[發明專利]一種地鐵交通沖突預警方法

在審

• 申請號: 201710209480.6
• 申請日: 2015-03-31
• 公開（公告）號: CN106741007A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 韓云祥;黃曉瓊
• 申請（專利權）人: 江蘇理工學院
• 主分類號: B61L23/00
• 分類號: B61L23/00;B61L27/00;G06F17/50
• 代理公司: 常州市江海陽光知識產權代理有限公司32214
• 代理人: 陳曉君

1.一種地鐵交通沖突預警方法，其特征在于包括如下步驟：

步驟A、根據各個列車的計劃運行參數，生成軌道交通網絡的拓撲結構圖；

步驟B、基于步驟A所構建的軌道交通網絡的拓撲結構圖，分析列車流的可控性和敏感性二類特性；

步驟C、根據各個列車的計劃運行參數，在構建列車動力學模型的基礎上，依據列車運行沖突耦合點建立列車運行沖突預調配模型，生成多列車無沖突運行軌跡；

步驟D、在每一采樣時刻t，基于列車當前的運行狀態和歷史位置觀測序列，對列車未來某時刻的行進位置進行預測；其具體過程如下：

步驟D1、列車軌跡數據預處理，以列車在起始站的停靠位置為坐標原點，在每一采樣時刻，依據所獲取的列車原始離散二維位置序列x＝[x₁,x₂,...,x_n]和y＝[y₁,y₂,...,y_n]，采用一階差分方法對其進行處理獲取新的列車離散位置序列△x＝[△x₁,△x₂,...,△x_n-1]和△y＝[△y₁,△y₂,...,△y_n-1],其中△x_i＝x_i+1-x_i,△y_i＝y_i+1-y_i(i＝1,2,...,n-1)；

步驟D2、對列車軌跡數據聚類，對處理后新的列車離散二維位置序列△x和△y，通過設定聚類個數M'，采用遺傳聚類算法分別對其進行聚類；

步驟D3、對聚類后的列車軌跡數據利用隱馬爾科夫模型進行參數訓練，通過將處理后的列車運行軌跡數據△x和△y視為隱馬爾科夫過程的顯觀測值，通過設定隱狀態數目N'和參數更新時段τ'，依據最近的T'個位置觀測值并采用B-W算法滾動獲取最新隱馬爾科夫模型參數λ'；具體來講：由于所獲得的列車軌跡序列數據長度是動態變化的，為了實時跟蹤列車軌跡的狀態變化，有必要在初始軌跡隱馬爾科夫模型參數λ'＝(π,A,B)的基礎上對其重新調整，以便更精確地推測列車在未來某時刻的位置；每隔時段τ'，依據最新獲得的T'個觀測值(o₁,o₂,...,o_T')對軌跡隱馬爾科夫模型參數λ'＝(π,A,B)進行重新估計；

步驟D4、依據隱馬爾科夫模型參數，采用Viterbi算法獲取當前時刻觀測值所對應的隱狀態q；

步驟D5、每隔時段根據最新獲得的隱馬爾科夫模型參數λ'＝(π,A,B)和最近H個歷史觀測值(o₁,o₂,...,o_H)，基于列車當前時刻的隱狀態q，在時刻t，通過設定預測時域h'，獲取未來時段列車的位置預測值O；

步驟E、建立從列車的連續動態到離散沖突邏輯的觀測器，將地鐵交通系統的連續動態映射為離散觀測值表達的沖突狀態；當系統有可能違反交通管制規則時，對地鐵交通混雜系統的混雜動態行為實施監控，為地鐵交通控制中心提供及時的告警信息；

所述步驟D中，聚類個數M'的值為4，隱狀態數目N'的值為3，參數更新時段τ'為30秒，T'為10，為30秒，H為10，預測時域h'為300秒。

2.一種用于沖突預警的地鐵交通流優化控制系統，其特征在于:包括線路拓撲結構生成模塊、數據傳輸模塊、車載終端模塊、控制終端模塊以及軌跡監視模塊，軌跡監視模塊收集列車的狀態信息并提供給控制終端模塊；

所述控制終端模塊包括以下子模塊：

列車運行前無沖突軌跡生成模塊：根據列車計劃運行時刻表，首先建立列車動力學模型，然后依據列車運行沖突耦合點建立列車運行沖突預調配模型，最后生成無沖突列車運行軌跡；

列車運行中短期軌跡生成模塊：依據軌跡監視模塊提供的列車實時狀態信息，利用數據挖掘模型，推測未來時段內列車的運行軌跡；

列車運行態勢監控模塊：在每一采樣時刻t，基于列車的軌跡推測結果，當列車間有可能出現違反安全規則的狀況時,對其動態行為實施監控并為控制終端提供告警信息；

列車避撞軌跡優化模塊：當列車運行態勢監控模塊發出告警信息時，在滿足列車物理性能、區域容流約束和軌道交通調度規則的前提下，通過設定優化指標函數，采用自適應控制理論方法由控制終端模塊對列車運行軌跡進行魯棒雙層規劃，并通過數據傳輸模塊將規劃結果傳輸給車載終端模塊執行。列車避撞軌跡優化模塊包含內層規劃和外層規劃兩類規劃過；

上述用于沖突預警的地鐵交通流優化控制系統進行沖突預警的方法包括如下步驟：

步驟A、根據各個列車的計劃運行參數，生成軌道交通網絡的拓撲結構圖；

步驟B、基于步驟A所構建的軌道交通網絡的拓撲結構圖，分析列車流的可控性和敏感性二類特性；

步驟C、根據各個列車的計劃運行參數，在構建列車動力學模型的基礎上，依據列車運行沖突耦合點建立列車運行沖突預調配模型，生成多列車無沖突運行軌跡；

步驟D、在每一采樣時刻t，基于列車當前的運行狀態和歷史位置觀測序列，對列車未來某時刻的行進位置進行預測；其具體過程如下：

步驟D1、列車軌跡數據預處理，以列車在起始站的停靠位置為坐標原點，在每一采樣時刻，依據所獲取的列車原始離散二維位置序列x＝[x₁,x₂,...,x_n]和y＝[y₁,y₂,...,y_n]，采用一階差分方法對其進行處理獲取新的列車離散位置序列△x＝[△x₁,△x₂,...,△x_n-1]和△y＝[△y₁,△y₂,...,△y_n-1],其中△x_i＝x_i+1-x_i,△y_i＝y_i+1-y_i(i＝1,2,...,n-1)；

步驟D2、對列車軌跡數據聚類，對處理后新的列車離散二維位置序列△x和△y，通過設定聚類個數M'，采用遺傳聚類算法分別對其進行聚類；

步驟D3、對聚類后的列車軌跡數據利用隱馬爾科夫模型進行參數訓練，通過將處理后的列車運行軌跡數據△x和△y視為隱馬爾科夫過程的顯觀測值，通過設定隱狀態數目N'和參數更新時段τ'，依據最近的T'個位置觀測值并采用B-W算法滾動獲取最新隱馬爾科夫模型參數λ'；具體來講：由于所獲得的列車軌跡序列數據長度是動態變化的，為了實時跟蹤列車軌跡的狀態變化，有必要在初始軌跡隱馬爾科夫模型參數λ'＝(π,A,B)的基礎上對其重新調整，以便更精確地推測列車在未來某時刻的位置；每隔時段τ'，依據最新獲得的T'個觀測值(o₁,o₂,...,o_T')對軌跡隱馬爾科夫模型參數λ'＝(π,A,B)進行重新估計；

步驟D4、依據隱馬爾科夫模型參數，采用Viterbi算法獲取當前時刻觀測值所對應的隱狀態q；

步驟D5、每隔時段根據最新獲得的隱馬爾科夫模型參數λ'＝(π,A,B)和最近H個歷史觀測值(o₁,o₂,...,o_H)，基于列車當前時刻的隱狀態q，在時刻t，通過設定預測時域h'，獲取未來時段列車的位置預測值O；

步驟E、建立從列車的連續動態到離散沖突邏輯的觀測器，將地鐵交通系統的連續動態映射為離散觀測值表達的沖突狀態；當系統有可能違反交通管制規則時，對地鐵交通混雜系統的混雜動態行為實施監控，為地鐵交通控制中心提供及時的告警信息；

所述步驟D中，聚類個數M'的值為4，隱狀態數目N'的值為3，參數更新時段τ'為30秒，T'為10，為30秒，H為10，預測時域h'為300秒。