基于列车动力学模型的控车方法、装置及设备与流程

1.本公开涉及轨道交通技术领域，尤其涉及基于列车动力学模型的控车方法、装置及设备。


背景技术：

2.自动列车驾驶(automatic train operation,ato)系统是赋予地铁自动驾驶能力的核心保证，负责完成对列车的启动、牵引和制动等动作的控制。ato系统的关键功能是“列车速度控制”，列车运行控制方法的优劣，直接影响到列车的准时性、乘客舒适度、能耗和停车精度。因此理论研究和工程实际中，寻找更有效的列车自动运行控制方法成为一个重要方向。
3.现有的ato系统中常常采用pid控制器，其控制算法是基于偏差在过去、现在和将来做出调节量估计的一种简单而有效的控制算法。但在真实情况下，由于列车和轨道的物理磨损等原因，列车的真实性能情况与输入给ato系统的信息会存在一定的偏差，进而导致控制指令不精确，运行结束后列车的实际速度曲线与运行前的推荐速度曲线存在差距。这时，运行的能耗、乘客舒适度等评价指标都无法达到期望。
4.随着交通多源大数据的逐渐积累和人工智能技术的飞速发展，交通预测的相关研究进展取得了较大的进步，目前数据驱动的交通预测算法已经成为研究的主流，但利用预测技术辅助列车指令生成的技术应用十分稀少，目前还未发现公开报道的成熟产品。


技术实现要素：

5.本公开提供了一种基于列车动力学模型的控车方法、装置及设备，用于辅助列车的控制系统生成控车指令，为精准控车提供了智能辅助。
6.根据本公开的第一方面，提供了一种基于列车动力学模型的控车方法。该方法包括：
7.采集并解析目标列车的运行日志文件，获得目标列车的运行数据和环境数据；
8.根据目标列车运行数据和环境数据生成目标列车的动力学模型；
9.将拟控车指令输入动力学模型中，进行模型推演，获得与拟控车指令对应的预测速度；
10.对模型推演获得的预测速度及目标列车的运行目标速度进行误差比例计算，根据计算结果生成并输出建议控车指令。
11.在第一方面的一些可实现方式中，根据目标列车运行数据和环境数据构建目标列车的动力学模型，包括：
12.根据目标列车的运行数据和环境数据确定目标列车在对应时刻的列车速度、ato输出的模拟量、牵引状态、制动状态、保持制动和当前轨道坡度的数据，将每一时刻的列车速度、ato输出的模拟量、牵引状态、制动状态、保持制动和当前轨道坡度的数据作为样本，并将样本对应时刻的目标列车在m周期后的真实速度值作为训练标签；根据每一样本及其
对应的标签生成训练集；
13.确定模型的评价指标，采用训练集进行模型训练，生成针对于目标列车的个性化动力学模型。
14.在第一方面的一些可实现方式中，模型的评价指标包括：
15.平均绝对误差mae、均方根误差rmse、决定系数r2、平均绝对百分比误差mape。
16.在第一方面的一些可实现方式中，进行模型推演，包括：
17.将拟控车指令输入动力学模型中，采取迭代预测法进行逐级迭代，直至预设迭代周期结束，获得与拟控车指令对应的预测速度。
18.在第一方面的一些可实现方式中，误差比例计算包括：
19.根据预测速度与运行目标速度的差异，利用速度差与级位差之间的对应关系，求解级位误差。
20.在第一方面的一些可实现方式中，根据计算结果生成并输出建议控车指令，包括：根据级位误差，对拟控车指令进行调整，生成并输出目标列车运行期间的建议控车指令。
21.在第一方面的一些可实现方式中，根据级位误差，对拟控车指令进行调整，生成并输出目标列车运行期间的建议控车指令，包括：
22.若预测速度小于运行目标速度，则根据所述级位误差对拟控车指令进行调整，对应增加牵引力或减小制动力，生成并输出建议控车指令；
23.若预测速度大于运行目标速度，则根据所述级位误差对拟控车指令进行调整，对应减小牵引力或增加制动力，生成并输出建议控车指令。
24.根据本公开的第二方面，提供了一种基于列车动力学模型的控车装置。该装置包括：
25.文件采集与解析模块，采集并解析目标列车的运行日志文件，获得目标列车的运行数据和环境数据；
26.模型生成模块，根据目标列车运行数据和环境数据生成目标列车的动力学模型；
27.模型推演模块，将拟控车指令输入动力学模型中进行模型推演，获得拟控车指令对应的预测速度；
28.误差比计算模块，对模型推演获得的预测速度及目标列车的运行目标速度进行误差比例计算；
29.指令生成模块，根据计算结果生成并输出建议控车指令。
30.根据本公开的第三方面，提供了一种电子设备。该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如以上所述的方法。
31.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如以上所述的方法。
32.在本公开中，利用列车历史运行数据，拟合列车本身的性能规律，并结合外界的各种行驶环境因素，多特征参与预测列车行驶速度，构建个性化的列车动力学模型；同时采用迭代预测法进行模型推演，获得预测速度，并根据预测速度与目标速度之间的误差，对拟控车指令进行调整，生成建议控车指令，为精准控车提供了智能辅助。
33.应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或
重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
34.结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
35.图1示出了本公开实施例提供的一种基于列车动力学模型的控车方法的流程图；
36.图2示出了本公开实施例提供的一种基于列车动力学模型的控车方法的示意图；
37.图3示出了本公开实施例提供的生成目标列车的动力学模型的流程图；
38.图4示出了本公开实施例提供的模型推演示意图；
39.图5示出了本公开实施例提供的一种基于列车动力学模型的控车装置的框图；
40.图6示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
41.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
42.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
43.针对背景技术中提到的问题，本公开实施例提供了一种基于列车动力学模型的控车方法、装置及设备，用于辅助列车的控制系统生成控车指令，为精准控车提供了智能辅助。
44.具体地，采用目标列车的日志文件生成针对于目标列车的个性化动力学模型，对模型推演获得的预测速度及目标列车的运行目标速度进行误差比例计算，根据计算结果生成并输出建议控车指令，以此方式，可以实时预测目标列车一段时间内的速度变化，指导拟控车指令的调整，进一步辅助提升ato系统对列车下发指令的精准度。
45.下面结合附图，通过具体的实施例对本公开实施例提供的基于列车动力学模型的控车方法进行详细说明。
46.图1示出了本公开实施例提供的一种基于列车动力学模型的控车方法的流程图；如图1所示，基于列车动力学模型的控车方法100可以包括：
47.s110，采集并解析目标列车的运行日志文件，获得目标列车的运行数据和环境数据。
48.在一些实施例中，运行数据和环境数据可以包括：目标列车位置信息、ato驾驶流程状态、目标列车是否停稳、目标列车的牵引状态、目标列车的制动状态、保持制动、目标列车的目标速度、pid控制器输出的期望加速度、ato系统输出的模拟量以及当前轨道坡度等相关数据。
49.在一些实施例中，考虑到列车动力学模型在真实情况下能够获取到的输入，能够参与训练的特征常选择：目标列车速度、ato输出的模拟量、目标列车的牵引状态、目标列车的制动状态、保持制动和当前轨道坡度。
50.s120，根据目标列车运行数据和环境数据生成目标列车的动力学模型。
51.图3示出了本公开实施例提供的生成目标列车的动力学模型的流程图；如图3所示，生成目标列车的动力学模型可以包括以下步骤：
52.采集并解析列车运行日志文件，获得目标列车运行数据和环境数据。
53.对运行数据和环境数据进行特征工程处理，生成训练标签。
54.划分训练集与测试集。
55.确认所需模型的评价指标，利用训练集进行模型训练。
56.利用测试集对训练出的模型进行测试。
57.生成并保存目标列车的动力学模型。
58.其中，对运行数据和环境数据进行特征工程处理时，目标列车的加速度作为参与模型训练的重要特征，可以通过目标列车各时刻的列车速度特征值以及加速度计算公式计算得到，计算公式如式(1)所示；式(1)：其中，t为列车一周期内的时间间隔，n为计算加速度采用的周期间隔；a
t
为t时刻列车的加速度值；v
t
为t时刻列车的速度值；v
t-nt
为t时刻的n周期之前时刻的列车速度值。本公开选取了不同的周期间隔n进行了测试比较，经实验得出结论：若间隔选取过小，加速度的计算过程引入的误差会偏大，更容易受到速度误差的影响，若间隔选取过大，得到的加速度值在总体上趋于平稳，无法正确反映出速度变化的趋势，因此，在一些实施例中选择n＝3参与加速度的计算。
59.在一些实施例中，由于列车停靠时不涉及ato系统的运作，因此可以选择剔除列车速度为0的部分数据。具体地，由于列车在启动阶段存在牵引建立的延时，会导致生成训练标签的过程中存在严重偏差，同时考虑到列车速度较小时进行速度预测的应用价值不高，因此可以选择剔除列车初始启动阶段中速度较低的部分数据。
60.根据本公开的实施例，在对运行数据和环境数据进行特征工程处理时，通过对目标列车各时刻的列车速度特征值以及加速度进行计算以确认更合适的加速度值，同时选取合理的间隔周期，并剔除列车速度为0的部分数据，以此方式，可以生成更为精准的目标列车的动力学模型，为精准控车提供了较好的基础。
61.在一些实施例中，生成训练标签时，训练目标为目标列车未来时刻的速度值，可以选择目标列车几周期后时刻的真实速度值作为当前时刻的训练标签，训练标签为v
t+mt
，即经过未来m周期后的时刻的真实值。
62.在一些实施例中，目标列车未来时刻速度的预测问题，在机器学习领域可视为一个非线性回归问题，具体可以采用决策树、随机森林、xgboost及类似的机器学习算法实现目标列车的动力学模型的构建。
63.在一些实施例中，根据目标列车运行数据和环境数据构建目标列车的动力学模型，可以包括：
64.根据目标列车的运行数据和环境数据确定目标列车在对应时刻的列车速度、ato输出的模拟量、牵引状态、制动状态、保持制动和当前轨道坡度的数据，将每一时刻的列车
速度、ato输出的模拟量、牵引状态、制动状态、保持制动和当前轨道坡度的数据作为样本，并将样本对应时刻的目标列车在m周期后的真实速度值作为训练标签；根据每一样本及其对应的标签生成训练集；
65.确定模型的评价指标，采用训练集进行模型训练，生成针对于目标列车的个性化动力学模型。
66.在一些实施例中，模型的评价指标包括：
67.平均绝对误差mae、均方根误差rmse、决定系数r2、平均绝对百分比误差mape。
68.根据本公开的实施例，利用机器学习算法，从目标列车的日志文件中挖掘目标列车当前的运行特性，基于各列车真实运行产生的数据，生成针对于各个列车的个性化动力学模型，为后续的精准控车奠定了重要基础。
69.s130，将拟控车指令输入动力学模型中，进行模型推演，获得与拟控车指令对应的预测速度。
70.在一些实施例中，进行模型推演，包括：
71.将拟控车指令输入动力学模型中，采取迭代预测法进行逐级迭代，直至预设迭代周期结束，获得与拟控车指令对应的预测速度。
72.在一些实施例中，使用动力学模型进行真实场景推演时，将拟控车指令输入动力学模型中，获得第一预测结果，使用所述第一预测结果作为下一时刻的输入数据，进行逐级迭代预测，直至迭代周期结束。即将第n时刻的预测速度作为第n+1时刻的输入数据，进行逐级迭代，直至预设迭代周期结束，其中，n的初始值为1，n＝n+1；其中，n的初始值为1时的预测速度为拟控车指令输入所述动力学模型中所获得的结果。
73.具体过程如图4所示，图4示出了本公开实施例提供的模型推演示意图；其中，特征1至特征n的选择范围为：ato输出的模拟量、目标列车的牵引状态、目标列车的制动状态、保持制动和当前轨道坡度。
74.如图4所示，将拟控车指令输入所述动力学模型中，获得所述目标列车t0时刻的预测速度；将所述t0时刻的预测速度输入所述动力学模型中，获得所述目标列车t1时刻的预测速度；将所述目标列车t1时刻的预测速度输入所述动力学模型中，获得所述目标列车t2时刻的预测速度，依次进行直至迭代周期结束。
75.在一些实施例中，拟控车指令即为参与训练特征中的ato输出的模拟量，针对给定特征，通过模型推演得到若采取拟控车指令，列车在未来时刻会表现出的速度情况，为精准控车提供了智能辅助决策，极大程度减轻了由于列车磨损等问题所带来的控制偏差。
76.s140，对模型推演获得的预测速度及目标列车的运行目标速度进行误差比例计算，根据计算结果生成并输出建议控车指令。
77.在一些实施例中，误差比例计算包括：
78.根据预测速度与运行目标速度的差异，利用速度差与级位差之间的对应关系，求解级位误差。
79.在一些实施例中，根据计算结果生成并输出建议控车指令，包括：根据级位误差，对拟控车指令进行调整，生成并输出目标列车运行期间的建议控车指令，在目标列车个性化动力学模型的基础上，加入误差比例计算，以获得更精准的建议控车指令。
80.在一些实施例中，根据级位误差，对拟控车指令进行调整，生成并输出目标列车运
行期间的建议控车指令，包括：
81.若预测速度小于运行目标速度，则根据级位误差对拟控车指令进行调整，对应增加牵引力或减小制动力，生成并输出目标列车运行期间的建议控车指令；
82.若预测速度大于运行目标速度，则根据级位误差对拟控车指令进行调整，对应减小牵引力或增加制动力，生成并输出目标列车运行期间的建议控车指令。
83.图2示出了本公开实施例提供的一种基于列车动力学模型的控车方法的示意图；如图2所示，获取并解析真实的目标列车的运行日志文件，采用机器学习算法生成针对于目标列车的动力学模型，采用迭代预测法以拟控车指令为输入进行模型推演，获得目标列车的预测速度，对目标列车的预测速度和目标速度进行误差比计算，根据计算结果生成并输出建议控车指令。
84.在一些实施例中，针对不同的目标列车，根据各目标列车的日志文件生成各自对应的个性化动力学模型，而不是采用统一的动力学模型，有效提高了控车精度。
85.根据本公开的实施例，实现了以下技术效果：
86.由上述实施例可知，本公开主要涉及生成个性化的目标列车动力学模型和建议控车指令两部分，即通过对目标列车运行记录的挖掘，生成目标列车的个性化动力学模型，通过训练得到的动力学模型被用于输出给定拟控车指令序列对应的目标列车预测速度，根据预测速度与目标速度的差异，利用速度差与级位差之间的对应关系，求解级位误差；根据级位误差来对列车控制指令进行调整，保证在指令下达后，列车速度能够与目标速度极其接近。本公开实施例提供的基于列车动力学模型的控车方法、装置及设备用于辅助轨道交通列车运行控制，极大程度减少了控制偏差，为精准控车提供智能辅助决策。
87.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
88.以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
89.图5示出了本公开实施例提供的一种基于列车动力学模型的控车装置的框图。如图5所示，基于列车动力学模型的控车装置500可以包括：
90.文件采集与解析模块510，采集并解析目标列车的运行日志文件，获得目标列车的运行数据和环境数据；
91.模型生成模块520，根据目标列车运行数据和环境数据生成目标列车的动力学模型。
92.模型推演模块530，将拟控车指令输入动力学模型中进行模型推演，获得拟控车指令对应的预测速度。
93.误差比计算模块540，对模型推演获得的预测速度及目标列车的运行目标速度进行误差比例计算。
94.指令生成模块550，根据计算结果生成并输出建议控车指令。
95.基于列车动力学模型的控车装置500还可以包括：
96.存储模块，用于存储预测速度以及建议控车指令。
97.显示模块，用于将预测速度以及建议控车指令显示在用户界面中以供用户查看。
98.可以理解的是，图5所示的基于列车动力学模型的控车装置500中的各个模块/单元具有实现本公开实施例提供的基于列车动力学模型的控车方法100中的各个步骤的功能，并能达到其相应的技术效果，为了简洁，在此不再赘述。
99.根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
100.图6示出了能够实施本公开的实施例的示例性电子设备的方框图。电子设备600旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
101.设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
102.设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
103.计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。
104.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
105.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来
编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
106.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
107.需要注意的是，本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行方法100，并达到本公开实施例执行其方法达到的相应技术效果，为简洁描述，在此不再赘述。
108.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
109.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
110.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
111.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
112.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

技术特征：
1.一种基于列车动力学模型的控车方法，其特征在于，所述方法包括：采集并解析目标列车的运行日志文件，获得所述目标列车的运行数据和环境数据；根据所述目标列车运行数据和环境数据生成所述目标列车的动力学模型；将拟控车指令输入所述动力学模型中，进行模型推演，获得与所述拟控车指令对应的预测速度；对所述模型推演获得的所述预测速度及所述目标列车的运行目标速度进行误差比例计算，根据计算结果生成并输出建议控车指令。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标列车运行数据和环境数据构建所述目标列车的动力学模型，包括：根据所述目标列车的运行数据和环境数据确定所述目标列车在对应时刻的列车速度、ato输出的模拟量、牵引状态、制动状态、保持制动和当前轨道坡度的数据，将每一时刻的列车速度、ato输出的模拟量、牵引状态、制动状态、保持制动和当前轨道坡度的数据作为样本，并将样本对应时刻的所述目标列车在m周期后的真实速度值作为训练标签；根据每一样本及其对应的标签生成训练集；确定模型的评价指标，采用训练集进行模型训练，生成针对于所述目标列车的个性化动力学模型。3.根据权利要求2所述的方法，其特征在于，所述模型的评价指标包括：平均绝对误差mae、均方根误差rmse、决定系数r2、平均绝对百分比误差mape。4.根据权利要求1所述的方法，其特征在于，所述进行模型推演，包括：将所述拟控车指令输入所述动力学模型中，采取迭代预测法进行逐级迭代，直至预设迭代周期结束，获得与所述拟控车指令对应的预测速度。5.根据权利要求1所述的方法，其特征在于，所述误差比例计算，包括：根据所述预测速度与所述运行目标速度的差异，利用速度差与级位差之间的对应关系，求解级位误差。6.根据权利要求5所述的方法，其特征在于，所述根据计算结果生成并输出建议控车指令，包括：根据所述级位误差，对所述拟控车指令进行调整，生成并输出所述建议控车指令。7.根据权利要求6所述的方法，其特征在于，所述根据所述级位误差，对所述拟控车指令进行调整，生成并输出所述建议控车指令，包括：若所述预测速度小于所述运行目标速度，则根据所述级位误差对所述拟控车指令进行调整，对应增加牵引力或减小制动力，生成并输出所述建议控车指令；若所述预测速度大于所述运行目标速度，则根据所述级位误差对所述拟控车指令进行调整，对应减小牵引力或增加制动力，生成并输出所述建议控车指令。8.一种基于列车动力学模型的控车装置，其特征在于，包括：文件采集与解析模块，采集并解析目标列车的运行日志文件，获得所述目标列车的运行数据和环境数据；模型生成模块，根据所述目标列车运行数据和环境数据生成所述目标列车的动力学模型；模型推演模块，将拟控车指令输入所述动力学模型中进行模型推演，获得所述拟控车
指令对应的预测速度；误差比计算模块，对所述模型推演获得的所述预测速度及所述目标列车的运行目标速度进行误差比例计算；指令生成模块，根据计算结果生成并输出建议控车指令。9.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

技术总结
本公开的实施例提供了一种基于列车动力学模型的控车方法、装置及设备。所述方法包括：采集并解析目标列车的运行日志文件，获得目标列车的运行数据和环境数据；根据目标列车运行数据和环境数据生成目标列车的动力学模型；将拟控车指令输入动力学模型中，进行模型推演，获得与拟控车指令对应的预测速度；对模型推演获得的预测速度及目标列车的运行目标速度进行误差比例计算，根据计算结果生成并输出建议控车指令。以此方式，可以辅助列车的控制系统生成控车指令，为精准控车提供了智能辅助。为精准控车提供了智能辅助。为精准控车提供了智能辅助。


技术研发人员：孙铭 付哲
受保护的技术使用者：交控科技股份有限公司
技术研发日：2022.12.19
技术公布日：2023/5/5