基于列車運行狀態組合預測的虛擬應答器捕獲方法

王 劍，王思琦，蔡伯根，劉 江，程 君

（1.北京交通大學 電子信息工程學院，北京 100044；2.北京交通大學 北京市軌道交通電磁兼容與衛星導航工程技術研究中心，北京 100044；3.北京交通大學 計算機與信息技術學院，北京 100044；4.中國鐵道科學研究院集團有限公司 通信信號研究所，北京 100081）

近年來，隨著人工智能、物聯網、大數據、云計算、北斗衛星等一系列高新技術與鐵路行業領域的融合發展，中國高速鐵路已經走向智能化發展道路［1］。作為鐵路的“大腦”和“神經中樞”，列車運行控制系統（簡稱“列控系統”）有效地保證了列車的安全、可靠運行。在我國正在研發的新型列控系統［2-3］中，北斗衛星定位、5G 通信和人工智能等前沿新興技術，將為列控技術領域注入新的內涵。

處于迅速發展進程的全球導航衛星系統（Glob?al Navigational Satellite System，GNSS）可以提供全天時、全天候的定位、導航和授時服務，將其用于列控系統實施車載自主化定位感知，有助于減少軌旁設備（如實體應答器、計軸和軌道電路等）需求，提高列控系統的靈活性及運行條件適應性。然而，僅依靠衛星定位難以滿足列車定位在可用性、連續性和可靠性等方面的要求［4］。虛擬應答器（Virtual Balise，VB）技術考慮了將衛星定位技術引入列控系統帶來的兼容性問題，能夠實現衛星定位與列控系統的互操作，為我國新型列控系統的架構設計及裝備研制提供了有益思路。

VB 實際上是一套車載列控系統的軟件模塊，代替實體應答器提供列車的絕對位置等信息，通過VB 的捕獲判斷實現應答器報文傳輸的觸發。VB捕獲時，會根據列車位置與預設在軌道上虛擬參考位置進行比較，確定列車經過參考點的時刻，并在相應時刻觸發VB 報文傳輸，向車載子系統報告列車的位置。

目前，國內外相關研究側重于VB 定位評估方法［5］、VB 定位檢測邏輯［6］和VB 功能架構設計［7］3 個方面。作為實現VB 定位檢測的關鍵步驟，正確的VB 捕獲對于保證GNSS 的有效應用具有重要意義。常規VB 捕獲算法基于固定捕獲半徑（Cap?ture Interval，CI）方法，以列車衛星接收機輸出位置作為捕獲識別位置，存在漏捕獲和捕獲精度低的風險。后陸續出現改進算法，如根據列車速度和接收機頻率動態調整捕獲半徑大?。?］、根據列車速度和加速度預測VB 捕獲［9］、采用濾波預測思想的VB捕獲［10］等方法，在一定程度上提高了VB捕獲時空性能。然而，現有算法沒有考慮列車運行狀態的復雜性和規律性，難以保障列車定位誤差較大時的VB捕獲性能。

本文首先分析常規VB 捕獲算法的基本原理和存在的問題，為改進常規捕獲方法，通過引入列車運行狀態預測思想，設計基于列車運行狀態預測的新型VB 捕獲原理；然后，在考慮列車運行復雜性和規律性的基礎上建立基于交互多模型（Interact?ing Multiple Model，IMM）結合容積卡爾曼濾波（Cubature Kalman Filter，CKF）的自適應IMMCKF方法和長短期記憶（Long Short-Term Memo?ry，LSTM）方法相結合的列車運行狀態組合預測模型，輔助前向搜索策略進行VB 的預捕獲判決和捕獲識別；最后，依托京沈高鐵的現場采集數據，對比不同的列車運行狀態預測方法和VB 捕獲方法的性能，驗證提出方法的有效性及效果。

1 常規VB捕獲原理

常規VB 捕獲方法采用基于固定CI 的捕獲策略，以VB 位置為中心設置一定的捕獲區域，以定位單元輸出的列車位置是否進入捕獲區域實現捕獲識別判決，并將列車定位位置作為VB 捕獲標記位置。圖1 顯示了常規VB 捕獲原理。圖中：黑色直線表示列車運行軌道；R1和R2分別為不同大小的捕獲半徑，m；G1，G2，G3和G4分別為不同時刻觀測到的運行列車的不同位置（表示列車位置時可采用三維空間坐標、二維平面坐標或一維運行里程等形式，此處以VB 捕獲原理為重心，暫不涉及列車位置的具體表示形式）；分別為G1，G2和G4對應的預測列車位置；均為G3對應的2 種可能的預測列車位置。由圖1 可知：若選用R1作為捕獲半徑，則沒有列車位置進入捕獲區域，此時判定VB 為未捕獲狀態，會導致VB 漏捕獲風險；若采用R2作為捕獲半徑，雖可在一定程度上保證VB 的捕獲率，但易出現列車位置G2和G3均在捕獲區域內的情況，易導致重復捕獲判定風險?？梢?，捕獲半徑與VB 的捕獲率、捕獲誤差（捕獲判定位置與VB 的歐式距離）之間存在相互矛盾的關系，這使得常規VB 捕獲方法存在漏捕獲和捕獲精度低的問題。

圖1 常規VB捕獲原理示意圖

常規方法的改進方法，如基于列車速度預測思想的VB 捕獲方法，通常假設列車在當前時刻處于勻速運動或勻加速運動，并以此預測下一時刻列車位置，計算列車經過VB 的時刻。例如在圖1 中，若假設當前時刻列車位置為G2，當列車在短時間內存在機動運動時，這一捕獲方法可能會導致下一時刻的預測列車位置為G′′3?？梢?，這種捕獲方法雖在捕獲精度上有所提高，但沒有考慮列車實際運動情況，對位置的預測精度不足，仍存在漏捕獲風險。

2 基于列車運行狀態組合預測的VB捕獲方法

2.1 新型VB捕獲原理

為彌補常規VB 捕獲方法的不足，提出1 種新型VB 捕獲方法，其關鍵在于下一虛擬應答器（Next Virtual Balise，NVB）預捕獲和VB 捕獲識別2 個環節。先根據軌道電子地圖信息［11］進行地圖匹配，實現列車二維位置的校正和列車運行一維里程信息的計算，消除沿垂直股道方向的定位誤差；再根據當前時刻的觀測列車位置和下一時刻的預測列車位置進行NVB 預捕獲判決和VB 捕獲識別，提高VB的捕獲性能。

1）NVB預捕獲判決原理

設列車當前運行時刻為t，列車定位的時間間隔為?T（?T>0），則可按式（1）進行NVB 的預捕獲判決。

式中：βVB為表示NVB 預捕獲判決結果的0-1 決策變量，當列車觸發VB 捕獲識別時取值為1，反之取值為0；?MNVB為當前時刻列車位置與NVB 位置之差，m；為t時刻起，預測得到列車在列車定位時間間隔?T內的行駛距離，m；rt+?T為t+?T時刻的預測誤差擬合值，隨當前時刻列車速度動態變化，m。

圖2 VB預捕獲原理示意圖

2）VB捕獲識別原理

對通過NVB 預捕獲判決的列車位置進行VB捕獲識別，原理如圖3所示。圖中：?t為前向遞推的單位時間，是列車定位時間間隔?T的等間隔劃分；nVB為前向遞推單位時間的序號，nVB

圖3 VB捕獲識別過程示意圖

由上述原理可知，列車運行狀態的短期前向預測是本文所述VB 捕獲原理的核心和前提，預測精度將直接影響NVB 預捕獲判決的正確率和VB 捕獲識別的空間性能，精確有效的列車運行狀態預測方法因此成為VB捕獲識別的關鍵環節。

2.2 列車運行狀態預測方法

2.2.1 列車運行狀態描述

列車運行狀態復雜多變，存在靜止、牽引、巡航、惰行和制動5種工況，單一的運動模型難以適應列車行進過程中可能出現的所有運行狀態。對應5 種工況，現有研究多采用以下5 種列車運動模型的組合描述列車運行狀態。

（1）常靜止（Constant Stop，CS）模型：狀態向量只含有位置分量，適用于列車到站和在線路上的短暫靜止。

（2）常速度（Constant Velocity，CV）模型：適用于列車處于巡航工況，幾乎恒速的運行狀態。

（3）常加速度（Constant Acceleration，CA）模型：適用于列車加速度隨時間有微小波動的情況。

（4）“當前”統計（Current statistical，CS）模型：認為下一時刻的加速度只可能在當前時刻加速度的一定范圍內變化，且速度概率密度函數服從瑞利分布，適用于描述列車處于CV 與CA 之間的運行狀態。為更貼近列車實際運行狀態，賦值時進一步改進現有方法，考慮某一時刻的平均加速度不僅與前一時刻的最優估計加速度有關，還與前一時刻的平均加速度有關，對列車運行時刻t進行離散化，并用k表示離散后間隔更短的時刻，則k時刻系統的狀態離散方程為

其中，

為進行區分，文中分別用“CS1”“CS2”表示靜止模型和“當前”統計模型。

（5）常轉彎（Constant Turn，CT）模型：用于描述列車在轉彎時的運行狀態，鐵路軌道平面的線型包括直線、緩和曲線和圓曲線3 種，不同曲線對應不同的航向角，列車運行狀態可以通過航向角的變化來表現出來，列車的航向角可利用軌道電子地圖數據庫中的線路信息計算得到。

2.2.2 基于自適應IMM-CKF 的列車運行狀態預測方法

多種列車運動模型組合使用時，雖可通過增加模型的種類來更加充分地描述列車的復雜運動狀態，但這又會增加模型間的競爭和算法的計算復雜度。為妥善處理模型間的競爭關系，考慮采用交互多模型算法融合5種列車運動模型。IMM算法在描述目標的實際運行狀態時，通常使用2 種及以上的子模型，能夠以模型概率的形式解釋當前時刻下各模型對列車運行狀態描述的合理性度量，表現出良好的定位跟蹤性能［13］。

為解決模型的適配問題，考慮采用交互多模型結合容積卡爾曼濾波的自適應IMM-CKF 方法，對列車位置進行濾波估計和短期前向預測。相較于其他非線性濾波方法，CKF 算法具有運算量更小、濾波結果更精確的優勢，適用于描述列車運行狀態的非線性和復雜性。

使用自適應IMM-CKF 方法對列車運行狀態進行濾波估計和前向預測。圖4為基于自適應IMMCKF 的列車運行狀態預測方法的具體步驟，主要分為以下4 步。圖中：CKF1—CKF5分別為5 種列車運動模型的子濾波器（按照前述模型順序依次編號為1—5）；和Pk分別為k時刻列車運行狀態的最優估計及其協方差。

圖4 基于自適應IMM--CKF的列車運行狀態預測方法步驟

步驟2：構造CKF 濾波。將5 種運動模型組成狀態方程，并結合混合狀態估計、混合協方差估計進行CKF 濾波的時間更新過程（即式（2）），得到每1 個模型在k時刻的先驗狀態估計和先驗協方差；在通用橫墨卡托格網系統（UTM）坐標系下，引入定位單元前一時刻的地圖匹配航向角來擴展量測向量。k時刻的量測模型為

式中：Zk=(xk yk vk θk)T為量測向量；h（·）為描述量測向量與狀態向量關系的量測函數；εk為量測誤差向量，xk為列車在UTM 坐標系（地球質心為坐標原點）下k時刻的東向位置，m；yk為北向位置，m；vk為列車運行方向的速度，m·s-1；θk為航向角，rad；為東向速度，m·s-1；為北向速度，m·s-1；σxk，σyk，σvk和σθk分別為k時刻東向x、北向y、速度v和航向角θ噪聲的標準差。

由式（5）可知，量測模型是非線性模型，采用CKF算法進行量測狀態更新，其計算過程如下。

步驟4：更新馬爾科夫轉移矩陣并前向預測。標準IMM 算法中，馬爾科夫矩陣根據先驗信息和主觀決策確定，并在計算過程中保持不變，這常常與實際列車運行狀態不符，為此考慮改進IMM 算法，采用文獻［14］提出的方法，對馬爾科夫轉移矩陣進行修改

相鄰時刻的模型概率之差反映了子模型與實際運動狀態的匹配程度，利用實時量測信息對馬爾科夫矩陣進行更新的方式能夠充分發揮匹配模型的優勢。確定在當前時刻概率最大的模型后，以此作為最佳匹配模型并根據列車位置濾波估計進行列車位置的前向預測，就得到了列車在?T時間內的預測行駛里程。

2.2.3 基于在線更新LSTM 的列車運行狀態預測方法

解決列車運行狀態預測問題可以采用時間序列預測方法［15］。作為1種非參數預測模型［16］，LSTM模型對非平穩和非線性序列具有較好的擬合能力，已在船舶航跡預測、短期客流預測等時間序列預測中得到廣泛應用，將其引入列車運行狀態預測問題，可避免建立過于復雜的列車運動模型。算法具體實施步驟如下。

步驟1：數據預處理和特征確定。以定位單元輸出信息作為試驗數據，結合地圖匹配和插值方法進行異常數據剔除和補全；考慮列車位置預測誤差，為提升預測可靠度，引入第5個輸入特征——?T時間內列車的行駛里程?M。

步驟2：數據歸一化處理。采用min-max 標準化方法對數據進行歸一化處理，減少因特征量綱及其取值范圍的不同而對模型訓練造成的影響。

步驟3：預測模型建立和參數選擇。建立基于滑動窗口的LSTM 網絡預測模型，以連續b（b為滑動窗口寬度）個時刻的特征數據作為LSTM 網絡的輸入，以下一時刻的列車運行特征數據作為輸出，得到預測模型的表達式為

LSTM 神經網絡中的參數眾多，為使輸出結果更符合列車運行實際，網絡訓練時根據經驗設置不同的模型參數，并選擇性能較優的訓練網絡及參數用于在線預測。

步驟4：模型訓練和測試。根據滑動窗口對歸一化處理的數據進行分割，劃分訓練集和測試集，進行模型的訓練和測試；預測模型的預測誤差用于控制模型迭代過程；根據測試集結果，在線更新模型初始化參數。

步驟5：基于實時數據的預測模型更新?？紤]列車在實際運行中，司機、天氣和臨時限速等因素均會對列車運行狀態造成影響，將歷史訓練模型的參數作為在線預測模型參數的初值，利用實時數據對當前模型參數進行微調，使更新后的模型更適用于實時列車運行狀態。

2.3 基于組合預測的VB捕獲方法

基于自適應IMM-CKF 的列車運行狀態預測方法，短期預測精度較高，但需要較多的先驗知識，且模型的預測精度依賴于模型參數的選擇；基于在線更新LSTM 的預測方法，長期預測精度較高，但預測精度更依賴于數據的質量。采用組合預測的形式可以彌補單一模型預測性能的不足，平滑模型預測誤差波動，提高列車運行狀態預測準確度，更好地輔助NVB 預捕獲判決和捕獲識別，提高了VB捕獲精度。

組合預測時，采用一定滑動窗口內的預測誤差平方和倒數法確定自適應IMM-CKF 方法和在線更新LSTM 方法的權重，并對預測結果進行加權組合。以k時刻預測k+1 時刻，設自適應IMMCKF 方法和在線更新LSTM 方法得到的列車行駛里程分別為?M′k+1,1和?M′k+1,2，則組合預測結果?M′k+1為

其中，

式中：wk,1和wk,2分別為k時刻自適應IMM-CKF方法和在線更新LSTM 方法的預測權重系數；Ek,1和Ek,2分別為k時刻2 種方法在滑動窗口內的預測誤差平方和；q為從滑動窗口時刻（k-b+1 時刻）到k時刻2 種方法預測值的序號；?Mq為對應時刻的觀測列車行駛里程值；分別為對應時刻2種方法得到的預測列車行駛里程值。

基于列車運行狀態組合預測的VB 捕獲方法具體流程如圖5所示，分為4個主要步驟。

圖5 VB捕獲方法流程

步驟1：獲取列車位置和NVB 位置。利用高精度軌道電子地圖將定位單元輸出的列車位置投影到線路上，實現列車位置的校正和一維里程的轉換；利用VB 模塊從VB 數據庫提取NVB 報文信息；利用幾何地圖匹配方法進行列車位置轉換（即地圖匹配過程），搜索軌道電子地圖中與當前列車位置最近的2 個關鍵點（包含經度、緯度、高程和一維里程等信息），根據垂直投影定理，計算定位單元輸出位置分別與2 個關鍵點間直線的投影位置，采用線性插值計算投影位置的一維運行里程，完成列車位置的校正和位置轉換。

步驟2：列車運行狀態組合預測。采用組合預測方法進行列車運行狀態估計和前向預測，得到列車在t+?T時刻的預測運行狀態；考慮列車運行在固定的軌道上，在預測過程中，根據組合預測結果和軌道電子地圖不斷校正預測列車位置。

步驟3：NVB預捕獲判決。根據列車運行狀態組合預測結果和式（1）完成NVB預捕獲判決，通過預捕獲判決的列車定位信息將進行VB 捕獲識別；若未通過預捕獲判決，將繼續跟蹤列車的運行狀態。

步驟4：VB捕獲識別。根據自適應IMM-CKF方法各子模型概率計算結果，確定當前時刻下5個子模型中模型概率最大的模型，并認為該模型比較符合列車當前時刻運行狀態；設該模型的狀態轉移矩陣為F，對列車定位時間間隔?T進行等間隔?t劃分，確定等間隔的個數N為

預測列車運行狀態，并根據預測結果不斷前向遞推，得到距t時刻第（nVB-1）個時間間隔?t時的列車運行狀態向量為

式中：Xt,1和Xt,2分別為列車在t時刻的運行狀態Xt的東向和北向位置分量。

確定NVB 捕獲識別位置，以t時刻列車與NVB 的距離（MNVB-Mt），t+nVB?t時刻列車與NVB 的預測距離和t+ΔT時刻列車與NVB 的預測距離（Mt+?M′t+?TMNVB）共N+1 個距離的最小值，作為NVB 捕獲識別位置，即第nVB個VB捕獲空間誤差EnVB為

式中：Mt為當前時刻列車累積行駛里程。

從這一捕獲流程可以看出，提出的新型VB 捕獲方法具有如下特點：

（1）針對常規方法中列車位置前向預測精度較低的問題，新方法考慮了列車運行狀態的復雜性和規律性，輔以高精度軌道電子地圖，構建得到的列車運行狀態預測模型可切實提高列車位置預測精度；

（2）針對常規方法中的VB 漏捕獲問題，新方法增加了NVB 預捕獲判決邏輯，能夠在一定程度上降低VB漏捕獲風險；

（3）針對現有常規方法中捕獲空間精度較低的問題，新方法在確定VB 捕獲識別位置和時刻時采用了前向遞推搜索策略，能夠一定程度上改善對VB的捕獲性能。

3 驗證與分析

采用2018 年8～9 月在京沈高鐵現場采集的數據對所述VB 捕獲方法進行驗證分析。為確保列車定位連續從而保證VB 功能的可用性，試驗中列車定位單元使用慣性傳感器與普通衛星接收機信息進行融合；以高精度Novatel SPAN-FSAS GNSS/INS接收機的輸出作為參考真值，接收機頻率設置為1 Hz；為保證接收機解算位置的一致性，2 臺接收機使用相同的天線。選擇多趟列車日志數據用于LSTM 模型訓練和測試，為了驗證本文方法在實時列車運行狀態預測和VB 捕獲性能上的優勢，選取8月31日的“黑山北—新民北—沈陽西”下行區段共1 684個定位數據作為實時數據。

試驗開始前，使用高精度衛星接收機進行實地測量，使用特定軟件對測量數據進行處理，制作得到用于列車定位和VB 功能實現的軌道電子地圖。依據軌道電子地圖數據，以1.5 km 等間隔地布設虛擬應答器52 個，記錄應答器標號、經度、緯度和里程等信息，生成VB數據庫。

3.1 模型參數初始化

初始化自適應IMM-CKF 方法參數：采樣周期取1 s；實際列車運行中，考慮到乘客的舒適度，一般列車的加速度不會大于1 m·s-2；初始化子模型概率μ0=馬爾科夫轉移矩陣初值為

確定在線更新LSTM 模型參數：通過多次試驗調整模型參數，使用Adam 優化算法對網絡權值進行更新，初始學習率為0.005，最大迭代次數為1 000 次，目標損失函數為均方誤差；試驗中保持模型其他參數不變，通過測試集測試不同參數（滑動窗口長度和隱藏層節點個數）設置下的模型預測性能，圖6 顯示了預測結果的均方根誤差，由圖6可知滑動窗口為5、隱藏層節點數為64 或256 時，預測結果的均方根誤差相近且小于其他設置方法誤差。綜合考慮模型的預測性能和時效性，驗證試驗時設置滑動窗口長度為5、隱藏層節點數為64。

圖6 不同模型參數下的均方根誤差統計結果

3.2 列車運行狀態預測性能

自適應IMM-CKF 方法對列車運行狀態的描述直接決定了VB 捕獲識別時前向搜索模型的選擇。圖7 顯示了列車運行中自適應IMM-CKF 方法各子模型的概率。由圖7可知：在列車靜止時，CS1模型占有絕對優勢，其模型概率大于99%；在列車處于加速和減速階段時，CS2模型概率較大，當模型轉換穩定時，CS2模型概率大于80%；總體而言，各子模型能夠充分描述列車的不同運行狀態。

圖7 自適應IMM--CKF方法各子模型概率

利用模型預測結果與參考真值的偏差來評價模型的預測性能。表1 給出了3 種方法類型下7 種預測方法的預測誤差性能，其他方法參數設置與本文方法一致?？梢姡簲祿寗臃椒ㄖ?，在線更新LSTM 方法的預測性能與標準門控循環單元（Gat?ed Recurrent Units，GRU）方法相當，均優于標準LSTM 方法；機動模型方法中，對比方法有IMM與擴展卡爾曼濾波（Extended Kalman Filter，EKF）相結合的IMM-EKF方法，自適應IMM-CKF方法的預測性能優于標準IMM-CKF 和IMM-EKF 方法；組合預測方法性能最優，預測結果的平均絕對誤差分別比在線更新LSTM 方法和自適應IMMCKF方法低32.16%和12.91%。

表1 不同預測方法下的預測性能

3.3 VB捕獲性能

本文方法得到某VB 捕獲識別時刻的列車位置狀態局部放大如圖8 所示（UTM 坐標系）。顯然，列車運行狀態預測誤差較小，VB 捕獲識別位置與NVB 位置較近，直觀地說明了本文所提方法的可行性。

圖8 某個VB的捕獲識別狀態局部放大

為了驗證基于列車運行狀態預測的VB 捕獲方法性能，將現有VB 捕獲方法、基于前述6 種預測方法的VB 捕獲方法和本文方法進行對比驗證，表2 給出了各方法的細節描述，其中：方法1～6 在VB 捕獲邏輯上與本文方法存在較大不同；方法7～12 均為本文VB 預捕獲判決方法，但采用不同列車運行狀態預測方法和不同VB 捕獲識別方法；方法13為本文方法。

為對比不同方法的計算耗時，統計不同捕獲方法下，單周期VB 捕獲計算的平均用時見表3?？梢姡?3 種VB 捕獲方法均滿足列車進行實時探測VB 以及執行VB 捕獲算法的需要；VB 捕獲算法計算復雜度越大、平均用時就越長，因此相比于常規的基于CI 的VB 捕獲方法（方法1～4），引入列車運行狀態預測機制后，基于不同列車運行狀態預測的VB 捕獲方法（方法5～13）單周期捕獲計算的平均用時較長；在基于預測思想的捕獲方法中，數據驅動方法的單周期捕獲計算平均用時明顯大于機動模型方法。

表3 不同捕獲方法下的單周期捕獲計算的平均用時ms

為橫向對比捕獲率，圖9 顯示了不同捕獲方法下的捕獲率情況。由圖9 可知：基于CI 的捕獲方法其捕獲率隨著捕獲半徑的增大逐漸增加，呈正比關系；基于預測思想的VB 捕獲方法的捕獲率較高，但方法7～9和方法12均在第9個VB 出現了漏捕獲現象，此時列車位置預測誤差較大，未能通過NVB 預捕獲判決；本文方法在保證VB 全部正確識別的前提下，進一步提高了VB 捕獲率，相比于方法1提高捕獲率88.46%。

圖9 不同捕獲方法下的捕獲率

為橫向對比捕獲空間性能，以捕獲誤差衡量VB 捕獲的空間精度。圖10顯示了本文方法對所有VB 的捕獲誤差情況。由圖10可知，最大捕獲誤差小于0.5 m，滿足列車定位需求。表4 給出了不同捕獲方法下捕獲誤差的對比，由表4可知：對于基于固定CI的VB捕獲方法，其最大捕獲誤差接近捕獲半徑，且存在不同捕獲半徑方法下最小捕獲誤差相等的情況，這主要是由CI 的捕獲機制決定的；對于基于預測思想的VB 捕獲方法，其捕獲性能優于常規方法，但采用不同列車運行狀態預測方法的VB 捕獲方法中，基于數據驅動的VB 捕獲方法捕獲誤差較大、基于機動模型的VB 捕獲方法捕獲誤差較??；基于最佳匹配模型的前向搜索策略表現出明顯的優勢，本文方法的捕獲誤差綜合性能優于其他方法，特別是相比其他基于預測思想的VB 捕獲方法（方法5～12），本文方法在捕獲誤差均值上最低可實現1.55%、最高可實現70.23%的優化效果。

圖10 VB捕獲誤差統計

表4 不同捕獲方法下的捕獲誤差

綜上所述，基于列車運行狀態組合預測的VB捕獲方法具有較高的計算復雜度，單周期捕獲計算平均用時較長，然而，相比于對比方法，其在列車運行狀態預測精度、VB 捕獲率和捕獲性能方面具有明顯的改善。在實際應用中需要權衡VB 捕獲算法的實時性和實施性能，選擇最佳的捕獲算法，保障列車運行和控制的安全性。

4 結語

本文概述了國內外有關VB 的研究現狀，分析了常規VB 捕獲策略存在的問題，在此基礎上，提出了列車運行狀態預測思想的新型VB 捕獲方法，并對其捕獲原理進行了描述；在列車運行狀態預測方面，考慮了列車運行狀態的復雜性和規律性，使用自適應IMM-CKF 和在線更新LSTM 相結合的列車運行狀態組合預測方法，輔助軌道電子地圖，結合前向搜索策略完成了VB 預捕獲判決和捕獲識別；試驗數據驗證表明，列車運行狀態組合預測方法相較于單一的自適應IMM-CKF 方法和在線更新LSTM 方法，預測誤差分別減小了32.16%和12.91%；與現有捕獲方法相比，所述方法在保證列車運行狀態預測精度的前提下，VB 捕獲率為100%，VB 捕獲誤差均值最高可實現70.23%的優化效果。本文方法打破了常規捕獲方法將列車定位位置作為VB 捕獲位置在捕獲空間性能的局限性，提高了基于預測思想的VB捕獲率和捕獲精度。

論文后續工作中，將進一步關注VB 功能的可用性優化和捕獲可靠性提升，若因VB 功能失效或捕獲算法不可靠引起應答器報文丟失，將嚴重影響ATP系統的控車性能，進一步研究高性能的VB捕獲算法對于保證列車的安全行駛具有重要意義。