1-1，基于实际地铁列车资料计算得到实际地铁列车加速度区间，配置虚拟地铁列车的加速度区间包含实际地铁列车加速度区间；即实际地铁列车加速度区间为虚拟地铁列车的加速度区间的子集；
步骤1-2，基于实际地铁列车资料计算得到实际地铁列车运行的速度区间，配置虚拟地铁列车的速度区间包含实际地铁列车运行的速度区间；即实际地铁列车运行的速度区间为虚拟地铁列车运行的速度区间的子集；
步骤1-3，基于实际地铁列车线路的相邻两个车站间距区间，配置虚拟地铁列车线路的相邻两个车站间距区间包含实际地铁列车线路的相邻两个车站间距区间；即实际地铁列车线路的相邻两个车站间距区间为虚拟地铁列车线路的相邻两个车站间距区间的子集；
步骤1-4，将虚拟地铁列车的运行过程分为四段变速过程和一段匀速过程，设定变速距离为100-600m，步长为50m，以形成变速距离区间。
3.根据权利要求1所述的基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法，其特征在于：步骤2中五段式运行法将虚拟地铁列车的运行曲线依次分为第一次变速阶段、第二次变速阶段、匀速行驶阶段、第三次变速阶段和第四次变速阶段，四段变速过程和一段匀速过程的预设参数包括预设变速距离dis、第一次加速限速vmax1、表示第二次变速加速度amax2和第一次变速加速度amax1；匀速行驶距离runtance。
4.根据权利要求3所述的基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法，其特征在于：步骤2中每个阶段运行参数的计算如下：
第一次变速阶段：
第一次变速阶段的加速时间t1由第一次加速限速vmax1和第一次变速加速度amax1计算得到，如式(1)所示：
Figure FDA0003471516480000021
第一次变速阶段的匀速行驶时间th1由第一次变速剩余预设变速距离Lef1和第一次加速限速vmax1计算得到，如式(2)所示：
Figure FDA0003471516480000022
第一次变速剩余预设变速距离Lef1由预设变速距离dis和第一次加速距离s1计算得到，如式(3)所示：
Lef1＝dis-s1 (3)
第一次加速距离s1由第一次变速阶段的加速时间t1和第一次加速限速vmax1计算得到，如式(4)所示：
Figure FDA0003471516480000023
第一阶段的总运行时间T1由加速时间t1和匀速行驶时间th1计算得到，如式(5)所示：
T1＝t1+th1 (5)
第二次变速阶段：
各个变量的计算公式分别为
Figure FDA0003471516480000024
Figure FDA0003471516480000025
Lef2＝dis-s2 (8)
Figure FDA0003471516480000026
T2＝t2+th2 (10)
其中，t2表示第一次变速阶段的加速时间、vmax1表示第一次加速限速、vmax2表示第二次加速限速、amax2表示第二次变速加速度、th2表示第二次变速阶段的匀速行驶时间、Lef2表示第二次变速剩余预设变速距离、dis表示预设变速距离、s2表示第二次加速距离；
匀速行驶阶段:
匀速行驶阶段地铁列车的运行时间runtime由地铁列车第二次加速限速vmax2和匀速行驶距离runtance计算得到，如式(11)所示：
Figure FDA0003471516480000031
第三次变速阶段:
各个计算变量的计算公式分别为
Figure FDA0003471516480000032
Figure FDA0003471516480000033
Lef3＝dis-s3 (14)
Figure FDA0003471516480000034
T3＝t3+th3 (16)
其中，涉及的计算变量分别为第三次变速阶段的减速时间t3、第三次减速限速vmax3、第二次加速限速vmax2、第三次变速加速度amax3、第三次变速阶段的匀速行驶时间th3、第三次变速剩余预设变速距离Lef3、预设变速距离dis、第三次加速距离s3；
第四次变速阶段：
各个计算变量的计算公式分别为
Figure FDA0003471516480000035
Figure FDA0003471516480000036
Lef4＝dis-s4 (19)
Figure FDA0003471516480000037
T4＝t4+th4 (21)
其中，涉及的计算变量分别为第四次变速阶段的减速时间t4、第三次减速限速vmax3、第四次变速加速度amax4、第四次变速阶段的匀速行驶时间th4、第四次变速剩余预设变速距离Lef4、预设变速距离dis、第四次加速距离s4；
最快运行状态运行时间计算:
最快运行状态下的运行时间alltime由四次变速阶段运行时间T1、T2、T3、T4和匀速运行时间runtime计算得到，如式(22)：
alltime＝T1+T2+T3+T4+runtime (22)。
5.根据权利要求1所述的基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法，其特征在于：步骤3中绘制形成运行曲线以最快运行状态对应曲线为上界并以最慢运行状态对应曲线作为下界。
6.根据权利要求1所述的基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法，其特征在于：步骤5中数据采样的间隔为0.1秒。
7.根据权利要求1所述的基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法，其特征在于：步骤5中每个时间点列车所处状态包括当前位置加速度m/s2，当前位置已运行时间s、当前位置运行速度m/s、当前位置运行距离m、当前位置限速m/s、保持当前行驶状态时间s、当前位置剩余变速距离m、当前位置剩余变速范围m/s、当前位置到站剩余时间s和当前位置到站剩余距离m。
CN202210044225.1A 2022-01-14 2022-01-14 基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法 Pending CN114348070A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210044225.1A CN114348070A (zh) 2022-01-14 2022-01-14 基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法
PCT/CN2022/092115 WO2023134093A1 (zh) 2022-01-14 2022-05-11 基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210044225.1A CN114348070A (zh) 2022-01-14 2022-01-14 基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法

Publications (1)

Publication Number Publication Date
CN114348070A true CN114348070A (zh) 2022-04-15

Family

ID=81091314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210044225.1A Pending CN114348070A (zh) 2022-01-14 2022-01-14 基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法

Country Status (2)

Country Link
CN (1) CN114348070A (zh)
WO (1) WO2023134093A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023134093A1 (zh) * 2022-01-14 2023-07-20 福建工程学院 基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797473A (zh) * 2020-06-28 2020-10-20 通号城市轨道交通技术有限公司 一种地铁列车正线运行仿真计算方法及装置
CN113283065A (zh) * 2021-05-10 2021-08-20 中铁第一勘察设计院集团有限公司 基于列车运行仿真的地铁区间风井设置方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5568040B2 (ja) * 2011-03-16 2014-08-06 公益財団法人鉄道総合技術研究所 列車運転曲線編集方法及び列車運転曲線編集システム
CN104134378A (zh) * 2014-06-23 2014-11-05 北京交通大学 一种基于驾驶经验和在线学习的城轨列车智能控制方法
CN107878510B (zh) * 2016-12-29 2019-04-19 比亚迪股份有限公司 列车自动控制方法及装置、车载ato
CN114348070A (zh) * 2022-01-14 2022-04-15 福建工程学院 基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797473A (zh) * 2020-06-28 2020-10-20 通号城市轨道交通技术有限公司 一种地铁列车正线运行仿真计算方法及装置
CN113283065A (zh) * 2021-05-10 2021-08-20 中铁第一勘察设计院集团有限公司 基于列车运行仿真的地铁区间风井设置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
芦玉琦 等: ""基于AlphaZero的地铁列车大量速度曲线自动生成算法"", 《能科学与技术学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023134093A1 (zh) * 2022-01-14 2023-07-20 福建工程学院 基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法

Also Published As

Publication number Publication date
WO2023134093A1 (zh) 2023-07-20

Similar Documents

Publication Publication Date Title
CN105460048B (zh) 城轨交通优化操纵与行车调度综合节能控制方法及装置
CN107117170B (zh) 一种基于经济性驾驶的实时预测巡航控制系统
CN110928297B (zh) 基于多目标动态粒子群优化的智能公交车辆路径规划方法
CN107264534B (zh) 基于驾驶员经验模型的智能驾驶控制系统和方法、车辆
ShangGuan et al. Multiobjective optimization for train speed trajectory in CTCS high-speed railway with hybrid evolutionary algorithm
CN110936949B (zh) 基于行驶工况的能量控制方法、设备、存储介质及装置
CN111267830B (zh) 一种混合动力公交车能量管理方法、设备和存储介质
CN108883784B (zh) 向列车驾驶员提供驾驶建议的方法和列车驾驶员咨询系统
CN103847749A (zh) 一种双层多目标优化铁路机车操纵序列生成方法
Vajedi et al. Intelligent power management of plug–in hybrid electric vehicles, part I: Real–time optimum SOC trajectory builder
CN102991498A (zh) 基于多源信息融合的驾驶员跟驰行为模型
Wahl et al. A real-time capable enhanced dynamic programming approach for predictive optimal cruise control in hybrid electric vehicles
CN113255998B (zh) 基于多智能体强化学习的高速道路无人驾驶车辆编队方法
Sharma et al. Optimal eco-driving of a heavy-duty vehicle behind a leading heavy-duty vehicle
Valera et al. Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs
CN113264059A (zh) 支持多驾驶行为的基于深度强化学习的无人车运动决策控制方法
CN110703757A (zh) 一种面向能耗优化的高铁列车速度规划方法
CN113886764A (zh) 一种基于Frenet坐标系的智能车辆多场景轨迹规划方法
CN114348070A (zh) 基于区间限速和专家经验的虚拟地铁列车运行大数据生成方法
CN114879687A (zh) 一种用于无人物流车的智能控制方法
CN106647269B (zh) 一种机车智能操纵优化计算方法
Levy et al. Path and trajectory planning for autonomous vehicles on roads without lanes
Wang et al. Ecological cruising control of connected electric vehicle: a deep reinforcement learning approach
Wahl et al. Approximate dynamic programming methods applied to far trajectory planning in optimal control
CN106740998A (zh) 城市轨道交通cbtc系统车载ato节能操控方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220415

RJ01 Rejection of invention patent application after publication