-
公开(公告)号：CN119647801A
公开(公告)日：2025-03-18
申请号：CN202311188372.7
申请日：2023-09-14
Applicant: 清华大学 , 北京全路通信信号研究设计院集团有限公司
IPC: G06Q10/0631 , G06Q10/0635 , G06Q10/047 , G06Q50/40
Abstract: 本公开涉及一种轨道交通协同调度方法、装置、电子设备和存储介质，确定包括至少一个线路的轨道交通路网，每个线路包括至少两个车站，每两个车站之间为一个运行区间。确定轨道交通路网对应的约束条件和描述客流需求不确定性的客流需求矩阵，客流需求矩阵中包括的多个元素符合同一种分布。根据约束条件和客流需求矩阵求解轨道交通路网的最优全局运能属性集合，再确定最优全局运能属性集合对应的调度方案为轨道交通路网的目标调度方案，用于表征轨道交通路网中每个车站的调度策略。本公开可以通过确定客流需求矩阵实现在客流需求不确定性条件下进行区域轨道交通车流和客流的协同优化问题，准确、灵活地得到最优的协同调度方案。
-
公开(公告)号：CN118673648A
公开(公告)日：2024-09-20
申请号：CN202310258353.0
申请日：2023-03-16
Applicant: 清华大学 , 北京全路通信信号研究设计院集团有限公司
IPC: G06F30/20 , G06Q50/40 , G06Q10/0631 , G06F111/04
Abstract: 本公开涉及一种基于深度强化学习的重载铁路优化调度方法和装置，获取包括至少一个列车的列车集合，以及至少一个铁路轨道股道段的股道段集合。确定预设的作业类型集合以及调度约束条件，通过马尔科夫决策过程基于股道段集合、作业类型集合和调度约束条件生成用于确定铁路调度方案的序贯决策问题，并基于强化学习方法解决序贯决策问题得到铁路调度方案，其中包括每个列车的调度策略。本公开通过确定列车集合、股道段集合、作业集合以及约束条件的方式建立仿真环境，并根据马尔科夫决策过程基于仿真环境将铁路调度方案生成问题转化为序贯决策问题，并根据深度强化学习方法自动有效的生成铁路调度方案，提高了生成方案的效率以及效果。
-
公开(公告)号：CN119106908A
公开(公告)日：2024-12-10
申请号：CN202310638254.5
申请日：2023-05-31
Applicant: 清华大学 , 北京全路通信信号研究设计院集团有限公司
IPC: G06Q10/0635 , G06F18/2415 , G06F18/214 , G06Q50/40 , G06Q50/26
Abstract: 本公开涉及一种轨道交通运能风险预测方法、装置、电子设备和存储介质，确定包括至少一个线路的轨道交通路网，每个线路包括至少两个车站。周期性地确定包括每个车站及运行区间在该周期对应时刻的至少一个风险属性值的风险属性集合，并根据训练得到的贝叶斯网络根据对应的风险属性值预测每个车站的车站运能风险及每个运行区间的区间运能风险，并根据每个线路包括车站的车站运能风险和运行区间的区间运能风险预测对应的线路运能风险，再根据每个线路对应的线路运能风险预测轨道交通路网对应的路网全局运能风险。本公开在预测整个路网运能风险的过程中考虑了其中不同车站和区间与线路的位置关系，以及时序上的属性变化，提高了预测结果的准确性。
-
公开(公告)号：CN102109848A
公开(公告)日：2011-06-29
申请号：CN201010605573.9
申请日：2010-12-24
Applicant: 清华大学 , 北京全路通信信号研究设计院
IPC: G05B23/02
Abstract: 本发明涉及一种高速列车运行控制系统的可靠性增长测试方法，属于高速列车运行控制系统技术领域。本方法首先根据高速列车运行控制系统的体系结构建立用于系统可靠性瓶颈识别的随机自动机模型，然后基于该模型对高速列车运行控制系统进行可靠性瓶颈分析并计算高速列车运行控制系统的可靠度函数集，进一步地，基于可靠度函数集和高速列车运行控制系统可靠度增长测试过程模型，对被测高速列车运行控制系统进行可靠性增长测试。本发明所述方法解决了现有的可靠性瓶颈识别方法不能对高速列车运行控制系统功能可靠性有效识别的问题，基于本发明对被测高速列车运行控制系统进行可靠性增长测试能高效地提高系统可靠性。
-
公开(公告)号：CN114044032B
公开(公告)日：2023-06-30
申请号：CN202111304092.9
申请日：2021-11-05
Applicant: 北京全路通信信号研究设计院集团有限公司 , 清华大学
Abstract: 本发明提出一种列车节能驾驶曲线动态优化方法和系统，本发明结合电动列车模型，依托庞氏极值原理，结合列车最优驾驶“最大牵引‑牵引巡航‑惰行‑制动巡航‑最大制动”工况集合，构建基于时空分解的高维图网络，以离散化的“时‑空‑能”状态点作为节点，使用多维复杂资源描述节点间连接弧，将单列车最优控制问题抽象为带时间窗口约束的最短路径旅行问题。本发明公开的方法计算量小，符合系统实时计算要求，可以直接应用于列车节能驾驶曲线优化系统，以解决当前列车自动驾驶系统运算速度与存储能力有限，复杂算法往往难以满足其运算的实时性需求的问题。
-
Patent Agency Ranking
公开(公告)号：CN114044032A
公开(公告)日：2022-02-15
申请号：CN202111304092.9
申请日：2021-11-05
Applicant: 北京全路通信信号研究设计院集团有限公司 , 清华大学
Abstract: 本发明提出一种列车节能驾驶曲线动态优化方法和系统，本发明结合电动列车模型，依托庞氏极值原理，结合列车最优驾驶“最大牵引‑牵引巡航‑惰行‑制动巡航‑最大制动”工况集合，构建基于时空分解的高维图网络，以离散化的“时‑空‑能”状态点作为节点，使用多维复杂资源描述节点间连接弧，将单列车最优控制问题抽象为带时间窗口约束的最短路径旅行问题。本发明公开的方法计算量小，符合系统实时计算要求，可以直接应用于列车节能驾驶曲线优化系统，以解决当前列车自动驾驶系统运算速度与存储能力有限，复杂算法往往难以满足其运算的实时性需求的问题。
-
公开(公告)号：CN110728771A
公开(公告)日：2020-01-24
申请号：CN201910960474.3
申请日：2019-10-10
Applicant: 清华大学 , 北京全路通信信号研究设计院集团有限公司
Abstract: 本发明涉及一种自动驾驶系统加速度快速在线估计方法及装置，所述方法包括其根据时间窗[(k-2w)T，kT]内的速度数据，采用最小二乘法进行速度曲线拟合来实现加速度的快速估计，所述时间窗[(k-2w)T，kT]内的速度数据记为从历史时刻(k-2w)T到当前kT的历史数据v((k-2w)T)，v((k-2w+1)T)，…，v((k-1)T)，v(kT)；根据速度曲线拟合误差的标准差与已知噪声标准差σξ间的关系以及实时计算的加速度a0(t)的相对估计偏差来动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度。通过最小二乘法的数据矩阵在滑动时间窗内可以实现加速度的快速估计，在ATO平台上采用定点数计算基本不会带来舍入误差累计，舍入误差也可接受。根据曲线拟合的标准差与已知噪声标准差间的关系以及实时计算的加速度的相对估计偏差来动态调整时间窗的长度从而实现低延时高准确度的加速度估计。
-
公开(公告)号：CN102034004A
公开(公告)日：2011-04-27
申请号：CN201010591817.2
申请日：2010-12-08
Applicant: 清华大学 , 北京全路通信信号研究设计院
IPC: G06F17/50
Abstract: 本发明涉及一种基于元模型的高速铁路信号系统地理线路建模方法，属于高速铁路信号系统技术领域。本方法通过建立基于参数方程的曲线坐标系簇和轨道区段模型，构建完整的高速铁路线路模型，并且在地理线路模型上给出了小跨度设备和大跨度设备的表达方法。本发明给出了地理线路的几何拓扑结构模型的构建方法，建立的模型具有简洁、完备、准确和可扩展等特点，可与高速列车动力学模型及其它信号设备模型一起用于高速铁路运行控制系统的仿真测试和验证。
-
公开(公告)号：CN113341171A
公开(公告)日：2021-09-03
申请号：CN202110609338.7
申请日：2021-06-01
Applicant: 北京全路通信信号研究设计院集团有限公司 , 清华大学
Abstract: 本发明公开了一种具有低延迟特性的列车测速降噪滤波方法及装置，所述降噪滤波方法包括以下步骤：采用最小二乘法完成列车行驶距离曲线拟合，得到基于最小二乘法的最小二乘速度估计值；利用卡尔曼滤波对所述最小二乘速度估计值进行滤波。本发明首先采用最小二乘法求解得到列车的行驶速度和加速度，然后通过对最小二乘法求得的估计速度进行卡尔曼滤波，来进一步降低速度估计的噪声和延迟；采用最小二乘法与卡尔曼滤波结合的方法估计列车速度，可以有效降低速度估计中的噪声，同时尽可能减小速度估计延迟，使得列车速度的估计值尽量靠近真实速度值。
-
公开(公告)号：CN110728771B
公开(公告)日：2021-08-17
申请号：CN201910960474.3
申请日：2019-10-10
Applicant: 清华大学 , 北京全路通信信号研究设计院集团有限公司
Abstract: 本发明涉及一种自动驾驶系统加速度快速在线估计方法及装置，所述方法包括其根据时间窗[(k‑2w)T，kT]内的速度数据，采用最小二乘法进行速度曲线拟合来实现加速度的快速估计，所述时间窗[(k‑2w)T，kT]内的速度数据记为从历史时刻(k‑2w)T到当前kT的历史数据v((k‑2w)T)，v((k‑2w+1)T)，…，v((k‑1)T)，v(kT)；根据速度曲线拟合误差的标准差与已知噪声标准差σξ间的关系以及实时计算的加速度a0(t)的相对估计偏差来动态调整所述时间窗[(k‑2w)T，kT]的时间窗口的长度。通过最小二乘法的数据矩阵在滑动时间窗内可以实现加速度的快速估计，在ATO平台上采用定点数计算基本不会带来舍入误差累计，舍入误差也可接受。根据曲线拟合的标准差与已知噪声标准差间的关系以及实时计算的加速度的相对估计偏差来动态调整时间窗的长度从而实现低延时高准确度的加速度估计。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.077 seconds)
