本發(fā)明涉及高速鐵路列車運行控制，具體涉及一種高速鐵路列車自主協(xié)同運行控制方法及系統(tǒng)。

背景技術(shù)：

1、部分區(qū)際線路難以滿足客流需求，高鐵日趨飽和、一票難求的現(xiàn)象時有發(fā)生。究其原因，主要是高運營里程和客運量增長不均衡，因此在保障運行安全前提下進(jìn)一步提升區(qū)際運力是高鐵可持續(xù)發(fā)展的迫切需要。高速鐵路系統(tǒng)由運控系統(tǒng)、基礎(chǔ)設(shè)施、移動裝備構(gòu)成，其中，作為大腦和中樞神經(jīng)運控系統(tǒng)是確保列車安全、有序運行的核心，其智能化水平的提高也是提升運力的關(guān)鍵。

2、高鐵運力提升的一個有效途徑就是加大列車的運行密度，這就使現(xiàn)有運控系統(tǒng)面臨兩大挑戰(zhàn)，一個是縮短區(qū)間內(nèi)的列車運行間隔，同時還要提高車站的接發(fā)車能力，對于大客流高鐵區(qū)際線路，行車密度基本已經(jīng)達(dá)到設(shè)計極限。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種高速鐵路列車自主協(xié)同運行控制方法及系統(tǒng)，以解決上述背景技術(shù)中存在的至少一項技術(shù)問題。

2、為了實現(xiàn)上述目的，本發(fā)明采取了如下技術(shù)方案：

3、第一方面，本發(fā)明提供一種高速鐵路列車自主協(xié)同運行控制方法，包括：

4、將卷積神經(jīng)網(wǎng)絡(luò)與注意力機制相結(jié)合，構(gòu)建復(fù)雜運行環(huán)境下高速鐵路自主感知理論模塊；

5、從所述自主感知理論模塊提取數(shù)據(jù)，構(gòu)建協(xié)同條件下高速列車運行控制模型，得到面向狀態(tài)驅(qū)動的高速列車智能自主控制模塊；

6、利用所述智能自主控制模塊，構(gòu)建動力學(xué)列車模型，輸出協(xié)同條件下多車追蹤優(yōu)化方法，得到基于車車通信的多車追蹤間隔優(yōu)化控制模塊；

7、得到多層域列車群博弈模型，獲取基于群體智能的列車群分布式協(xié)同控制模塊，實現(xiàn)列車群分布式協(xié)同運行控制。

8、進(jìn)一步的，所述的將卷積神經(jīng)網(wǎng)絡(luò)與注意力機制相結(jié)合，構(gòu)建復(fù)雜運行環(huán)境下高速鐵路自主感知理論模塊，包括：

9、步驟s1-1：時空信息自感知

10、在空間和時間域中學(xué)習(xí)結(jié)構(gòu)相似性，從單目視頻中進(jìn)行準(zhǔn)確的深度估計；

11、采用結(jié)構(gòu)知識蒸餾方案，將學(xué)到的時空相似性轉(zhuǎn)移到網(wǎng)絡(luò)中；

12、計算相鄰幀和相鄰序列之間的像素級相似性，捕捉短期和長期的時空相似性，制定蒸餾損失訓(xùn)練模型；

13、步驟s1-2：多模態(tài)信息融合

14、用卷積神經(jīng)網(wǎng)絡(luò)提取rgb和深度特征，將特征像素作為圖節(jié)點，采用跨模態(tài)注意力學(xué)習(xí)模塊從深度特征中學(xué)習(xí)全局注意力圖；

15、學(xué)習(xí)單模數(shù)據(jù)中注意力圖，在不迭代的情況下編碼長距離的結(jié)構(gòu)關(guān)聯(lián)；利用學(xué)到的注意力圖譜更新rgb特征，并將結(jié)構(gòu)相關(guān)性與從rgb數(shù)據(jù)中學(xué)習(xí)的外觀信息嵌入其中；

16、步驟s1-3：高鐵運行數(shù)據(jù)安全自免疫

17、加密和認(rèn)證軌旁設(shè)備，利用云計算中的區(qū)塊鏈技術(shù)，在云端和邊緣安全密鑰中心生成密鑰；在系統(tǒng)初始化階段中心服務(wù)器、邊緣服務(wù)器和路邊單位生成公私密鑰對；

18、組內(nèi)協(xié)議階段，給進(jìn)入當(dāng)前路段的高速列車分配動態(tài)密鑰，嵌入列車此時狀態(tài)在區(qū)塊鏈中；

19、跨組間協(xié)議階段，列車進(jìn)行簽名并將狀態(tài)信息嵌入該組區(qū)塊鏈中。

20、進(jìn)一步的，從所述復(fù)雜運行環(huán)境下高速鐵路自主感知理論模塊提取數(shù)據(jù)，構(gòu)建協(xié)同條件下高速列車運行控制模型，得到面向狀態(tài)驅(qū)動的高速列車智能自主控制模塊，包括：

21、步驟s2-1：協(xié)同條件下高速列車運行控制建模

22、獲取列車行駛數(shù)據(jù),構(gòu)建貝葉斯博弈模型的參數(shù)；

23、設(shè)計具有列車損失函數(shù)的貝葉斯博弈模型，獲得修正先驗概率，判別列車的通信狀態(tài)；

24、設(shè)計損失函數(shù)，通信異常時對錯誤的列車位置進(jìn)行修正；

25、步驟s2-2：列車運行主動防護控制

26、采用單粒子動力學(xué)模型建模；

27、設(shè)計含有列車固有屬性和線路條件的約束條件的模型預(yù)測控制器。

28、進(jìn)一步的，所述的利用所述智能自主控制模塊，構(gòu)建動力學(xué)列車模型，輸出協(xié)同條件下多車追蹤優(yōu)化方法，得到基于車車通信的多車追蹤間隔優(yōu)化控制模塊，包括：

29、步驟s3-1：多車追蹤協(xié)同演化

30、獲得全球衛(wèi)星導(dǎo)航系統(tǒng)定位技術(shù)數(shù)據(jù)和軌道電路位置信息，采用單粒子動力學(xué)列車模型，添加高斯白噪聲進(jìn)行擾動構(gòu)建系統(tǒng)檢測方程；

31、步驟s3-2：多車追蹤間隔動態(tài)優(yōu)化

32、建立虛擬編隊中的單個列車的運行阻力模型為r＝c0+c1+c2v2，其中c0和c1為機械摩擦阻力，c2為氣動阻力；構(gòu)建列車群動力學(xué)模型；

33、步驟s3-3：多車追蹤間隔優(yōu)化控制效能評估

34、建立通信字段定義單元，對追蹤運行優(yōu)化控制方法頂層結(jié)構(gòu)進(jìn)行建模，建立參數(shù)化的列車控制策略模型，根據(jù)傳輸字段需要的時間、傳輸成功的概率和變遷觸發(fā)的頻率，采用隨機佩特里網(wǎng)驗證系統(tǒng)的效能與安全性。

35、進(jìn)一步的，所述的利用所述的多車追蹤間隔優(yōu)化控制模塊，得到多層域列車群博弈模型，獲取基于群體智能的列車群分布式協(xié)同控制模塊，包括：

36、提出高速列車群和調(diào)度中心分層方式，建立調(diào)度中心與列車群分層、列車群分區(qū)域框架；

37、建立基于異構(gòu)多智能體的高速列車群分布式博弈模型，建模高速列車群動態(tài)運行模型。

38、第二方面，本發(fā)明提供一種高速鐵路列車自主協(xié)同運行控制系統(tǒng)，包括：

39、第一構(gòu)建模塊，用于將卷積神經(jīng)網(wǎng)絡(luò)與注意力機制相結(jié)合，構(gòu)建復(fù)雜運行環(huán)境下高速鐵路自主感知理論模塊；

40、第二構(gòu)建模塊，用于從所述自主感知理論模塊提取數(shù)據(jù)，構(gòu)建協(xié)同條件下高速列車運行控制模型，得到面向狀態(tài)驅(qū)動的高速列車智能自主控制模塊；

41、第三構(gòu)建模塊，用于利用所述智能自主控制模塊，構(gòu)建動力學(xué)列車模型，輸出協(xié)同條件下多車追蹤優(yōu)化方法，得到基于車車通信的多車追蹤間隔優(yōu)化控制模塊；

42、控制模塊，用于得到多層域列車群博弈模型，獲取基于群體智能的列車群分布式協(xié)同控制模塊，實現(xiàn)列車群分布式協(xié)同運行控制。

43、第三方面，本發(fā)明提供一種非暫態(tài)計算機可讀存儲介質(zhì)，所述非暫態(tài)計算機可讀存儲介質(zhì)用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，實現(xiàn)如第一方面所述的高速鐵路列車自主協(xié)同運行控制方法。

44、第四方面，本發(fā)明提供一種計算機設(shè)備，包括存儲器和處理器，所述處理器和所述存儲器相互通信，所述存儲器存儲有可被所述處理器執(zhí)行的程序指令，所述處理器調(diào)用所述程序指令執(zhí)行如第一方面所述的高速鐵路列車自主協(xié)同運行控制方法。

45、第五方面，本發(fā)明提供一種電子設(shè)備，包括：處理器、存儲器以及計算機程序；其中，處理器與存儲器連接，計算機程序被存儲在存儲器中，當(dāng)電子設(shè)備運行時，所述處理器執(zhí)行所述存儲器存儲的計算機程序，以使電子設(shè)備執(zhí)行實現(xiàn)如第一方面所述的高速鐵路列車自主協(xié)同運行控制方法的指令。

46、本發(fā)明有益效果：利用大數(shù)據(jù)、云計算、人工智能等新一代信息技術(shù)，使高鐵運控系統(tǒng)具有信息自主感知、列車自主決策、多車自主編隊、區(qū)域自主調(diào)整的自主協(xié)同能力，生成基于全局信息的控制調(diào)度多尺度推薦策略和面向狀態(tài)驅(qū)動的運行時主動防護曲線，實現(xiàn)了基于群體智能的分布式控制，有效提升行車安全性和運行效率，最大化提升旅客運輸能力。

47、本發(fā)明附加方面的優(yōu)點，將在下述的描述部分中更加明顯的給出，或通過本發(fā)明的實踐了解到。