本發(fā)明屬于軌道交通列車自動控制，尤其涉及數(shù)據(jù)驅(qū)動的軌道交通列車速度預測控制方法。

背景技術(shù)：

1、城軌列車作為緩解城市擁堵的關(guān)鍵手段，因其高載客量、舒適性和安全性備受關(guān)注。然而，目前我國主要依賴的人工駕駛模式受限于司機經(jīng)驗，可能導致運行速度控制不當。為解決這一問題，列車自動駕駛（automatic?train?operation,ato）系統(tǒng)應運而生。該系統(tǒng)能在無司機干預的情況下，根據(jù)列車運行狀況實時調(diào)節(jié)牽引力和制動力，精確追蹤目標速度曲線，確保列車準時高效運行。相較于人工駕駛中可能出現(xiàn)的晚點、舒適度低和能耗高問題，ato系統(tǒng)通過自動調(diào)整運行策略，優(yōu)化了列車性能，提升了高效性與安全性，為城市軌道交通發(fā)展注入了新動力。

2、傳統(tǒng)的ato系統(tǒng)多依賴于機理模型進行控制。這些模型建立在物理原理和數(shù)學公式的基礎之上，通過設定固定的參數(shù)來描繪列車的運行狀態(tài)。然而，在現(xiàn)實中，地鐵列車面臨著復雜多變的運行環(huán)境。不同的路段坡度、曲率以及信號狀態(tài)等因素都會對列車的運行產(chǎn)生干擾。由于機理模型的參數(shù)是固定的，它們難以準確反映列車在復雜環(huán)境下的狀態(tài)變化，從而導致控制精度下降，甚至可能引發(fā)安全事故。

3、此外，列車在長期的運行過程中，其動力學參數(shù)也可能發(fā)生變化。例如，牽引/制動特性曲線、摩擦閘瓦系數(shù)以及輪徑等參數(shù)，這些參數(shù)是列車運行的關(guān)鍵指標，直接關(guān)系到列車的動力學性能。然而，由于磨損、老化等原因，這些參數(shù)可能會逐漸偏離初始設定值，導致模型精度下降，進一步影響自動駕駛系統(tǒng)的性能。

4、為了克服傳統(tǒng)機理模型的局限性，研究者們開始探索基于數(shù)據(jù)驅(qū)動的列車速度追蹤控制模型。通過收集列車運行數(shù)據(jù)，利用機器學習算法對數(shù)據(jù)進行深度挖掘和分析，從而實現(xiàn)對列車運行狀態(tài)的精準預測和控制。然而，現(xiàn)有的數(shù)據(jù)驅(qū)動模型大多采用“黑盒”機制，即通過一系列復雜的計算過程來擬合訓練集數(shù)據(jù)，缺乏對輸入輸出變量間關(guān)系的明確解釋。這使得在實際應用中難以設計高效的控制算法，也難以保證系統(tǒng)的安全性和穩(wěn)定性。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種數(shù)據(jù)驅(qū)動的軌道交通列車速度預測控制方法，有效解決當前采用“黑盒”機制的數(shù)據(jù)驅(qū)動模型在實際應用中難以設計高效的控制算法以及難以保證系統(tǒng)的安全性和穩(wěn)定性的問題。

2、為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：一種數(shù)據(jù)驅(qū)動的軌道交通列車速度預測控制方法，包括以下步驟：s1、數(shù)據(jù)收集與預處理：采集列車自動駕駛系統(tǒng)實際輸出的包括但不限于速度信息和牽引制動力對應的指令百分比數(shù)據(jù)，并進行數(shù)據(jù)預處理和歸一化處理，清洗數(shù)據(jù)、去除噪聲和冗余信息，獲取全面表征列車非線性動力學信息的數(shù)據(jù)集。

3、s2、建立列車的高維線性動力學模型：選擇列車速度作為列車的狀態(tài)量，利用深度神經(jīng)網(wǎng)絡從數(shù)據(jù)集中學習動態(tài)系統(tǒng)的特征，并將所述特征作為擴展動力學模式分解方法的輸入，用于訓練列車的koopman算子模型，使用從數(shù)據(jù)集中獲得的列車運行數(shù)據(jù)，訓練koopman算子模型，通過訓練koopman算子模型，得到列車的高維線性動力學模型。

4、s3、對列車的高維線性動力學模型進行模型選擇和參數(shù)調(diào)優(yōu)，建立列車高維全局線性化模型。

5、s4、設計基于列車高維全局線性化模型的速度追蹤模型預測控制器，基于列車高維全局線性化模型和高維線性擴展動力學模式分解空間中的狀態(tài)變量來進行不斷地滾動優(yōu)化，學習得到列車系統(tǒng)當前時刻的近似最優(yōu)預測控制序列，根據(jù)當前時刻的近似最優(yōu)預測控制序列得到列車的實際控制律。

6、s5、將當前時刻的實際控制律應用于列車系統(tǒng)以更新列車，得到列車下一時刻的狀態(tài)量，然后對所述狀態(tài)量進行映射處理以將所述狀態(tài)量更新至高維線性空間中的狀態(tài)變量后重復步驟s4-s5。

7、進一步地，在步驟s2中，列車高維線性動力學模型為：，其中，是狀態(tài)轉(zhuǎn)移矩陣，是控制輸入矩陣，是由權(quán)重參數(shù)化的編碼器，是由權(quán)重參數(shù)化的解碼器，是的估計值，表示列車第時刻的狀態(tài)，表示列車第時刻的控制輸入，表示列車在時刻的狀態(tài)。

8、進一步地，在步驟s4中，速度追蹤模型預測控制器展示了利用列車高維全局線性化模型實現(xiàn)地鐵列車速度跟蹤的方法，首先，通過將輸入視為擴展狀態(tài)來獲得擴展學習的模型，，其中，表示當前和前一個控制輸入之間的差異，其中，，且，其中根據(jù)在任何時間進行初始化，和分別表示階的單元矩陣和零矩陣，表示控制輸入的維度，表示高維空間的維度。

9、速度追蹤模型預測控制器的目標是根據(jù)目標速度的動態(tài)變化在每個時間步計算最優(yōu)控制序列，從而實現(xiàn)最佳的列車性能，目標速度表示為，通過使用提升觀測函數(shù)來推導目標速度實現(xiàn)。

10、為保證有效的跟蹤性能，原始狀態(tài)被視為擴展狀態(tài)空間中的一個具體對象，因此，對于給定時間的優(yōu)化任務表達如下：，，，其中，表示優(yōu)化函數(shù)，表示第時刻的實際速度，表示第時刻的目標速度，表示預測的時域長度，表示控制的時域長度，和用于懲罰跟蹤誤差和控制輸入變化，其中是松弛變量的懲罰參數(shù)，此外，表示所有元素都為1的向量，將設置為大于或等于，并假設對于所有時間步，當時，控制增量=?0，此外，、、和分別表示控制輸入及控制增量的最小和最大邊界。

11、定義矩陣，，其中，，，，，，，表示預測步長，、、和是用于求解優(yōu)化函數(shù)的中間變量，表示高維的改進后的優(yōu)化函數(shù)。

12、因此，對于給定時間的優(yōu)化任務轉(zhuǎn)化為：（5），，，，給定，，以及，此處，表示用于控制矩陣稀疏的矩陣，表示序列，，；在時間，向量表示公式（5）的最優(yōu)解，系統(tǒng)應用的控制是，松弛變量表示允許的誤差閾值，表示構(gòu)造對角矩陣，表示最優(yōu)控制量。

13、與現(xiàn)有技術(shù)相比，本發(fā)明的有益技術(shù)效果是：（1）精準的速度跟蹤：深度學習與koopman算子相結(jié)合的方法能夠更準確地跟蹤地鐵列車的速度變化。傳統(tǒng)的速度跟蹤方法往往受限于二階狀態(tài)空間方程對列車動力學的描述不夠，而本發(fā)明可以更好地處理歷史數(shù)據(jù)和列車非線性動態(tài)系統(tǒng)，從而實現(xiàn)更精準的速度預測和跟蹤。

14、（2）提高地鐵運行效率：精準的速度跟蹤可以幫助地鐵運營人員更好地掌握列車的運行狀態(tài)，及時調(diào)整列車速度，以最大程度地減少行車間隔和提高運行效率。這將有助于緩解交通擁堵，提升城市交通系統(tǒng)的整體運行效率。

15、（3）增強安全性：通過實時監(jiān)測列車速度并及時發(fā)現(xiàn)異常情況，可以有效預防事故的發(fā)生。精準的速度跟蹤可以幫助運營人員更及時地識別和處理潛在的安全風險，保障乘客和工作人員的安全。

16、（4）降低能源消耗：精準的速度控制可以減少地鐵列車在運行過程中的能源消耗。通過優(yōu)化速度控制策略，可以降低列車的能耗，并減少對環(huán)境的影響，有助于可持續(xù)城市發(fā)展和減少碳排放。

17、綜上，本發(fā)明將為城市交通管理和運輸系統(tǒng)帶來諸多好處，包括提高運行效率、增強安全性、降低能源消耗、優(yōu)化運行調(diào)度等，對城市可持續(xù)發(fā)展和智能交通建設具有重要意義。

技術(shù)特征：

1.一種數(shù)據(jù)驅(qū)動的軌道交通列車速度預測控制方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的數(shù)據(jù)驅(qū)動的軌道交通列車速度預測控制方法，其特征在于，在步驟s2中，列車高維線性動力學模型為：，其中，是狀態(tài)轉(zhuǎn)移矩陣，是控制輸入矩陣，是由權(quán)重參數(shù)化的編碼器，是由權(quán)重參數(shù)化的解碼器，是的估計值，表示列車第時刻的狀態(tài)，表示列車第時刻的控制輸入，表示列車在時刻的狀態(tài)。

3.根據(jù)權(quán)利要求2所述的數(shù)據(jù)驅(qū)動的軌道交通列車速度預測控制方法，其特征在于，在步驟s4中，速度追蹤模型預測控制器展示了利用列車高維全局線性化模型實現(xiàn)地鐵列車速度跟蹤的方法，首先，通過將輸入視為擴展狀態(tài)來獲得擴展學習的模型，，其中，表示當前和前一個控制輸入之間的差異，其中，，且，其中根據(jù)在任何時間進行初始化，和分別表示階的單元矩陣和零矩陣，表示控制輸入的維度，表示高維空間的維度；

技術(shù)總結(jié)
本發(fā)明屬于軌道交通列車自動控制技術(shù)領域，具體公開數(shù)據(jù)驅(qū)動的軌道交通列車速度預測控制方法。用于解決當前采用黑盒機制的數(shù)據(jù)驅(qū)動模型在實際應用中難以設計高效的控制算法的問題。包括：建立數(shù)據(jù)集；利用深度神經(jīng)網(wǎng)絡從數(shù)據(jù)集中學習動態(tài)系統(tǒng)的特征，并將其作為擴展動力學模式分解方法的輸入，使用從數(shù)據(jù)集中獲得的列車運行數(shù)據(jù)，訓練Koopman算子模型，得到列車的高維線性動力學模型；對模型進行模型選擇和參數(shù)調(diào)優(yōu)，建立列車高維全局線性化模型；設計基于列車高維全局線性化模型的速度追蹤模型預測控制器。本發(fā)明有利于提高運行效率、增強安全性、降低能源消耗和優(yōu)化運行調(diào)度，對智能交通建設具有重要意義。

技術(shù)研發(fā)人員：董海榮,白衛(wèi)齊,連文博,張子軒,劉嶺
受保護的技術(shù)使用者：山東科技大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/9