城市轨道交通为城市居民的出行带来了极大的便利[1,2]，许多大城市已经发展出了大规模的城市轨道交通网络[3,4]。然而，随着城市人口的增长，出行需求的增加导致高峰时段车站出现严重的乘客拥堵和列车容量持续超载问题。虚拟耦合方法被视为缓解高峰时段城市轨道交通线路容量拥堵的有效解决方案[5]。虚拟耦合的概念最初在欧洲提出[6,7]，此后成为列车运行和控制技术未来发展的关键方向[8]。虚拟耦合方法将重要的轨道旁设备迁移至列车上，并利用列车与基础设施（T2I）无线通信层、列车与列车（T2T）通信层以及负责监控列车完整性和监督速度的车载设备来进一步缩短列车间距[9]。此外，T2T通信允许多列列车在高峰时段临时虚拟耦合成单一长列车编组[10]，并在非高峰时段解耦，这非常适合满足城市轨道交通系统复杂且动态的乘客流量需求。总体而言，虚拟耦合方法在保持甚至提高列车服务性能的同时，增加了现有城市轨道交通网络的容量[11]。
一些初步研究表明，使用虚拟耦合方法可以显著增加线路容量[10,12]。关于虚拟耦合列车的相关研究致力于开发列车控制算法，包括基于分散模型预测控制（MPC）框架[13]、考虑时变延迟的耦合控制算法[14]、基于滑模控制的鲁棒间隙控制器[15]以及基于人工势场（APF）方法的新型列车控制模型[11]。这些控制算法的数值仿真结果均支持了它们的有效性。同样，Ji等人[16]开发了一种基于物理信息的深度学习控制框架，用于虚拟轨道列车。除了列车控制算法外，作为一项新兴创新，虚拟耦合列车还需要适当的安全保护方法来确保其安全高效运行，这对于其广泛采用至关重要。
在现有的城市轨道交通移动闭塞系统中，主要使用了两种列车运行的安全保护方法：绝对制动距离（ABD）方法和相对制动距离（RBD）方法[17]。在列车运行过程中，列车间距必须大于计算出的安全保护距离。在ABD方法中，安全保护距离是在假设前车制动距离为0的情况下计算得出的，随后列车施加制动。而在RBD方法中，在计算安全保护距离时减去了前车的制动距离，而不是假设其为0。因此，RBD方法缩短了安全保护距离，从而减少了列车运行过程中的间距[18]。这两种方法的应用已在大量研究中得到验证[[19], [20], [21], [22], [23], [24]]。鉴于虚拟耦合技术需要更短的间距，现有安全保护方法是否能够适应虚拟耦合列车的运行仍不确定。因此，开发一种确保虚拟耦合列车安全高效运行的安全保护方法是一个亟待解决的挑战。
在各种运输系统中，学者们普遍认识到，准确的轨迹预测是确保车辆或船舶安全运行的关键前提[[25], [26], [27]]。这一原则同样适用于虚拟耦合列车，因为它们的安全高效运行从根本上依赖于对前车轨迹的精确预测[19,28]。近年来，随着深度学习技术的广泛应用，各种深度学习模型越来越多地被用于预测虚拟耦合列车的轨迹[[29], [30], [31], [32], [33], [34], [35], [36]]。然而，现有研究主要集中在提高轨迹预测的准确性上，而不是有效地将轨迹预测与安全保护方法相结合。
本研究提出了一种基于轨迹预测（SPTP）的安全保护方法，用于虚拟耦合列车的运行。首先，开发了一种用于轨迹预测的混合型TLMA模型，该模型整合了时间卷积网络（TCN）、长短期记忆（LSTM）和多头自注意力（MATT）方法。接下来，基于TLMA模型的结果，提出了SPTP方法，以同时满足后续列车运行的空间要求、列车在站台静止时的安全要求以及在不同恶劣条件下的运行安全要求。最后，建立了一个多状态列车跟随模型，考虑了列车动态、乘客舒适度限制和运行状态，并用它来评估在SPTP、ABD和RBD方法下的虚拟耦合列车运行性能。
本文的其余部分安排如下：第2节介绍文献综述。第3节开发了TLMA模型、SPTP方法和多状态列车跟随模型。第4节展示了TLMA模型与基线模型的对比结果。第5节评估了SPTP方法与现有安全保护方法的性能。最后，第6节给出了结论。
