一种有轨电车的运行状态评估方法、系统及设备

技术领域

本发明涉及有轨电车运行安全与管理领域，特别是涉及一种有轨电车的运行状态评估方法、系统及设备。

背景技术

有轨电车作为一种城市公共交通体系的重要环节，近年来发展迅猛。随着有轨电车的广泛应用和建设，其安全事故时有发生，造成了不良的社会影响和经济损失。因此，有轨电车运营过程中的风险评估以及安全边界越发受到关注，通过大数据技术科学地挖掘出有轨电车应用过程中的安全边界，对于指导其升级改造以及运行维护具有积极的作用。

目前，针对有轨电车运营安全的约束大多停留于相关标准和法规，受限于人为主观的专家经验和长期运营总结的规律，但人为主观性以及不同环境的差异性容易对有轨电车安全性评价造成偏颇；而针对有轨电车运营安全性建模研究较少，且围绕有轨电车运营风险分析以及评估技术多停留于指标体系设计以及评估方法改进，对于有轨电车运营安全的边界认知不清晰、不全面；此外，已有研究通常局限于特定线路的案例分析或者理想模型的解析，难以因地制宜地应用于不同地区，可移植性和鲁棒性不足，可见现有有轨电车运营安全的评估方式均无法准确测算出有轨电车的安全边界，且无法辨识有轨电车的当前运行状态是否存在异常，运行状态评估准确率低。

发明内容

本发明的目的是提供一种有轨电车的运行状态评估方法、系统及设备，以解决有轨电车的安全边界测量准确率低以及运行状态准确率低的问题。

为实现上述目的，本发明提供了如下方案。

一种有轨电车的运行状态评估方法，包括以下步骤。

根据有轨电车正常运行状态下多指标的安全指标集，建立有轨电车安全指标体系；所述安全指标集包括公共交通风险、恶劣天气风险、电力设备风险以及轨道变形风险。

基于所述有轨电车安全指标体系，根据所述有轨电车正常运行状态下的历史运行数据，利用机器学习方法建立有轨电车运行安全的分类器。

以所述有轨电车安全指标体系中各个安全指标的安全指标值的上边界值以及下边界值为优化变量，以所述有轨电车运行安全的分类器为约束，以最大化所述有轨电车在安全运行时各个安全指标的安全指标值上的边界范围为目标，建立有轨电车运行安全边界模型。

采用群智能优化算法以及随机模型过程求解所述有轨电车运行安全边界模型，确定所述有轨电车运行安全的最大边界。

基于所述有轨电车的实时运行数据以及所述有轨电车安全指标体系，根据所述有轨电车运行安全的分类器评估所述有轨电车的当前运行状态，并根据所述有轨电车运行安全的最大边界分析所述有轨电车的当前风险情况；所述当前运行状态为异常运行状态或正常运行状态。

可选的，根据有轨电车正常运行状态下多指标的安全指标集，建立有轨电车安全指标体系，具体包括：根据有轨电车运行过程的交通环境、自然环境、设备状态、设施状态、驾驶员状态以及乘车员状态，构建所述有轨电车的安全指标集；建立量化所述安全指标集各个安全指标的安全指标值的隶属度函数关系，计算表征所述有轨电车的安全指标值；根据所述有轨电车的安全指标值确定所述安全指标的权重集，建立有轨电车安全指标体系。

可选的，基于所述有轨电车安全指标体系，根据所述有轨电车正常运行状态下的历史运行数据，利用机器学习方法建立有轨电车运行安全的分类器，具体包括：基于所述有轨电车安全指标体系，根据所述有轨电车正常运行状态下的历史运行数据，确定所述历史运行数据对应的安全指标集；根据所述历史运行数据对应的安全指标集以及所述权重集建立有轨电车运行安全的分类器。

可选的，所述边界范围为：

可选的，采用群智能优化算法以及随机模型过程求解所述有轨电车运行安全边界模型，确定所述有轨电车运行安全的最大边界，具体包括：设置群智能优化算法的相关参数以及初始化优化变量；所述相关参数包括粒子数量、最大迭代次数、学习因子以及惯量因子；所述优化变量包括粒子初始位置及速度；利用随机模拟以及罚函数求解所述有轨电车运行安全边界模型的约束条件，计算任一迭代次数中各个粒子的适应度函数值以及适应度；判断任一所述适应度是否大于所述粒子对应的自身历史最优适应度，若是，更新所述粒子对应的自身历史最优位置，若否，不更新所述自身历史最优位置；判断任一所述适应度函数值是否大于所述粒子对应的全局最优值，若是，更新全局最优位置，若否，不更新所述全局最优位置，并根据所述自身历史最优位置以及所述全局最优位置更新下一次迭代次数中粒子的位置和速度；判断当前迭代次数是否小于最大迭代次数，若是，选取所述最大迭代次数后的粒子全局最优位置确定所述有轨电车运行安全的最大边界，若否，进入下一次迭代次数，并重新计算各个粒子的适应度函数值以及适应度。

可选的，基于所述有轨电车的实时运行数据以及所述有轨电车安全指标体系，根据所述有轨电车运行安全的分类器评估所述有轨电车的当前运行状态，并根据所述有轨电车运行安全的最大边界分析所述有轨电车的当前风险情况，具体包括：基于所述有轨电车安全指标体系，根据所述有轨电车的实时运行数据，确定所述实时运行数据对应的安全指标集，并确定所述安全指标集中各个安全指标的安全指标值；将所述安全指标值输入至所述有轨电车运行安全的分类器中确定分类结果，根据所述分类结果评估所述有轨电车的当前运行状态；当所述分类结果为0时，确定所述有轨电车的当前运行状态为正常运行状态，当所述分类结果为1时，确定所述有轨电车的当前运行状态为异常运行状态；分析所述安全指标值与所述有轨电车运行安全的最大边界的关系，计算各个所述安全指标的安全指标值的最小裕度；根据所述最小裕度评估所述有轨电车的当前风险情况。

一种有轨电车的运行状态评估系统，包括以下模块。

有轨电车安全指标体系建立模块，用于根据有轨电车正常运行状态下多指标的安全指标集，建立有轨电车安全指标体系；所述安全指标集包括公共交通风险、恶劣天气风险、电力设备风险以及轨道变形风险。

有轨电车运行安全的分类器建立模块，用于基于所述有轨电车安全指标体系，根据所述有轨电车正常运行状态下的历史运行数据，利用机器学习方法建立有轨电车运行安全的分类器。

有轨电车运行安全边界模型建立模块，用于以所述有轨电车安全指标体系中各个安全指标的安全指标值的上边界值以及下边界值为优化变量，以所述有轨电车运行安全的分类器为约束，以最大化所述有轨电车在安全运行时各个安全指标的安全指标值上的边界范围为目标，建立有轨电车运行安全边界模型。

最大边界确定模块，用于采用群智能优化算法以及随机模型过程求解所述有轨电车运行安全边界模型，确定所述有轨电车运行安全的最大边界。

当前运行状态评估及当前风险情况分析模块，用于基于所述有轨电车的实时运行数据以及所述有轨电车安全指标体系，根据所述有轨电车运行安全的分类器评估所述有轨电车的当前运行状态，并根据所述有轨电车运行安全的最大边界分析所述有轨电车的当前风险情况；所述当前运行状态为异常运行状态或正常运行状态。

可选的，有轨电车安全指标体系建立模块，具体包括：安全指标集构建单元，用于根据有轨电车运行过程的交通环境、自然环境、设备状态、设施状态、驾驶员状态以及乘车员状态，构建所述有轨电车的安全指标集；安全指标值计算单元，用于建立量化所述安全指标集各个安全指标的安全指标值的隶属度函数关系，计算表征所述有轨电车的安全指标值；有轨电车安全指标体系建立单元，用于根据所述有轨电车的安全指标值确定所述安全指标的权重集，建立有轨电车安全指标体系。

一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述任一项所述的有轨电车的运行状态评估方法。

一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的有轨电车的运行状态评估方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种有轨电车的运行状态评估方法、系统及设备，根据有轨电车正常运行状态下多指标的安全指标集，建立有轨电车安全指标体系，并根据历史运行数据构建分类器，分析不同安全指标的上边界值以及下边界值，以分类器为约束构建有轨电车运行安全边界模型，以确定有轨电车运行安全的最大边界，分析有轨电车的当前风险情况，并根据分类器评估有轨电车的当前运行状态。本发明综合多方面安全指标确定有轨电车运行安全的最大边界，提高了安全边界测量准确率，同时能够准确评估有轨电车的当前运行状态，并有助于指引运维人员对于不同安全指标的关注和重视程度，将对促进有轨电车广泛可靠应用意义重大。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的有轨电车的运行状态评估方法流程图。

图2为本发明所提供的粒子群算法优化有轨电车运行安全的最大边界流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种有轨电车的运行状态评估方法、系统及设备，能够提高了安全边界测量准确率以及准确评估有轨电车的当前运行状态。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一：如图1所示，本发明提供了一种有轨电车的运行状态评估方法，包括以下步骤。

步骤S1：根据有轨电车正常运行状态下多指标的安全指标集，建立有轨电车安全指标体系；所述安全指标集包括公共交通风险、恶劣天气风险、电力设备风险以及轨道变形风险。

在实际应用中，步骤S1具体包括：根据有轨电车运行过程的交通环境、自然环境、设备状态、设施状态、驾驶员状态以及乘车员状态，构建所述有轨电车的安全指标集。

建立量化所述安全指标集各个安全指标的安全指标值的隶属度函数关系，计算表征所述有轨电车的安全指标值；根据所述有轨电车的安全指标值确定所述安全指标的权重集，建立有轨电车安全指标体系。

作为本发明可选的一种实施方式，步骤S1.1：从有轨电车运行过程的交通环境、自然环境、设备状态、设施状态、驾驶员状态以及乘车员状态等方面，构建有轨电车的安全指标集C={c

步骤S1.2：建立量化各个指标数值的隶属度函数关系，以其他公共交通风险为例，当公共交通数量越多时，将对有轨电车造成的交通风险增加，那么公共交通风险表现为极大型，即公共交通数量越多，风险越高，其公式如下所示。

（1）。

其中，a

步骤S1.3：根据步骤S1.1和S1.2构建的有轨电车安全运行指标体系，根据专家经验利用层次分析及其改进方法或者根据数据挖掘利用熵权、变异系数等方法计算出各安全指标的权重集w={w

步骤S2：基于所述有轨电车安全指标体系，根据所述有轨电车正常运行状态下的历史运行数据，利用机器学习方法建立有轨电车运行安全的分类器。

在实际应用中，步骤S2具体包括：基于所述有轨电车安全指标体系，根据所述有轨电车正常运行状态下的历史运行数据，确定所述历史运行数据对应的安全指标集；根据所述历史运行数据对应的安全指标集以及所述权重集建立有轨电车运行安全的分类器。

作为本发明可选的一种实施方式，步骤S2.1：根据有轨电车正常运行状态下的历史运行数据，计算出步骤S1所列的安全指标的安全指标值，其中，第i个历史运行数据的第j个安全指标的安全指标值为x

步骤S2.2：根据步骤S2.1所获得的历史样本下的安全指标集X={x

步骤S3：以所述有轨电车安全指标体系中各个安全指标的安全指标值的上边界值以及下边界值为优化变量，以所述有轨电车运行安全的分类器为约束，以最大化所述有轨电车在安全运行时各个安全指标的安全指标值上的边界范围为目标，建立有轨电车运行安全边界模型。

在实际应用中，所述边界范围为：

作为本发明可选的一种实施方式，步骤S3.1：定义各个有轨电车安全指标的安全指标值的安全上边界和安全下边界为优化变量，其中，第j个安全指标的安全指标值的安全上边界为β

步骤S3.2：建立计及有轨电车运行安全的分类器约束以及指标变量限制的有轨电车运行安全边界模型约束条件，其计算公式如下：

其中，y

步骤S4：采用群智能优化算法以及随机模型过程求解所述有轨电车运行安全边界模型，确定所述有轨电车运行安全的最大边界。

在实际应用中，步骤S4具体包括：设置群智能优化算法的相关参数以及初始化优化变量；所述相关参数包括粒子数量、最大迭代次数、学习因子以及惯量因子；所述优化变量包括粒子初始位置及速度；利用随机模拟以及罚函数求解所述有轨电车运行安全边界模型的约束条件，计算任一迭代次数中各个粒子的适应度函数值以及适应度；判断任一所述适应度是否大于所述粒子对应的自身历史最优适应度，若是，更新所述粒子对应的自身历史最优位置，若否，不更新所述自身历史最优位置；判断任一所述适应度函数值是否大于所述粒子对应的全局最优值，若是，更新全局最优位置，若否，不更新所述全局最优位置，并根据所述自身历史最优位置以及所述全局最优位置更新下一次迭代次数中粒子的位置和速度；判断当前迭代次数是否小于最大迭代次数，若是，选取所述最大迭代次数后的粒子全局最优位置确定所述有轨电车运行安全的最大边界，若否，进入下一次迭代次数，并重新计算各个粒子的适应度函数值以及适应度。

作为本发明可选的一种实施方式，以粒子群优化算法为例，展示了粒子群算法优化有轨电车运行安全的最大边界流程如图2所示。

步骤S4.1：设置粒子群算法相关参数粒子数量为S，最大迭代次数为IterM，学习因子r

步骤S4.2：利用随机模拟以及罚函数方式解决有轨电车运行安全边界模型中的约束条件，计算第iter代中各个粒子的适应度函数值。

步骤S4.2.1：初始化粒子序号，即令s=1。

步骤S4.2.2：第iter代中第s个粒子的位置和速度分别表示为：

和

步骤S4.2.3：第iter代中第s个粒子的目标函数值

步骤S4.2.4：判断

步骤S4.2.5：判断随机模拟次数k达到最大模拟次数K，若是，则进入步骤S4.2.6；若否，则k=k+1返回步骤S4.2.3。

步骤S4.2.6：判断粒子序号s是否小于为粒子群算法设置的粒子数量S，若是，则第iter代中第s个粒子的适应度等于目标函数，即

步骤S4.3：判断第iter代中第s个粒子的适应度

步骤S4.4：根据粒子的自身历史最优位置以及全局最优位置，更新第iter+1代的粒子位置和速度，产生新的S个粒子，其中第s个粒子更新公式如下，rand表示随机数。

（4）。

（5）。

步骤S4.5：判断迭代次数iter是否小于最大迭代次数IterM，若是，则进入步骤S4.6；若否则iter=iter+1返回步骤S4.2。

步骤S4.6：取最大次数迭代后的粒子全局最优位置

步骤S5：基于所述有轨电车的实时运行数据以及所述有轨电车安全指标体系，根据所述有轨电车运行安全的分类器评估所述有轨电车的当前运行状态，并根据所述有轨电车运行安全的最大边界分析所述有轨电车的当前风险情况；所述当前运行状态为异常运行状态或正常运行状态。

在实际应用中，步骤S5具体包括：基于所述有轨电车安全指标体系，根据所述有轨电车的实时运行数据，确定所述实时运行数据对应的安全指标集，并确定所述安全指标集中各个安全指标的安全指标值；将所述安全指标值输入至所述有轨电车运行安全的分类器中确定分类结果，根据所述分类结果评估所述有轨电车的当前运行状态；当所述分类结果为0时，确定所述有轨电车的当前运行状态为正常运行状态，当所述分类结果为1时，确定所述有轨电车的当前运行状态为异常运行状态；分析所述安全指标值与所述有轨电车运行安全的最大边界的关系，计算各个所述安全指标的安全指标值的最小裕度；根据所述最小裕度评估所述有轨电车的当前风险情况。

作为本发明可选的一种实施方式，步骤S5.1：基于有轨电车实时运行数据计算步骤S1所构建的安全指标值z={z

步骤S5.2：分析有轨电车实时运行数据下的安全指标值z={z

实施例二：为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种有轨电车的运行状态评估系统。

一种有轨电车的运行状态评估系统，包括以下模块。

有轨电车安全指标体系建立模块，用于根据有轨电车正常运行状态下多指标的安全指标集，建立有轨电车安全指标体系；所述安全指标集包括公共交通风险、恶劣天气风险、电力设备风险以及轨道变形风险。

有轨电车运行安全的分类器建立模块，用于基于所述有轨电车安全指标体系，根据所述有轨电车正常运行状态下的历史运行数据，利用机器学习方法建立有轨电车运行安全的分类器。

有轨电车运行安全边界模型建立模块，用于以所述有轨电车安全指标体系中各个安全指标的安全指标值的上边界值以及下边界值为优化变量，以所述有轨电车运行安全的分类器为约束，以最大化所述有轨电车在安全运行时各个安全指标的安全指标值上的边界范围为目标，建立有轨电车运行安全边界模型。

最大边界确定模块，用于采用群智能优化算法以及随机模型过程求解所述有轨电车运行安全边界模型，确定所述有轨电车运行安全的最大边界。

当前运行状态评估及当前风险情况分析模块，用于基于所述有轨电车的实时运行数据以及所述有轨电车安全指标体系，根据所述有轨电车运行安全的分类器评估所述有轨电车的当前运行状态，并根据所述有轨电车运行安全的最大边界分析所述有轨电车的当前风险情况；所述当前运行状态为异常运行状态或正常运行状态。

在实际应用中，有轨电车安全指标体系建立模块，具体包括：安全指标集构建单元，用于根据有轨电车运行过程的交通环境、自然环境、设备状态、设施状态、驾驶员状态以及乘车员状态，构建所述有轨电车的安全指标集；安全指标值计算单元，用于建立量化所述安全指标集各个安全指标的安全指标值的隶属度函数关系，计算表征所述有轨电车的安全指标值；有轨电车安全指标体系建立单元，用于根据所述有轨电车的安全指标值确定所述安全指标的权重集，建立有轨电车安全指标体系。

实施例三：一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行实施例一所述的有轨电车的运行状态评估方法。

一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现实施例一所述的有轨电车的运行状态评估方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。