数据驱动的轨道交通列车速度预测控制方法

本发明属于轨道交通列车自动控制，尤其涉及数据驱动的轨道交通列车速度预测控制方法。

背景技术：

1、城轨列车作为缓解城市拥堵的关键手段，因其高载客量、舒适性和安全性备受关注。然而，目前我国主要依赖的人工驾驶模式受限于司机经验，可能导致运行速度控制不当。为解决这一问题，列车自动驾驶（automatic train operation,ato）系统应运而生。该系统能在无司机干预的情况下，根据列车运行状况实时调节牵引力和制动力，精确追踪目标速度曲线，确保列车准时高效运行。相较于人工驾驶中可能出现的晚点、舒适度低和能耗高问题，ato系统通过自动调整运行策略，优化了列车性能，提升了高效性与安全性，为城市轨道交通发展注入了新动力。

2、传统的ato系统多依赖于机理模型进行控制。这些模型建立在物理原理和数学公式的基础之上，通过设定固定的参数来描绘列车的运行状态。然而，在现实中，地铁列车面临着复杂多变的运行环境。不同的路段坡度、曲率以及信号状态等因素都会对列车的运行产生干扰。由于机理模型的参数是固定的，它们难以准确反映列车在复杂环境下的状态变化，从而导致控制精度下降，甚至可能引发安全事故。

3、此外，列车在长期的运行过程中，其动力学参数也可能发生变化。例如，牵引/制动特性曲线、摩擦闸瓦系数以及轮径等参数，这些参数是列车运行的关键指标，直接关系到列车的动力学性能。然而，由于磨损、老化等原因，这些参数可能会逐渐偏离初始设定值，导致模型精度下降，进一步影响自动驾驶系统的性能。

4、为了克服传统机理模型的局限性，研究者们开始探索基于数据驱动的列车速度追踪控制模型。通过收集列车运行数据，利用机器学习算法对数据进行深度挖掘和分析，从而实现对列车运行状态的精准预测和控制。然而，现有的数据驱动模型大多采用“黑盒”机制，即通过一系列复杂的计算过程来拟合训练集数据，缺乏对输入输出变量间关系的明确解释。这使得在实际应用中难以设计高效的控制算法，也难以保证系统的安全性和稳定性。

技术实现思路

1、本发明的目的在于提供一种数据驱动的轨道交通列车速度预测控制方法，有效解决当前采用“黑盒”机制的数据驱动模型在实际应用中难以设计高效的控制算法以及难以保证系统的安全性和稳定性的问题。

2、为解决上述技术问题，本发明采用的技术方案是：一种数据驱动的轨道交通列车速度预测控制方法，包括以下步骤：s1、数据收集与预处理：采集列车自动驾驶系统实际输出的包括但不限于速度信息和牵引制动力对应的指令百分比数据，并进行数据预处理和归一化处理，清洗数据、去除噪声和冗余信息，获取全面表征列车非线性动力学信息的数据集。

3、s2、建立列车的高维线性动力学模型：选择列车速度作为列车的状态量，利用深度神经网络从数据集中学习动态系统的特征，并将所述特征作为扩展动力学模式分解方法的输入，用于训练列车的koopman算子模型，使用从数据集中获得的列车运行数据，训练koopman算子模型，通过训练koopman算子模型，得到列车的高维线性动力学模型。

4、s3、对列车的高维线性动力学模型进行模型选择和参数调优，建立列车高维全局线性化模型。

5、s4、设计基于列车高维全局线性化模型的速度追踪模型预测控制器，基于列车高维全局线性化模型和高维线性扩展动力学模式分解空间中的状态变量来进行不断地滚动优化，学习得到列车系统当前时刻的近似最优预测控制序列，根据当前时刻的近似最优预测控制序列得到列车的实际控制律。

6、s5、将当前时刻的实际控制律应用于列车系统以更新列车，得到列车下一时刻的状态量，然后对所述状态量进行映射处理以将所述状态量更新至高维线性空间中的状态变量后重复步骤s4-s5。

7、进一步地，在步骤s2中，列车高维线性动力学模型为：，其中，是状态转移矩阵，是控制输入矩阵，是由权重参数化的编码器，是由权重参数化的解码器，是的估计值，表示列车第时刻的状态，表示列车第时刻的控制输入，表示列车在时刻的状态。

8、进一步地，在步骤s4中，速度追踪模型预测控制器展示了利用列车高维全局线性化模型实现地铁列车速度跟踪的方法，首先，通过将输入视为扩展状态来获得扩展学习的模型，，其中，表示当前和前一个控制输入之间的差异，其中，，且，其中根据在任何时间进行初始化，和分别表示阶的单元矩阵和零矩阵，表示控制输入的维度，表示高维空间的维度。

9、速度追踪模型预测控制器的目标是根据目标速度的动态变化在每个时间步计算最优控制序列，从而实现最佳的列车性能，目标速度表示为，通过使用提升观测函数来推导目标速度实现。

10、为保证有效的跟踪性能，原始状态被视为扩展状态空间中的一个具体对象，因此，对于给定时间的优化任务表达如下：，，，其中，表示优化函数，表示第时刻的实际速度，表示第时刻的目标速度，表示预测的时域长度，表示控制的时域长度，和用于惩罚跟踪误差和控制输入变化，其中是松弛变量的惩罚参数，此外，表示所有元素都为1的向量，将设置为大于或等于，并假设对于所有时间步，当时，控制增量= 0，此外，、、和分别表示控制输入及控制增量的最小和最大边界。

11、定义矩阵，，其中，，，，，，，表示预测步长，、、和是用于求解优化函数的中间变量，表示高维的改进后的优化函数。

12、因此，对于给定时间的优化任务转化为：（5），，，，给定，，以及，此处，表示用于控制矩阵稀疏的矩阵，表示序列，，；在时间，向量表示公式（5）的最优解，系统应用的控制是，松弛变量表示允许的误差阈值，表示构造对角矩阵，表示最优控制量。

13、与现有技术相比，本发明的有益技术效果是：（1）精准的速度跟踪：深度学习与koopman算子相结合的方法能够更准确地跟踪地铁列车的速度变化。传统的速度跟踪方法往往受限于二阶状态空间方程对列车动力学的描述不够，而本发明可以更好地处理历史数据和列车非线性动态系统，从而实现更精准的速度预测和跟踪。

14、（2）提高地铁运行效率：精准的速度跟踪可以帮助地铁运营人员更好地掌握列车的运行状态，及时调整列车速度，以最大程度地减少行车间隔和提高运行效率。这将有助于缓解交通拥堵，提升城市交通系统的整体运行效率。

15、（3）增强安全性：通过实时监测列车速度并及时发现异常情况，可以有效预防事故的发生。精准的速度跟踪可以帮助运营人员更及时地识别和处理潜在的安全风险，保障乘客和工作人员的安全。

16、（4）降低能源消耗：精准的速度控制可以减少地铁列车在运行过程中的能源消耗。通过优化速度控制策略，可以降低列车的能耗，并减少对环境的影响，有助于可持续城市发展和减少碳排放。

17、综上，本发明将为城市交通管理和运输系统带来诸多好处，包括提高运行效率、增强安全性、降低能源消耗、优化运行调度等，对城市可持续发展和智能交通建设具有重要意义。

技术特征：

1.一种数据驱动的轨道交通列车速度预测控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的数据驱动的轨道交通列车速度预测控制方法，其特征在于，在步骤s2中，列车高维线性动力学模型为：，其中，是状态转移矩阵，是控制输入矩阵，是由权重参数化的编码器，是由权重参数化的解码器，是的估计值，表示列车第时刻的状态，表示列车第时刻的控制输入，表示列车在时刻的状态。

3.根据权利要求2所述的数据驱动的轨道交通列车速度预测控制方法，其特征在于，在步骤s4中，速度追踪模型预测控制器展示了利用列车高维全局线性化模型实现地铁列车速度跟踪的方法，首先，通过将输入视为扩展状态来获得扩展学习的模型，，其中，表示当前和前一个控制输入之间的差异，其中，，且，其中根据在任何时间进行初始化，和分别表示阶的单元矩阵和零矩阵，表示控制输入的维度，表示高维空间的维度；

技术总结本发明属于轨道交通列车自动控制技术领域，具体公开数据驱动的轨道交通列车速度预测控制方法。用于解决当前采用黑盒机制的数据驱动模型在实际应用中难以设计高效的控制算法的问题。包括：建立数据集；利用深度神经网络从数据集中学习动态系统的特征，并将其作为扩展动力学模式分解方法的输入，使用从数据集中获得的列车运行数据，训练Koopman算子模型，得到列车的高维线性动力学模型；对模型进行模型选择和参数调优，建立列车高维全局线性化模型；设计基于列车高维全局线性化模型的速度追踪模型预测控制器。本发明有利于提高运行效率、增强安全性、降低能源消耗和优化运行调度，对智能交通建设具有重要意义。技术研发人员：董海荣,白卫齐,连文博,张子轩,刘岭受保护的技术使用者：山东科技大学技术研发日：技术公布日：2024/9/9