面向虚拟连挂的城轨列车群组追踪运行仿真研究

城市轨道交通是解决城市交通拥堵问题最强有效的绿色交通方式,其高峰期客流激增且客流时空分布不均,而面向虚拟连挂的城轨列车动态灵活编组和群组追踪运行能有效满足复杂多变的城轨运营需求。本文剖析面向虚拟连挂的城轨列车群组追踪运行过程,给出虚拟连挂列车群组最小安全追踪距离计算公式;以单列标准车长的线路路段为一个元胞单元,设计速度及位移更新规则,构建基于元胞自动机的城轨列车群组追踪运行仿真模型;以某市地铁2号线为背景,多角度仿真刻画面向虚拟连挂的城轨列车群组追踪运行性能。仿真结果表明:面向虚拟连挂的城轨列车群组追踪运行模型能有效缩短列车最小安全追踪间隔时间,城轨线路通过能力较移动闭塞制式提高78.4%;头车延迟引起的后续列车晚点总数量及总晚点时间更小,呈现出更佳的抗干扰性与恢复性能,且宜采用小编组列车实现虚拟连挂;动态混合编组的城轨列车群组追踪运行性能最佳,单一小编组的次之,大编组列车群宜在小编组列车群前面运行;城轨列车群组旅行速度总体上与平均站间距呈正相关;当列车发车间隔大于延迟时间时,平均站间距对列车群组的延迟影响不敏感,相反,则影响较为显著。研究结论能够为面向虚拟连挂的城轨列车群组追踪运行决策提供技术支撑。

基于LSTM-KF模型的高速列车群组追踪运行轨迹预测方法

为进一步缩小列车追踪距离以提高运力,研究了高速列车群组追踪运行轨迹预测问题;考虑长短期记忆网络(LSTM)模型处理序列数据的优势和卡尔曼滤波(KF)模型噪声处理的能力,提出了一种新型列车轨迹预测LSTM-KF模型;使用列车运行的历史数据进行LSTM模型训练,生成了列车轨迹预测曲线;KF模型结合预测结果和动力学机理,更正了计算结果,使LSTM模型预测的列车轨迹变得平滑;依托于高铁列控系统仿真测试平台的标准线路数据进行了仿真验证。仿真结果表明:在巡航工况下,30个预测步长后,LSTM-KF、LSTM和循环神经网络(RNN)模型的位置预测误差分别为78、798和911 m,速度相对真实值的预测误差分别为1、22和1 m·s^(-1),LSTM-KF模型的位置均方根误差(RMSE)分别为LSTM和RNN的7%和15%,LSTM-KF模型的速度RMSE分别为LSTM和RNN的14%和30%;在加速工况下,3个模型的位置预测误差均值分别为94、294和2691 m,速度预测误差均值分别为0.09、10.05和2.74 m·s^(-1);在减速工况下,3个模型的位置预测误差均值分别为1181、4135和4079 m,速度预测误差均值分别为1.14、6.01和13.52 m·s^(-1)。可见,LSTM-KF模型在不同运行工况下均能显著提升预测精度,能够有效生成长时域数据序列,为高速列车群组追踪运行提供决策。