[发明专利]一种地铁列车轨迹的实时预测方法

摘要

本发明涉及一种地铁列车轨迹的实时预测方法，包括如下步骤：先根据各个列车的计划运行参数，生成轨道交通网络的拓扑结构图；再基于拓扑结构图，分析列车流的可控性和敏感性；再根据各个列车的计划运行参数，生成多列车无冲突运行轨迹；再在每一采样时刻，基于列车当前的运行状态和历史位置观测序列，对列车未来某时刻的行进位置进行预测。该方法对地铁列车的轨迹预测精度较高。

主权项

1.一种地铁列车轨迹的实时预测方法，其特征在于包括如下步骤：步骤A、根据各个列车的计划运行参数，生成轨道交通网络的拓扑结构图；步骤B、基于步骤A所构建的轨道交通网络的拓扑结构图，分析列车流的可控性和敏感性二类特性；步骤C、根据各个列车的计划运行参数，在构建列车动力学模型的基础上，依据列车运行冲突耦合点建立列车运行冲突预调配模型，生成多列车无冲突运行轨迹；步骤D、在每一采样时刻t，基于列车当前的运行状态和历史位置观测序列，对列车未来某时刻的行进位置进行预测；其具体过程如下：步骤D1、列车轨迹数据预处理，以列车在起始站的停靠位置为坐标原点，在每一采样时刻，依据所获取的列车原始离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]，采用一阶差分方法对其进行处理获取新的列车离散位置序列△x＝[△x1,△x2,...,△xn‑1]和△y＝[△y1,△y2,...,△yn‑1],其中△xi＝xi+1‑xi,△yi＝yi+1‑yi(i＝1,2,...,n‑1)；步骤D2、对列车轨迹数据聚类，对处理后新的列车离散二维位置序列△x和△y，通过设定聚类个数M'，采用K‑means聚类算法分别对其进行聚类；步骤D3、对聚类后的列车轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的列车运行轨迹数据△x和△y视为隐马尔科夫过程的显观测值，通过设定隐状态数目N'和参数更新时段τ'，依据最近的T'个位置观测值并采用B‑W算法滚动获取最新隐马尔科夫模型参数λ'；具体来讲：由于所获得的列车轨迹序列数据长度是动态变化的，为了实时跟踪列车轨迹的状态变化，有必要在初始轨迹隐马尔科夫模型参数λ'＝(π,A,B)的基础上对其重新调整，以便更精确地推测列车在未来某时刻的位置；每隔时段τ'，依据最新获得的T'个观测值(o1,o2,...,oT')对轨迹隐马尔科夫模型参数λ'＝(π,A,B)进行重新估计；步骤D4、依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态q；步骤D5、每隔时段根据最新获得的隐马尔科夫模型参数λ'＝(π,A,B)和最近H个历史观测值(o₁,o₂,...,o_H)，基于列车当前时刻的隐状态q，在时刻t，通过设定预测时域h'，获取未来时段列车的位置预测值O，从而在每一采样时刻滚动推测到未来时段内地铁列车的轨迹。