一种虚拟编组列车追踪间距预测及动态调整方法及装置

技术领域

本发明涉及列车运行分析控制技术领域，尤其涉及一种虚拟编组列车追踪间距预测及调整方法、装置、车载控制器及列控中心。

背景技术

列车虚拟编组(Virtual Coupling，VC)技术是通过车与车直接无线通信，使后车获取前车的运行状态控制后车的运行，从而通过无线通信实现多列车以相同速度、极小间隔的列车协同运行方式。

虚拟编组技术可以帮助信号系统更好地适应不同线路和运行需求，提高运行的灵活性和适应性。通过动态调整列车编组，可以根据实际情况对列车进行灵活配置，使得运输资源能够更加有效地利用。传统的虚拟编组安全间距设置通常基于固定的规则或经验公式，无法适应不同道路条件和交通流量的变化然。且由于虚拟编组系统的复杂性，以及虚拟车钩代替物理车钩带来的安全风险，如何在保证虚拟编组安全运行的前提下，高效且尽量缩短追踪间距来提升行车效率，是虚拟编组系统急需解决的一个重难点问题。

发明内容

为克服相关技术中存在的问题，本公开提供一种虚拟编组列车追踪间距动态调整方法、装置、车载控制器及列控中心，以解决相关技术中如何在保证虚拟编组安全运行的前提下，高效且尽量缩短追踪间距来提升行车效率的技术问题。

本说明书一个或多个实施例提供了一种虚拟编组列车追踪间距动态调整方法，包括步骤：

确定并获取虚拟编组安全追踪间距的影响因素的历史数据；

构建以虚拟编组安全追踪间距的影响因素为输入，最小安全间距为输出的MLP神经网络，以设置影响类型标签的影响因素数据作为输入数据，对MLP神经网络进行训练，获得训练好的MLP神经网络；

将实时获取的虚拟编组安全追踪间距的影响因素数据输入至训练好的MLP神经网络预测获得虚拟编组列车间的最小安全间距。

进一步的，所述确定虚拟编组安全追踪间距的影响因素的历史数据，包括步骤，

确定列车运行过程中影响列车追踪安全距离的各关联因素，其中，关联因素包括影响最大减速度能力、影响最大减速度建立过程、及可能带来不可控系统性风险；

根据影响权重确定影响各关联因素的影响因子。

进一步的，所述虚拟编组安全追踪间距的影响因素及各影响因素影响因子具体包括，

前后车辆的运动状态，包括速度、位置、加速度、载重、牵引/制动级位和运行计划；

运营条件，包括制式、平高峰、节假日、运行交路、客流和冲击率限制；

车辆自身性能参数和健康状态，包括表征车辆牵引能力的牵引特征曲线、牵引响应时间、牵引相关设备健康度，表征车辆制动能力的制动特征曲线、制动响应时间、制动相关设备健康度，表征车载信号系统的ATP系统和ATO系统，及通信延迟；

车辆运行环境条件，包括天气、轨旁设备健康、坡度、曲率半径、限速、限界入侵和轨道摩擦系数。

进一步的，所述MLP神经网络模型的构建包括步骤：

构建一个输入层、两个隐藏层和一个输出层的网络模型，输入层和两个隐藏层均设置偏差向量；

设定模型的激活函数为Sigmoid函数；

随机初始化MLP神经网络中的权重矩阵和偏差向量，以批量梯度下降算法作为网络的优化算法，并初始化优化算法的学习率；

设置均方误差作为模型的损失函数用于监督模型训练，并通过反向传播算法计算损失函数对网络中各个参数的梯度，使用批量梯度下降算法迭代地调整网络参数，以实现优化MLP神经网络。

进一步的，还包括步骤，

对获取虚拟编组安全追踪间距的影响因素的历史数据进行预处理，包括历史数据的清理，去重、填充和处理异常值，在将数据规范化；

对预处理后的数据按预设比例进行分类，以获得训练集、验证集和测试集，其中，训练集中数据为设置影响类型标签的数据，用于训练MLP神经网络模型，验证集用于对模型进行调参，测试集用于基于评价指标对训练好的模型进行评估。

本说明书一个或多个实施例提供了一种虚拟编组列车追踪间距动态调整装置，包括：

数据获取模块，用于获取虚拟编组安全追踪间距影响因素的历史数据；

模型建立模块，用于构建以虚拟编组安全追踪间距的影响因素为输入，最小安全间距为输出的MLP神经网络；

模型训练模块，用于通过设置影响类型标签的影响因素作为输入，对模型建立模块建立的MLP神经网络模型进行训练，获得训练好的MLP神经网络；

预测模块，用于将待预测的影响因素数据输入至训练好的MLP神经网络，获得预测的编组列车最小安全距离。

进一步的，所述MLP神经网络设置一个输入层、两个隐藏层和一个输出层，输入层和两个隐藏层均设置偏差向量；

模型的激活函数为Sigmoid函数；

初始化模型参数包括随机初始化MLP神经网络中的权重矩阵和偏差向量，以批量梯度下降算法作为网络的优化算法，并初始化优化算法的学习率；

模型的损失函数为均方误差，并通过反向传播算法计算损失函数对网络中各个参数的梯度，使用批量梯度下降算法迭代地调整网络参数。

进一步的，还包括数据预处理模块，用于对获取虚拟编组安全追踪间距的影响因素的历史数据进行预处理，包括历史数据的清理，去重、填充和处理异常值，在将数据规范化。

本说明书一个或多个实施例提供了一种车载控制器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述虚拟编组列车追踪间距动态调整方法，所述车载控制器根据预测的最小安全间距，控制调整与前列车的编组间距。

本说明书一个或多个实施例提供了一种列控中心，与所述车载控制器通信连接，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述虚拟编组列车追踪间距动态调整方法，获得预测结果并发送至所述车载控制器；

所述车载控制器根据预测的最小安全间距，控制调整与前列车的编组间距。

本公开提供的虚拟编组列车追踪间距动态调整方法、装置、车载控制器及列控中心，优点在于，从列车制动过程分析了影响列车制动能力的因素，确定列车运行过程中影响虚拟编组列车安全追踪间距的因素，基于构建的数据驱动且预测虚拟编组最小安全追踪间距的MLP模型，通过历史数据不断优化模型，并应用于指导虚拟编组列车追踪间距的动态调整，不仅保证虚拟编组安全运行的前提下，快速预测虚拟编组列车追踪间距，高效且尽量缩短追踪间距来提升行车效率且由于神经网络预测使用场景的广泛性，可以帮助信号系统更好地适应不同线路和运行需求，提高运行的灵活性和适应性。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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说明书中记载的一些实施例，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为本说明书一个或多个实施例提供的一种虚拟编组列车追踪间距动态调整方法的流程图；

图2为本说明书一个或多个实施例提供的列车紧急制动过程三个阶段的曲线图；

图3为本说明书一个或多个实施例提供的虚拟编组列车安全追踪间距的影响因素与影响因子关系图；

图4为本说明书一个或多个实施例提供的MLP神经网络结构图；

图5为本说明书一个或多个实施例提供的一种虚拟编组列车追踪间距动态调整装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明件的保护范围。

下面结合具体实施方式和说明书附图对本发明做出详细的说明。

方法实施例

根据本发明实施例，提供了一种虚拟编组列车追踪间距动态调整方法，如图1所示，为本实施例提供的虚拟编组列车追踪间距动态调整方法的流程图，根据本发明实施例的虚拟编组列车追踪间距预测及动态调整方法，包括：

步骤S1、确定并获取虚拟编组安全追踪间距的影响因素的历史数据。

本实施例中，通过对历史数据的分析，了解虚拟编组系统在不同条件下的运行情况和性能，为未来的预测提供依据，将各方面数据融合，选择与虚拟编组运行状态相关的特征。

本实施例，基于历史经验列出部分影响虚拟编组安全追踪间距的因素，在整个轨道交通信号系统运行中，存在大量的信号设备自身以及外界所能带来的影响因素，因此基于数据驱动计算虚拟编组列车最小安全追踪间距需要目标线路列车运行的大量历史数据。

本实施例，影响虚拟编组安全追踪间距的因素存在多方面的，例如雨雪天气还是车上车下设备的健康度，都可能引起车辆制动能力的变化，或带来更高的系统延迟，亦或使系统的鲁棒性降低，进一步的引起车辆制动距离的延长带来碰撞风险等等。

本实施例，为了进一步确定各因素对虚拟编组列车最小安全追踪间距的影响关系，还包括用于分析确定各影响因子与最小安全距离之间影响关系的步骤，具体为：

S11，确定列车运行过程中影响列车追踪安全距离的各关联因素，包括影响最大减速度能力、影响最大减速度建立过程、及可能带来不可控系统性风险，具体如下。

首先，根据运动学公式刹车距离s＝v

S12，根据影响权重确定与各关联因素间的影响关系的各影响因子。

本实施例，为了保证模型预测精度的同时提高模型的预测效率，在确定各关联因素间的影响关系的各影响因子时，我们只考虑对关联因素影响较大的影响因子，因此可通过影响权重来确定本实施例预测需要的各影响因子，具体参考如下：

影响最大减速度能力的关联因子包括：载重、坡度、曲率半径、天气、轨道摩擦系数、车辆限界、轨旁设备等。

影响最大减速度建立过程的关联因子包括：载重、加速度、牵引/制动级位、牵引/制动特性曲线、各类设备响应延时(信号设备运行周期、通信延迟等)、坡度、曲率半径、天气、冲击率限制等。

带来不可控系统性风险的关联因子包括：天气、信号系统设备健康度、客流等。

上述列出的为部分影响虚拟编组安全追踪间距因子与其影响的因素之间的关系，在整个轨道交通信号系统运行中，信号设备自身以及外界所能带来的影响因素还有很多，因此基于数据驱动计算虚拟编组列车最小安全追踪间距需要目标线路列车运行的大量历史数据，不仅包括已列出的影响因素相关数据记录，还应包括可能影响列车牵引制动能力的各类设备的运行数据，才能确定各因素对计算目标的影响权值，并且深度挖掘既往经验忽视的数据。

因此根据各影响因子影响力权重的大小，本实施例优选的将虚拟编组安全追踪间距的影响因素大致分为四类，参考图3所示，包括前后车辆的运动状态，运营条件，车辆自身性能参数和健康状态，以及车辆运行环境条件4个类别因素，各类别因素包含多个影响因子。因为虚拟编组建立在一般信号系统的基础上，这四大类基本涵盖了轨道交通运营的各方面影响因素，各类别因素分别可包括以下影响因子；

①前后车辆的运动状态包括速度、位置、加速度、载重、牵引/制动级位、运行计划等。

②运营条件包括制式、平高峰、节假日、运行交路、客流、冲击率限制等。

③车辆自身性能参数和健康状态包括表征车辆牵引能力的牵引特征曲线、牵引响应时间、牵引相关设备健康度，表征车辆制动能力的制动特征曲线、制动响应时间、制动相关设备健康度，表征车载信号系统的ATP(Automatic Train Protection，列车自动防护子系统)和ATO(Automatic Train Operation，列车自动运行系统)，及通信延迟等。

④车辆运行环境条件包括天气(雨雪、强风、大雾、温湿度)，轨旁设备健康(道岔、信号机、应答器)，坡度，曲率半径，限速，限界入侵，轨道摩擦系数等。

本实施例，不仅包括已列出的影响因素相关数据记录，还应包括可能影响列车牵引制动能力的各类设备的运行数据，才能确定各因素对计算目标的影响权值，并且深度挖掘既往经验忽视的数据。

本实施例，由于获取的历史数据具有复杂性和多样性，搜集到的影响因素数据可能存在缺失、数据重复等，若直接用获取的数据进行模型训练，会产生较大的训练误差，因此，本实施例对数据进行清洗和处理，包括去除重复数据、填充缺失值、处理异常值等，并将数据规范化，选择数据中与虚拟编组安全追踪间距相关的特征，使得数据集合符合建模的要求。

步骤S2、构建以影响虚拟编组安全追踪间距的影响因素为输入，最小安全间距为输出的MLP神经网络，以设置影响类型标签的影响因素数据作为输入数据，对模型进行训练，获得训练好的MLP神经网络。

所述MLP神经网络模型具有非线性映射和全局优化的能力，能泛化地将n维空间映射至m维，并常用于解决分类问题和预测问题。同时，MLP神经网络是基于单层感知机的推广，解决了单层感知机不能对线性不可分数据进行识别的问题，能够拟合任何非线性函数关系的模型，并且具有很强的自适应、自学习及容错能力。本实施例构建MLP神经网络模型拟合影响虚拟编组安全追踪间距的因素与两列车最小安全间距之间的非线性函数关系；MLP神经网络模型能以多维影响因素数据为输入，并映射至一维数据作为两列车最小安全间距。

参考图4所示，为本实施例提供的MLP神经网络结构示意图，MLP神经网络模型包括一个输入层、两个隐藏层和一个输出层，每个圆代表MLP神经网络的一个节点，左侧X1、X2、X3、X4表示输入特征向量，“+1”节点是神经网络的偏差向量，最右侧为模型的输出节点，每个节点的计算公式为y＝f(W*X+b)，其中，W表示权重矩阵，b表示偏差向量，f(x)表示激活函数，y表示当前节点的输出值。

本实施例，还需设定MLP神经网络模型定义激活函数，初始化参数及模型训练收敛条件，其中，

使用Sigmoid函数作为激活函数且将输出结果映射到0-1之间，用于增加模型的表达能力以及更好地拟合实际数据，激活函数的表达式为：

f(x)＝1/(1+e

初始化模型模型参数包括随机初始化MLP神经网络中的权重矩阵和偏差向量，以批量梯度下降算法作为网络的优化算法，并初始化优化算法的学习率。

本实施例MLP神经网络模型训练包括神经网络逆向传播，在训练过程中，使用以均方误差作为模型的损失函数，将模型输出值与实际值进行比较，并计算损失，再以反向传播算法计算损失函数对网络中各个参数的梯度，使用批量梯度下降算法迭代地调整网络参数，最小化损失函数，最终实现MLP神经网络的优化。

本实施例，对预处理后的数据进行按预设比例进行分类，以获得训练集、验证集和测试集，其中，训练集中数据为设置影响类型标签的数据，验证集和测试集中的数据不设置标签；将所述训练集样本作为输入训练MLP神经网络模型，利用验证集样本评估所述MLP神经网络模型的准确性，进行模型的调参，例如调整学习率、正则化参数等，以达到更好的性能；以准确度、均方误差、模型效率等作为评价指标，使用测试集对训练好的模型进行评估，实现监视所述MLP神经网络模型训练过程中的错误。

步骤S3、将实时获取的虚拟编组安全追踪间距的影响因素数据输入至训练好的MLP神经网络预测获得虚拟编组列车间的最小安全间距。

本实施例，将训练好的MLP神经网络模型部署到列车运行环境中，采集虚拟编组列车运行现场数据，预测多因素作用下的编组最小安全间距，同时，考虑到运行交路以及运行计划的影响，根据现场运行情况和优化目标，实现动态调整虚拟编组列车间距，以适应实时的且高效的列车运行需求。

本实施例方法，从列车制动过程分析了影响列车制动能力的因素，确定列车运行过程中影响虚拟编组列车安全追踪间距的因素，基于构建的数据驱动且预测虚拟编组最小安全追踪间距的MLP模型，通过历史数据不断优化模型，并应用于指导虚拟编组列车追踪间距的动态调整，不仅保证虚拟编组安全运行的前提下，快速预测虚拟编组列车追踪间距，高效且尽量缩短追踪间距来提升行车效率且由于神经网络预测使用场景的广泛性，可以帮助信号系统更好地适应不同线路和运行需求，提高运行的灵活性和适应性。

装置实施例

根据本发明实施例，提供了一种虚拟编组列车追踪间距动态调整装置，该装置可配备于各列车车载控制器或与各列车车载控制器通信连接的列控中心，如图5所示，为本实施例提供的虚拟编组列车追踪间距动态调整装置框图，根据本发明实施例的虚拟编组列车追踪间距动态调整装置，包括：

数据获取模块10，用于获取虚拟编组安全追踪间距影响因素的历史数据。

本实施例，影响虚拟编组安全追踪间距的因素大致分为四类，具体位置前后车辆的运动状态，运营条件，车辆自身性能参数和健康状态，以及车辆运行环境条件4个类别因素，各类别因素包含多个影响因子。因为虚拟编组建立在一般信号系统的基础上，这四大类基本涵盖了轨道交通运营的各方面影响因素，各类别因素分别可包括以下影响因子；

①前后车辆的运动状态包括速度、位置、加速度、载重、牵引/制动级位、运行计划等。

②运营条件包括制式、平高峰、节假日、运行交路、客流、冲击率限制等。

③车辆自身性能参数和健康状态包括表征车辆牵引能力的牵引特征曲线、牵引响应时间、牵引相关设备健康度，表征车辆制动能力的制动特征曲线、制动响应时间、制动相关设备健康度，表征车载信号系统的ATP(Automatic Train Protection，列车自动防护子系统)和ATO(Automatic Train Operation，列车自动运行系统)，及通信延迟等。

④车辆运行环境条件包括天气(雨雪、强风、大雾、温湿度)，轨旁设备健康(道岔、信号机、应答器)，坡度，曲率半径，限速，限界入侵，轨道摩擦系数等。

本实施例，由于获取的历史数据具有复杂性和多样性，搜集到的影响因素数据可能存在缺失、数据重复等，若直接用获取的数据进行模型训练，会产生较大的训练误差，因此，本实施例还设置数据预处理模块101，用于对数据获取模块10获取的数据进行预处理。

数据的预处理包括对数据进行清洗和处理，数据去重，填充缺失值，处理异常值等，并将数据规范化，选择数据中与虚拟编组安全追踪间距相关的特征，使得数据集合符合建模的要求。

模型建立模块20，用于构建以虚拟编组安全追踪间距的影响因素为输入，最小安全间距为输出的MLP神经网络。

本实施例中，MLP神经网络模型包括一个输入层、两个隐藏层和一个输出层，模型中包含左侧X1、X2、X3、X4表示输入特征向量节点，和代表神经网络的偏差向量“+1”的节点，最右侧为模型的输出节点，每个节点的计算公式为y＝f(W*X+b)，其中，W表示权重矩阵，b表示偏差向量，f(x)表示激活函数，y表示当前节点的输出值。

本实施例，设定Sigmoid函数为模型的激活函数且将输出结果映射到0-1之间，用于增加模型的表达能力以及更好地拟合实际数据，激活函数的表达式为：

f(x)＝1/(1+e

初始化模型模型参数包括随机初始化MLP神经网络中的权重矩阵和偏差向量，以批量梯度下降算法作为网络的优化算法，并初始化优化算法的学习率。

本实施例MLP神经网络模型训练包括神经网络逆向传播，在训练过程中，使用以均方误差作为模型的损失函数，将模型输出值与实际值进行比较，并计算损失，再以反向传播算法计算损失函数对网络中各个参数的梯度，使用批量梯度下降算法迭代地调整网络参数，最小化损失函数，最终实现MLP神经网络的优化。

模型训练模块30，用于通过设置影响类型标签的影响因素作为输入，对模型建立模块20建立的MLP神经网络模型进行训练，获得训练好的MLP神经网络。

本实施例，根据模型训练需求，对预处理后的数据进行按预设比例进行分类，以获得训练集、验证集和测试集，其中，训练集中数据为设置影响类型标签的数据，验证集和测试集中的数据不设置标签；将所述训练集样本作为输入训练MLP神经网络模型，利用验证集样本评估所述MLP神经网络模型的准确性，进行模型的调参，例如调整学习率、正则化参数等，以达到更好的性能；以准确度、均方误差、模型效率等作为评价指标，使用测试集对训练好的模型进行评估，实现监视所述MLP神经网络模型训练过程中的错误。

预测模块40，用于将待预测的影响因素数据输入至训练好的MLP神经网络，获得预测的编组列车最小安全距离，所述车载控制器根据预测的最小安全间距，并根据车辆当前的运行计划，控制调整与前列车的编组间距。

本实施例装置，从列车制动过程分析了影响列车制动能力的因素，确定列车运行过程中影响虚拟编组列车安全追踪间距的因素，基于构建的数据驱动且预测虚拟编组最小安全追踪间距的MLP模型，通过历史数据不断优化模型，并应用于指导虚拟编组列车追踪间距的动态调整，不仅保证虚拟编组安全运行的前提下，快速预测虚拟编组列车追踪间距，由于神经网络预测使用场景的广泛性，可以帮助信号系统更好地适应不同线路和运行需求，提高运行的灵活性和适应性。

本发明实施例是与上述方法实施例对应的装置实施例，各个模块处理步骤的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。

本发明还提供了一种车载控制器，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中虚拟编组列车追踪间距动态调整方法，且所述车载控制器根据预测的最小安全间距，控制调整与前列车的编组间距。

本发明还提供了一种列控中心，与所述车载控制器通信连接，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中虚拟编组列车追踪间距动态调整方法，获得预测结果并发送至所述车载控制器；

车载控制器根据预测的最小安全间距，控制调整与前列车的编组间距。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，且本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。