CN115709748A

CN115709748A - 基于动态参数的列车安全防护方法

Info

Publication number: CN115709748A
Application number: CN202211469148.0A
Authority: CN
Inventors: 韩康; 王伟
Original assignee: Traffic Control Technology TCT Co Ltd
Current assignee: Traffic Control Technology TCT Co Ltd
Priority date: 2022-11-22
Filing date: 2022-11-22
Publication date: 2023-02-24

Abstract

本公开的实施例提供了一种基于动态参数的列车安全防护方法。该方法包括：根据列车的运营数据，预测列车的牵引制动参数；利用预测的牵引制动参数，更新安全防护模型中的牵引制动参数；根据更新后的安全防护模型，计算列车的安全防护速度；根据安全防护速度，对列车进行安全防护。以此方式，可以根据列车的运营数据对安全防护模型中的牵引制动参数进行动态更新，从而真实地反映列车的牵引制动能力，进而精确计算列车的安全防护速度，提高整体的行车效率，实现列车动态安全防护。

Description

基于动态参数的列车安全防护方法

技术领域

本公开涉及轨道交通技术领域，尤其涉及一种基于动态参数的列车安全防护方法。

背景技术

随着列车运行速度的不断提高，列车的安全性越来越得到重视。当前，绝大多数轨道交通线路是基于通信的列车运行控制***(Communication Based Train ControlSystem，CBTC)制式，实现了基于绝对制动安全防护模型的移动闭塞追踪方式。该防护模型认为在任意时刻，前车像一堵“硬墙”，后车在发生紧急制动的情况下也不能越过该位置。实际上前方列车在绝大多数情况下仍在正常运行，因此，“撞硬墙”模型在一定程度上限制了两车的追踪间隔。相对于此，目前在研究领域提到更多的是基于相对制动安全防护模型。该防护模型人为考虑了前车的位置、速度甚至加速度等更多动态信息后，后车最远可到达的位置随着前车的移动而向前延伸，被称作“撞软墙”模型。由于列车移动授权获得延伸，“撞软墙”模型可以进一步缩小运行间隔，提升***运力。

但是无论是基于绝对制动距离的“撞硬墙”模型还是基于相对制动距离的“撞软墙”模型，本质上都是基于人为选定的牵引制动参数对列车运行过程，进行建模，然后求解安全防护速度。可知，这些安全防护模型可以说是静态的安全防护模型。实际上出于安全的考虑，牵引制动参数在选取的过程中往往比较保守，从而导致理论计算的安全防护速度较小，增大了列车追踪间隔，降低了行车效率。

发明内容

本公开提供了一种基于动态参数的列车安全防护方法、装置、设备以及存储介质，可以提高行车效率。

第一方面，本公开实施例提供了一种基于动态参数的列车安全防护方法，该方法包括：

根据列车的运营数据，预测列车的牵引制动参数；

利用预测的牵引制动参数，更新安全防护模型中的牵引制动参数；

根据更新后的安全防护模型，计算列车的安全防护速度；

根据安全防护速度，对列车进行安全防护。

在第一方面的一些可实现方式中，运营数据包括：列车运行数据和线路环境数据。

在第一方面的一些可实现方式中，根据列车的运营数据，预测列车的牵引制动参数，包括：

若检测到列车的运行场景发生变化，则根据列车的运营数据预测列车的牵引制动参数。

在第一方面的一些可实现方式中，运行场景发生变化包括以下选项中至少一项：

天气发生变化；

牵引制动***故障但不影响继续行车；

牵引制动***、车轮、钢轨进行检修后；

线路坡度、线路曲线发生变化；

列车满载率发生变化。

将运营数据输入预先训练的牵引制动预测模型，得到列车的牵引制动参数；

牵引制动预测模型是利用牵引制动训练数据集对预设神经网络进行训练得到的，其中，牵引制动训练数据集是根据运营数据样本及其对应的牵引制动参数标签生成的。

在第一方面的一些可实现方式中，列车的牵引制动参数包括：牵引加速度、常用制动加速度和紧急制动加速度；

将运营数据输入预先训练的牵引制动预测模型，得到列车的牵引制动参数，包括：

将运营数据输入牵引制动预测模型，由牵引制动预测模型中的牵引能力预测模型、常用制动能力预测模型、紧急制动能力预测模型分别对运营数据进行计算处理，得到列车的牵引加速度、常用制动加速度和紧急制动加速度。

在第一方面的一些可实现方式中，在更新安全防护模型中的牵引制动参数之前、之后或者同时，该方法还包括：

利用计算的动态平均坡度参数，更新安全防护模型中的坡度参数。

在第一方面的一些可实现方式中，动态平均坡度参数的计算包括以下步骤：

根据列车的位置，查询列车未来运行范围内的坡度信息；

根据未来运行范围的长度和坡度信息，计算动态平均坡度参数。

在第一方面的一些可实现方式中，坡度信息包括：未来运行范围内存在的坡度的数量、大小、长度；

根据未来运行范围的长度和坡度信息，计算动态平均坡度参数，包括：

将未来运行范围的长度和坡度信息输入坡度动态平均计算公式，计算动态平均坡度参数；

坡度动态平均计算公式为：

G_da表示动态平均坡度参数，S表示未来运行范围的长度，n表示未来运行范围内存在的坡度的数量，G_i表示未来运行范围内坡度的大小，S_i表示未来运行范围内坡度的长度。

在第一方面的一些可实现方式中，根据安全防护速度，对列车进行安全防护，包括：

若检测到列车的速度大于或等于安全防护速度，则对列车进行紧急制动。

第二方面，本公开实施例提供了一种基于动态参数的列车安全防护装置，该装置包括：

预测模块，用于根据列车的运营数据，预测列车的牵引制动参数；

更新模块，用于利用预测的牵引制动参数，更新安全防护模型中的牵引制动参数；

计算模块，用于根据更新后的安全防护模型，计算列车的安全防护速度；

防护模块，用于根据安全防护速度，对列车进行安全防护。

第三方面，本公开实施例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。

第四方面，本公开实施例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。

在本公开中，可以根据列车的运营数据对安全防护模型中的牵引制动参数进行动态更新，从而真实地反映列车的牵引制动能力，进而精确计算列车的安全防护速度，提高整体的行车效率，实现列车动态安全防护。

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

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：

图1示出了一种传统三阶段安全防护模型的示意图；

图2示出了本公开实施例提供的一种基于动态参数的列车安全防护方法的流程图；

图3示出了本公开实施例提供的又一种基于动态参数的列车安全防护方法的流程图；

图4示出了本公开实施例提供的一种基于动态参数的列车安全防护装置的结构图；

图5示出了一种能够实施本公开的实施例的示例性电子设备的结构图。

具体实施方式

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。

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。

在介绍本公开实施例之前，需要先了解下列车的安全防护模型。不同类型的安全防护模型可以总结为如下公式：

S_r(t)＝S_l(t)+S₀-S_f(t)≥S_t t∈[t₀,t_n] (1)

其中，S_r(t)为在t时刻，后车车头至前车车尾的距离；

S_l(t)为在t时刻，相比于初始时刻，前车所走行的距离；

S_f(t)为在t时刻，相比于初始时刻，后车所走行的距离；

S₀为在初始时刻，后车车头至前车车尾的距离；

S_t为安全裕量；

t₀为初始时刻；

t_n为后车紧急制动后速度为0的时刻。

也就是说，该公式直观的意义是指从后车触发紧急制动直至速度为0的任意时刻，后车与前车不发生位移上的重叠。

对于“撞硬墙”模型(基于绝对制动安全防护模型)，认为前车不运动，也即S_l(t)恒等于0，只需保证后车紧急制动距离不大于两车实际距离减去一个安全裕量，因此公式(1)可以简化为：

S_f≤S₀-S_t (2)

对于S_l(t)与S_f(t)的“撞软墙”模型(基于相对制动安全防护模型)，大多采取分阶段的模型，如图1所示的传统三阶段安全防护模型，将列车紧急制动过程分为牵引切除、紧急制动建立和紧急制动三个阶段。可以看到列车走行距离在第一阶段受列车牵引加速度的影响，第三阶段受紧急制动加速度(即紧急制动率)的影响，全程都受坡度加速度的影响，尤其是紧急制动加速度对走行距离影响最大。

由此可见，对于列车的安全防护模型，列车的牵引制动参数(即牵引制动能力)是非常关键的参数，尤其是紧急制动加速度，对最终安全防护速度的计算起到决定性作用。

但是无论是“撞硬墙”模型还是“撞软墙”模型，本质上都是基于人为选定的牵引制动参数求解安全防护速度。出于安全的考虑，牵引制动参数在选取的过程中往往比较保守，从而导致理论计算的安全防护速度较小，增大了列车追踪间隔，降低了行车效率。

针对于此，本公开实施例提供了一种基于动态参数的列车安全防护方法、装置、设备以及存储介质。具体地，可以根据列车的运营数据，预测列车的牵引制动参数，并利用预测的牵引制动参数，更新安全防护模型中的牵引制动参数，然后根据更新后的安全防护模型，计算列车的安全防护速度，进而根据安全防护速度，对列车进行安全防护。

以此方式，可以根据列车的运营数据对安全防护模型中的牵引制动参数进行动态更新，从而真实地反映列车的牵引制动能力，进而精确计算列车的安全防护速度，提高整体的行车效率，实现列车动态安全防护。

下面结合附图2-5，通过具体的实施例对本公开实施例提供的基于动态参数的列车安全防护方法、装置、设备以及存储介质进行详细地说明。

图2示出了本公开实施例提供的一种基于动态参数的列车安全防护方法的流程图，如图2所示，列车安全防护方法200可以应用于车载控制器(Vehicle On-BoardController，VOBC)，包括以下步骤：

S210，根据列车的运营数据，预测列车的牵引制动参数。

其中，列车的运营数据可以包括：列车运行数据(例如列车位置、列车速度、列车加速度、控制指令、牵引制动特性曲线等)和线路环境数据(例如线路坡度、线路曲线等)，进一步地，还可以包括列车设备数据(例如空气压缩机数据、制动盘数据等)。

由此可知，列车的运营数据涵盖了列车牵引制动的有关数据，极具代表性，能够有效预测列车的牵引制动参数(例如牵引加速度、常用制动加速度和紧急制动加速度)。

示例性地，可以将列车的运营数据输入预先训练的牵引制动预测模型，由牵引制动预测模型对其进行计算处理，快速得到列车的牵引制动参数。

其中，牵引制动预测模型是利用牵引制动训练数据集对预设神经网络(例如BP神经网络、卷积神经网络、全连接神经网络等)进行训练得到的，具有较强的预测能力。这里，牵引制动训练数据集是根据运营数据样本及其对应的牵引制动参数标签生成的。

与此同时，还可以根据实时数据，使用在线学习的方法，不断更新牵引制动预测模型，提高预测准确率。也即将运营数据作为运营数据样本，并将其对应的实际牵引制动参数作为对应的标签加入牵引制动训练数据集，用于模型训练。

需要注意的是，在正常情况下列车的制动能力短时间内不会发生较大变化，因此安全防护模型中的牵引制动参数不宜实时更新，可以对列车的运行场景进行检测，若检测到列车的运行场景发生变化，则根据列车的运营数据预测列车的牵引制动参数，用于后续更新安全防护模型中的牵引制动参数，避免实时更新对计算资源的占用。

其中，运行场景发生变化可以包括但不限于以下选项中至少一项：

(1)天气发生变化，例如雨雪天气，影响列车轮轨关系；

(2)牵引制动***部分故障但不影响继续行车，例如一个转向架故障；

(3)牵引制动***、车轮、钢轨进行检修后；

(4)线路坡度、线路曲线发生显著变化；

(5)列车满载率发生显著变化。

S220，利用预测的牵引制动参数，更新安全防护模型中的牵引制动参数。

也即使用预测的牵引制动参数，替换安全防护模型中的牵引制动参数，实现牵引制动参数的动态更新。

S230，根据更新后的安全防护模型，计算列车的安全防护速度。

S240，根据安全防护速度，对列车进行安全防护。

示例性地，可以对列车的速度进行检测，若检测到列车的速度大于或等于安全防护速度，则对列车进行紧急制动，避免前车与后车发生碰撞，保证列车安全性。

根据本公开实施例，可以根据列车的运营数据对安全防护模型中的牵引制动参数进行动态更新，从而真实地反映列车的牵引制动能力，进而精确计算列车的安全防护速度，提高整体行车效率，实现列车动态安全防护。

值得注意的是，传统安全防护模型中的坡度参数一般取列车车长范围内或列车运行范围内最不利的坡度，即坡度值最小的坡度。可知，这种处理方式较为保守，无法反映真实坡度的变化趋势。

在一些实施例中，为了反映真实坡度的变化趋势，在更新安全防护模型中的牵引制动参数之前、之后或者同时，还可以利用计算的动态平均坡度参数，更新安全防护模型中的坡度参数。

示例性地，动态平均坡度参数的计算可以包括以下步骤：

根据列车的实时位置，查询列车未来运行范围内的坡度信息。

其中，未来运行范围可以是人工定义的固定长度，也可以是根据列车当前速度计算的紧急制动走行距离；坡度信息可以包括：未来运行范围内存在的坡度的数量、大小、长度。

根据未来运行范围的长度和坡度信息，精确计算动态平均坡度参数。

例如，可以将未来运行范围的长度和坡度信息输入坡度动态平均计算公式，计算动态平均坡度参数。

坡度动态平均计算公式可以如下所示：

其中，G_da表示动态平均坡度参数，S表示未来运行范围的长度，n表示未来运行范围内存在的坡度的数量，G_i表示未来运行范围内坡度的大小，S_i表示未来运行范围内坡度的长度。

下面结合一个具体实施例，对公开提供的基于动态参数的列车安全防护方法进行详细说明，具体如下：

如图3所示，预设神经网络包括牵引能力预测网络、常用制动能力预测网络、紧急制动能力预测网络。利用牵引制动训练数据集分别对预设神经网络中的牵引能力预测网络、常用制动能力预测网络、紧急制动能力预测网络进行训练，并将训练好的预设神经网络作为牵引制动预测模型，此时牵引制动预测模型包括牵引能力预测模型、常用制动能力预测模型、紧急制动能力预测模型。

对列车的运行场景进行检测，若检测到列车的运行场景发生变化，则牵引制动参数更新机制触发，将列车的运营数据输入预先训练的牵引制动预测模型，由牵引制动预测模型中的牵引能力预测模型、常用制动能力预测模型、紧急制动能力预测模型分别对运营数据进行计算处理，快速得到列车的牵引制动参数(牵引加速度、常用制动加速度和紧急制动加速度)。

利用得到的牵引制动参数，更新安全防护模型中的牵引制动参数。

根据更新后的安全防护模型，计算列车的安全防护速度。

根据安全防护速度，对列车进行安全防护，保障列车安全高效运行。

与此同时，将本次运营数据作为运营数据样本，并将其对应的实际牵引制动参数作为对应的标签加入牵引制动训练数据集，用于牵引制动预测模型训练，不断优化牵引制动预测模型。

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。

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。

图4示出了根据本公开的实施例提供的一种基于动态参数的列车安全防护装置的结构图，如图4所示，列车安全防护装置400可以包括：

预测模块410，用于根据列车的运营数据，预测列车的牵引制动参数。

更新模块420，用于利用预测的牵引制动参数，更新安全防护模型中的牵引制动参数。

计算模块430，用于根据更新后的安全防护模型，计算列车的安全防护速度。

防护模块440，用于根据安全防护速度，对列车进行安全防护。

在一些实施例中，运营数据包括：列车运行数据和线路环境数据。

在一些实施例中，预测模块410具体用于：

在一些实施例中，运行场景发生变化包括以下选项中至少一项：

天气发生变化；

牵引制动***故障但不影响继续行车；

牵引制动***、车轮、钢轨进行检修后；

线路坡度、线路曲线发生变化；

列车满载率发生变化。

在一些实施例中，预测模块410具体用于：

在一些实施例中，列车的牵引制动参数包括：牵引加速度、常用制动加速度和紧急制动加速度；

预测模块410具体用于：

在一些实施例中，更新模块420，还用于在更新安全防护模型中的牵引制动参数之前、之后或者同时，利用计算的动态平均坡度参数，更新安全防护模型中的坡度参数。

在一些实施例中，动态平均坡度参数的计算包括以下步骤：

根据列车的位置，查询列车未来运行范围内的坡度信息；

在一些实施例中，坡度信息包括：未来运行范围内存在的坡度的数量、大小、长度；

坡度动态平均计算公式为：

在一些实施例中，防护模块440具体用于：

可以理解的是，图4所示的列车安全防护装置400中的各个模块/单元具有实现本公开实施例提供的列车安全防护方法200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。

图5示出了一种可以用来实施本公开的实施例的电子设备的结构图。电子设备500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500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。

如图5所示，电子设备500可以包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

电子设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500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。

计算单元501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501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501执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机程序产品，包括计算机程序，其被有形地包含于计算机可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元501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200。

本文中以上描述的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(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***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***、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***、该至少一个输入装置、和该至少一个输出装置。

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。

在本公开的上下文中，计算机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***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。计算机可读介质可以是计算机可读信号介质或计算机可读储存介质。计算机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***、装置或设备，或者上述内容的任何合适组合。计算机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。

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200，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。

另外，本公开还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现方法200。

为了提供与用户的交互，可以在计算机上实施以上描述的实施例，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。

可以将以上描述的实施例实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(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***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***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***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。

计算机***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***的服务器，或者是结合了区块链的服务器。

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。

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。

Claims

1.一种基于动态参数的列车安全防护方法，其特征在于，所述方法包括：

根据列车的运营数据，预测所述列车的牵引制动参数；

根据更新后的安全防护模型，计算所述列车的安全防护速度；

根据所述安全防护速度，对所述列车进行安全防护。

2.根据权利要求1所述的方法，其特征在于，所述运营数据包括：列车运行数据和线路环境数据。

3.根据权利要求1所述的方法，其特征在于，所述根据列车的运营数据，预测所述列车的牵引制动参数，包括：

若检测到所述列车的运行场景发生变化，则根据所述列车的运营数据预测所述列车的牵引制动参数。

4.根据权利要求3所述的方法，其特征在于，所述运行场景发生变化包括以下选项中至少一项：

天气发生变化；

牵引制动***故障但不影响继续行车；

牵引制动***、车轮、钢轨进行检修后；

线路坡度、线路曲线发生变化；

列车满载率发生变化。

5.根据权利要求1所述的方法，其特征在于，所述根据列车的运营数据，预测所述列车的牵引制动参数，包括：

将所述运营数据输入预先训练的牵引制动预测模型，得到所述列车的牵引制动参数；

所述牵引制动预测模型是利用牵引制动训练数据集对预设神经网络进行训练得到的，其中，所述牵引制动训练数据集是根据运营数据样本及其对应的牵引制动参数标签生成的。

6.根据权利要求5所述的方法，其特征在于，所述列车的牵引制动参数包括：牵引加速度、常用制动加速度和紧急制动加速度；

所述将所述运营数据输入预先训练的牵引制动预测模型，得到所述列车的牵引制动参数，包括：

将所述运营数据输入所述牵引制动预测模型，由所述牵引制动预测模型中的牵引能力预测模型、常用制动能力预测模型、紧急制动能力预测模型分别对所述运营数据进行计算处理，得到所述列车的牵引加速度、常用制动加速度和紧急制动加速度。

7.根据权利要求1-6中任一项所述的方法，其特征在于，在所述更新安全防护模型中的牵引制动参数之前、之后或者同时，所述方法还包括：

利用计算的动态平均坡度参数，更新所述安全防护模型中的坡度参数。

8.根据权利要求7所述的方法，其特征在于，所述动态平均坡度参数的计算包括以下步骤：

根据所述列车的位置，查询所述列车未来运行范围内的坡度信息；

根据未来运行范围的长度和所述坡度信息，计算动态平均坡度参数。

9.根据权利要求8所述的方法，其特征在于，所述坡度信息包括：未来运行范围内存在的坡度的数量、大小、长度；

所述根据未来运行范围的长度和所述坡度信息，计算动态平均坡度参数，包括：

将未来运行范围的长度和所述坡度信息输入坡度动态平均计算公式，计算动态平均坡度参数；

所述坡度动态平均计算公式为：

10.根据权利要求1所述的方法，其特征在于，所述根据所述安全防护速度，对所述列车进行安全防护，包括：

若检测到所述列车的速度大于或等于所述安全防护速度，则对所述列车进行紧急制动。