摘要:城市轨道交通因它具有高效,快捷,环保,承载量密度大等多项特点而得到推广,它的技术发展趋势也越来越成为人们广为议论与重点关注研究的热点话题。结合城市轨道交通智慧综合管控平台系统的总体方案、系统架构与智慧应用效果,对大规模全景数据并发控制技术与动态多维属性实时分析决策技术进行深入的研究分析。本文实现了对城市轨道交通智慧综合管控平台系统的全面介绍,进一步研究了城市轨道交通综合管控平台智慧化应用的技术实现，从而最终全面推动城市轨道交通智慧化发展与建设。

　　关键词:城市轨道交通；智慧综合管控平台；智慧化；关键技术；应用

　　城市轨道交通在经过近二十年的高速发展，逐渐形成了从“满足基础功能”向“智慧化”的发展趋势，进入了由“建设为主”向“运营并举”的新阶段。大数据、云计算、人工智能、数字孪生等新技术在城市轨道交通领域得到逐渐运用，促进了城市轨道交通在数字化、信息化、智慧化的发展。智慧化关键技术将对传统轨道交通产业的不断赋能，促进了整行业的技术进步与深入发展。

　　1、智慧综合管控平台总体方案,系统架构及应用效果

　　随着城市轨道交通运营规模的迅速扩展和信息化水平的不断提高，如何高质量推进城轨系统向协同化和智能化方向发展成为重要的研究方向。依托于数字可视化、工业互联网、人工智能等技术，研究以数据为核心构建人、机、物等要素的全面互联，通过智慧综合管控平台实现城轨综合业务的运营管理优化与效率提升。 

　　1.1智慧综合管控平台总体方案

图1智慧综合管控平台总体方案

　　通过大数据分析、AI智能等多种新技术应用，搭建城市轨道交通智慧综合管控平台，面向乘客服务、智能能源等领域，形成覆盖中心、车站、变电所、车辆段的智慧化体系架构，提升城轨智慧化管理水平。中心级对全线重要监控对象的状态、性能数据进行实时收集和处理，通过各种调度员工作站和大屏幕以图形、图像、表格和文本的形式显示出来，供调度人员控制和监视，从而完成对全线环境、设备和客流信息的集中监控[1]。车站级对本站监控对象的状态、性能数据进行实时收集和处理，通过操作员工作站以图形、图像、表格和文本的形式显示出来，供车站值班人员控制和监视。车辆段级实现对库门状态、自动化栏杆状态的监视。变电所级采用自主或遥控方式，控制智能巡检机器人替代人对配电房进行可见光、红外、局放等检测，及时发现开关柜运行的事故隐患和故障先兆，同时对变电所内环境传感器监测到的温度、臭氧等数据进行监视和报警。 

　　1.2智慧综合管控平台系统架构

图2智慧综合管控平台系统架构

　　系统采用C/S架构，分层分布式模块化设计；通过数据采集、数据处理、数据分析、数据显示、系统联动等流程，实现对传统地铁车站、变电所、车辆段的智慧化提升，整个软件平台架构分为三层。1、边缘数据采集层：专门用于数据采集和协议转换，主要由边缘设计和集成接口单元（FEP）构成。通过FEP的数据采集、协议转换、数据隔离等功能实现与相关系统的数据通信。2、核心服务层：提供数据计算、存储、通信等基础服务。3、应用与展示层：提供具体的智慧化应用功能，并可视化处理后显示在人机界面上。

　　1.3智慧综合管控平台应用效果

图3智慧综合管控平台的智慧应用

　　综合管控平台包含了多种智慧应用，如：1、三维全景车站：使用3D技术手段为车站运营值班人员的生产调度和日常巡检提供全新的监控视角；2、全自动开关站：提供全线范围的自动开关站应用，大大降低车站运营值班人员的工作强度；3、智能视频分析联动：利用视频分析技术对乘客特殊行为进行识别，及时发送实时报警；平台根据预设的联动方案自动进行智慧联动，对目标事件进行及时和有效处理；4、客流分析预测：通过视频分析、与售检票专业接口等技术手段，准确获取客流信息，基于历史数据积累，提供精准的客流预测和分析功能；5、应急处置：建设应急指挥系统，方便运营工作人员日常工作演练，为紧急情况下的应急处置提供可靠、有效的技术手段；6、智能环境调节：通过增设PM10传感器等手段，实现对车站乘车环境的全面感知，通过综合管控平台与智能照明、环控系统等联动协作，最终为乘客提供舒适的乘车环境；7、智慧能管系统：进行能耗分类分项统计分析，准确把握能耗构成，并进行能耗的智能预测。

　　2、智慧综合管控平台关键技术研究

　　2.1大规模全景数据并发控制技术

　　该技术采用多级缓存、多路径数据访问、一致性散列算法、半抢占式动态优先级任务调度、动态策略控制等大规模并发控制技术，开发集数据更新、订阅发布、信息查询等功能于一体的实时数据库，提升系统的实时数据存储容量与处理性能。

　　1）多级并发控制：采用并发多级数据处理、多级缓存和消息队列，加速实时数据处理。

　　2）多路径数据访问：实时数据存储采用Key-Value键值对方式，为了加速数据访问采用多路径访问方式，根据访问目的不同采用不同的组织形式，当单点数据访问时采用拉链哈希+红黑树方式，当按站点或子系统类型批量访问时采用层次树+链表方式，实际的数据结点同时挂接在多条访问路径中，通过多条路径均可访问。

　　3）一致性散列算法：采用一致性散列算法，使站点数据的增加不影响现有数据的处理，相同的设备状态信息在一致的通道进行处理，保持数据的前后一致性。

　　4）半抢占式动态优先级任务调度：在任务执行过程中，通过监测点监测，发现低优先级任务占用过多资源，会暂停低优先级任务，转而执行高优先级任务；任务的优先级可根据时间、系统当前状况进行动态调整。

　　2.2动态多维属性实时分析决策技术

图4动态多维属性实时分析决策流程

　　时间序列的自回归模型(auto-regressive，AR)适用于很多工业过程，其特点是AR 系统记忆性强，在时间t 的值依赖于从前时刻的行为，这与设备运行过程中的低动态性相符。地铁机电设备在正常运行过程中一部分状态量的变化较小，如拉力、接地电流等，这些状态量数据都属于平稳序列，可直接用AR拟合；另一部分状态量呈日周期性变化，但变化幅值不大，如油温、环境温度等，去除其日周期性后也可通过AR拟合。由于地铁机电设备的潜伏性故障发展缓慢，因此当设备处于异常状态时，监测到的参量往往未超出导则或规程中的限值，从而难以察觉。对于没有超出状态量限值的在线监测数据，单纯地用AR 模型不能够检测出其异常状态。

　　自组织神经网络(self organized maps，SOM)工作原理是通过无监督学习方法，让竞争层各神经元通过竞争与输入模式进行匹配，最后仅有一个神经元成为竞争的胜者，这一获取神经元的输入就代表对输入模式的分类。由于无监督学习的训练样本中不含有期望输出，没有任何先验知识，因此适用于数据量大、不含标签的状态监测数据。

　　DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种基于密度的聚类算法。它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。

　　1）读取联动历史状态数据；

　　2）联动历史状态数据代入AR模型和SOM模型进行训练，然后建立多属性特征参数，通过DBSCAN算法对多属性进行聚类；

　　3）根据多属性特征参数和聚类生成的簇对联动数据、当前系统状态进行判定；

　　4）选择并执行联动策略；

　　5）联动策略更新到联动历史数据库。

　　3、结语

　　通过对智慧综合管控平台及其关键技术的研究，一方面实现了对传统综合监控系统、通信系统、安防系统、电源监测以及乘客信息等各个业务系统的优化升级[2]；另一方面通过采集业务系统数据并深度融合，形成高度集成的智慧化管控平台，结合全息感知技术将设备、人员、环境信息综合吸收，通过大数据平台构建数据的清洗、标准化以及建模的数据仓库，并通过抽取、关联、汇总形成数据集市，通过数据可视化技术，实现站级现场管控、线路级数据处理和展示，实现基础数据收集与积累，实现生产网系统与管理网系统的打通，具备接入其他线路业务和数据融合的能力，并且提供AI算法平台的深度学习框架进行算法建模、模型训练以及模型调优，最终形成专家知识库以进行综合决策，最终实现完全智慧化的城轨管控系统。提高城市轨道交通整体运行服务的安全能力与运营效率,推动未来城市轨道交通系统更加深入的发展，以更完美的智慧城市轨道交通最终实现智慧城市的目标。

参考文献：

[1] 王政.城市轨道交通智能综合监控系统及关键技术[J].技术与市场，2015（11）：40-41.

[2] 王富章，李平，刘德山 . 城市轨道交通智能综合监控系统及关键技术[J].交通运输系统工程与信息，2004（3）：24-28.