摘要:城市軌道交通因它具有高效,快捷,環保,承載量密度大等多項特點而得到推廣,它的技術發展趨勢也越來越成為人們廣為議論與重點關注研究的熱點話題。結合城市軌道交通智慧綜合管控平臺系統的總體方案、系統架構與智慧應用效果,對大規模全景數據并發控制技術與動態多維屬性實時分析決策技術進行深入的研究分析。本文實現了對城市軌道交通智慧綜合管控平臺系統的全面介紹,進一步研究了城市軌道交通綜合管控平臺智慧化應用的技術實現，從而最終全面推動城市軌道交通智慧化發展與建設。

　　關鍵詞:城市軌道交通；智慧綜合管控平臺；智慧化；關鍵技術；應用

　　城市軌道交通在經過近二十年的高速發展，逐漸形成了從“滿足基礎功能”向“智慧化”的發展趨勢，進入了由“建設為主”向“運營并舉”的新階段。大數據、云計算、人工智能、數字孿生等新技術在城市軌道交通領域得到逐漸運用，促進了城市軌道交通在數字化、信息化、智慧化的發展。智慧化關鍵技術將對傳統軌道交通產業的不斷賦能，促進了整行業的技術進步與深入發展。

　　1、智慧綜合管控平臺總體方案,系統架構及應用效果

　　隨著城市軌道交通運營規模的迅速擴展和信息化水平的不斷提高，如何高質量推進城軌系統向協同化和智能化方向發展成為重要的研究方向。依托于數字可視化、工業互聯網、人工智能等技術，研究以數據為核心構建人、機、物等要素的全面互聯，通過智慧綜合管控平臺實現城軌綜合業務的運營管理優化與效率提升。 

　　1.1智慧綜合管控平臺總體方案

圖1智慧綜合管控平臺總體方案

　　通過大數據分析、AI智能等多種新技術應用，搭建城市軌道交通智慧綜合管控平臺，面向乘客服務、智能能源等領域，形成覆蓋中心、車站、變電所、車輛段的智慧化體系架構，提升城軌智慧化管理水平。中心級對全線重要監控對象的狀態、性能數據進行實時收集和處理，通過各種調度員工作站和大屏幕以圖形、圖像、表格和文本的形式顯示出來，供調度人員控制和監視，從而完成對全線環境、設備和客流信息的集中監控[1]。車站級對本站監控對象的狀態、性能數據進行實時收集和處理，通過操作員工作站以圖形、圖像、表格和文本的形式顯示出來，供車站值班人員控制和監視。車輛段級實現對庫門狀態、自動化欄桿狀態的監視。變電所級采用自主或遙控方式，控制智能巡檢機器人替代人對配電房進行可見光、紅外、局放等檢測，及時發現開關柜運行的事故隱患和故障先兆，同時對變電所內環境傳感器監測到的溫度、臭氧等數據進行監視和報警。 

　　1.2智慧綜合管控平臺系統架構

圖2智慧綜合管控平臺系統架構

　　系統采用C/S架構，分層分布式模塊化設計；通過數據采集、數據處理、數據分析、數據顯示、系統聯動等流程，實現對傳統地鐵車站、變電所、車輛段的智慧化提升，整個軟件平臺架構分為三層。1、邊緣數據采集層：專門用于數據采集和協議轉換，主要由邊緣設計和集成接口單元（FEP）構成。通過FEP的數據采集、協議轉換、數據隔離等功能實現與相關系統的數據通信。2、核心服務層：提供數據計算、存儲、通信等基礎服務。3、應用與展示層：提供具體的智慧化應用功能，并可視化處理后顯示在人機界面上。

　　1.3智慧綜合管控平臺應用效果

圖3智慧綜合管控平臺的智慧應用

　　綜合管控平臺包含了多種智慧應用，如：1、三維全景車站：使用3D技術手段為車站運營值班人員的生產調度和日常巡檢提供全新的監控視角；2、全自動開關站：提供全線范圍的自動開關站應用，大大降低車站運營值班人員的工作強度；3、智能視頻分析聯動：利用視頻分析技術對乘客特殊行為進行識別，及時發送實時報警；平臺根據預設的聯動方案自動進行智慧聯動，對目標事件進行及時和有效處理；4、客流分析預測：通過視頻分析、與售檢票專業接口等技術手段，準確獲取客流信息，基于歷史數據積累，提供精準的客流預測和分析功能；5、應急處置：建設應急指揮系統，方便運營工作人員日常工作演練，為緊急情況下的應急處置提供可靠、有效的技術手段；6、智能環境調節：通過增設PM10傳感器等手段，實現對車站乘車環境的全面感知，通過綜合管控平臺與智能照明、環控系統等聯動協作，最終為乘客提供舒適的乘車環境；7、智慧能管系統：進行能耗分類分項統計分析，準確把握能耗構成，并進行能耗的智能預測。

　　2、智慧綜合管控平臺關鍵技術研究

　　2.1大規模全景數據并發控制技術

　　該技術采用多級緩存、多路徑數據訪問、一致性散列算法、半搶占式動態優先級任務調度、動態策略控制等大規模并發控制技術，開發集數據更新、訂閱發布、信息查詢等功能于一體的實時數據庫，提升系統的實時數據存儲容量與處理性能。

　　1）多級并發控制：采用并發多級數據處理、多級緩存和消息隊列，加速實時數據處理。

　　2）多路徑數據訪問：實時數據存儲采用Key-Value鍵值對方式，為了加速數據訪問采用多路徑訪問方式，根據訪問目的不同采用不同的組織形式，當單點數據訪問時采用拉鏈哈希+紅黑樹方式，當按站點或子系統類型批量訪問時采用層次樹+鏈表方式，實際的數據結點同時掛接在多條訪問路徑中，通過多條路徑均可訪問。

　　3）一致性散列算法：采用一致性散列算法，使站點數據的增加不影響現有數據的處理，相同的設備狀態信息在一致的通道進行處理，保持數據的前后一致性。

　　4）半搶占式動態優先級任務調度：在任務執行過程中，通過監測點監測，發現低優先級任務占用過多資源，會暫停低優先級任務，轉而執行高優先級任務；任務的優先級可根據時間、系統當前狀況進行動態調整。

　　2.2動態多維屬性實時分析決策技術

圖4動態多維屬性實時分析決策流程

　　時間序列的自回歸模型(auto-regressive，AR)適用于很多工業過程，其特點是AR 系統記憶性強，在時間t 的值依賴于從前時刻的行為，這與設備運行過程中的低動態性相符。地鐵機電設備在正常運行過程中一部分狀態量的變化較小，如拉力、接地電流等，這些狀態量數據都屬于平穩序列，可直接用AR擬合；另一部分狀態量呈日周期性變化，但變化幅值不大，如油溫、環境溫度等，去除其日周期性后也可通過AR擬合。由于地鐵機電設備的潛伏性故障發展緩慢，因此當設備處于異常狀態時，監測到的參量往往未超出導則或規程中的限值，從而難以察覺。對于沒有超出狀態量限值的在線監測數據，單純地用AR 模型不能夠檢測出其異常狀態。

　　自組織神經網絡(self organized maps，SOM)工作原理是通過無監督學習方法，讓競爭層各神經元通過競爭與輸入模式進行匹配，最后僅有一個神經元成為競爭的勝者，這一獲取神經元的輸入就代表對輸入模式的分類。由于無監督學習的訓練樣本中不含有期望輸出，沒有任何先驗知識，因此適用于數據量大、不含標簽的狀態監測數據。

　　DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一種基于密度的聚類算法。它將簇定義為密度相連的點的最大集合，能夠把具有足夠高密度的區域劃分為簇，并可在噪聲的空間數據庫中發現任意形狀的聚類。

　　1）讀取聯動歷史狀態數據；

　　2）聯動歷史狀態數據代入AR模型和SOM模型進行訓練，然后建立多屬性特征參數，通過DBSCAN算法對多屬性進行聚類；

　　3）根據多屬性特征參數和聚類生成的簇對聯動數據、當前系統狀態進行判定；

　　4）選擇并執行聯動策略；

　　5）聯動策略更新到聯動歷史數據庫。

　　3、結語

　　通過對智慧綜合管控平臺及其關鍵技術的研究，一方面實現了對傳統綜合監控系統、通信系統、安防系統、電源監測以及乘客信息等各個業務系統的優化升級[2]；另一方面通過采集業務系統數據并深度融合，形成高度集成的智慧化管控平臺，結合全息感知技術將設備、人員、環境信息綜合吸收，通過大數據平臺構建數據的清洗、標準化以及建模的數據倉庫，并通過抽取、關聯、匯總形成數據集市，通過數據可視化技術，實現站級現場管控、線路級數據處理和展示，實現基礎數據收集與積累，實現生產網系統與管理網系統的打通，具備接入其他線路業務和數據融合的能力，并且提供AI算法平臺的深度學習框架進行算法建模、模型訓練以及模型調優，最終形成專家知識庫以進行綜合決策，最終實現完全智慧化的城軌管控系統。提高城市軌道交通整體運行服務的安全能力與運營效率,推動未來城市軌道交通系統更加深入的發展，以更完美的智慧城市軌道交通最終實現智慧城市的目標。

參考文獻：

[1] 王政.城市軌道交通智能綜合監控系統及關鍵技術[J].技術與市場，2015（11）：40-41.

[2] 王富章，李平，劉德山 . 城市軌道交通智能綜合監控系統及關鍵技術[J].交通運輸系統工程與信息，2004（3）：24-28.