[发明专利]基于Spark Streaming的列车实时定位跟踪与速度计算方法

权利要求书

1.一种基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，包括以下步骤：

S1、实时采集每个传感测区的振动数据并转换为Spark Streaming中的数据流DStream，对数据流DStream进行预处理以消除扰动影响；

S2、利用预先采集的列车轨道上铺设的分布式光栅阵列的离线数据生成静态无车数据样本与来车数据样本，根据数据样本计算每个传感测区有车与无车时的特征参数，对比特征参数曲线，取若干有效特征参数，通过Spark Streaming在线验证与评估；

S3、根据每个传感测区无车时有效特征参数过滤消除扰动后的数据流Dstream中的静态无车数据，提取行车数据；

S4、对提取的行车数据进行预处理生成特征向量，该特征向量对应不同的传感测区，利用K-Means聚类算法对特征向量进行分类，以区分多辆列车；

S5、利用滑动窗口方式分别跟踪分类后每辆列车的流式特征向量，在线生成每个滑动窗口的参数信息；

S6、根据每个滑动窗口的参数信息，得到跟踪列车的实时坐标，结合多重均一化计算方法，在线生成跟踪列车的实时速度。

2.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，所述分布式光栅阵列沿轨道沿线紧贴列车轨道铺设，并每隔固定距离对其进行固定，每隔一定距离通过振动检测仪以固定的采样频率采集振动数据。

3.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，采集的振动数据用Kafka进行传输，对t时间内产生的数据进行预处理并打包成一个T*L的数据包存放在缓冲区，其中T为短时间内单个传感测区产生的数据量，L为沿线测区数量。

4.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，步骤S1中采用差分去噪法，排除个别传感测区自身偏振及外部扰动对行车数据提取产生的影响。

5.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，步骤S2中，将每个传感测区离线静态无车数据与来车数据从时域上划分为大小相等的数据段，针对该数据段的一维特征，根据有效特征参数，求每个数据段的平均幅值、能量、过零率和平均阈值。

6.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，步骤S4中对行车数据进行预处理具体为：从行车数据中提取行车数据集，将行车数据集转化为序号值生成序号数据集，并对其中相同序号值进行叠加，建立高斯混合模型，记录叠加次数，截取每组高斯波峰，得到截取波峰数量值K与初始聚类中心集Seed；同时，将序号数据集利用flapMap映射为键值对类型，将键值对转化为特征向量集，调用K-means聚类算法对特征向量集进行聚类操作。

7.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，步骤S5中利用滑动窗口方式分别跟踪分类后每辆列车的流式特征向量具体为：步骤S4中聚类得到K组列车坐标向量集 ，对每个坐标向量建立一个矩形窗口，使用该矩形窗口代替列车，在线计算矩形窗口参数信息，包括：矩形窗口编号S，滑动窗口宽度值W，窗口中点位置坐标值X，窗口可靠率P，窗口滑动方向。

8.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，步骤S6中使用多重均一化方法，在短时间t范围内计算的多重位移坐标交叉计算速度，用得到的短时间均值化速度代替实时速度。

9.根据权利要求1所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，还包括步骤：

S7、记录沿线所有滑动窗口的参数信息，以及滑动窗口的生成、交替与消失。

10.根据权利要求1-8中任一项所述的基于Spark Streaming的列车实时定位跟踪与速度计算方法，其特征在于，每5米为一个传感测区。