[发明专利]一种地铁冲突预警方法

摘要

本发明涉及一种地铁冲突预警方法，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，然后建立从列车的连续动态到离散冲突逻辑的观测器，将连续动态映射为离散观测值表达的冲突状态；当系统有可能违反交通管制规则时，对地铁交通混杂系统的混杂动态行为实施监控，为控制中心提供告警信息。本发明滚动实时对地铁列车轨迹进行预测，有效预警列车冲突，提高地铁交通的安全性。

主权项

一种地铁冲突预警方法，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B的具体过程如下：步骤Bl、构建单一子段上的交通流控制模型；其具体过程如下：步骤Bl.1、引入状态变量Ψ、输入变量u和输出变量Ω，其中Ψ表示站点间相连路段上某时刻存在的列车数量，它包括单路段和多路段两种类型，u表示轨道交通调度员针对某路段所实施的调度措施，如调整列车速度或更改列车的在站时间等，Ω表示某时段路段上离开的列车数量；步骤B1.2、通过将时间离散化，建立形如Ψ(t+△t)＝A1Ψ(t)+B1u(t)和Ω(t)＝C1Ψ(t)+D1u(t)的单一子段上的离散时间交通流控制模型,其中△t表示采样间隔，Ψ(t)表示t时刻的状态向量，A1、B1、C1和D1分别表示t时刻的状态转移矩阵、输入矩阵、输出测量矩阵和直接传输矩阵；步骤B2、构建多子段上的交通流控制模型；其具体过程如下：步骤B2.1、根据线路空间布局形式和列车流量历史统计数据，获取交叉线路各子段上的流量比例参数β；步骤B2.2、根据流量比例参数和单一子段上的离散时间交通流控制模型，构建形如Ψ(t+△t)＝A1Ψ(t)+B1u(t)和Ω(t)＝C1Ψ(t)+D1u(t)的多子段上的离散时间交通流控制模型；步骤B3、根据控制模型的可控系数矩阵[B1,A1B1,...,A1n‑1B1]的秩与数值n的关系，定性分析其可控性，根据控制模型的敏感系数矩阵[C1(zI‑A1)‑1B1+D1]，定量分析其输入输出敏感性，其中n表示状态向量的维数，I表示单位矩阵，z表示对原始离散时间交通流控制模型进行转换的基本因子；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,...,oH)，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；步骤E、建立从列车的连续动态到离散冲突逻辑的观测器，将地铁交通系统的连续动态映射为离散观测值表达的冲突状态；当系统有可能违反交通管制规则时，对地铁交通混杂系统的混杂动态行为实施监控，为地铁交通控制中心提供及时的告警信息。