基于鲁棒策略的地铁交通流优化控制方法与流程

技术特征：

1.一种基于鲁棒策略的地铁交通流优化控制方法，其特征在于包括如下步骤：

步骤A、根据各个列车的计划运行参数，生成轨道交通网络的拓扑结构图；

步骤B、基于步骤A所构建的轨道交通网络的拓扑结构图，分析列车流的可控性和敏感性二类特性；

步骤C、根据各个列车的计划运行参数，在构建列车动力学模型的基础上，依据列车运行冲突耦合点建立列车运行冲突预调配模型，生成多列车无冲突运行轨迹；

步骤D、在每一采样时刻t，基于列车当前的运行状态和历史位置观测序列，对列车未来某时刻的行进位置进行预测；其具体过程如下：

步骤D1、列车轨迹数据预处理，以列车在起始站的停靠位置为坐标原点，在每一采样时刻，依据所获取的列车原始离散二维位置序列x＝[x₁,x₂,...,x_n]和y＝[y₁,y₂,...,y_n]，采用一阶差分方法对其进行处理获取新的列车离散位置序列△x＝[△x₁,△x₂,...,△x_n-1]和△y＝[△y₁,△y₂,...,△y_n-1],其中△x_i＝x_i+1-x_i,△y_i＝y_i+1-y_i(i＝1,2,...,n-1)；

步骤D2、对列车轨迹数据聚类，对处理后新的列车离散二维位置序列△x和△y，通过设定聚类个数M'，采用K-means聚类算法分别对其进行聚类；

步骤D3、对聚类后的列车轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的列车运行轨迹数据△x和△y视为隐马尔科夫过程的显观测值，通过设定隐状态数目N'和参数更新时段τ'，依据最近的T'个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数λ'；具体来讲：由于所获得的列车轨迹序列数据长度是动态变化的，为了实时跟踪列车轨迹的状态变化，有必要在初始轨迹隐马尔科夫模型参数λ'＝(π,A,B)的基础上对其重新调整，以便更精确地推测列车在未来某时刻的位置；每隔时段τ'，依据最新获得的T'个观测值(o₁,o₂,...,o_T')对轨迹隐马尔科夫模型参数λ'＝(π,A,B)进行重新估计；

步骤D4、依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态q；

步骤D5、每隔时段根据最新获得的隐马尔科夫模型参数λ'＝(π,A,B)和最近H个历史观测值(o₁,o₂,...,o_H)，基于列车当前时刻的隐状态q，在时刻t，通过设定预测时域h'，获取未来时段列车的位置预测值O；

步骤E、建立从列车的连续动态到离散冲突逻辑的观测器，将地铁交通系统的连续动态映射为离散观测值表达的冲突状态；当系统有可能违反交通管制规则时，对地铁交通混杂系统的混杂动态行为实施监控，为控制中心提供及时的告警信息；

步骤F、当告警信息出现时，在满足列车物理性能、区域容流约束和轨道交通调度规则的前提下，通过设定优化指标函数，采用自适应控制理论方法对列车运行轨迹进行鲁棒双层规划，并将规划结果传输给各列车，各列车接收并执行列车避撞指令直至各列车均到达其解脱终点；

步骤F的具体过程如下：

步骤F1、基于步骤B和步骤E的分析结果，确定具体所采取的交通流调控措施，包括调整列车的运行速度和/或调整列车在站时间两类措施，以及采用以上调控措施的具体地点和时机；

步骤F2、设定列车避撞规划的终止参考点位置P、避撞策略控制时域Θ、轨迹预测时域γ；

步骤F3、运行冲突解脱过程建模，将轨道交通网络上列车间的运行冲突解脱视为基于宏观和微观层面的内外双重规划问题，其中表示外层规划模型，即轨道交通路网上列车流流量-密度配置问题，表示内层规划模型，即轨道交通路段上单列车的状态调整问题；F、x₁和u₁分别是外层规划问题的目标函数、状态向量和决策向量，G(x₁,u₁)≤0是外层规划的约束条件，f、x₂和u₂分别是内层规划问题的目标函数、状态向量和决策向量，g(x₂,u₂)≤0是内层规划的约束条件，将宏观层面的外层规划结果作为微观层面内层规划的参考输入；

步骤F4、运行冲突解脱变量约束建模，构建包含可调列车数量a、列车速度ω和列车在站时间γ等变量在内的宏观和微观约束条件：其中t时刻需实施冲突解脱的路段k的变量约束可描述为：a_k(t)≤a_M、ω_k(t)≤ω_M、γ_k(t)≤γ_M，a_M、ω_M、γ_M分别为最大可调列车数量、最大列车运行速度和最长列车在站时间，此类解脱变量会受到交通流分布状态、列车物理性能和安全间隔等方面的约束；

步骤F5、多目标鲁棒最优路网流量配置方案求解：基于合作式避撞轨迹规划思想，针对不同的性能指标，通过选择不同的冲突解脱目标函数，在交通流运行宏观层面求解基于欧拉网络模型的多目标交通流最佳流量配置方案且各控制路段在滚动规划间隔内仅实施其第一个优化控制策略；步骤F5的具体过程如下：令

$d_{it}^2=\left|\right|P_i\left(t\right)-P_i^f|{|}_2^2={(x_{it}-x_i^f)}^2+{(y_{it}-y_i^f)}^2,$

其中表示t时刻列车i当前所在位置和下一站点间的距离的平方，P_i(t)＝(x_it,y_it)表示t时刻列车i的二维坐标值，表示列车i下一停靠站点的二维坐标值，那那么t时刻列车i的优先级指数可设定为：

${\mathrm{\λ}}_{it}=100\frac{d_{it}^{-2}}{\underset{i=1}{\overset{n_t}{\Σ}}{d}_{it}^{-2}},$

其中n_t表示t时刻路段上存在冲突的列车数目，由优先级指数的含义可知，列车距离下一站点越近，其优先级越高；

设定优化指标

$\begin{array}{c}{J}^{*}(u_1^{\left(t\right)},u_1^{(t+\mathrm{\Δ}t)},\mathrm{...},u_1^{(t+p\mathrm{\Δ}t)},\mathrm{...},u_{n_t}^{\left(t\right)},u_{n_t}^{(t+\mathrm{\Δ}t)},\mathrm{...},u_{n_t}^{(t+\mathrm{\Π}\mathrm{\Δ}t)})\\ =\underset{s=1}{\overset{\mathrm{\Π}}{\Σ}}\underset{i=1}{\overset{n_t}{\Σ}}{\mathrm{\λ}}_{it}\left|\right|P_i(t+s\mathrm{\Δ}t)-P_i^f|{|}_2^2\\ =\underset{s=1}{\overset{\mathrm{\Π}}{\Σ}}\underset{i=1}{\overset{n_t}{\Σ}}{\left(P_i\right(t+s\mathrm{\Δ}t)-P_i^f)}^T{Q}_{it}\left(P_i\right(t+s\mathrm{\Δ}t)-P_i^f)\end{array},$

其中i∈I(t)表示列车代码且I(t)＝{1,2,...,n_t}，P_i(t+s△t)表示列车在时刻(t+s△t)的位置向量，Π表示控制时段，即从当前时刻起未来轨迹规划的时间长度，u_i表示待优化的列车i的最优控制序列，Q_it为正定对角矩阵，其对角元素为列车i在t时刻的优先级指数λ_it，并且

步骤F6、多目标鲁棒最优路段列车运行状态调整：依据各路段或区域流量配置结果，基于列车运行混杂演化模型和拉格朗日规划模型获取最优的单列车控制量，生成最优的单列车运行轨迹且各调控列车在滚动规划间隔内仅实施其第一个优化控制策略；

步骤F7、各列车接收并执行列车避撞指令；

步骤F8、在下一采样时刻，重复步骤F5至F7直至各列车均到达其解脱终点。