一种虚拟编组列车追踪间距预测及动态调整方法及装置与流程

本发明涉及列车运行分析控制，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：

1、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。

2、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。

技术实现思路

1、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。

2、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：

3、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；

4、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；

5、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。

6、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，

7、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；

8、根据影响权重确定影响各关联因素的影响因子。

9、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，

10、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；

11、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；

12、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；

13、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。

14、进一步的，所述mlp神经网络模型的构建包括步骤：

15、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；

16、设定模型的激活函数为sigmoid函数；

17、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；

18、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。

19、进一步的，还包括步骤，

20、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；

21、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。

22、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：

23、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；

24、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；

25、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；

26、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。

27、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；

28、模型的激活函数为sigmoid函数；

29、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；

30、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。

31、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。

32、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。

33、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；

34、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。

35、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。

技术特征：

1.一种虚拟编组列车追踪间距动态调整方法，其特征在于，包括步骤：

2.如权利要求1所述的虚拟编组列车追踪间距动态调整方法，其特征在于，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，

3.如权利要求1或2所述的虚拟编组列车追踪间距动态调整方法，其特征在于，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，

4.如权利要求1所述的虚拟编组列车追踪间距动态调整方法，其特征在于，所述mlp神经网络模型的构建包括步骤：

5.如权利要求1所述的虚拟编组列车追踪间距动态调整方法，其特征在于，还包括步骤，

6.一种虚拟编组列车追踪间距动态调整装置，其特征在于，包括：

7.如权利要求6所述的虚拟编组列车追踪间距动态调整装置，其特征在于，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；

8.如权利要求6所述的虚拟编组列车追踪间距动态调整装置，其特征在于，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。

9.一种车载控制器，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5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。

10.一种列控中心，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5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；

技术总结本说明书实施例提供了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，该方法包括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。本发明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，提高运行的灵活性和适应性。技术研发人员：蒋子才,张蕾,郜春海,王伟,宋亚京,吴梦委受保护的技术使用者：交控科技股份有限公司技术研发日：技术公布日：2024/1/15