城市軌道交通地下段列車輔助定位方法研究

魏然之 吳 杰 王 森

(1.上海地鐵維護保障有限公司通號分公司， 200235， 上海；2.上海申通地鐵集團有限公司技術(shù)中心， 201103， 上海∥第一作者， 工程師)

隨著民用通信網(wǎng)絡(luò)在國內(nèi)城市軌道交通領(lǐng)域的大規(guī)模部署，4G(第四代移動通信技術(shù))/5G(第五代移動通信技術(shù))無線信號實現(xiàn)了城市軌道交通線路地下區(qū)段的全覆蓋?？紤]到目前衛(wèi)星定位技術(shù)在地下空間應(yīng)用時具有局限性，采用無線信號在地下線路區(qū)段為列車提供輔助的定位信息，具有一定的可行性和應(yīng)用空間。

城市軌道交通中的列車定位功能通常由信號系統(tǒng)負責，通過安裝在軌旁和列車上的定位設(shè)備把列車位置傳送給ATS(列車自動監(jiān)控)系統(tǒng)。隨著信號系統(tǒng)的更新迭代，軌旁定位設(shè)備持續(xù)升級，從傳統(tǒng)的軌道電路到計軸，再到目前基于無線的車地通信，由此列車定位信息也越來越精確。但在信號系統(tǒng)發(fā)生故障、列車采用降級模式運行的情況下，僅靠軌道電路或計軸只能將列車定位在某個軌道區(qū)段內(nèi)，其定位信息的精確度大幅下降。為此，本文基于地下區(qū)間民用通信系統(tǒng)無線信號的應(yīng)用實際，提出了無線信號指紋定位算法，建立了列車定位模型，將該算法用于上海軌道交通9號線地下段現(xiàn)場測試，并對測試結(jié)果進行分析驗證。

1 建立列車輔助定位模型

本文針對地下線路場景下列車定位的研究從兩個角度展開：

1) 建立列車輔助定位模型:主要從數(shù)據(jù)采集、特征分析和AI(人工智能)建模等環(huán)節(jié)逐步建立仿真模型，通過4G/5G通信網(wǎng)絡(luò)數(shù)據(jù)實現(xiàn)對列車所在位置的預(yù)測和輸出。

2) 列車定位精度的分析:基于所建模型對影響列車定位精度的主要因素進行細化，并進行對比分析，為提升列車定位精度提出有針對性的建議。

圖1為列車輔助定位模型的數(shù)據(jù)流處置流程。

圖1 列車輔助定位模型數(shù)據(jù)流示意圖

1.1 明確模型的業(yè)務(wù)及數(shù)據(jù)

本研究采用無線信號指紋定位算法作為城市軌道交通列車輔助定位模型的核心算法，將信號系統(tǒng)中ATS的列車位置信息作為該算法的標簽數(shù)據(jù)。

無線信號指紋定位算法擬通過AI模型學習方法，從數(shù)據(jù)中訓練出一個從特征到標簽的映射關(guān)系模型。如圖2所示，信號指紋定位算法包括確定性的定位算法和基于概率的定位算法兩部分，其計算過程可分兩個階段：列車位置數(shù)據(jù)庫的建立階段和列車位置的估計階段。

圖2 列車位置數(shù)據(jù)指紋法的相關(guān)算法

基于無線信號指紋定位算法建立列車輔助定位模型，其技術(shù)要點主要包括：①因ATS數(shù)據(jù)具有較高的精度，該算法將ATS數(shù)據(jù)作為標簽；②指紋算法采用的特征數(shù)據(jù)為4G/5G的空口數(shù)據(jù)(包括但不僅限于通信時間、小區(qū)標識、小區(qū)電頻強度等)，通過算法結(jié)果預(yù)測列車的位置；③通過AI模型學習方法訓練得到從特征到標簽的映射關(guān)系模型。

本研究在上海軌道交通9號線的曹路站—楊高中路站區(qū)段(均為地下段)進行了現(xiàn)場測試。因信號指紋定位算法需要輸入大量的測試數(shù)據(jù)，才能確保得到良好的列車定位精度,為此，本研究在測試列車上安裝了帶有天線的通信模組，通過ATS得到該區(qū)段起始點位置，通過業(yè)務(wù)-特征維度映射技術(shù)將位置信息映射為指紋算法的標簽數(shù)據(jù)。測試數(shù)據(jù)(如表1所示)主要來自于UE(用戶終端)和eNodeB(基站)的物理層、RLC(無線控制層),以及在無線資源管理過程中計算產(chǎn)生的測試報告。

將ATS數(shù)據(jù)和測試數(shù)據(jù)進行篩選和拼接，在刪除4個列次的測試數(shù)據(jù)后，最終共采集到ATS系統(tǒng)的23 442個樣本數(shù)據(jù)及移動網(wǎng)絡(luò)的14 275個樣本數(shù)據(jù)。基于這些樣本數(shù)據(jù)，建立列車輔助定位仿真模型。

1.2 特征的初選和解析

1) 特征初選：本研究基于對列車定位業(yè)務(wù)及其數(shù)據(jù)的理解，選擇與特征維度(如時間、電信強度、基站和小區(qū)等)相關(guān)的字段作為特征值。

2) 特征解析：將不同特征字段數(shù)據(jù)分類，通過設(shè)計數(shù)據(jù)處理方法和代碼等方法，使之成為統(tǒng)一的數(shù)據(jù)類型。

1.3 特征優(yōu)化

應(yīng)用大數(shù)據(jù)和AI模型學習技術(shù)進行數(shù)據(jù)挖掘時，往往通過試錯的方式來反復迭代計算、優(yōu)化挖掘結(jié)果，最終得到最優(yōu)解。根據(jù)數(shù)據(jù)挖掘原理，本研究有以下3種特征優(yōu)選方法可供選擇：

1) 隨機森林模型中所有決策樹的平均不純度衰減法：通過隨機森林模型中所有決策樹得到的平均不純度衰減,用以度量各個變量的重要性，將重要性高的變量作為特征值。

2) 遞歸特征消除法：其主要思想是反復構(gòu)建模型，將選出最好或最差的特征放到一邊;然后在剩余的特征中重復這個過程，直到所有特征都遍歷,并保留特定數(shù)量的特征。

3) 通過主成分分析實現(xiàn)特征降維：在主成分分析中將原始特征通過一系列的線性組合，形成低維的特征，以去除數(shù)據(jù)的相關(guān)性;降維后的數(shù)據(jù)應(yīng)最大程度地保持原始高維數(shù)據(jù)的方差信息。

本研究選擇隨機森林模型中所有決策樹的平均不純度衰減法作為列車輔助定位模型的特征優(yōu)選方法，并基于此方法進行了特征優(yōu)選。

表1 實際測試數(shù)據(jù)表

1.4 選擇列車輔助定位模型的范式及參數(shù)

1.4.1 選擇模型范式

模型的范式主要包括監(jiān)督學習范式、無監(jiān)督學習范式及強化學習范式3種形式。根據(jù)列車定位模型的實際情況，需要給出列車具體位置的一系列樣本和數(shù)據(jù),供機器進行自學習。所以,本文優(yōu)選有監(jiān)督模型范式,即根據(jù)訓練數(shù)據(jù)，通過基于無線信號指紋定位算法得到訓練模型f(x)(一個x→y的映射關(guān)系f)。在機器訓練完成后,得到正式模型h(x)，以便在輸入新樣本x后，可得到預(yù)測結(jié)果y，其原理如圖3所示。

圖3 機器有監(jiān)督學習模型示意圖

1.4.2 選擇學習模型

可在集成學習、傳統(tǒng)機器學習及神經(jīng)網(wǎng)絡(luò)等模型中優(yōu)選所需的學習模型。綜合考慮列車輔助定位模型的實際情況，通過大量的迭代計算，本研究采用集成學習模型進行建模。

集成學習模型是一種從錯誤中進行學習的技術(shù)，可以較好地應(yīng)用到數(shù)字預(yù)測模型中。該模型可以訓練程序做出某一決定。程序?qū)⑹盏降臒o線信號指紋輸入分配到集成算法的個體學習器中,并搜集各個體學習器產(chǎn)生的列車位置預(yù)測結(jié)果,通過投票法、平均法等結(jié)合算法，選出最優(yōu)的預(yù)測結(jié)果并輸出。

1.4.3 選擇評估參數(shù)

在機器學習過程中，可以得到查準率P與查全率R這兩個數(shù)據(jù)。P的R的計算式為：

(1)

(2)

式中：

P——查準率，指被機器學習認為是正確的樣本數(shù)與樣本總數(shù)之比；

TP——被機器學習認為正確且實際也是正確的樣本；

FP——被機器學習認為正確但實際是錯誤的樣本;

R——查全率，指被機器學習認為是正確的樣本數(shù)與應(yīng)當被機器學習認為是正確的樣本數(shù)之比；

Fn——未被機器學習認為正確但實際是正確的樣本。

在訓練機器學習模型過程中，往往希望能夠兼顧查準率和查全率，并使用一個統(tǒng)一的單值評價指標來評價機器學習模型的訓練效果。因此,通過計算得到查準率與查全率的調(diào)和平均數(shù)f1，f1是一個可以綜合評估查全率和查準率的指標。

(3)

f1=1時，說明查準率和查全率指標都是100%，即沒有漏檢和誤檢。此時列車定位預(yù)測模型越接近理論最優(yōu)模型，能準確輸出列車行駛過程中所有的真實位置。

2 對列車輔助定位模型預(yù)測結(jié)果的評估

根據(jù)采集到的樣本數(shù)據(jù)(即測試的開行列次)，將列車定位精度分別劃分50 m、100 m、150 m和200 m柵格。對這4種柵格尺寸下樣本進行統(tǒng)計，可得到不同柵格尺寸下的樣本數(shù)量的平均值和最小值，如表2所示。

表2 不同柵格尺寸下的樣本數(shù)據(jù)分布

根據(jù)樣本數(shù)量的分布情況，通過大量的迭代測試和優(yōu)化，本次采用200 m柵格建立列車輔助定位模型,此時模型輸出較為均衡的定位精度為200 m柵格。在大量的迭代測試和優(yōu)化中，模型的輸出有微小的變化，其評估指標f1也略有不同。f1=0.763 540 191是迭代過程中出現(xiàn)的最高值。

3 仿真結(jié)果分析

綜上分析，得到如下結(jié)論：①列車輔助定位模型可以穩(wěn)定運行并輸出列車的位置數(shù)據(jù)；②列車輔助定位模型可輸出較為均衡的位置數(shù)據(jù)，當定位精度為200 m柵格時，f1=0.763 540 191；③如表3所示，對柵格尺寸、樣本數(shù)量平均值和f1三者的關(guān)系進行對比分析可知，樣本數(shù)據(jù)與柵格尺寸存在較強的正相關(guān)性，柵格尺寸每增加50 m，樣本數(shù)據(jù)約增加25個，樣本數(shù)量和f1也存在較強的正相關(guān)性。

表3 柵格尺寸、樣本數(shù)量及f1關(guān)聯(lián)度列表

從實際測試的效果看，200 m柵格的定位精度基本可以滿足列車降級運行下的定位需求。從建模評估數(shù)據(jù)看，在保持f1不明顯下降的前提下，若需增加10個開行列次的測試數(shù)據(jù)，列車的定位精度預(yù)計需在150 m左右；若增加50個開行列次的測試數(shù)據(jù)，列車的定位精度預(yù)計應(yīng)在50 m以內(nèi)。

4 結(jié)語

本文采用信號指紋定位算法，利用民用通信4G/5G網(wǎng)絡(luò)的無線信號，實現(xiàn)了列車在地下線路區(qū)間的定位。經(jīng)測試，該算法可以至少實現(xiàn)200 m的定位精度，基本能夠滿足列車降級運行下的輔助定位需求。此外，該算法還可以為其他應(yīng)用提供服務(wù)，如內(nèi)燃機車等工程車輛在正線施工時的定位、不同信號制式線路間列車轉(zhuǎn)線時的定位等。在下一階段的工作中，應(yīng)進一步擴大標記數(shù)據(jù)樣本的來源和數(shù)量，以探索不同場景下基于無線信號的列車定位性能的極限。