一种基于重载群组列车群组通信的列车运行预测方法、系统及电子设备与流程

本发明涉及轨迹预测，尤其涉及一种基于重载群组列车群组通信的列车运行预测方法、系统及电子设备。

背景技术：

1、驾驶安全一直是驾驶领域的重要议题，在列车行驶过程中，若能准确预测前方列车状态，可以帮助驾驶员发现潜在碰撞的风险，使驾驶员有时间做出安全有效的决策，能够有效保护驾驶员的人身安全。

2、然而，现有技术中实现对前方列车的位置和速度准确预测的方法并不完善。公开号cn117150258a，公开了一种基于数据驱动与理论驱动的车辆轨迹预测方法，其中方法通过遗传算法对理论驱动模型进行参数标定，预测驾驶员的跟驰行为，通过数据驱动模型预测驾驶轨迹，但是只能判断驾驶员在跟驰过程中的行驶轨迹，缺少对换道列车的预测；公开号cn117171582a，公开了基于时空注意力机制的车辆轨迹预测方法及系统，其中方法通过构建目标预测模型,将特征向量编码层以提取得到空间特征和时间特征,然后解码层生成预测序列,预测序列依次经过神经网络层后,得到前方车辆预测轨迹，但是没有考虑结合物理模型对短时域预测精度的提升，且数据仅来源于车载传感器，没有充分利用兴起的车车之间通信技术，无法提供全局范围内的信息，严重影响复杂交通环境的预测能力。

3、鉴于此，本发明提出一种基于重载群组列车群组通信的列车运行预测方法及系统，能够获取更加全面和精确的列车信息，实现对前方列车长短时域综合位置和速度准确预测。

技术实现思路

1、针对上述现有技术中的问题，本发明的目的在于提供一种基于重载群组列车群组通信的列车运行预测方法及系统，通过结合模型预测方法和数据驱动预测方法的优点，并利用v2v通信技术获取更加全面的车辆信息，实现对前方列车长短时域综合位置和速度准确预测。

2、为了实现上述目的，本发明采用如下技术方案：

3、第一方面，本发明实施例提供一种基于重载群组列车群组通信的列车运行预测方法，包括：

4、s1：获取前方列车及同组列车的历史轨迹数据；

5、s2：基于所述历史轨迹数据，提取前方列车及同组列车的历史轨迹特征；

6、s3：基于前方列车的历史轨迹特征，构建基于扩展卡尔曼滤波的ctra模型，以获取前方列车的短时域轨迹预测结果；

7、s4：基于前方列车及同组列车的历史轨迹特征，构建基于bigru的时空双层预测模型，以获取前方列车的长时域轨迹预测结果；

8、s5：将前方列车的长短时域轨迹预测结果，通过交互式多模式卡尔曼滤波算法进行加权融合后，获得前方列车的未来位置和运行速度。

9、进一步地，所述步骤s1具体为：

10、s101：获取前方列车及同组列车的车辆感知设备数据；

11、s102：获取前方列车及同组列车的v2v通信数据；

12、s103：将车辆感知设备数据和v2v通信数据进行数据融合，得到前方列车及同组列车的历史轨迹数据。

13、进一步地，所述步骤s2具体为：

14、s201：设定贡献率阈值；

15、s202：通过核主成分分析算法对历史轨迹数据进行降维处理，得到历史轨迹特征；

16、s203：计算历史轨迹特征的贡献率，筛选并输出符合贡献率阈值的历史轨迹特征。

17、进一步地，所述步骤s3具体为：

18、s301：构建ctra模型，并设置状态变量；

19、所述状态变量为：

20、xk＝[x，y，θ，v，ω，a]t

21、式中，x，y分别为列车所在位置的横坐标、纵坐标；θ为列车的行驶方向；v为列车的行驶速度；ω为列车的转弯率；a为列车的加速度；xk为当前状态；上标t为转置符号；

22、s302：初始化ctra模型中状态方程和状态协方差矩阵；

23、s303：基于状态方程和当前状态，预测下一时刻状态：

24、xk+1＝f(xk，δt)

25、式中，xk+1为下一时刻状态；f是状态方程；δt是时间步长；

26、s304：将前方列车历史轨迹特征作为测量值，通过扩展卡尔曼滤波算法对ctra模型中的状态参数进行预测和迭代更新，以得到前方列车短期的位置和速度预测值。

27、进一步地，所述步骤s4具体为：

28、s401：基于双层bigru模型、时间注意力机制和空间注意力机制，构建基于bigru的时空双层预测模型；

29、s402：基于bigru编码器对前方列车及同组列车的历史轨迹特征进行建模，并将其转化为特征向量；

30、s403：将时间注意力机制引入上层的bigru网络中，对在同一时间步下的不同特征变量赋予不同的权重，以得到不同时间步不同变量之间的依赖关系，实现时间序列的内在联系的提取；

31、s404：将空间注意力机制引入下层的bigru网络中，计算同组列车在同一时间步下的隐藏交互特征，以得到不同时间步不同列车对前方列车的影响；

32、s405：通过注意力层中的连接层将前方列车的时间注意力向量和同组列车的空间注意力向量进行连接，得到隐藏特征，并将其输入到bigru解码器进行计算；

33、s406：通过bigru解码器中的bigru网络，对隐藏特征进行序列解码，将bigru网络的输出经过输出激活层后，在不定长的预测时间步上生成连续的预测结果，以得到前方列车长期的位置和速度预测值。

34、进一步地，所述步骤s406中，在不定长的预测时间步上生成连续的预测结果的计算公式为：

35、

36、式中，为目标车辆在预测时间步长的预测结果；为输出激活；wdec为bi-gru解码器权重；ht为隐藏特征；repet(ht)为重复的隐藏特征。

37、进一步地，所述步骤s5具体为：

38、s501：初始化ctra模型和bigru模型的协方差矩阵及模型概率权重矩阵；

39、s502：计算ctra模型和bigru模型之间的输入交互概率矩阵；

40、s503：将输入交互概率矩阵分别与两个模型的均值和协方差矩阵进行交互混合，得到两个模型在交互式多模式卡尔曼滤波算法模型中上一步输出的均值和方差；

41、s504：基于ctra模型和bigru模型对应的卡尔曼滤波器，分别对两个模型进行状态预测和测量更新；

42、s505：通过极大似然函数度量两个模型和目标状态的相似度，以此进行各模型概率权重的更新；

43、s506：将两个模型的预测值进行权重融合，得到前方列车的未来位置和运行速度，如下式：

44、y＝w1y1+w2y2

45、w1+w2＝1

46、式中，y为前方列车的未来位置或运行速度；y1为ctra模型预测的未来位置或运行速度，y2为bigru模型预测的未来位置或运行速度，w1、w2分别为ctra模型和bigru模型对应的权重。

47、进一步地，所述步骤s5中，输入交互概率矩阵的计算公式为：

48、

49、式中，ui|j为输入交互概率矩阵；ui表示模型i的模型概率权重矩阵，是标准化参数；pij为从模型i到模型j的转换概率；

50、所述交互混合后得到的模型均值和协方差计算公式为：

51、

52、式中，为模型j的混合状态估计；为模型i的状态估计；p*j为模型j的混合误差协方差；pi为模型i的误差协方差。

53、第二方面，本发明实施例提供一种基于重载群组列车群组通信的列车运行预测系统，包括：

54、数据获取模块：用以获取前方列车及同组列车的历史轨迹数据；

55、特征提取模块：用以基于所述历史轨迹数据，提取前方列车及同组列车的历史轨迹特征；

56、短期预测模块：用以基于前方列车的历史轨迹特征，构建基于扩展卡尔曼滤波的ctra模型，以获取前方列车的短时域轨迹预测结果；

57、长期预测模块：用以基于前方列车及同组列车的历史轨迹特征，构建基于bigru的时空双层预测模型，以获取前方列车的长时域轨迹预测结果；

58、轨迹融合模块：用以将前方列车的长短时域轨迹预测结果，通过交互式多模式卡尔曼滤波算法进行加权融合后，获得前方列车的未来位置和运行速度。

59、第三方面，本发明实施例提供一种电子设备，包括：

60、存储器，其上存储有计算机程序；

61、处理器，用于加载并执行所述计算机程序，以实现如上所述的基于重载群组列车群组通信的列车运行预测方法的步骤。

62、本发明提供的实施例带来的有益效果包括：

63、本发明通过基于扩展卡尔曼滤波的ctra预测模型和基于bigru的时空双层预测模型，实现前方列车长短时域的综合位置和速度预测，能够快速、实时地对前方列车进行状态预测，增强了自动驾驶列车对非视距列车的感知，减少了列车驾驶过程中的不确定性，提高了列车驾驶安全性和道路利用率；本发明通过v2v技术采集列车的行驶数据，能够对列车上车辆感知设备采集数据进行补充，提高了列车感知环境的准确性和鲁棒性。

技术特征：

1.一种基于重载群组列车群组通信的列车运行预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述步骤s1具体为：

3.根据权利要求1所述的方法，其特征在于，所述步骤s2具体为：

4.根据权利要求1所述的方法，其特征在于，所述步骤s3具体为：

5.根据权利要求1所述的方法，其特征在于，所述步骤s4具体为：

6.根据权利要求5所述的方法，其特征在于，所述步骤s406中，在不定长的预测时间步上生成连续的预测结果的计算公式为：

7.根据权利要求1所述的方法，其特征在于，所述步骤s5具体为：

8.根据权利要求7所述的方法，其特征在于，所述步骤s5中，输入交互概率矩阵的计算公式为：

9.一种基于重载群组列车群组通信的列车运行预测系统，其特征在于，包括：

10.一种电子设备，其特征在于，包括：

技术总结
本发明公开了一种基于重载群组列车群组通信的列车运行预测方法、系统及电子设备，其方法包括：获取前方列车及同组列车的历史轨迹数据；基于所述历史轨迹数据，提取前方列车及同组列车的历史轨迹特征；基于前方列车的历史轨迹特征，构建基于扩展卡尔曼滤波的CTRA模型；基于前方列车及同组列车的历史轨迹特征，构建基于BiGRU的时空双层预测模型；将前方列车的长短时域轨迹预测结果，通过交互式多模式卡尔曼滤波算法进行加权融合后，获得前方列车的未来位置和运行速度。本发明实现前方列车长短时域的综合位置和速度预测，能够快速、实时地对前方列车进行状态预测，增强了自动驾驶列车对非视距列车的感知，减少了列车驾驶过程中的不确定性。

技术研发人员：宋宗莹,彭军,王文斌,汤皓雯,王兴中,张晓勇,曹海滨,刘伟荣
受保护的技术使用者：中国神华能源股份有限公司
技术研发日：
技术公布日：2024/9/23