RU2771515C1

RU2771515C1 - Method and system for determining the location of a high-speed train in a navigation blind spot based on meteorological parameters

Info

Publication number: RU2771515C1
Application number: RU2021122153A
Authority: RU
Inventors: Хой Лю; Хайпин У; Яньфэй ЛИ; Е Ли
Original assignee: Сентрал Саус Юниверсити
Priority date: 2019-07-24
Filing date: 2020-07-22
Publication date: 2022-05-05
Also published as: CN110427993B; CN110427993A; WO2021013190A1; SG11202103075TA; AU2020316538B2; AU2020316538A1

Abstract

FIELD: computer technology.SUBSTANCE: invention relates to the field of computer technology for determining the location of trains in tunnels based on meteorological parameters. To do this, a method has been declared containing: obtaining the meteorological parameters of the tunnel; classification of the obtained meteorological parameters of the tunnel; creating a library of HSV color space templates of a typical sequence by using classified meteorological parameters of the tunnel; training the HSV color space template library of a typical sequence; training the HSV pattern matching model; training the RVM recognition model; creating a model of combining the HSV pattern matching model and RVM recognition model to obtain a model of combining the prediction of the path in miles of the tunnel; getting input data and calling the model of combining the prediction of the path in tunnel miles to predict the position of the train.EFFECT: increase in the accuracy of determining the location of a high-speed train in the navigation blind spot based on meteorological parameters.10 cl, 4 dwg

Description

Область техникиTechnical field

Настоящее изобретение относится к технологии определения местоположения для поездов в длинных и больших тоннелях и конкретно к способу и системе для определения местоположения высокоскоростного поезда в навигационной слепой зоне на основе метеорологических параметров.The present invention relates to a technology for locating trains in long and large tunnels, and specifically to a method and system for locating a high-speed train in a navigation blind zone based on meteorological parameters.

уровень техники prior art

В последние годы, все больше железнодорожных линий прокладывают в западной области Китая. С изменениями в топографии, линии неминуемо пройдут через множество высокогорных областей, и сигналы навигационных спутников невозможно будет обнаружить в тоннелях, что будет вызывать временную потерю информации и создавать навигационные слепые зоны, ставя под угрозу безопасность движения. Точное определение местоположения поездов в тоннелях очень важно для обеспечения безопасности поездов.In recent years, more and more railway lines are being laid in the western region of China. With changes in topography, lines will inevitably pass through many high mountainous areas, and navigation satellite signals will not be detected in tunnels, which will cause temporary loss of information and create navigational blind spots, jeopardizing traffic safety. Accurate location of trains in tunnels is very important for the safety of trains.

В настоящее время, отечественные исследования в направлениях определения местоположения поезда в длинных и больших тоннелях (тоннелях с длиной одной шахты более 10 километров), которые являются типичными навигационными слепыми зонами, все еще находятся на предварительной стадии. Чтобы избежать слепых зон в определении местоположения и аварий при функционировании поездов, вызванных потерей сигнала, необходимо разработать устройства и способы определения местоположения, которые являются точными в определении местоположения, экономичными и простыми для реализации. Существующие способы определения местоположения поезда в тоннеле являются следующими:At present, domestic research in the directions of determining the location of the train in long and large tunnels (tunnels with a single shaft length of more than 10 kilometers), which are typical navigation blind spots, is still at a preliminary stage. In order to avoid blind spots in positioning and train operation accidents caused by loss of signal, it is necessary to develop positioning devices and methods that are accurate in positioning, economical and easy to implement. The existing methods for determining the location of a train in a tunnel are as follows:

Система симуляции навигационной информации в тоннеле получает информацию через симулятор спутникового сигнала, затем генерирует симулированную навигационную информацию и отправляет ее на целевой поезд посредством оптических кабелей, которые могут обеспечивать непрерывную навигационную и локационную симуляцию в тоннеле и достигают цели сокращения затрат и решения проблемы потери информации и временной прерывности в тоннеле. Однако требуется множество групп оптических кабелей, обязательными являются специальные условия для аппаратных средств, и требуется специальная конструкция для разных положений рельефа в реальных применениях, поэтому универсальность невысока.The tunnel navigation information simulation system receives information through a satellite signal simulator, then generates simulated navigation information and sends it to the target train through optical cables, which can provide continuous navigation and location simulation in the tunnel, and achieve the goal of reducing costs and solving the problem of information loss and time discontinuities in the tunnel. However, many groups of optical cables are required, special conditions for hardware are required, and special design is required for different relief positions in actual applications, so the versatility is not high.

Путевое устройство определения местоположения поезда получает изображения путевого оборудования во время работы поезда и реализует определение местоположения поезда посредством путевого умного устройства идентификации в комбинации с электронной картой. Точность идентификации повышается с повышением частоты кадров камеры, но путевое оборудование должно быть расположено вдоль железнодорожных линий, поэтому затраты на обслуживание высоки.The track positioning device of the train acquires images of the track equipment during the operation of the train and realizes the location of the train by means of the track smart identification device in combination with an electronic map. Identification accuracy improves as the frame rate of the camera increases, but the track equipment must be located along the railway lines, so maintenance costs are high.

Кроме того, существуют технологии, такие как определение местоположения на основе вычисления измерения скорости и определение местоположения на основе ответа, которые также имеют проблемы низкой точности определения местоположения или высоких затрат на обслуживание. Из вышеизложенного следует, что существующие технологии для определения местоположения поездов в тоннелях являются сложными для распространения в большом регионе при обеспечении высокой точности определения местоположения.In addition, there are technologies such as positioning based on velocity measurement calculation and positioning based on response, which also have problems of poor positioning accuracy or high maintenance costs. It follows from the above that existing technologies for locating trains in tunnels are difficult to spread over a large region while providing high positioning accuracy.

Краткое описание сущности изобретенияBrief description of the essence of the invention

Техническая проблема, подлежащая решению настоящим изобретением, состоит в обеспечении, с учетом недостатков в предшествующем уровне техники, способа и системы для определения местоположения высокоскоростного поезда в навигационной слепой зоне на основе метеорологических параметров, чтобы решить проблему, состоящую в сложности определения местоположения поезда в длинном и большом тоннеле, который является типичной навигационной слепой зоной, и уменьшить затраты на определение местоположения.The technical problem to be solved by the present invention is to provide, in view of the deficiencies in the prior art, a method and system for locating a high-speed train in a navigation blind zone based on meteorological parameters in order to solve the problem of the difficulty of locating a train in a long and large tunnel, which is a typical navigational blind spot, and reduce location costs.

Чтобы решить вышеуказанную техническую проблему, техническое решение согласно настоящему изобретению состоит в следующем: способ для определения местоположения высокоскоростного поезда в навигационной слепой зоне на основе метеорологических параметров, включающий в себя следующие этапы:In order to solve the above technical problem, the technical solution according to the present invention is as follows: a method for locating a high-speed train in a navigation blind zone based on meteorological parameters, including the following steps:

S1, получение метеорологических параметров тоннеля в тоннеле, когда поезд проходит, чтобы создать базу данных метеорологических параметров тоннеля;S1, obtaining the tunnel meteorological parameters in the tunnel when the train passes, to create a database of the tunnel meteorological parameters;

S2, классифицирование, на основе базы данных метеорологических параметров тоннеля, групп тоннелей с аналогичными атрибутами, чтобы получить типичные выборки тоннелей каждой категории групп тоннелей;S2, classifying, based on the tunnel meteorological parameters database, tunnel groups with similar attributes to obtain typical tunnel samples of each category of tunnel groups;

S3, создание библиотеки шаблонов цветового пространства HSV типичной последовательности путем использования типичных выборок тоннелей;S3, creating a typical sequence HSV color space template library by using typical tunnel samples;

S4, обучение модели сопоставления шаблонов HSV при помощи библиотеки шаблонов цветового пространства HSV; обучение векторной машины релевантности при помощи данных той же самой категории групп тоннелей, чтобы установить модель предсказания пути в милях тоннеля;S4, training the HSV pattern matching model with the HSV color space pattern library; training a relevance vector machine using data from the same category of tunnel groups to establish a tunnel mileage prediction model;

S5, создание модели объединения модели сопоставления шаблонов HSV и модели предсказания пути в милях тоннеля, чтобы получить модель объединения предсказания пути в милях; иS5, creating a combining model of the HSV pattern matching model and the tunnel mileage prediction model to obtain a mileage prediction combining model; and

S6, получение данных метеорологических параметров тоннеля во время функционирования поезда и вызов модели объединения предсказания пути в милях для предсказания положения поезда.S6, obtaining tunnel meteorological parameters data during train operation, and invoking a mileage prediction union model to predict the position of the train.

Настоящее изобретение устанавливает модель предсказания пути в милях посредством технологии анализа больших данных искусственного интеллекта. После завершения моделирования, требуются только бортовые датчики, чтобы получать входные данные без какого-либо путевого оборудования, поэтому затраты на создание и затраты на обслуживание системы уменьшаются.The present invention establishes a mileage prediction model by artificial intelligence big data analysis technology. Once the simulation is complete, only the onboard sensors are required to receive input data without any track equipment, so the cost of building and maintaining the system is reduced.

На этапе S1, конкретный процесс создания базы данных метеорологических параметров тоннеля включает в себя: получение последовательности температуры и последовательности влажности, которые получают, когда поезд проходит через тоннель в одно время, долготы и широты области, где расположен тоннель, и предсказанных значений почасовой средней температуры, почасовой средней влажности и почасового среднего солнечного излучения, чтобы образовать группу выборок метеорологических параметров тоннеля; причем выборки метеорологических параметров тоннеля, полученные во время функционирования всех поездов в области в пределах одного года, образуют базу данных метеорологических параметров тоннеля. Процесс создания базы данных настоящего изобретения может обеспечивать достаточные данные выборок для улучшения точности предсказания модели объединения предсказания.In step S1, the specific process of creating a database of meteorological parameters of the tunnel includes: obtaining the sequence of temperature and sequence of humidity, which are obtained when the train passes through the tunnel at the same time, the longitude and latitude of the area where the tunnel is located, and the predicted values of the hourly average temperature , hourly average humidity and hourly average solar radiation to form a group of samples of meteorological parameters of the tunnel; moreover, samples of meteorological parameters of the tunnel, obtained during the operation of all trains in the region within one year, form a database of meteorological parameters of the tunnel. The database creation process of the present invention can provide sufficient sample data to improve the prediction accuracy of a prediction combining model.

Конкретный процесс реализации этапа S2 включает в себя:The specific implementation process of step S2 includes:

a) преобразование координат широты и долготы области, где расположен тоннель, в координаты плоскости; нормализацию метеорологических параметров тоннеля, причем обработанные координаты широты и долготы и метеорологические параметры тоннеля формируют набор входных атрибутов грубой классификации на категории тоннелей;a) converting the latitude and longitude coordinates of the area where the tunnel is located into plane coordinates; normalizing the meteorological parameters of the tunnel, wherein the processed latitude and longitude coordinates and the meteorological parameters of the tunnel form a set of coarse classification input attributes into tunnel categories;

b) выполнение упорядочивания вывода выборок групп тоннелей с входными атрибутами грубой классификации на категории тоннелей в качестве объектов посредством алгоритма OPTICS и сравнение расстояний достижимости выборок в последовательности после упорядочивания с установленным параметром ε расстояния окрестности, причем последовательные выборки, расстояния достижимости которых меньше, чем установленный параметр ε расстояния окрестности в последовательности, образуют кластер выборок; получение центра

кластера каждого кластера выборок и T1 выборок

ближайших к центру кластера; причем

соответствуют обработанной долготе и широте, и

соответствуют обработанным метеорологическим параметрам тоннеля; определение центра

кластера и T1 выборок в качестве репрезентативных выборок текущей категории групп тоннелей, причем T1 выборок в репрезентативных выборках являются типичными выборками тоннеля текущей категории групп тоннелей.b) performing ordering output of samples of groups of tunnels with coarse classification input attributes to categories of tunnels as objects by the OPTICS algorithm and comparing the reachability distances of samples in sequence after ordering with the neighborhood distance parameter ε set, and successive samples whose reachability distances are less than the set parameter ε neighborhood distances in sequence, form a cluster of samples; getting a center

cluster of each cluster of samples and T1 samples

closest to the center of the cluster; and

correspond to the processed longitude and latitude, and

correspond to the processed meteorological parameters of the tunnel; center definition

cluster and T1 samples as representative samples of the current tunnel group category, wherein the T1 samples in the representative samples are typical tunnel samples of the current tunnel group category.

Посредством вышеописанного процесса реализуется грубая классификация групп тоннелей с аналогичными атрибутами.Through the above process, a rough classification of groups of tunnels with similar attributes is realized.

1) выполнение зеркального расширения на временной последовательности температуры и последовательности влажности, когда поезд проходит через тоннель, в кластере выборок, чтобы преобразовать последовательность температуры и последовательность влажности в кластере выборок в последовательности, длины которых равны соответственным длинам самых длинных выборок;1) performing a mirror expansion on the temperature and humidity sequence as the train passes through the tunnel, in the cluster of samples, to transform the temperature sequence and the humidity sequence in the cluster of samples into sequences whose lengths are equal to the respective lengths of the longest samples;

2) установку времени задержки и длины окна и выполнение реконструкции фазового пространства на последовательностях температуры и влажности с соответственными самыми длинными длинами выборок посредством способа координат задержки, чтобы получить двумерную матрицу реконструкции, представляющую характеристики развития температуры и влажности;2) setting a delay time and a window length and performing a phase space reconstruction on the temperature and humidity sequences with the respective longest sample lengths by means of a delay coordinate method to obtain a two-dimensional reconstruction matrix representing temperature and humidity development characteristics;

3) ввод двумерной матрицы реконструкции в обучающий автокодер, чтобы получить набор атрибутов признака глубины для дополнительной классификации; и3) inputting a 2D reconstruction matrix into the training autoencoder to obtain a set of depth feature attributes for additional classification; and

4) получение центра

кластера каждого кластера выборок вторичной кластеризации и Т1 выборок, ближайших к центру кластера, посредством набора атрибутов признака глубины в качестве входа в соответствии с процессом на этапе b); определение центра

кластера и Т1 выборок в качестве репрезентативных выборок вторичной кластеризации текущей категории групп тоннелей, причем T1 выборок в репрезентативных выборках вторичной кластеризации являются типичными выборками тоннеля текущей категории групп тоннелей.4) receiving the center

a cluster of each cluster of secondary clustering samples and T1 samples closest to the center of the cluster, by means of a set of depth flag attributes as an input according to the process in step b); center definition

cluster and T1 samples as secondary clustering representative samples of the current tunnel group category, wherein the T1 samples in the secondary clustering representative samples are typical tunnel samples of the current tunnel group category.

Процесс реализации вышеописанного этапа S2 реализует точную классификацию групп тоннелей, которая может обеспечивать, что данные последующей библиотеки шаблонов цветового пространства HSV являются более точными, тем самым улучшая точность предсказания модели объединения предсказания.The implementation process of the above-described step S2 implements fine tunnel group classification, which can ensure that the data of the subsequent HSV color space template library is more accurate, thereby improving the prediction accuracy of the prediction combining model.

На этапе S3, конкретный процесс реализации создания библиотеки шаблонов цветового пространства HSV типичной последовательности путем использования типичных выборок тоннеля включает в себя: использование последовательностей параметров температуры и влажности, которые находятся в типичных выборках и варьируются в зависимости от пути в милях тоннеля, как шаблонов последовательности соответствующей категории групп тоннелей, установку времени задержки и длины окна, выполнение реконструкции фазового пространства на временных последовательностях температуры, влажности и разности температур посредством способа координат задержки, чтобы получить три двумерные матрицы реконструкции, представляющие характеристики развития температуры и влажности, и комбинирование трех двумерных матриц реконструкции в соответствии с цветовым пространством HSV, чтобы сформировать цветное изображение, то есть, получают изображение шаблона в библиотеке шаблонов цветового пространства HSV типичной последовательности. Эта реализация создает двумерные матрицы реконструкции посредством температуры, влажности и разности температур, поэтому процесс вычисления прост.In step S3, the specific process for realizing the creation of a typical sequence HSV color space pattern library by using typical tunnel samples includes: using sequences of temperature and humidity parameters that are in the typical samples and vary depending on the mileage of the tunnel as sequence templates of the corresponding categories of tunnel groups, setting a delay time and a window length, performing a phase space reconstruction on the temperature, humidity, and temperature difference time sequences by means of a delay coordinate method to obtain three 2D reconstruction matrices representing temperature and humidity development characteristics, and combining the three 2D reconstruction matrices into according to the HSV color space to form a color image, that is, a template image in the HSV color space template library of a typical sequence is obtained. This implementation creates two-dimensional reconstruction matrices through temperature, humidity, and temperature difference, so the calculation process is simple.

На этапе S4, конкретный процесс реализации обучающей модели сопоставления шаблонов HSV включает в себя:In step S4, the specific process for implementing the HSV Pattern Matching Learning Model includes:

1) сбор точек текущей выборки во временных последовательностях температуры, влажности и разности температур и N точек выборок перед точками текущей выборки;1) collection of points of the current sample in the time sequences of temperature, humidity and temperature difference and N sample points before the points of the current sample;

2) установку времени задержки и длины окна, выполнение реконструкции фазового пространства посредством способа координат задержки, чтобы получить три двумерные матрицы реконструкции, представляющие характеристики развития температуры и влажности, и комбинирование трех матриц в соответствии с цветовым пространством HSV, чтобы сформировать изображение признака текущего положения;2) setting a delay time and a window length, performing a phase space reconstruction by a delay coordinate method to obtain three two-dimensional reconstruction matrices representing temperature and humidity development characteristics, and combining the three matrices according to the HSV color space to form a current position feature image;

3) выполнение операции свертки на изображении признака текущего положения и изображении шаблона в библиотеке шаблонов цветового пространства HSV типичной последовательности, чтобы получить множество одномерных последовательностей;3) performing a convolution operation on the current position feature image and the template image in the typical sequence HSV color space template library to obtain a plurality of one-dimensional sequences;

4) сортировку элементов во всех одномерных последовательностях в убывающем порядке, чтобы определить T2 наибольших элементов в качестве элементов-кандидатов, причем положения, соответствующие элементам-кандидатам до сортировки, являются положениями-кандидатами; получение значений пути в милях, соответствующих положениям-кандидатам; и4) sorting the elements in all one-dimensional sequences in descending order to determine the T2 largest elements as candidate elements, the positions corresponding to the candidate elements before sorting being the candidate positions; getting the mileage values corresponding to the candidate locations; and

5) усреднение всех значений пути в милях, соответствующих всем положениям-кандидатам, чтобы получить текущую выходную последовательность модели сопоставления шаблонов HSV.5) averaging all mileage values corresponding to all candidate locations to obtain the current output sequence of the HSV pattern matching model.

С помощью вышеописанного процесса можно определить положение наилучшего совпадения для текущего положения поезда в библиотеке шаблонов, и можно дополнительно улучшить точность предсказания.With the above process, the best match position for the current train position in the pattern library can be determined, and the prediction accuracy can be further improved.

На этапе S4, конкретный процесс реализации обучения векторной машины релевантности, чтобы установить модель предсказания пути в милях тоннеля, включает в себя:In step S4, the specific implementation process of learning the relevance vector machine to establish a tunnel mile path prediction model includes:

1) определение входных выборок

причем

является временной последовательностью температуры точки текущей выборки, и предыдущих M точек выборок в тоннеле,

является последовательностью влажности точки текущей выборки и предыдущих N точек выборок в тоннеле, и t₀, h₀ и r₀ являются соответственно предсказанными значениями почасовой средней температуры, почасовой средней влажности и почасового среднего солнечного излучения, полученных от метеорологической станции; определение выходной выборки как значения O пути в милях, соответствующего текущему положению, причем комбинации

входа и выхода составляют выборки моделирования; выбор M выборок моделирования для каждой группы тоннелей одной и той же категории;1) definition of input samples

and

is the time sequence of the temperature of the current sample point, and the previous M sample points in the tunnel,

is the sequence of humidity of the current sample point and the previous N sample points in the tunnel, and t ₀ , h ₀ and r ₀ are respectively the predicted hourly average temperature, hourly average humidity and hourly average solar radiation received from the meteorological station; definition of the output sample as the O value of the path in miles corresponding to the current position, and the combinations

input and output make up simulation samples; selecting M simulation samples for each group of tunnels of the same category;

2) разделение случайным образом M выборок моделирования на обучающий набор, набор верификации и тестовый набор;2) random division of M simulation samples into a training set, a verification set, and a test set;

3) выполнение двоичного кодирования на признаке каждой размерности во входных выборках I; когда кодовое значение, соответствующее признаку определенной размерности, равно 1, выбор признака в качестве входной переменной модели RVM; когда кодовое значение признака определенной размерности равно 0, отбрасывание признака этой размерности;3) performing binary encoding on the feature of each dimension in the input samples I; when the code value corresponding to a feature of a certain dimension is 1, selecting the feature as an input variable of the RVM model; when the code value of a feature of a certain dimension is 0, discarding the feature of that dimension;

4) определение новых входных признаков на основе кодовых значений текущих признаков, обновление обучающего набора, набора верификации и тестового набора, обучение модели RVM при помощи данных обновленного обучающего набора, и ввод данных обновленного набора верификации в обученную модель RVM, чтобы получить выходную последовательность

причем M ₁=0,3M; и4) determining new input features based on the code values of the current features, updating the training set, veriﬁcation set, and test set, training the RVM with the updated training set data, and injecting the updated veriﬁcation set data into the trained RVM to obtain an output sequence

where M ₁ =0.3 M ; and

5) повторение этапа 3) и этапа 4), чтобы определить оптимальные входные признаки и модель RVM, которая минимизирует целевую функцию

оптимизации, причем модель RVM является моделью предсказания пути в милях тоннеля; причем

является действительным выходным значением в наборе верификации.5) repeat step 3) and step 4) to determine the optimal input features and an RVM model that minimizes the objective function

optimization, wherein the RVM model is a tunnel mileage prediction model; and

is a valid output value in the verification set.

Векторная машина релевантности (RVM) используется, чтобы получать модель предсказания пути в милях тоннеля, которая может улучшить точность предсказания модели предсказания пути в милях тоннеля.A Relevance Vector Machine (RVM) is used to derive a tunnel mileage prediction model, which can improve the prediction accuracy of the tunnel mileage prediction model.

Модель объединения модели сопоставления шаблонов HSV и модели предсказания пути в милях тоннеля представляет собой

причем k1=1,2…M ₂, M ₂ =0,1M;

является выходной последовательностью, полученной после того, как данные тестового набора введены в модель предсказания пути в милях тоннеля;

является реальным выходным результатом в тестовом наборе; и

является выходной последовательностью, полученной после того, как тестовый набор введен в модель сопоставления шаблонов HSV.The combination model of the HSV pattern matching model and the tunnel mileage prediction model is

where k1=1.2…M ₂ , M ₂ =0.1M ;

is the output sequence obtained after the test set data is entered into the tunnel mileage prediction model;

is the real output in the test set; and

is the output sequence obtained after the test case is entered into the HSV pattern matching model.

На этапе S6, конкретный процесс реализации предсказания положения поезда включает в себя: вычисление входных векторов модели RVM точек текущей выборки и подстановку входных векторов модели RVM в целевую модель, чтобы получить выходное значение модели предсказания пути в милях тоннеля; получение входных значений модели сопоставления шаблонов HSV точек текущей выборки и подстановку ее в модель сопоставления шаблонов HSV, чтобы получить выходное значение модели сопоставления шаблонов HSV; подстановку выходного значения модели предсказания пути в милях тоннеля и выходного значения модели сопоставления шаблонов HSV в модель объединения предсказания пути в милях тоннеля, чтобы получить окончательный результат предсказания положения поезда; причем целевой шаблон относится к модели, обученной при целевом кластере выборок вторичной кластеризации; целевой кластер выборок вторичной кластеризации относится к кластеру выборок, соответствующему минимальному значению между точкой текущей выборки и репрезентативными выборками вторичной кластеризации, подчиненному всем кластерам выборок первичной кластеризации; целевые кластеры выборок первичной кластеризации относятся к кластерам выборок, соответствующим минимальному значению между точкой текущей выборки и всеми репрезентативными выборками кластеризации; репрезентативные выборки кластеризации относятся к выборкам в кластере выборок, и кластер выборок относится к кластеру выборок, состоящему из последовательных выборок в последовательности, полученной путем выполнения упорядочивания вывода выборок групп тоннелей с входными атрибутами грубой классификации на категории тоннелей как объектов и посредством алгоритма OPTICS, значение выборки в последовательных выборках, которая находится между расстоянием достижимости и установленным параметром ɛ расстояния окрестности, меньше, чем параметр ε расстояния окрестности.In step S6, a specific train position prediction implementation process includes: calculating the RVM input vectors of current sample points and substituting the RVM input vectors into the target model to obtain the tunnel miles distance prediction model output; obtaining input values of the HSV pattern matching model of the points of the current sample and substituting it into the HSV pattern matching model to obtain an output value of the HSV pattern matching model; substituting an output of the tunnel mile prediction model and an output of the HSV pattern matching model into a tunnel mile prediction combining model to obtain a final train position prediction result; wherein the target pattern refers to a model trained under the target cluster of secondary clustering samples; the secondary clustering target sample cluster refers to the sample cluster corresponding to the minimum value between the current sample point and representative secondary clustering samples, subordinate to all primary clustering sample clusters; primary clustering target sample clusters refer to sample clusters corresponding to the minimum value between the current sample point and all representative clustering samples; clustering representative samples refers to samples in a sample cluster, and sample cluster refers to a sample cluster consisting of consecutive samples in sequence obtained by performing ordering output of tunnel group samples with coarse classification input attributes on tunnel categories as features and through the OPTICS algorithm, sample value in successive samples, which is between the reachability distance and the specified neighborhood distance parameter ɛ, is less than the neighborhood distance parameter ε.

Соответственно, настоящее изобретение дополнительно обеспечивает систему для определения местоположения высокоскоростного поезда в навигационной слепой зоне на основе метеорологических параметров, включающую в себя датчики, установленные на поезде, для получения метеорологических параметров в тоннеле; причем датчики осуществляют связь с компьютерным оборудованием; и компьютерное оборудование запрограммировано или сконфигурировано, чтобы выполнять этапы способа в соответствии с настоящим изобретением.Accordingly, the present invention further provides a system for locating a high-speed train in a navigation blind zone based on meteorological parameters, including sensors installed on the train to obtain meteorological parameters in a tunnel; moreover, the sensors communicate with computer equipment; and computer hardware programmed or configured to perform the steps of the method in accordance with the present invention.

По сравнению с предшествующим уровнем техники, настоящее изобретение имеет следующие полезные результаты:Compared with the prior art, the present invention has the following beneficial results:

1. Настоящее изобретение полностью использует технологию анализа больших данных искусственного интеллекта, в полной мере исследует потенциальные закономерности изменений параметров среды тоннеля в зависимости от глубины тоннеля и решает проблему сложности в определении местоположения поезда в длинном и большом тоннеле, который является типичной навигационной слепой зоной, с точки зрения моделирования на основе данных;1. The present invention makes full use of artificial intelligence big data analysis technology, fully explores the potential patterns of changes in the environment parameters of the tunnel depending on the depth of the tunnel, and solves the problem of difficulty in locating a train in a long and large tunnel, which is a typical navigation blind zone, with data-driven modeling perspective;

2. После завершения моделирования, настоящее изобретение требует только использования бортовых датчиков температуры и влажности, чтобы получать входные данные без какого-либо путевого оборудования, тем самым уменьшая затраты на создание системы и затраты на обслуживание.2. After the completion of the simulation, the present invention only requires the use of airborne temperature and humidity sensors to receive input data without any trackside equipment, thereby reducing system building and maintenance costs.

Краткое описание чертежей Brief description of the drawings

Фиг. 1 является блок-схемой последовательности операций получения данных и грубой классификации на категории;Fig. 1 is a flowchart of data acquisition and rough classification into categories;

Фиг. 2 является блок-схемой последовательности операций вторичной классификации на категории и моделирования;Fig. 2 is a flowchart of secondary categorization and simulation;

Фиг. 3 показывает комбинацию временной последовательности, реконструкции фазового пространства и цветового пространства HSV;Fig. 3 shows a combination of time sequence, phase space reconstruction, and HSV color space;

Фиг. 4 является блок-схемой последовательности операций вызова модели во время тестирования.Fig. 4 is a flowchart of calling the model during testing.

Подробное описание вариантов осуществленияDetailed description of embodiments

Вариант осуществления 1 настоящего изобретения обеспечивает способ для определения местоположения высокоскоростного поезда в навигационной слепой зоне, который, в частности, включает в себя следующие этапы:Embodiment 1 of the present invention provides a method for locating a high-speed train in a navigation blind area, which specifically includes the following steps:

Этап 1: получение метеорологических параметров тоннеля и создание базы данных метеорологических параметров тоннеляStage 1: obtaining the meteorological parameters of the tunnel and creating a database of the meteorological parameters of the tunnel

Временные последовательности температуры, влажности и пути в милях в тоннеле, когда поезд проходит, получают в реальном времени посредством бортовых датчиков с интервалом дискретизации 0,1 с. Широту и долготу текущего положения и предсказанные значения почасовой средней температуры, почасовой средней влажности и почасового среднего солнечного излучения получают от метеорологической станции в области, где расположен тоннель. Последовательность температуры и последовательность влажности, полученные, когда поезд проходит через тоннель в одно время, широта и долгота области и предсказанные значения почасовой средней температуры, почасовой средней влажности и почасового среднего солнечного излучения составляют группу выборок метеорологических параметров тоннеля. Выборки метеорологических параметров тоннеля, полученные во время функционирования всех поездов в области в течение одного года, составляют базу данных метеорологических параметров тоннеля.Time sequences of temperature, humidity and miles in the tunnel as the train passes are obtained in real time from onboard sensors at 0.1 second sampling intervals. The latitude and longitude of the current position and the predicted hourly average temperature, hourly average humidity, and hourly average solar radiation are obtained from the meteorological station in the area where the tunnel is located. The sequence of temperature and humidity sequence obtained when the train passes through the tunnel at the same time, the latitude and longitude of the area and the predicted values of the hourly average temperature, hourly average humidity and hourly average solar radiation make up the sample group of meteorological parameters of the tunnel. The samples of meteorological parameters of the tunnel, obtained during the operation of all trains in the region for one year, constitute a database of meteorological parameters of the tunnel.

Этап 2: мульти-масштабная иерархическая классификация метеорологических параметров тоннеляStage 2: multi-scale hierarchical classification of tunnel meteorological parameters

На основе базы данных метеорологических параметров тоннеля, классификация на категории множества типов атрибутов, множества масштабов признаков и множества уровней выполняется с использованием последовательности температуры и последовательности влажности, полученных при прохождении через тоннель, широты и долготы области и предсказанных значений почасовой средней температуры, почасовой средней влажности и почасового среднего солнечного излучения (соответственно соответствующих почасовой средней температуре, почасовой средней влажности и почасовому среднему солнечному излучению, то есть почасовых средних значений) в качестве входной информации, чтобы реализовать классификацию групп тоннелей со сходными атрибутами. Как показано на фиг. 2 и фиг. 3, конкретный процесс реализации заключается в следующем:Based on the database of meteorological parameters of the tunnel, the classification into categories of the set of attribute types, the set of feature scales and the set of levels is performed using the sequence of temperature and humidity sequence obtained when passing through the tunnel, the latitude and longitude of the area and the predicted values of hourly average temperature, hourly average humidity and hourly average solar irradiance (respectively corresponding to hourly average temperature, hourly average humidity, and hourly average solar irradiance, that is, hourly averages) as input to realize a classification of tunnel groups with similar attributes. As shown in FIG. 2 and FIG. 3, the specific implementation process is as follows:

Этап A1: координаты широты и долготы преобразуются в координаты плоскости посредством отношения конверсии сферических координат. Преобразованные долгота и широта, почасовая средняя температура, почасовая средняя влажность и почасовое среднее солнечное излучение нормализуются, чтобы сформировать набор входных атрибутов грубой классификации на категории тоннелей. Step A1: latitude and longitude coordinates are converted to plane coordinates by a spherical coordinate conversion ratio. The converted longitude and latitude, hourly mean temperature, hourly mean humidity, and hourly mean solar irradiance are normalized to form a set of coarse classification input attributes into tunnel categories.

Этап A2: исходный параметр ɛ расстояния окрестности устанавливается в 0,1, исходный параметр MinPts количества соседних выборок устанавливается в 5, и упорядочивание вывода выборок групп тоннелей выполняется с входными атрибутами грубой классификации на категории тоннелей в качестве объектов посредством алгоритма OPTICS (упорядочивание точек, чтобы идентифицировать структуру кластеризации). Расстояния достижимости (расстояние достижимости, понятие, определяемое алгоритмом OPTIC, является минимальным значением из расстояния до ядра и евклидова расстояния, см. https://blog.csdn.net/han1202012/article/details/105936710) выборок в последовательности сравниваются с установленным параметром ε расстояния окрестности, и последовательные выборки, расстояния достижимости которых меньше, чем установленное значение в последовательности, образуют кластер выборок. Получают центр

кластера каждого кластера выборок и 5 выборок

, ближайших к центру кластера.

соответствует пяти атрибутам, включая преобразованные долготу, широту, почасовую среднюю температуру, почасовую среднюю влажность и почасовое среднее солнечное излучение. Центр

кластера и 5 выборок

определяются как репрезентативные выборки текущей категории.Step A2: The neighborhood distance initial parameter ɛ is set to 0.1, the neighbor sample number initial parameter MinPts is set to 5, and ordering of the output of tunnel group samples is performed with the coarse classification input attributes into tunnel categories as features by the OPTICS algorithm (Point ordering to identify the clustering structure). Reachable distances (reachable distance, a concept defined by the OPTIC algorithm, is the minimum value of the core distance and Euclidean distance, see https://blog.csdn.net/han1202012/article/details/105936710) of the samples in the sequence are compared with the set parameter ε neighborhood distances, and successive samples whose reachable distances are less than the set value in the sequence form a cluster of samples. Get the center

cluster of each cluster of samples and 5 samples

closest to the center of the cluster.

corresponds to five attributes, including converted longitude, latitude, hourly average temperature, hourly average humidity, and hourly average solar radiation. Centre

cluster and 5 samples

defined as representative samples of the current category.

Этап A3: каждый кластер выборок, полученный на основе набора входных атрибутов грубой классификации на категории тоннелей, дополнительно классифицируется. Конкретно, этап A3 включает в себя следующие подэтапы: ① Зеркальное расширение выполняется на временной последовательности температуры и последовательности влажности, когда поезд проходит через тоннель, в кластере выборок, чтобы преобразовать последовательность температуры и последовательность влажности в кластере выборок в последовательности, длины которых равны соответственным самым длинным длинам выборок. ② Время задержки установлено в 1, длина окна установлена в 5, и реконструкция фазового пространства выполняется на последовательности температуры и последовательности влажности посредством способа координат задержки, чтобы получить двумерную матрицу реконструкции, представляющую характеристики развития температуры и влажности. ③ Матрица реконструкции выборок вводится в обучающий автокодер, чтобы получить набор атрибутов признака глубины для дополнительной классификации. ④ Центр

кластера каждого кластера выборок вторичной кластеризации и 5 выборок

, ближайших к центру кластера, получают при помощи набора атрибутов признака глубины в качестве входа в соответствии с процессом на этапе A2.

соответствует 5 размерным переменным в наборе атрибутов признака глубины. Центр

кластера и 5 выборок

определяются как репрезентативные выборки вторичной кластеризации текущей категории.Step A3: Each cluster of samples obtained from the set of coarse classification input attributes per tunnel category is further classified. Specifically, step A3 includes the following sub-steps: ① Mirror expansion is performed on the time sequence of temperature and humidity sequence when the train passes through the tunnel, in the sample cluster, to transform the temperature sequence and humidity sequence in the sample cluster into sequences whose lengths are the respective long sample lengths. ② The delay time is set to 1, the window length is set to 5, and phase space reconstruction is performed on the sequence of temperature and humidity sequence by the delay coordinate method to obtain a two-dimensional reconstruction matrix representing the development characteristics of temperature and humidity. ③ A sample reconstruction matrix is input to the training autoencoder to obtain a set of depth feature attributes for additional classification. ④ Center

cluster of each cluster of secondary clustering samples and 5 samples

, closest to the center of the cluster, is obtained using the set of depth flag attributes as an input in accordance with the process in step A2.

corresponds to 5 dimensional variables in the depth feature attribute set. Centre

cluster and 5 samples

are defined as representative samples of the secondary clustering of the current category.

Этап 3: создание библиотеки шаблонов цветового пространства HSV (цветовой тон, насыщенность, значение) типичной последовательностиStep 3: Create a library of HSV (Hue, Saturation, Value) color space templates of a typical sequence

5 выборок

тоннеля, ближайших к центру кластера, соответствующих группе в каждой категории групп тоннелей, используются как типичные выборки тоннеля в этой категории. Как показано на фиг. 3, последовательности параметров температуры и влажности, варьирующиеся в зависимости от пути в милях тоннеля в типичных выборках, используются как последовательности шаблона этой категории, время задержки установлено в 1, длина окна составляет 5, реконструкция фазового пространства выполняется на временных последовательностях температуры, влажности и разности температур посредством способа координат задержки, чтобы получить три двумерные матрицы реконструкции, представляющие характеристики развития температуры и влажности, и три матрицы комбинируются в соответствии с цветовым пространством HSV, чтобы сформировать цветное изображение, то есть, изображение шаблона f _i, i=1,2…5.5 samples

tunnels closest to the cluster center corresponding to a group in each category of tunnel groups are used as typical tunnel samples in that category. As shown in FIG. 3, the sequences of temperature and humidity parameters varying depending on the path in miles of the tunnel in typical samples are used as template sequences of this category, the delay time is set to 1, the window length is 5, the phase space reconstruction is performed on the time sequences of temperature, humidity and difference temperatures through the delay coordinate method to obtain three two-dimensional reconstruction matrices representing the development characteristics of temperature and humidity, and the three matrices are combined according to the HSV color space to form a color image, that is, a pattern image f _i , i =1.2… 5.

Этап 4: обучение модели сопоставления шаблонов HSVStep 4: Train the HSV Pattern Matching Model

На основе точки выборки текущего положения и последовательностей предыдущих выборок, выполняются реконструкция фазового пространства и комбинация цветового пространства HSV, чтобы создать изображение признака текущего положения. Корреляции между модулем признака текущего положения и изображениями в библиотеке шаблонов вычисляются, чтобы определить положение наилучшего совпадения для текущего положения в библиотеке шаблонов. Этот процесс включает в себя следующие этапы:Based on the current position sample point and sequences of previous samples, phase space reconstruction and HSV color space combination are performed to create an image of the current position feature. Correlations between the current position feature module and the images in the template library are calculated to determine the best match position for the current position in the template library. This process includes the following steps:

Этап B1: выполняется сбор точки текущей выборки и точек предыдущих 19 выборок во временных последовательностях температуры, влажности и разности температур.Step B1: the current sample point and the previous 19 samples are collected in the temperature, humidity, and temperature difference time sequences.

Этап B2: время задержки установлено в 1, длина окна установлена в 5, реконструкция фазового пространства выполняется посредством способа координат задержки, чтобы получить три двумерные матрицы реконструкции, представляющие характеристики развития температуры и влажности, и три матрицы комбинируются в соответствии с цветовым пространством HSV, чтобы сформировать изображение признака текущего положения h.Step B2: the delay time is set to 1, the window length is set to 5, the phase space reconstruction is performed by the delay coordinate method to obtain three two-dimensional reconstruction matrices representing the development characteristics of temperature and humidity, and the three matrices are combined according to the HSV color space so that generate an image of the sign of the current position h .

Этап B3: операция свертки

выполняется на изображении признака текущего положения и изображениях в библиотеке шаблонов, причем каждое g_i является одномерной последовательностью.Step B3: convolution operation

is performed on the image of the sign of the current position and images in the library of templates, each g _i is a one-dimensional sequence.

Этап B4: элементы во всех последовательностях g_i сортируются в убывающем порядке, чтобы определить 5 наибольших элементов в качестве элементов-кандидатов, причем положения, соответствующие элементам-кандидатам до сортировки, являются положениями-кандидатами, и значениями пути в милях, соответствующими положениям-кандидатам, являются l _j, j=1,2,…5.Step B4: The elements in all sequences g _i are sorted in descending order to determine the 5 largest elements as candidate elements, with the positions corresponding to the candidate elements before sorting being the candidate positions and the mileage values corresponding to the candidate positions , are l _j , j =1,2,…5.

Этап B5: среднее значение значений пути в милях, соответствующих положениям-кандидатам, определяется как текущее выходное значение модели сопоставления шаблонов, то есть, выходным значением модели сопоставления шаблонов является

Step B5: The average value of the path values in miles corresponding to the candidate positions is determined as the current output value of the pattern matching model, that is, the output value of the pattern matching model is

Этап 5: обучение модели распознавания RVM Stage 5: Training the RVM Recognition Model

Векторную машину релевантности (RVM) обучают при помощи данных одной и той же категории групп тоннелей, последовательности температуры, последовательности влажности, почасовой средней температуры, почасовой средней влажности и почасового среднего солнечного излучения в качестве входа и данных пути в милях в текущем тоннеле в качестве выхода, чтобы установить модель предсказания пути в милях тоннеля. Этот процесс включает в себя следующие этапы:A Relevance Vector Machine (RVM) is trained with data of the same category of tunnel groups, temperature sequence, humidity sequence, hourly average temperature, hourly average humidity, and hourly average solar radiation as input and mileage data in the current tunnel as output. to set the tunnel mileage prediction model. This process includes the following steps:

Этап C1: определяют обучающие выборки, и определяют входные выборки

причем

является временной последовательностью температуры точки текущей выборки и предыдущих 19 точек выборок в тоннеле,

является последовательностью влажности точки текущей выборки и предыдущих 19 точек выборок в тоннеле, и t₀, h₀ и r₀ являются соответственно предсказанными значениями почасовой средней температуры, почасовой средней влажности и почасового среднего солнечного излучения, полученных от метеорологической станции. Выходная выборка является значением O пути в милях, соответствующим текущему положению. Комбинации

входа и выхода образуют выборки моделирования. Для каждой группы тоннелей одной и той же категории, образованной вторичной кластеризацией, выбираются M (M составляет 5000 в настоящем изобретении) выборок, чтобы установить модель предсказания пути в милях тоннеля.Step C1: determine training samples, and determine input samples

and

is the time sequence of the temperature of the current sample point and the previous 19 sample points in the tunnel,

is the sequence of humidity of the current sample point and the previous 19 sample points in the tunnel, and t ₀ , h ₀ , and r ₀ are respectively the predicted hourly mean temperature, hourly mean humidity, and hourly mean solar irradiance from the meteorological station. The output sample is the O distance in miles corresponding to the current position. Combinations

input and output form simulation samples. For each group of tunnels of the same category formed by the secondary clustering, M (M is 5000 in the present invention) samples are selected to establish a tunnel mileage prediction model.

Этап C2: классифицируют обучающие выборки, выборки верификации и тестовые выборки. Посредством дискретизации случайным образом без замещения, 60% M выборок выбираются, чтобы сформировать обучающий набор, 30% M выборок выбираются, чтобы сформировать набор верификации, и 10% M выборок выбираются, чтобы сформировать тестовый набор.Step C2: training samples, verification samples and test samples are classified. By sampling randomly without replacement, 60% M samples are selected to form the training set, 30% M samples are selected to form the verification set, and 10% M samples are selected to form the test set.

Этап C3: определяют оптимизированные объекты, и инициализируют оптимизированные значения. Входные признаки модели оптимизируются посредством двоичного “алгоритма кита” (whale algorithm), то есть, двоичное кодирование выполняется на признаке каждой размерности во входных выборках I. Когда кодовое значение, соответствующее признаку определенной размерности, равно 1, признак выбирается как входная переменная модели RVM. Когда кодовое значение, соответствующее признаку определенной размерности, равно 0, признак этой размерности отбрасывается. 43 размерных признака случайным образом инициализируются и кодируются как 0 или 1.Step C3: Optimized objects are defined, and optimized values are initialized. The input features of the model are optimized by a binary whale algorithm, i.e., binary encoding is performed on a feature of each dimension in the input samples I. When the code value corresponding to a feature of a particular dimension is 1, the feature is selected as the input variable of the RVM model. When the code value corresponding to a feature of a particular dimension is 0, the feature of that dimension is discarded. The 43 dimensions are randomly initialized and coded as 0 or 1.

Этап C4: определяется целевая функция оптимизации. Входные признаки определяются на основе кодовых значений текущих признаков, и модель RVM обучается при помощи данных обучающего набора. Данные набора верификации вводятся в обученную модель RVM, чтобы получить выходную последовательность

модели, причем M1=0,3M. Целевая функция оптимизации определяется как:Step C4: The optimization objective function is determined. The input features are determined based on the code values of the current features, and the RVM model is trained using the training set data. Verification set data is fed into the trained RVM model to produce an output sequence

models, and M 1=0.3 M . The optimization objective function is defined as:

В формуле

является реальным выходным значением набора верификации.In the formula

is the real output value of the verification set.

Этап C5: выводится оптимизированная модель предсказания. Повторные операции оптимизации выполняются посредством двоичного “алгоритма кита”, чтобы определить оптимальные входные признаки, и модели RVM, причем модель RVM является моделью RVM предсказания пути в милях тоннеля.Step C5: An optimized prediction model is derived. Iterative optimization operations are performed by a binary "whale algorithm" to determine optimal input features and an RVM model, the RVM model being the tunnel mileage prediction RVM model.

Этап 6: создание модели объединения сопоставления шаблона HSV и распознавания RVM Step 6: Create a Combination Model of HSV Pattern Matching and RVM Recognition

Данные тестового набора подставляют в модель RVM предсказания пути в милях тоннеля, чтобы получить выходную последовательность модели как

причем M2=0,1M. Беря данные тестового набора в качестве входа, в соответствии с операционным процессом на этапе 4, выходным результатом полученной модели сопоставления шаблонов является

в то время как реальным выходным результатом в данных тестового набора является

Ошибка между выходным значением модели RVM и реальным значением вычисляется следующим образом:The test set data is substituted into the tunnel mile prediction RVM model to obtain the model output sequence as

where M 2=0.1 M . Taking the test case data as input, according to the operational process in step 4, the output of the resulting pattern matching model is

while the real output in the test set data is

The error between the output value of the RVM model and the real value is calculated as follows:

Ошибка между выходным результатом модели сопоставления шаблонов и реальным значением вычисляется следующим образом:The error between the pattern matching model output and the actual value is calculated as follows:

Одновременно вычисляются расстояния между одной или более текущими выборками шаблона и текущими выборками. Затем, коэффициент объединения модели для модели RVM определяется как:Simultaneously, the distances between one or more current samples of the template and the current samples are calculated. Then, the model pooling factor for the RVM model is defined as:

Коэффициент объединения модели для модели сопоставления шаблонов определяется как:The model pooling factor for a pattern matching model is defined as:

Окончательный выходной результат модели является следующим:The final output of the model is as follows:

Этап 7: получение входных данных и вызов модели объединения предсказания пути в милях тоннеляStep 7: Get input and call the tunnel mile prediction pooling model

Во время функционирования поезда, данные текущей температуры, атмосферного давления и солнечного излучения вне тоннеля получают от метеорологической станции в области. Текущие последовательности температуры и влажности получают посредством датчиков температуры и влажности, установленных в голове и хвосте поезда. Этот процесс включает в себя следующие этапы:During the operation of the train, the data of the current temperature, atmospheric pressure and solar radiation outside the tunnel are received from the meteorological station in the area. The current sequences of temperature and humidity are obtained by means of temperature and humidity sensors installed at the head and tail of the train. This process includes the following steps:

Этап D1: входные атрибуты

для первичной кластеризации получают со ссылкой на процесс этапа 2, причем

соответствует 5 атрибутам, включая преобразованные долготу, широту, почасовую среднюю температуру, почасовую среднюю влажность и почасовое среднее солнечное излучение. Входные атрибуты

для вторичной кластеризации получают со ссылкой на процесс этапа 2, причем

соответствует 5 атрибутам в наборе атрибутов признака глубины.Stage D1: input attributes

for primary clustering is obtained with reference to the step 2 process, wherein

corresponds to 5 attributes, including converted longitude, latitude, hourly average temperature, hourly average humidity, and hourly average solar radiation. Input attributes

for secondary clustering is obtained with reference to the process of step 2, and

matches 5 attributes in the depth attribute attribute set.

Этап D2: расстояния между значениями

признаков точек текущей выборки и репрезентативными выборками первичной кластеризации вычисляются следующим образом:Stage D2: distances between values

signs of points of the current sample and representative samples of the primary clustering are calculated as follows:

Кластер выборок, соответствующий минимальному значению между точкой текущей выборки и всеми репрезентативными выборками кластеризации, выбирается как целевой кластер выборок первичной кластеризации.The sample cluster corresponding to the minimum value between the current sample point and all representative clustering samples is selected as the primary clustering target sample cluster.

Этап D3: расстояния между значениями

признака точек текущей выборки и репрезентативными выборками вторичной кластеризации вычисляются следующим образом:Step D3: distances between values

feature points of the current sample and representative samples of secondary clustering are calculated as follows:

Кластер выборок, соответствующий минимальному значению между точкой текущей выборки и репрезентативными выборками вторичной кластеризации, подчиненный всем целевым кластерам выборок первичной кластеризации, выбирается как целевой кластер выборок вторичной кластеризации. Модель и библиотека шаблонов, обученные на этом кластере выборок, являются целевой моделью и целевой библиотекой шаблонов.The sample cluster corresponding to the minimum value between the current sample point and the representative secondary clustering samples, subordinate to all primary clustering target sample clusters, is selected as the secondary clustering target sample cluster. The model and template library trained on this cluster of samples is the target model and target template library.

Этап 8: Предсказание положения поездаStep 8: Train Position Prediction

Входные векторы модели RVM точек текущей выборки вычисляются со ссылкой на процесс этапа 5, входные векторы модели RVM подставляются в целевую модель, чтобы получить выходные значения целевой модели RVM. Входные значения модели сопоставления шаблонов точек текущей выборки получают со ссылкой на процесс этапа 4 и подставляют в целевую модель сопоставления шаблонов, чтобы получить выходное значение целевой модели сопоставления шаблонов. Окончательный результат предсказания положения поезда получают со ссылкой на уравнение 6.The RVM input vectors of the current sample points are computed with reference to the step 5 process, the input RVM vectors are substituted into the target model to obtain the output values of the target RVM model. The current sample point pattern matching model input values are obtained with reference to the step 4 process and substituted into the pattern matching target model to obtain the target pattern matching model output value. The final train position prediction result is obtained with reference to Equation 6.

Вариант осуществления 2 настоящего изобретения обеспечивает систему для определения местоположения высокоскоростного поезда в навигационной слепой зоне на основе метеорологических параметров, включающую в себя датчики, установленные на поезде для получения метеорологических параметров в тоннеле; датчики осуществляют связь с компьютерным оборудованием; и компьютерное оборудование запрограммировано или сконфигурировано, чтобы выполнять этапы способа в соответствии с вариантом осуществления 1 настоящего изобретения.Embodiment 2 of the present invention provides a system for locating a high-speed train in a navigation blind spot based on meteorological parameters, including sensors installed on the train to obtain meteorological parameters in a tunnel; sensors communicate with computer equipment; and the computer equipment is programmed or configured to perform the steps of the method in accordance with Embodiment 1 of the present invention.

Claims

1. A method for determining the location of a high-speed train in a navigation blind zone based on meteorological parameters, comprising the following steps:

S1, obtaining tunnel meteorological parameters in tunnels when a train passes to create a database of tunnel meteorological parameters;

S2, classifying, based on the tunnel meteorological parameters database, tunnel groups with similar attributes, to obtain typical tunnel patterns of each tunnel group category;

S3, creating a typical sequence HSV color space template library by using typical tunnel samples; training a relevance vector machine using data from the same category of tunnel groups to establish a tunnel mileage prediction model;

S4, training the HSV pattern matching model with the HSV color space pattern library;

S5, generating a combining model of the HSV pattern matching model and the tunnel mile path prediction model to obtain a tunnel mile path prediction combining model; and

S6, obtaining the meteorological parameters data of the tunnel during the operation of the train, and outputting a tunnel mile prediction fusion model to predict the position of the train.

2. The method for locating a high-speed train in a navigation blind zone based on meteorological parameters according to claim 1, wherein in step S1, the specific process of creating a tunnel meteorological parameters database comprises: obtaining a temperature sequence and a humidity sequence that are obtained when the train passes through the tunnel at the same time, the longitude and latitude of the area where the tunnel is located, and the predicted hourly average temperature, hourly average humidity, and hourly average solar radiation to form a sample group of meteorological parameters of the tunnel; moreover, samples of meteorological parameters of the tunnel obtained during the operation of all trains in the region for one year form a database of meteorological parameters of the tunnel.

3. A method for determining the location of a high-speed train in a navigation blind zone based on meteorological parameters according to claim 1, wherein the specific process for implementing step S2 comprises:

a) converting the latitude and longitude coordinates of the area where the tunnel is located into plane coordinates; normalizing the meteorological parameters of the tunnel, wherein the processed latitude and longitude coordinates and the meteorological parameters of the tunnel form a set of coarse classification input attributes into tunnel categories;

b) performing an ordering of the output of samples of tunnel groups with coarse classification input attributes into categories of tunnels as objects by means of the OPTICS algorithm and comparing the reachability distances of the samples in sequence after ordering with the neighborhood distance parameter ε set, with successive samples whose reachability distances are less than the set parameter ε the neighborhood distances in the sequence form a cluster of samples; getting a center

cluster of each cluster of samples and T1 samples

, closest to the center of the cluster; and

correspond to the processed longitude and latitude, and

4. A method for determining the location of a high-speed train in a navigation blind zone based on meteorological parameters according to claim 3, wherein the specific process for implementing step S2 comprises:

1) performing a mirror expansion on the temperature and humidity sequence as the train passes through the tunnel, in the sample cluster, to transform the temperature sequence and the humidity sequence in the sample cluster into sequences whose lengths are equal to the respective longest sample lengths;

2) setting a delay time and a window length and performing a phase space reconstruction on the temperature and humidity sequences with the respective longest sample lengths by means of a delay coordinate method to obtain a two-dimensional reconstruction matrix representing temperature and humidity development characteristics;

3) inputting a 2D reconstruction matrix into the training autoencoder to obtain a set of depth feature attributes for additional classification; and

4) receiving the center

5. A method for determining the location of a high-speed train in the navigation blind zone based on meteorological parameters according to any one of paragraphs. 1-4, in which in step S3, a specific process for realizing the creation of a typical sequence HSV color space pattern library by using typical tunnel samples comprises: using sequences of temperature and humidity parameters that are in typical samples and vary depending on the tunnel mileage, as pattern sequences of the corresponding tunnel group category, setting a delay time and a window length, performing phase space reconstruction on the temperature, humidity, and temperature difference time sequences by a delay coordinate method to obtain three two-dimensional reconstruction matrices representing the development characteristics of temperature and humidity, and combining the three two-dimensional reconstruction matrices in accordance with the HSV color space to form a color image, i.e. obtain a template image in the template library of the HSV color space of a typical successor ness.

6. A method for determining the location of a high-speed train in the navigation blind zone based on meteorological parameters according to any one of paragraphs. 1-5, in which, in step S4, the specific process for implementing HSV pattern matching model learning comprises:

1) collection of points of the current sample in time sequences of temperature, humidity and temperature difference and N sample points before the points of the current sample;

2) setting a delay time and a window length, performing a phase space reconstruction by a delay coordinate method to obtain three two-dimensional reconstruction matrices representing temperature and humidity development characteristics, and combining the three matrices according to the HSV color space to form a current position feature image;

3) performing a convolution operation on the current position feature image and the template image in the typical sequence HSV color space template library to obtain a plurality of one-dimensional sequences;

4) sorting the elements in all one-dimensional sequences in descending order to determine the T2 largest elements as candidate elements, the positions corresponding to the candidate elements before sorting being the candidate positions; getting the mileage values corresponding to the candidate locations; and

5) averaging all mileage values corresponding to all candidate locations to obtain the current output sequence of the HSV pattern matching model.

7. A method for determining the location of a high-speed train in the navigation blind zone based on meteorological parameters according to any one of paragraphs. 1-6, in which, in step S4, the specific implementation process of learning the relevance vector machine to establish a tunnel mile path prediction model comprises:

1) definition of input samples

, and

is the time sequence of the temperature of the current sample point and the previous M sample points in the tunnel,

input and output form simulation samples; selecting M simulation samples for each group of tunnels of the same category;

2) random division of M simulation samples into a training set, a verification set, and a test set;

3) performing binary encoding on the feature of each dimension in the input samples I; when the code value corresponding to a feature of a certain dimension is 1, selecting the feature as an input variable of the RVM model; when the code value of a feature of a certain dimension is 0, discarding the feature of that dimension;

4) determining new input features based on the code values of the current features, updating the training set, veriﬁcation set, and test set, training the RVM with the updated training set data, and injecting the updated veriﬁcation set data into the trained RVM to obtain an output sequence

models; wherein M1=0.3M; and

5) repeating step 3) and step 4) to determine the optimal input features and an RVM model that minimizes the optimization objective function

where the RVM model is a tunnel mileage prediction model; and

is the real output value in the verification set.

8. The method for determining the location of a high-speed train in a navigation blind zone based on meteorological parameters according to claim 7, wherein the combination model of the HSV pattern matching model and the tunnel mileage prediction model is

where k1=1.2…M2, M2=0.1M;

is the real output in the test set; and

9. A method for determining the location of a high-speed train in the navigation blind zone based on meteorological parameters according to any one of paragraphs. 1-8, wherein in step S6, a specific train position prediction implementation process comprises: calculating the RVM input vectors of the current sample points and substituting the RVM input vectors into the target model to obtain the tunnel miles distance prediction model output; obtaining input values of the HSV pattern matching model of the points of the current sample and substituting it into the HSV pattern matching model to obtain an output value of the HSV pattern matching model; substituting an output of the tunnel mile prediction model and an output of the HSV pattern matching model into a tunnel mile prediction combining model to obtain a final train position prediction result; wherein the target pattern refers to a model trained under the target cluster of secondary clustering samples; the secondary clustering target sample cluster refers to the sample cluster corresponding to the minimum value between the current sample point and the secondary clustering representative samples subordinate to the primary clustering target sample clusters; primary clustering target sample clusters refer to sample clusters corresponding to the minimum value between the current sample point and all representative clustering samples; clustering representative samples refers to samples in a sample cluster, and sample cluster refers to a sample cluster consisting of consecutive samples in sequence obtained by performing ordering output of tunnel group samples with coarse classification input attributes on tunnel categories as features and through the OPTICS algorithm, sample value in successive samples that is between the reachability distance and the specified neighborhood distance parameter ε is less than the neighborhood distance parameter ε.

10. A system for determining the location of a high-speed train in the navigation blind zone based on meteorological parameters, comprising sensors installed on the train to obtain meteorological parameters in the tunnel; moreover, the sensors communicate with computer equipment; and the computer equipment is programmed or configured to perform the steps of the method according to any one of paragraphs. 1-9.