隧道场景下融合时空相关性及注意力机制的列车位置信息预测方法

列车位置信息是列车控制系统的重要组成部分,也是保障列车安全运行的基础。但在隧道环境下卫星导航信号易失锁,进而导致列车定位精度降低。针对上述问题,提出了一种融合时空相关性及注意力机制的列车位置信息预测方法。该方法将双向长短时记忆网络(Bidirectional Long Short-Term Memory ,BiLSTM)作为骨架网络,并在此基础上使用卷积神经网络(Convolutional Neural Networks,CNN)和注意力机制(Attentional Mechanis-m,AM),更好地提取有效的位置特征,提高模型的预测精度。实验结果表明,提出的定位方法在隧道环境下的位置误差在1.6m以内,速度误差在0.7m/s以内,验证了所提出的定位方法在隧道环境下的有效性。同时,与现有的列车定位预测方法相比,所提出的定位方法在隧道环境下的列车定位精度高于其他对比方法,且明显降低了位置误差和速度误差,使得预测的列车运行轨迹更加的平滑,更符合列车控制系统的需求。隧道场景下融合时空相关性及注意力机制的列车位置信息预测方法进一步提高了隧道环境下的列车定位精度,为后续研究提供参考。