CN114880770A - 一种基于参考深度强化学习的列车协同运行控制方法 - Google Patents

一种基于参考深度强化学习的列车协同运行控制方法 Download PDF

Info

Publication number
CN114880770A
CN114880770A CN202210465054.XA CN202210465054A CN114880770A CN 114880770 A CN114880770 A CN 114880770A CN 202210465054 A CN202210465054 A CN 202210465054A CN 114880770 A CN114880770 A CN 114880770A
Authority
CN
China
Prior art keywords
train
reinforcement learning
distance
network
real
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
Application number
CN202210465054.XA
Other languages
English (en)
Other versions
CN114880770B (zh
Inventor
黄德青
王兴国
秦娜
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 CN202210465054.XA priority Critical patent/CN114880770B/zh
Publication of CN114880770A publication Critical patent/CN114880770A/zh
Application granted granted Critical
Publication of CN114880770B publication Critical patent/CN114880770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种基于参考深度强化学习的列车协同运行控制方法，具体为：建立列车协同运行仿真环境，设定列车安全距离等，计算两车估计的最短实时距离；设定奖励函数，建立输入降维的强化学习算法控制器；增加参考控制器，当列车满足参考控制策略条件时，使用参考控制信号取代强化学习控制信号，并将这部分数据用于优化强化学习控制策略；训练网络，直至网络全局奖励达到一个最优，且控制结果复合预期，认为网络的初步训练完成；在实车上加载参考控制策略以及强化学习控制策略，根据真实的列车信息，输出列车控制信号，完成列车协同运行控制。本发明加快了最优策略训练速度，保证了在实际运行过程中控制策略的鲁棒性。

Description

一种基于参考深度强化学习的列车协同运行控制方法
技术领域
本发明属于列车协同控制技术领域，尤其涉及一种基于参考深度强化学习的列车协同运行控制方法。
背景技术
铁路作为国家的重要基础设施、大众化的交通工具，在中国综合交通运输体系中处于骨干地位。随着我国城市化进程的不断加快和城市规模的不断扩大，轨道交通建设进入高速发展期，轨道交通工具在人们出行方式的选择中发挥的作用也愈发重要。其路网规模及质量、技术装备现代化水平、客货运量均达到世界现金甚至领先水平，中国已经成为名副其实的铁路大国。
但中国铁路在科技持续创新能力、企业运输服务与经营、与其他运输方式衔接、国际社会影响力等方面还存在不足。
路网能力未能充分发挥便是其中的主要问题之一。大量铁路支线、边远地区线路仍为单线，如青藏线格拉段、南疆铁路、宝成铁路宝阳段、南昆铁路等，其中格拉段、南疆铁路等线路的运输能力将难以满足运输需求。此外，有部分单线铁路属于国土开发型铁路，其建设会对沿线地区的政治、经济、社会和生态环境带来重大影响，局部区域、局部时期(战时、抢险救灾等)也可能有较大的运输需求，需要在平时预留较大的运输能力储备以应对运输需求波动。既有的单线铁路由于所处地理位置(山区、高原等)施工难度大、费用高，实施传统的运输组织扩能措施难以取得良好的效果。因此，有效提高现有单线铁路运输能力成为亟需解决的问题。
基于以上的需求，列车协同运行问题则愈发受到研究者们的关注。列车协同运行是在确保行车安全前提下，以追踪列车间隔最小为目标，大大提升线路的运输能力。国际上已有不少城市开始采用这种新技术对现有的城市轨道交通列车控制系统进行更新,例如具有100多年历史的巴黎地铁改造工程，巴黎交通局成功的将列车运行间隔由105s减少到90s。硬件设备上，该方案借助先进的无线通信网络、高精度传感器和轨旁设备等技术手段。车载系统可以获得线路信息、参考控制曲线、自身运行状态，并基于车间通信从相邻列车获得列车位置、速度、加速度等关键信息，调整自身速度，与相邻列车保持安全稳定的最短协同距离。
控制方法上，以往研究者们往往是将列车协同运行视作列车协同控制问题，但是这样一方面增加了控制器设计的复杂程度，算法结构庞杂；另一方面，对于列车实际的运行环境要进行适当的简化，结果便是列车协同问题简化为在达到预期的协同距离后，车辆间速度误差趋向于零。这样的简化对于代数运算是简单方便的，但是在实际列车运行过程中，由于将问题简化，列车组通过坡道路段或者是弯道路段，是否会由于前后车处于不同的道路限速条件下，同时后车仍要跟踪前车速度，从而导致后车可能超出道路限速，从而引起乘客舒适度下降，甚至可能危及行车安全则是值得讨论的一个重要问题。
而使用基于数据驱动的强化学习控制算法，算法本身是基于实验，对控制目标所有的状态环境、控制动作对进行探索，得到最优控制策略的一种算法。在列车协同运行的过程中，很多状态环境下的最优控制策略是十分明晰的，列如，两车距离小于安全协同运行距离时，后车必须进行制动减速；同时，控制策略是基于以往的列车经验得到的最优策略，当训练好的控制算法面对一个全新的列车运行环境状态，是否能够保证控制策略的鲁棒性就成为了一个问题。因此基于以上两点，考虑在强化学习控制算法的训练以及实用阶段同时加入参考控制信号，一方面加快最优策略训练速度，另一方面保证了在实际运行过程中控制策略的鲁棒性。
最后，以往的控制算法是基于对列车系统的理想化数学建模、以及部分非线性条件的线性化拟合而设计的，因此在真实环境下，由于器件磨损老化等问题无法根据设备而更改其控制策略参数。而强化学习算法本身就是基于经验进行学习改进的，因此可以在列车实际运行环境下，根据积累的列车运行数据，不断地更新控制策略参数，完成进一步优化。
发明内容
针对上述问题，本发明提供一种基于参考深度强化学习的列车协同运行控制方法。
本发明的一种基于参考深度强化学习的列车协同运行控制方法，包括以下步骤：
步骤1：在列车仿真运行环境中，根据车辆信息、道路信息、前车计划运行速度曲线，以及无线网通讯模型建立列车协同运行仿真环境，设定列车安全距离为d_safet。
步骤2：考虑通讯延迟，根据上一时刻前车位置s前t-1，当前时刻后车位置s后t，前车最大制动加速度a_brkt-1＝f(v前t-1，s前t-1)，计算得到两车估计的最短实时距离dt：
Figure BDA0003623586950000021
式中，τ为被积分对象，△t为两次通讯之间的时间间隔。
步骤3：设定奖励函数f_rt。
S31：在列车运行过程中，以两列车实时间距dt与列车协同目标距离d_safet误差为距离奖励f_drt。
S32：考虑乘客舒适度，基于后车加速度变化，建立舒适度奖励函数f_crt。
S33：基于上述描述，f_rt＝f_drt+f_crt。
步骤4：建立输入降维的强化学习算法控制器；强化学习算法中用于决策以及决策优化的智能体，由动作价值评价网络Q＝f(st,at)，以及策略网络at＝g(st)两部分构成；其中st为由列车速度、位置、加速度信息构成的向量，at为输出的动作。
因此，通过对动作选择网络的输入状态进行降维，减少策略网络输入的状态数量，构建动作价值评价网络和输入状态更少的动作选择网络，组成新的输入降维的强化学习智能体，用公式表示为：
Figure BDA0003623586950000031
步骤5：增加参考控制器，当列车满足参考控制策略条件时，使用参考控制信号取代强化学习控制信号，并将这部分数据用于优化强化学习控制策略。
S51：考虑列车距离大于安全协同运行目标距离时，当两车的实时车距dt大于d_safet+500m，且后车速度v后t小于前车速度v前t-1时，参考控制器输出为后车的最大加速度。
S52：考虑列车距离小于安全协同运行目标距离时，当两车实时车距dt小于d_safet时，参考控制器输出最大制动。
S53：考虑当列车速度vt大于等于道路限速时，参考控制器输出为0或最大制动，让后车速度保持在道路限速的合理范围内。
步骤6：训练网络，直至网络全局奖励达到一个最优，且控制结果复合预期，认为网络的初步训练完成。
步骤7：在实车上加载参考控制策略以及强化学习控制策略，根据真实的列车信息，输出列车控制信号，完成列车协同运行控制。
进一步的，在步骤1中，基于国家标准十足350km/h的高速列车紧急制动距离不超过6500m，设定列车安全距离为d_safet＝7000m。
进一步的，还包括步骤8：将列车的实时运行数据保存上传，对仿真环境中的参考强化学习控制策略进行进一步的优化，使之更加适应于真实列车运行环境。
本发明的有益技术效果为：
1、方法需要保证列车之间基于通讯延迟、定位误差、控制延迟等，计算出实时的安全协同运行距离。
2、每列车除了考虑到协同运行距离约束以外，还需考虑自身所处道路限速、乘客舒适度等非线性约束。
3、控制算法在实际使用环境中，根据控制对象、控制环境的变化，逐步微调自身控制策略参数,以保证控制策略的最优。
附图说明
图1为本发明基于深度强化学习的列车协同运行控制框架。
图2为本发明深度强化学习结构图。
图3为本发明输入降维的强化学习智能体。
图4为本发明参考强化学习控制策略。
图5为本发明参考强化学习算法与反步法速度曲线对比。
图6为本发明参考强化学习算法与反步法距离误差对比。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明的一种基于参考深度强化学习的列车协同运行控制方法，控制框架如图1所示，具体包括以下步骤：
步骤1：在列车仿真运行环境中，根据车辆信息、道路信息、前车计划运行速度曲线，以及无线网通讯模型建立列车协同运行仿真环境，以便对强化学习列车协同控制策略进行初步训练。基于国家标准十足350km/h的高速列车紧急制动距离不超过6500m，设定列车安全距离为d_safet＝7000m。
步骤2：考虑通讯延迟，根据上一时刻前车位置s前t-1，当前时刻后车位置s后t，前车最大制动加速度a_brkt-1＝f(v前t-1，s前t-1)，计算得到两车估计的最短实时距离dt：
Figure BDA0003623586950000041
步骤3：设定奖励函数f_rt。
S31：在列车运行过程中，以两列车实时间距dt与列车协同目标距离d_safet误差为距离奖励f_drt。
S32：考虑乘客舒适度，基于后车加速度变化，建立舒适度奖励函数f_crt。
S33：基于上述描述，f_rt＝f_drt+f_crt。
步骤4：建立输入降维的强化学习算法控制器。本发明使用的深度强化学习结构如图2所示。强化学习算法中用于决策以及决策优化的智能体，由动作价值评价网络Q＝f(st,at)，以及策略网络at＝g(st)两部分构成；其中st为由列车速度、位置、加速度信息等构成的向量，at为输出的动作。
因此，通过对动作选择网络的输入状态进行降维，减少策略网络输入的状态数量，构建动作价值评价网络和输入状态更少的动作选择网络，组成新的输入降维的强化学习智能体(如图3所示)，用公式表示为：
Figure BDA0003623586950000051
步骤5：如图4所示，增加参考控制器，当列车满足参考控制策略条件时，使用参考控制信号取代强化学习控制信号，并将这部分数据用于优化强化学习控制策略。
S51：考虑列车距离大于安全协同运行目标距离时，当两车的实时车距dt大于d_safet+500m(防止距离接近后由于误差造成的操作策略反复切换引起不适而增加500m的余量)，且后车速度v后t小于前车速度v前t-1时，参考控制器输出为后车的最大加速度。
S52：考虑列车距离小于安全协同运行目标距离时，当两车实时车距dt小于d_safet时，参考控制器输出最大制动。
S53：考虑当列车速度vt大于等于道路限速时，参考控制器输出为0或最大制动，让后车速度保持在道路限速的合理范围内。
步骤6：训练网络，直至网络全局奖励达到一个最优，且控制结果复合预期，认为网络的初步训练完成。
步骤7：在实车上加载参考控制策略以及强化学习控制策略，根据真实的列车信息，输出列车控制信号，完成列车协同运行控制。
步骤8：将列车的实时运行数据保存上传，对仿真环境中的参考强化学习控制策略进行进一步的优化，使之更加适应于真实列车运行环境。
将本发明的基于参考深度强化学习的列车协同运行控制方法和现有技术的反步法做测试对比，如图5所示，本发明的速度曲线相较于反步法这种传统控制算法，在两辆车道路限速有差异的情况下，能够更好的考虑这种差异因素，维持后车不超速，安全运行。如图6所示，本发明的跟踪距离误差虽然相较于反步法列略有提升，但是仍在可接受范围内。本发明相对于反步法这种传统控制算法，能够充分考虑道路限速这种非线性控制约束，保证车辆的安全运行。
本发明的参考深度强化学习和强化学习达到同等训练总分的训练回合对比如表1所示。
表1参考强化学习、强化学习达到同等训练总分的训练回合对比
Figure BDA0003623586950000052
Figure BDA0003623586950000061
从表1可以看出，基于状态降维和参考控制的强化学习控制算法，在列车协同运行控制问题上，相对于传统强化学习算法，其学习速度有了较为明显的提升。

Claims (3)

1.一种基于参考深度强化学习的列车协同运行控制方法，其特征在于，包括以下步骤：
步骤1：在列车仿真运行环境中，根据车辆信息、道路信息、前车计划运行速度曲线，以及无线网通讯模型建立列车协同运行仿真环境，设定列车安全距离为d_safet；
步骤2：考虑通讯延迟，根据上一时刻前车位置s前t-1，当前时刻后车位置s后t，前车最大制动加速度a_brkt-1＝f(v前t-1，s前t-1)，计算得到两车估计的最短实时距离dt：
Figure FDA0003623586940000011
式中，τ为被积分对象，△t为两次通讯之间的时间间隔；
步骤3：设定奖励函数f_rt：
S31：在列车运行过程中，以两列车实时间距dt与列车协同目标距离d_safet误差为距离奖励f_drt；
S32：考虑乘客舒适度，基于后车加速度变化，建立舒适度奖励函数f_crt；
S33：基于上述描述，f_rt＝f_drt+f_crt；
步骤4：建立输入降维的强化学习算法控制器；强化学习算法中用于决策以及决策优化的智能体，由动作价值评价网络Q＝f(st,at)，以及策略网络at＝g(st)两部分构成；其中st为由列车速度、位置、加速度信息构成的向量，at为输出的动作；
因此，通过对动作选择网络的输入状态进行降维，减少策略网络输入的状态数量，构建动作价值评价网络和输入状态更少的动作选择网络，组成新的输入降维的强化学习智能体，用公式表示为：
Figure FDA0003623586940000012
步骤5：增加参考控制器，当列车满足参考控制策略条件时，使用参考控制信号取代强化学习控制信号，并将这部分数据用于优化强化学习控制策略；
S51：考虑列车距离大于安全协同运行目标距离时，当两车的实时车距dt大于d_safet+500m，且后车速度v后t小于前车速度v前t-1时，参考控制器输出为后车的最大加速度；
S52：考虑列车距离小于安全协同运行目标距离时，当两车实时车距dt小于d_safet时，参考控制器输出最大制动；
S53：考虑当列车速度vt大于等于道路限速时，参考控制器输出为0或最大制动，让后车速度保持在道路限速的合理范围内；
步骤6：训练网络，直至网络全局奖励达到一个最优，且控制结果复合预期，认为网络的初步训练完成；
步骤7：在实车上加载参考控制策略以及强化学习控制策略，根据真实的列车信息，输出列车控制信号，完成列车协同运行控制。
2.根据权利要求1所述的一种基于参考深度强化学习的列车协同运行控制方法，其特征在于，所述步骤1中，基于国家标准十足350km/h的高速列车紧急制动距离不超过6500m，设定列车安全距离为d_safet＝7000m。
3.根据权利要求1所述的一种基于参考深度强化学习的列车协同运行控制方法，其特征在于，还包括步骤8：将列车的实时运行数据保存上传，对仿真环境中的参考强化学习控制策略进行进一步的优化，使之更加适应于真实列车运行环境。
CN202210465054.XA 2022-04-29 2022-04-29 一种基于参考深度强化学习的列车协同运行控制方法 Active CN114880770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210465054.XA CN114880770B (zh) 2022-04-29 2022-04-29 一种基于参考深度强化学习的列车协同运行控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210465054.XA CN114880770B (zh) 2022-04-29 2022-04-29 一种基于参考深度强化学习的列车协同运行控制方法

Publications (2)

Publication Number Publication Date
CN114880770A true CN114880770A (zh) 2022-08-09
CN114880770B CN114880770B (zh) 2023-03-07

Family

ID=82673441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210465054.XA Active CN114880770B (zh) 2022-04-29 2022-04-29 一种基于参考深度强化学习的列车协同运行控制方法

Country Status (1)

Country Link
CN (1) CN114880770B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115489320A (zh) * 2022-09-23 2022-12-20 西南交通大学 一种基于深度强化学习的列车受电弓智能控制方法
CN116080716A (zh) * 2023-03-03 2023-05-09 北京全路通信信号研究设计院集团有限公司 一种列车自动驾驶协同控制方法、系统和计算机存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243430A (zh) * 2015-09-07 2016-01-13 北京交通大学 列车节能运行的目标速度曲线的优化方法
CN108725517A (zh) * 2018-03-13 2018-11-02 中车工业研究院有限公司 列车协同运行控制系统、控制方法及列车车载设备
CN112084636A (zh) * 2020-08-24 2020-12-15 北京交通大学 一种多列车协同控制方法和装置
CN112116156A (zh) * 2020-09-18 2020-12-22 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
CN112581002A (zh) * 2020-12-24 2021-03-30 同济大学 基于突发事件扰动的高铁列车运行延误评估方法及系统
US20210201145A1 (en) * 2019-12-31 2021-07-01 Nvidia Corporation Three-dimensional intersection structure prediction for autonomous driving applications
CN114348055A (zh) * 2022-01-19 2022-04-15 江西理工大学 磁悬浮轨道交通运行控制方法及控制系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243430A (zh) * 2015-09-07 2016-01-13 北京交通大学 列车节能运行的目标速度曲线的优化方法
CN108725517A (zh) * 2018-03-13 2018-11-02 中车工业研究院有限公司 列车协同运行控制系统、控制方法及列车车载设备
US20210201145A1 (en) * 2019-12-31 2021-07-01 Nvidia Corporation Three-dimensional intersection structure prediction for autonomous driving applications
CN112084636A (zh) * 2020-08-24 2020-12-15 北京交通大学 一种多列车协同控制方法和装置
CN112116156A (zh) * 2020-09-18 2020-12-22 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
CN112581002A (zh) * 2020-12-24 2021-03-30 同济大学 基于突发事件扰动的高铁列车运行延误评估方法及系统
CN114348055A (zh) * 2022-01-19 2022-04-15 江西理工大学 磁悬浮轨道交通运行控制方法及控制系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANLI LU等: "Stability Optimization and Verification Based on SPTG of Constant Distance Control Strategy in Train-Train Communication Train Control System", 《网页在线公开：HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=9602794》 *
孟凡婷等: "考虑跳停策略的城轨列车运行图与车站限流协同优化研究", 《交通运输系统工程与信息》 *
李晓娟等: "考虑定制化列车的运行图与能力协同优化方法", 《交通运输系统工程与信息》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115489320A (zh) * 2022-09-23 2022-12-20 西南交通大学 一种基于深度强化学习的列车受电弓智能控制方法
CN116080716A (zh) * 2023-03-03 2023-05-09 北京全路通信信号研究设计院集团有限公司 一种列车自动驾驶协同控制方法、系统和计算机存储介质
CN116080716B (zh) * 2023-03-03 2023-06-02 北京全路通信信号研究设计院集团有限公司 一种列车自动驾驶协同控制方法、系统和计算机存储介质

Also Published As

Publication number Publication date
CN114880770B (zh) 2023-03-07

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
CN114880770B (zh) 一种基于参考深度强化学习的列车协同运行控制方法
CN111516735B (zh) 虚拟重联小编组列车自动驾驶的控制系统及其控制方法
Wang et al. A survey on optimal trajectory planning for train operations
CN103863364B (zh) 一种基于调度信号的货运机车自动操纵实时优化控制系统
CN112319557B (zh) 一种晚点条件下地铁列车的运行调整方法及系统
CN104590333B (zh) 一种铁路列车智能操纵优化控制系统
CN105930937B (zh) 一种考虑地铁快慢线的列车运行调度一体化优化方法
CN110239600B (zh) 面向再生制动能量利用的列车运行控制方法及系统
CN106828540A (zh) 基于列车运行等级的列车运行控制方法
US20220277237A1 (en) Operation adjustment method and system for metro trains under the condition of train out of service
CN112706803B (zh) 一种地铁列车救援自动调整方法及系统
CN104401370A (zh) 多列车协同控制的节能优化方法
CN114298398B (zh) 一种基于弹性调整策略的高速列车动态追踪运行优化方法
CN114834503A (zh) 基于弹性追踪模型的虚拟编组列车控制方法
CN112580866B (zh) 基于全程车与区间车组合调度的公交线路串车优化方法
Zhang et al. An AI based high-speed railway automatic train operation system analysis and design
CN108985662A (zh) 一种基于并联式免疫粒子群算法的列车运行优化方法
Zhou et al. The safety braking protection model of virtually coupled train platoon in subway
Ding et al. Simulation algorithm for energy-efficient train control under moving block system
CN112977546A (zh) 轨道交通列车的追踪间隔的缩变调整控制方法
CN113591301A (zh) 一种城市轨道交通列车运行参数优化算法
CN117401001A (zh) 复杂工况下的城轨多列车行车调度综合节能控制方法及装置
CN117184176A (zh) 列车自动驾驶速度规划方法及装置
Corapi et al. A simulation-based approach for evaluating train operating costs under different signalling systems

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