• 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

基于Verhulst-RBF的铁路客运量预测

付洁, 黄洪

付洁, 黄洪. 基于Verhulst-RBF的铁路客运量预测[J]. 铁路计算机应用, 2019, 28(11): 1-4,17.
引用本文: 付洁, 黄洪. 基于Verhulst-RBF的铁路客运量预测[J]. 铁路计算机应用, 2019, 28(11): 1-4,17.
FU Jie, HUANG Hong. Prediction of railway passenger traffic volume based on Verhulst-RBF[J]. Railway Computer Application, 2019, 28(11): 1-4,17.
Citation: FU Jie, HUANG Hong. Prediction of railway passenger traffic volume based on Verhulst-RBF[J]. Railway Computer Application, 2019, 28(11): 1-4,17.

基于Verhulst-RBF的铁路客运量预测

详细信息
    作者简介:

    付洁,硕士研究生;黄洪,副教授。

  • 中图分类号: U293;TP39

Prediction of railway passenger traffic volume based on Verhulst-RBF

  • 摘要: 为更准确地预测铁路客运量,采用灰色关联法,分析不同因素对铁路客运量的影响程度,确定主要影响因子,并将其作为预测指标,提出基于Verhulst-RBF神经网络的铁路客运量预测组合模型。基于四川省近14年的铁路客运量数据,进行组合模型测试。实验结果表明,Verhulst-RBF神经网络组合模型的预测精确度高于单一的Verhulst模型或单一的RBF神经网络模型。
    Abstract: In order to predict the railway passenger traffic volume more accurately, this paper used the grey correlation method to analyze the influence degree of different factors on the railway passenger traffic volume, determine the main influencing factors, and took them as the prediction indexes to propose a combined predicting model of railway passenger traffic volume based on Verhulst-RBF neural network.Based on the railway passenger traffic volume data of Sichuan Province in recent 14 years, the combined model was tested.The experimental results show that the prediction accuracy of Verhulst-RBF neural network combined model is higher than that of single Verhulst model or single RBF neural network model.
  • 站台门是设在站台边缘,防止乘客跌落或跳下的门体设备,给乘客带来舒适的候车环境[1]。城市轨道交通中,列车门与安全门之间的距离一般为160 mm ~180 mm。在城际轨道交通中,部分线路采用退台1.2 m安装,此空间称为危险夹层[2]。根据以往案例分析,其大部分是因乘客未能及时上车而被困于闭合的站台门与列车门之间的危险夹层之中,列车开车导致乘客挤压受伤。

    为提高服务质量与安全性,通过合理的设置列车门与站台门联动时序,给予未能及时上车的乘客退至站台门外安全区域内的时间,一定程度上避免乘客滞留于危险夹层内,从而提高运营的安全性。

    本文在现有线路列车门、站台门控制方案的基础上,针对安装有站台门系统(PSD,Platform Screen Doors system),而不具备升级改造条件的线路,设计了适合现有接口条件的延时控制系统,可在不对原设备进行升级改造的前提下,实现站台门延时开关门控制。文章重点对延时控制系统的功能需求、系统的安全性方面进行了分析,充分考虑了系统的兼容性及稳定性,确保系统设备发生故障时,能够实现列车控制中心(TCC,Train Control Center)对站台门的基本开关门控制,完成接发列车工作。

    目前,大部分运营线路采取站台门与列车门同步开启与关闭,未对动作时序做出严格规定,一条线路的每个站点都有可能动作时序不一致。通过合理的动作时序可在一定程度上避免乘客滞留于危险夹层之内。

    分析站台门与列车门的动作时序设置应从乘客角度出发,考虑其观感、舒适度和安全性,按照乘客先下后上的原则,列车门与站台门开启,乘客先下后上,然后列车门与站台门关闭这一流程进行分析。

    在开门过程中,站台门与列车门应同步开启或先开站台门再开列车车门,如先开列车门再开站台门则可能会导致乘客误撞站台门,同时,站台门开门时间不能过早于列车门。

    在关门过程中,先关列车车门再关站台门,尤其对于退台1.2 m安装站台门的轨道交通线路,列车门和站台门同步关闭或者站台门早于列车门关闭,则非常容易造成乘客被夹在危险夹层区域之中,对列车运行和乘客安全造成极大的危害。因此站台门系统需延时关闭,使未及时上车的乘客,有一定时间退出到站台门以外的安全区域内,防止乘客滞留于危险夹层。

    列车车门的控制器(简称:门控器),负责驱动电机开关门、状态检测与报警等。门控器根据列车的控制信号(如开门、关门、零速)进行开关门。当列车进站停稳后,零速信号得电,安全继电器输出使车门制动器解锁打开。从逻辑过程分析,可以通过延时安全继电器动作,达到列车门的延时动作[3]

    国内轨道交通线路的很多既有车站的站台门,在设计之初并未预留扩充接口,升级改造要面临技术资料缺失、站台门厂家技术支持有限、费用过高等一系列问题,因此,有必要设计一种简单、实用、可靠的延时控制系统,可以在一定范围内自由设定开关门延时时间。

    站台门、列车门的开/关门控制涉及车辆、列车控制系统、站台门3个系统,可以分自动开/关门、手动开/关门和自动开门/手动关门3种管理模式[4]。无所哪种模式,指令最终均通过TCC发送至PSD,站台门受控于TCC,TCC与PSD采用继电接口,一般设置有开门命令、关门命令、门锁闭命令、互锁解除命令,其中,开关门命令为TCC控制站台门动作指令,门锁闭与互锁解除为站台门向TCC反馈的状态信息。

    PSD与TCC采用继电接口,硬线连接,设置开门继电器(KMJ)、关门继电器(GMJ)[5]。PSD按接收到的命令控制对应门体动作,控制逻辑如表1所示。

    表  1  开关门控制逻辑
    KMJGMJ含义
    常态,无命令
    PSD开启所有站台门
    PSD关闭所有站台门
    命令错误,PSD保持不动作
    下载: 导出CSV 
    | 显示表格

    对于多车型线路增加设置车型继电器,PSD根据车型信息控制对应车型的站台门开启或关闭。

    通过接口实现站台门的延时动作,只需在TCC与PSD之间加装延时控制系统,即可实现对站台门的延时控制,延时控制系统需能接入原系统接口,同时不影响原系统正常功能。

    站台门系统控制模式分为系统级控制、站台级控制、紧急级控制、单门就地级控制和手动解锁。系统级控制优先级最低,手动解锁优先级最高,低优先级的控制方式不影响高优先级开/关门控制方式实现开/关门。系统级控制是PSD正常工作时的全自动模式控制[6]

    本系统针对站台门的系统级控制功能进行设计,不影响站台门的控制优先级判定,也不影响站台门对TCC系统的反馈信号(安全回路、互锁解除)[7],对于本系统在各种运行场景下,可能引入的安全问题进行了充分的考虑,并采取了相应的措施消除负面影响。本系统的功能需求如下:

    (1)本系统与外部系统采用继电接口,使用安全继电器,接口形式和继电器工作电压与原站台门系统保持一致,无需引入新的电源系统即可正常工作,精简系统结构,提升兼容性。

    (2)继电器前后节点采集,保障系统的安全性。

    (3)设置延时时间调整功能,根据现场实际情况,调整开门延时和关门延时时间,时间调整范围0~10 s,调整精度0.1 s。

    (4)故障情况或断电时自动退出功能,保障设备故障时不影响车门与站台门的联动。即当系统自身检测到运行错误,或系统断电时,系统能够自动退出运行,站台门系统运行在原有状态,不会对TCC和PSD之间的联动控制产生影响。

    (5)开关门命令电压监测与记录功能,方便问题原因分析。当系统接收到TCC的开关门指令时,对其传输的电压值进行监测,若电压不在规定范围内,则记录电压值并发出报警,提示运维人员,及时消除故障隐患。

    (6)显示和记录功能,方便事后故障分析。显示当前的开关门指令状态、接口电压值、延时时间,同时记录并储存运行日志,对于事后的故障分析、问题定位起到重要作用。

    (7)报警功能,设备自检错误报警,TCC命令错误报警等。

    安全继电器采用欧姆龙G7SA系列,符合EN标准,当故障发生时能够做出相应的动作,具有强制导向接点结构,内部接点熔结时能保证多个接点不会同时处于导通状态[8]。继电器用于与TCC、PSD系统的接口部分、控制逻辑切换。

    中央处理单元负责信号采集、逻辑处理、计时等功能,是系统的数据处理核心;设置显示单元与按键输入单元,用于显示当前系统设置以及系统配置修改等;同时,设备具有声光报警,预留与综合监控系统接口。

    延时控制系统与TCC、PSD的接口原理图,如图1所示。

    图  1  延时控制系统与TCC、PSD接口

    (1)系统自检正常时,故障检测继电器(FRJ)动作,由延时控制系统接收TCC命令,并驱动PSD系统动作。TCC发出开关门命令至延时控制系统,延时控制系统内部对应安全继电器动作(KMJ、GMJ),延时控制系统得到开关门命令后根据系统设定时间驱动开门延时继电器(KTKMJ)或关门延时继电器(KTGMJ)动作,从而命令PSD动作。

    (2)当系统自检故障时,故障检测继电器不动作,TCC系统命令经FRJ常闭触点直接驱动PSD继电器动作,达到当系统自身故障时,保障TCC系统能够控制站台门动作,从而保障乘客基本的上下车。

    (3)TCC命令错误时,即当TCC同时下发开门与关门命令时,系统拦截命令,不对PSD下发开门或关门指令,保持原有状态,进行报警、记录,等待正确命令后恢复执行。

    中央逻辑处理单元系统软件逻辑流程,如图2所示。

    图  2  系统软件流程

    中央逻辑处理单元主要完成以下功能:

    (1)根据延时设定时间,根据开关门控制命令输入,延时控制开关门命令输出。

    (2)中央逻辑处理单元具有系统自检、继电器检测、输出短路检测、开关门命令是否错误等。

    (3)记录开关门命令电压、站台门反馈命令电压,当电压异常时报警。

    启动运行延时控制系统进入TCC命令监控主界面,如图3所示。界面对TCC的上/下行命令状态分开显示,可显示当前命令的驱动电压与当前系统设置的延时时间,通过“延时设定”按钮可对系统延时时间进行修改。数据记录窗口可记录历史命令的时间,命令内容以及驱动电压。

    图  3  TCC命令监控界面

    通过试验,模拟TCC开关门命令,测试该延时控制系统可否准确的延时向PSD发送控制开关门命令,记录其时间、电压状态信息,达到系统设计目标。

    本文分析了列车门与站台门在不同时序下的安全性问题,针对目前既有线路现有设备改造难度大的情况,设计了延时控制系统,对现有TCC、PSD不改造的情况下,实现站台门的延时控制,避免了改造中技术资料缺失、费用过高等一系列问题。本系统采用安全继电器,提高了系统的可靠性,设计结构简单、维护方便,预留扩展空间,是一种简单、实用、可靠的改造实施方案。

  • [1] 黄丽燕. 基于大数据的高速铁路客流分析与辅助决策研究[D]. 成都:西南交通大学, 2017.
    [2] 南敬林. 铁路客运量预测影响因素分析[J]. 综合运输, 2016, 38(2):35-40.
    [3] 王栋,米国际. 基于灰色关联和BP神经网络的铁路货运量预测方法[J]. 江南大学学报(自然科学版),2015,14(1):80-84.
    [4] 马彪. GM(1, 1)模型在春运铁路客流预测中的应用[J]. 交通科技与经济, 2017, 19(6):9-11.
    [5] 许锟,鲍学英,王起才. 基于GA-GM(1,N,α)幂模型的铁路客运量预测[J]. 铁道标准设计, 2018(1):6-10.
    [6] 王洁,王波. 上海未来短期客运量的预测分析-基于最小二乘法改进的GM(1, 1)模型[J]. 数学的实践与认识, 2017(13):67-74.
    [7] 王晚香,刘文俭,李岩. 基于灰色关联和多元回归预测的铁路客运需求分析及预测[J]. 大连交通大学学报, 2019, 40(1):22-25.
    [8] 王彬. 基于灰色回归组合模型的铁路客运量预测研究[J]. 重庆理工大学学报(自然科学), 2017, 31(11):230-234, 240.
    [9] 桂文毅. 基于灰色线性回归模型的哈尔滨铁路枢纽客运量预测研究[J]. 中国公共安全(学术版), 2018(6):22-27.
    [10] 程丽娟,张仲荣. 基于GM模型和马尔科夫模型的公路客运量预测[J]. 黑龙江交通科技, 2018, 41(3):162-164.
    [11] 王利莎,梁开宏. 基于灰色马尔科夫模型的陕西省铁路客运量预测[J]. 数学的实践与认识, 2018, 48(8):166-172.
    [12] 杨祺煊. 基于主成分分析与GA-BP网络的铁路客运量预测研究[J]. 军事交通学院学报, 2017, 19(2):84-89.
    [13] 徐杰,张兰婷. 基于灰色关联分析的我国海洋渔业产业结构[J]. 海洋开发与管理, 2018, 35(10):55-59.
    [14] 张兆同,余潜. 灰色关联分析与RBF神经网络在我国棉花价格预测中的应用研究[J]. 价格月刊, 2017(9):31-36.
    [15] 杨泽众,严守靖,晏斌. 基于灰色关联分析和BP神经网络的用电量预测[J]. 价值工程, 2018, 37(35):30-33.
    [16] 王相平. 铁路旅客运输量影响因素的灰色关联分析[J]. 铁路计算机应用, 2013, 22(10):13-16.
    [17] 朱念. 基于GM(1, 1)和Verhulst模型的广西边贸物流预测比较研究[J]. 广西经济管理干部学院学报,2017,29(3):1-8.
    [18] 袁胜强. 改进灰色神经网络模型在甘肃省铁路客运量预测中的运用[D]. 兰州:兰州交通大学, 2017.
    [19] 鲜敏. 基于灰色神经网络的铁路客运量预测方法研究[D]. 成都:西南交通大学, 2016.
    [20] 陈虎.RBF神经网络在铁路客运成本预测中的应用[J]. 铁道标准设计, 2016, 60(12):45-48.
    [21] 颜保凡,郭垂江. 基于RBF神经网络的铁路旅客周转量预测研究[J]. 铁道运输与经济, 2017, 39(12):65-69.
    [22] 王晓寅,陶海龙. 基于灰色系统理论的RBF神经网络铁路货运量预测[J]. 甘肃广播电视大学学报, 2012, 22(3):38-41.
    [23] 刘述忠. 基于GM-RBF神经网络的股票价格预测分析[J]. 计算机与现代化, 2018(8):8-11.
  • 期刊类型引用(1)

    1. 邢育佳. 基于CAN总线的地铁信号与屏蔽门联动控制方法. 今日制造与升级. 2023(07): 63-65 . 百度学术

    其他类型引用(0)

计量
  • 文章访问数:  69
  • HTML全文浏览量:  0
  • PDF下载量:  15
  • 被引次数: 1
出版历程
  • 收稿日期:  2019-02-17

目录

/

返回文章
返回