城市軌道交通地下段列車(chē)輔助定位方法研究

魏然之 吳 杰 王 森

(1.上海地鐵維護(hù)保障有限公司通號(hào)分公司， 200235， 上海；2.上海申通地鐵集團(tuán)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(guó)內(nèi)城市軌道交通領(lǐng)域的大規(guī)模部署，4G(第四代移動(dòng)通信技術(shù))/5G(第五代移動(dòng)通信技術(shù))無(wú)線(xiàn)信號(hào)實(shí)現(xiàn)了城市軌道交通線(xiàn)路地下區(qū)段的全覆蓋。考慮到目前衛(wèi)星定位技術(shù)在地下空間應(yīng)用時(shí)具有局限性，采用無(wú)線(xiàn)信號(hào)在地下線(xiàn)路區(qū)段為列車(chē)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(chē)定位功能通常由信號(hào)系統(tǒng)負(fù)責(zé)，通過(guò)安裝在軌旁和列車(chē)上的定位設(shè)備把列車(chē)位置傳送給ATS(列車(chē)自動(dòng)監(jiān)控)系統(tǒng)。隨著信號(hào)系統(tǒng)的更新迭代，軌旁定位設(shè)備持續(xù)升級(jí)，從傳統(tǒng)的軌道電路到計(jì)軸，再到目前基于無(wú)線(xiàn)的車(chē)地通信，由此列車(chē)定位信息也越來(lái)越精確。但在信號(hào)系統(tǒng)發(fā)生故障、列車(chē)采用降級(jí)模式運(yùn)行的情況下，僅靠軌道電路或計(jì)軸只能將列車(chē)定位在某個(gè)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(wú)線(xiàn)信號(hào)的應(yīng)用實(shí)際，提出了無(wú)線(xiàn)信號(hào)指紋定位算法，建立了列車(chē)定位模型，將該算法用于上海軌道交通9號(hào)線(xiàn)地下段現(xiàn)場(chǎng)測(cè)試，并對(duì)測(cè)試結(jié)果進(jìn)行分析驗(yàn)證。

1 建立列車(chē)輔助定位模型

本文針對(duì)地下線(xiàn)路場(chǎng)景下列車(chē)定位的研究從兩個(gè)角度展開(kāi)：

1) 建立列車(chē)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(guò)4G/5G通信網(wǎng)絡(luò)數(shù)據(jù)實(shí)現(xiàn)對(duì)列車(chē)所在位置的預(yù)測(cè)和輸出。

2) 列車(chē)定位精度的分析:基于所建模型對(duì)影響列車(chē)定位精度的主要因素進(jìn)行細(xì)化，并進(jìn)行對(duì)比分析，為提升列車(chē)定位精度提出有針對(duì)性的建議。

圖1為列車(chē)輔助定位模型的數(shù)據(jù)流處置流程。

圖1 列車(chē)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(wú)線(xiàn)信號(hào)指紋定位算法作為城市軌道交通列車(chē)輔助定位模型的核心算法，將信號(hào)系統(tǒng)中ATS的列車(chē)位置信息作為該算法的標(biāo)簽數(shù)據(jù)。

無(wú)線(xiàn)信號(hào)指紋定位算法擬通過(guò)AI模型學(xué)習(xí)方法，從數(shù)據(jù)中訓(xùn)練出一個(gè)從特征到標(biāo)簽的映射關(guān)系模型。如圖2所示，信號(hào)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(jì)算過(guò)程可分兩個(gè)階段：列車(chē)位置數(shù)據(jù)庫(kù)的建立階段和列車(chē)位置的估計(jì)階段。

圖2 列車(chē)位置數(shù)據(jù)指紋法的相關(guān)算法

基于無(wú)線(xiàn)信號(hào)指紋定位算法建立列車(chē)輔助定位模型，其技術(shù)要點(diǎn)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(biāo)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(shí)間、小區(qū)標(biāo)識(shí)、小區(qū)電頻強(qiáng)度等)，通過(guò)算法結(jié)果預(yù)測(cè)列車(chē)的位置；③通過(guò)AI模型學(xué)習(xí)方法訓(xùn)練得到從特征到標(biāo)簽的映射關(guān)系模型。

本研究在上海軌道交通9號(hào)線(xiàn)的曹路站—楊高中路站區(qū)段(均為地下段)進(jìn)行了現(xiàn)場(chǎng)測(cè)試。因信號(hào)指紋定位算法需要輸入大量的測(cè)試數(shù)據(jù)，才能確保得到良好的列車(chē)定位精度,為此，本研究在測(cè)試列車(chē)上安裝了帶有天線(xiàn)的通信模組，通過(guò)ATS得到該區(qū)段起始點(diǎn)位置，通過(guò)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(biāo)簽數(shù)據(jù)。測(cè)試數(shù)據(jù)(如表1所示)主要來(lái)自于UE(用戶(hù)終端)和eNodeB(基站)的物理層、RLC(無(wú)線(xiàn)控制層),以及在無(wú)線(xiàn)資源管理過(guò)程中計(jì)算產(chǎn)生的測(cè)試報(bào)告。

將ATS數(shù)據(jù)和測(cè)試數(shù)據(jù)進(jìn)行篩選和拼接，在刪除4個(gè)列次的測(cè)試數(shù)據(jù)后，最終共采集到ATS系統(tǒng)的23 442個(gè)樣本數(shù)據(jù)及移動(dòng)網(wǎng)絡(luò)的14 275個(gè)樣本數(shù)據(jù)。基于這些樣本數(shù)據(jù)，建立列車(chē)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(duì)列車(chē)定位業(yè)務(wù)及其數(shù)據(jù)的理解，選擇與特征維度(如時(shí)間、電信強(qiáng)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(lèi)，通過(guò)設(shè)計(jì)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(lèi)型。

1.3 特征優(yōu)化

應(yīng)用大數(shù)據(jù)和AI模型學(xué)習(xí)技術(shù)進(jìn)行數(shù)據(jù)挖掘時(shí)，往往通過(guò)試錯(cuò)的方式來(lái)反復(fù)迭代計(jì)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(jī)森林模型中所有決策樹(shù)的平均不純度衰減法：通過(guò)隨機(jī)森林模型中所有決策樹(shù)得到的平均不純度衰減,用以度量各個(gè)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(fù)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(fù)這個(gè)過(guò)程，直到所有特征都遍歷,并保留特定數(shù)量的特征。

3) 通過(guò)主成分分析實(shí)現(xiàn)特征降維：在主成分分析中將原始特征通過(guò)一系列的線(xiàn)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(jī)森林模型中所有決策樹(shù)的平均不純度衰減法作為列車(chē)輔助定位模型的特征優(yōu)選方法，并基于此方法進(jìn)行了特征優(yōu)選。

表1 實(shí)際測(cè)試數(shù)據(jù)表

1.4 選擇列車(chē)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(xué)習(xí)范式、無(wú)監(jiān)督學(xué)習(xí)范式及強(qiáng)化學(xué)習(xí)范式3種形式。根據(jù)列車(chē)定位模型的實(shí)際情況，需要給出列車(chē)具體位置的一系列樣本和數(shù)據(jù),供機(jī)器進(jìn)行自學(xué)習(xí)。所以,本文優(yōu)選有監(jiān)督模型范式,即根據(jù)訓(xùn)練數(shù)據(jù)，通過(guò)基于無(wú)線(xiàn)信號(hào)指紋定位算法得到訓(xùn)練模型f(x)(一個(gè)x→y的映射關(guān)系f)。在機(jī)器訓(xùn)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(cè)結(jié)果y，其原理如圖3所示。

圖3 機(jī)器有監(jiān)督學(xué)習(xí)模型示意圖

1.4.2 選擇學(xué)習(xí)模型

可在集成學(xué)習(xí)、傳統(tǒng)機(jī)器學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)等模型中優(yōu)選所需的學(xué)習(xí)模型。綜合考慮列車(chē)輔助定位模型的實(shí)際情況，通過(guò)大量的迭代計(jì)算，本研究采用集成學(xué)習(xí)模型進(jìn)行建模。

集成學(xué)習(xí)模型是一種從錯(cuò)誤中進(jìn)行學(xué)習(xí)的技術(shù)，可以較好地應(yīng)用到數(shù)字預(yù)測(cè)模型中。該模型可以訓(xùn)練程序做出某一決定。程序?qū)⑹盏降臒o(wú)線(xiàn)信號(hào)指紋輸入分配到集成算法的個(gè)體學(xué)習(xí)器中,并搜集各個(gè)體學(xué)習(xí)器產(chǎn)生的列車(chē)位置預(yù)測(cè)結(jié)果,通過(guò)投票法、平均法等結(jié)合算法，選出最優(yōu)的預(yù)測(cè)結(jié)果并輸出。

1.4.3 選擇評(píng)估參數(shù)

在機(jī)器學(xué)習(xí)過(guò)程中，可以得到查準(zhǔn)率P與查全率R這兩個(gè)數(shù)據(jù)。P的R的計(jì)算式為：

(1)

(2)

式中：

P——查準(zhǔn)率，指被機(jī)器學(xué)習(xí)認(rèn)為是正確的樣本數(shù)與樣本總數(shù)之比；

TP——被機(jī)器學(xué)習(xí)認(rèn)為正確且實(shí)際也是正確的樣本；

FP——被機(jī)器學(xué)習(xí)認(rèn)為正確但實(shí)際是錯(cuò)誤的樣本;

R——查全率，指被機(jī)器學(xué)習(xí)認(rèn)為是正確的樣本數(shù)與應(yīng)當(dāng)被機(jī)器學(xué)習(xí)認(rèn)為是正確的樣本數(shù)之比；

Fn——未被機(jī)器學(xué)習(xí)認(rèn)為正確但實(shí)際是正確的樣本。

在訓(xùn)練機(jī)器學(xué)習(xí)模型過(guò)程中，往往希望能夠兼顧查準(zhǔn)率和查全率，并使用一個(gè)統(tǒng)一的單值評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)機(jī)器學(xué)習(xí)模型的訓(xùn)練效果。因此,通過(guò)計(jì)算得到查準(zhǔn)率與查全率的調(diào)和平均數(shù)f1，f1是一個(gè)可以綜合評(píng)估查全率和查準(zhǔn)率的指標(biāo)。

(3)

f1=1時(shí)，說(shuō)明查準(zhǔn)率和查全率指標(biāo)都是100%，即沒(méi)有漏檢和誤檢。此時(shí)列車(chē)定位預(yù)測(cè)模型越接近理論最優(yōu)模型，能準(zhǔn)確輸出列車(chē)行駛過(guò)程中所有的真實(shí)位置。

2 對(duì)列車(chē)輔助定位模型預(yù)測(cè)結(jié)果的評(píng)估

根據(jù)采集到的樣本數(shù)據(jù)(即測(cè)試的開(kāi)行列次)，將列車(chē)定位精度分別劃分50 m、100 m、150 m和200 m柵格。對(duì)這4種柵格尺寸下樣本進(jìn)行統(tǒng)計(jì)，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(guò)大量的迭代測(cè)試和優(yōu)化，本次采用200 m柵格建立列車(chē)輔助定位模型,此時(shí)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(cè)試和優(yōu)化中，模型的輸出有微小的變化，其評(píng)估指標(biāo)f1也略有不同。f1=0.763 540 191是迭代過(guò)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(chē)輔助定位模型可以穩(wěn)定運(yùn)行并輸出列車(chē)的位置數(shù)據(jù)；②列車(chē)輔助定位模型可輸出較為均衡的位置數(shù)據(jù)，當(dāng)定位精度為200 m柵格時(shí)，f1=0.763 540 191；③如表3所示，對(duì)柵格尺寸、樣本數(shù)量平均值和f1三者的關(guān)系進(jìn)行對(duì)比分析可知，樣本數(shù)據(jù)與柵格尺寸存在較強(qiáng)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(gè)，樣本數(shù)量和f1也存在較強(qiáng)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(shí)際測(cè)試的效果看，200 m柵格的定位精度基本可以滿(mǎn)足列車(chē)降級(jí)運(yùn)行下的定位需求。從建模評(píng)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(gè)開(kāi)行列次的測(cè)試數(shù)據(jù)，列車(chē)的定位精度預(yù)計(jì)需在150 m左右；若增加50個(gè)開(kāi)行列次的測(cè)試數(shù)據(jù)，列車(chē)的定位精度預(yù)計(jì)應(yīng)在50 m以?xún)?nèi)。

4 結(jié)語(yǔ)

本文采用信號(hào)指紋定位算法，利用民用通信4G/5G網(wǎng)絡(luò)的無(wú)線(xiàn)信號(hào)，實(shí)現(xiàn)了列車(chē)在地下線(xiàn)路區(qū)間的定位。經(jīng)測(cè)試，該算法可以至少實(shí)現(xiàn)200 m的定位精度，基本能夠滿(mǎn)足列車(chē)降級(jí)運(yùn)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(jī)車(chē)等工程車(chē)輛在正線(xiàn)施工時(shí)的定位、不同信號(hào)制式線(xiàn)路間列車(chē)轉(zhuǎn)線(xiàn)時(shí)的定位等。在下一階段的工作中，應(yīng)進(jìn)一步擴(kuò)大標(biāo)記數(shù)據(jù)樣本的來(lái)源和數(shù)量，以探索不同場(chǎng)景下基于無(wú)線(xiàn)信號(hào)的列車(chē)定位性能的極限。