基于Weibull分布和SVR的城轨列车自动进站停车精度预测方法

通过分析城轨列车自动停车精度分布变化,研究停车精度预测问题,提出一种基于支持向量回归的列车自动进站停车精度预测方法。对停车精度数据进行分期预处理,进而采用Weibull分布拟合各期数据,由此得到两个分布参数的时间序列,通过支持向量回归算法对参数序列构建预测模型,实现对进站停车精度分布预测。采用北京地铁某条线一列车的自动进站停车数据对提出的模型进行仿真验证,结果表明预测分布与真实分布相似性均值可达0.953 3,验证了提出的预测方法的有效性,为城轨列车自动进站停车精度变化提供了一种科学、高效的预测方法。     

天津地铁2号线列车ATO模式下精确停车的实现

随着我国城市轨道交通的迅速发展,很多城市的城轨都采用了列车自动驾驶ATO模式来保证高效运行,这就对列车进站停车的精确性提出了更高的要求。本文根据天津地铁2号线ATO系统的停车控制原理及列车实际运行状况,分析了影响列车停车精度的因素,提出了提高测量列车速度和列车定位的的准确性及改进软件算法等措施,以保证列车进站停车精度在标准之内,从而确保列车运行安全的可靠性。     

城轨列车自适应精确停车控制算法研究

停车精度是衡量列车自动驾驶控制性能的重要指标。本文根据城轨列车的制动模型设计自适应控制器,对列车进行精确停车控制。此控制器可以针对模型参数未知和由于设备老化或环境所造成列车制动模型参数变化的情况进行自适应调整,使列车可以精确跟踪理想停车曲线,达到既定的停车要求。理论分析和仿真结果验证了所提出的自适应算法的有效性。     

基于自适应滑模控制的城际列车精确停车方法研究

停车精度是衡量列车自动驾驶控制性能的重要指标。针对城际轨道列车精确停车的需求，分析列车自动停车过程、列车动力学模型以及制动模型，在此基础上提出采用自适应滑模控制器来提高停车精度和列车运行舒适性；应用滑模控制原理设计列车停车控制算法，并对滑模控制中的趋近律增益进行自适应调节，以提高系统响应速度及改善稳态精度。仿真结果表明，基于自适应滑模控制的停车算法表现出良好的鲁棒性和自适应性，该控制器使列车能够精确地跟踪停车目标曲线，并改善列车的停车精度和运行舒适性。     

基于统计学模型的CBTC系统ATO停车精度自适应优化算法

城轨CBTC系统运营对列车停车精度具有较高要求,其中ATO精确停车是系统的重要功能。而外部干扰造成的不确定性和系统延时是影响停车精度的重要因素。提出一种基于统计学模型的自适应优化算法,对停车精度的概率分布曲线进行拟合,而后采用二元马尔可夫模型优化ATO精确停车模型。通过3种不同类型情景的优化模型获得相应的停车精度数据,以期望和方差作为对比指标,结果表明优化模型对ATO停车精度有一定改善,获得较为理想的停车精度。     

城轨列车在车站停车误差估计模型与在线学习算法的研究

根据城轨列车制动特性,对列车运动方程做2项简化。一是忽略空气阻力和坡度的影响;二是分别假设制动力传递有延时及减速度不变或减速度是初始速度的线性函数。由此推导出2个简化的列车停车误差估计模型和模型参数之间的线性关系函数式,并给出模型参数在线学习算法,以克服停车过程中的各种非线性因素的影响,提高停车精度。根据统计学原理,采用5个评价指标对模型的性能进行评价,采用停车误差估计判断停车精度是否满足停车可靠性的要求。利用实测停车数据对模型和在线学习算法进行验证和比较。结果表明:提出的简化模型和在线学习算法,能有效降低停车误差,并纠正误差分布的有偏性;停车误差在大于99.5%的情况下满足30cm停车精度的可靠性要求;模型1的效果比模型2略好。     

基于支持向量回归的地铁进站客流短时预测模型

基于准确的未来客流信息对地铁运营的重要性,研究客流预测的方法。选取支持向量机应用领域的一大分支——支持向量回归的方法对地铁进站客流进行短时预测,使用一种改进的粒子群算法进行参数寻优,从而构建客流预测模型。提出的模型以日期类型和所处时刻作为输入,可以提前预测未来一周的每15 min的客流。采取平均绝对百分比误差和均方根误差对模型的预测结果进行评估。使用广州杨箕车站进站客流数据进行实验,通过交叉验证确定验证参数选取的合理性,并将该模型与BP神经网络、KNN算法进行比较,实验表明模型预测结果的精度更高,稳定性更好。     

南宁地铁1号线列车自动运行模式下列车停车精度优化设计

以南宁地铁1号线ATO(列车自动运行)模式下列车停车精度为研究对象,以停车精度的统计数据为依据,通过对ATO制动力和电空制动配合两个方面进行分析,找出了停车精度不准的根本原因。进行了ATO模式停车精度的优化设计,并在实际运营线路上进行了测试验证。测试结果表明,南宁地铁1号线ATO模式下列车停车精度的优化设计方案可行,列车停车精度得到了较大的提高。     

制动性能对标准地铁自动停车精度影响研究

自动驾驶模式下城轨列车停车时的冲欠标问题一直困扰着很多城轨交通用户，为提高系列化标准地铁列车自动驾驶模式下的停车精度，从影响车辆制动性能的电制动力、电空配合、空气制动预压力控制、空气制动力、闸瓦、闸片以及轮轨黏着等方面进行分析，结合既有线路列车实际运营测量数据，验证电制动力发挥精度、电空配合参数、空气预压力大小、闸瓦闸片摩擦因数与表面状态以及轮轨表面状态都会不同程度地影响列车停车精度，通过试验调试与线路验证，给出提高系列化标准地铁列车自动停车精度的制动性能优化建议。     

基于遗传算法列车自动运行速度曲线的优化

本文探讨了列车自动运行系统(ATO,Automatic Train Operation)中的列车自动运行速度曲线的优化问题.根据ATO控制指标的要求,建立了包含速度防护、舒适度、节能、精确停车等多个目标的列车运行控制模型;采用遗传算法对列车自动运行控制策略进行优化,验证和仿真了优化后的速度曲线,直观反映了列车自动运行的安全性,舒适性,高效性和停车精度等性能提高情况.     

城市轨道交通自动售检票系统实时进站客流量异常检测

阈值范围的合理设定,对AFC(自动售检票)系统实时进站客流量数据的有效性检测至关重要。采用改进的小数据量法计算历史进站客流数据时间序列的Lyapunov指数,验证该序列的混沌特性;利用C_C方法确定混沌时间序列的时间延迟和最佳嵌入维数,对原时间序列进行相空间重构,确定模型训练测试样本集;采用大范围网格搜索方法优化混沌支持向量机回归模型参数,利用优化后的模型预测各时段的进站客流量;利用训练样本集中各时段进站客流量预测残差序列的分布特性,确定在某一置信度下各时段进站客流量预测残差的置信区间,从而确定未来时段的进站客流量异常检测的阈值上限和阈值下限。试验结果表明,该方法有效地增强了系统对于AFC系统实时进站客流量数据有效性检测的能力。     

基于集成学习模型的城市轨道交通车载数据分析与列车停车误差预测

提出了一种基于Stacking策略的集成学习模型算法。通过基础模型算法评估阶段和基础模型算法集成阶段,成功选出K个基础模型,并基于模型集成策略完成了模型的集成工作,最终得到了基于Stacking策略的集成预测模型。基于实际案例,使用该集成模型对列车停车误差进行预测,并对预测结果进行验证。验证结果显示,基于Stacking策略的集成学习算法模型的训练效率高、预测精度高,与其他传统模型相比具有较强优势。     

基于可拓学的列车自动驾驶算法研究

以可拓学理论为基础研究列车自动驾驶算法,该算法兼顾了列车运行的安全性、舒适性、节能性、停车精度等性能指标.通过对列车自动驾驶优化操作策略进行分析,建立了评价列车运行过程的物元模型,确定关联度函数对各性能指标进行量化,利用层次分析法得到性能指标的权重,在此基础上用可拓学中的优度评价法以滚动优化的方式实现得到优化策略.本文将可拓学应用于列车自动驾驶,该方法不需要建立精确的数学模型,为研究列车自动驾驶算法提供了一个新的方向.     

基于SSA-SVR模型的城市轨道交通短时进站客流预测

针对现有城市轨道交通短时客流量预测单一模型可能存在预测不稳定的问题,提出一种基于奇异谱分析(singular spectrum analysis,SSA)和支持向量回归(SVR)相组合的预测模型。该组合模型利用奇异谱分析(SSA)将轨道交通原始时间序列客流数据进行分解和重构,对重构后的时间序列按奇异值从大到小进行排序,得到含有原始时间序列数据主要信息成分的重构序列,将重构后的时间序列作为支持向量回归模型(SVR)的输入条件,最后进行各站点的短时进站客流预测。采集2015年11月北京市全网的城市轨道交通进站客流数据,对提出的短时客流预测模型进行验证和对比分析。结果表明,组合模型预测精度相比ARIMA、SVR、CNN-LSTM和T-GCN模型具有更高的预测精度和更稳定的预测表现,具有一定的实际意义。     

基于自抗扰控制的地铁列车驾驶控制算法

基于PID算法或基于模糊PID算法的地铁列车ATO驾驶控制算法的速度响应误差大,加减速切换频繁,从而导致旅客舒适度一般,列车停车精度不高,列车能耗略高和运行时间存在一定误差的问题。搭建地铁列车模型,结合北京地铁亦庄线线路数据,通过仿真实验对比基于PID算法,基于模糊PID算法,基于专家系统,基于ADRC算法的地铁列车ATO驾驶控制算法的控制效果,并在实验中运用改进的粒子群算法对ADRC算法的参数进行快速整定。仿真结果表明:基于ADRC算法的地铁列车ATO驾驶控制算法的控制效果优于基于PID算法和基于模糊PID算法的地铁列车ATO驾驶控制算法,其控制效果和经验丰富的司机驾驶基本相当,可以有效提高旅客舒适度、列车停车精度,减小列车能耗、运行时间误差。     

基于LSTM神经网络的地铁变压器绕组温度预测

传统的地铁状态监测系统仅能反映变压器绕组当前的温度状态及其历史温度趋势,当绕组温度超过阈值时系统报警,但不能对绕组未来的温度变化进行预测。绕组温度受设备运行功率和环境温度等多重因素影响,其变化呈现非线性和周期性,传统预测方法精度难以提升。本文基于长短期记忆网络(long short-term memory,LSTM)算法预测变压器绕组温度,选取绕组温度、环境温度、运行功率、运行电流作为输入变量,收集变压器历史状态数据构成训练数据进行离线训练,通过训练完成的绕组温度预测模型反映多重影响因素与绕组温度的变化关系。最后将算法应用于某地铁站动力变压器,收集样本数据进行训练得到温度预测模型,将测试数据输入模型中,计算绕组温度真实值和预测值之间的相对温差,分析验证算法可行性与模型准确度。结果表明：LSTM算法面对大数据量样本可充分挖掘多重影响因素与绕组温度之间的深层关系,温度预测模型可准确预测绕组温度的变化。     

广州地铁采用气象网络的全方位预警

广州地铁4号线在3个曲线半经小、坡度大、速度快，最容易影响行车安全的典型区段，建起3个自动气象监测站，通过长达40km的光纤，将实时气象资料输送到控制中心。通过气象台数据分析，可以提前1～3h发布强对流、雷雨、雷雨大风、龙卷风、冰雹等突发性天气预报，及时传递消息，防止地铁懵然出车。当风速达到7级时，列车限速在40km／h左右，如果达到8级，列车则会尽快靠站停车；当气象异常时，列车停开，车站会组织乘客到大厅暂避，待天气正常后再进站，绝对保证市民安全。     

客运专线车站出站信号机与停车标设置方案研究

针对部分车型的16节长编组和重联动车存在组尾部车厢无法全部进入站台的问题,分析列车发车追踪时间间隔与列控系统行车安全距离影响因素,提出车站出站信号机与停车标设置方案,实现动车组列车正常进站停车以满足运营需求。     

基于大数据的地铁列车能耗仿真和节能操纵

介绍了地铁车辆大数据特性,建立了列车多质点运动学模型和能耗模型,开发了一套基于大数据的地铁列车能耗仿真算法,并进行了实际线路仿真模型和算法验证;探讨了列车牵引特性下的节能操纵问题,提出了能满足列车安全、平稳、定时约束等要求的节能操纵方法。仿真结果验证了该方法的可行性。     

基于Greenplum的城轨信号系统车载日志大数据分析平台

针对城市轨道交通中信号系统车载设备维护现状,提出了一种基于Greenplum的车载日志大数据分析的解决方案,以改善海量车载日志的分析与运用过程中存在的效率低下、过程繁琐等问题。通过搭建Greenplum的大数据平台,利用FTP传输工具、Kafka+Zookeeper中间件和MySQL脚本,实现了海量车载日志的采集与存储、列车运维决策数据的统计与分析。通过对平台关键性能指标的测试,验证了系统方案的合理性。