CN109131452A - 一种基于长短时记忆网络的列车状态在线预测方法 - Google Patents
一种基于长短时记忆网络的列车状态在线预测方法 Download PDFInfo
- Publication number
- CN109131452A CN109131452A CN201810923709.7A CN201810923709A CN109131452A CN 109131452 A CN109131452 A CN 109131452A CN 201810923709 A CN201810923709 A CN 201810923709A CN 109131452 A CN109131452 A CN 109131452A
- Authority
- CN
- China
- Prior art keywords
- data
- train status
- network
- train
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000015654 memory Effects 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000011160 research Methods 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000001413 cellular effect Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 abstract 1
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/40—Handling position reports or trackside vehicle data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于长短时记忆网络的列车状态在线预测方法,首先对列车状态监测数据预处理与归一化,完成状态监测数据的选取与划分;然后对LSTM进行网络链式结构设计,建立多层交互结构;进行LSTM网络门结构设计,得到包含输入门、遗忘门和输出门的LSTM单元结构;采用基于求解梯度的反向传播算法,更新网络权重和偏置参数;最后选取列车速度数据为研究对象,进行了列车速度预测,本发明解决了现有技术中存在的列车状态预测不准确,故障误报率高,传统估计算法运算复杂,可移植性差,离线状态预测不能掌握与控制列车实时状态,预测精度不高的问题。
Description
技术领域
本发明属于轨道交通运行安全技术领域,具体涉及一种基于长短时记忆网络的列车状态在线预测方法。
背景技术
随着我国列车的快速发展,列车的安全问题越来越受到重视。为了促进我国轨道交通的健康可持续发展,开展适应于列车状态的实时在线预测显得十分重要。
准确的列车状态预测是保证列车高速安全运行的基础。通过对列车状态的在线实时预测,可以掌握列车各部分的实时性能,为列车实时精准控制打下基础。因此,以列车监测数据为研究对象,基于长短时记忆网络(Long Short Term Memory Network,LSTM),开展适应于列车状态预测的基础研究意义重大。
发明内容
本发明的目的是提供一种基于长短时记忆网络的列车状态在线预测方法,解决了现有技术中存在的列车状态预测不准确,故障误报率高,传统估计算法运算复杂,可移植性差,离线状态预测不能掌握与控制列车实时状态,预测精度不高的问题。
本发明所采用的技术方案是,一种基于长短时记忆网络的列车状态在线预测方法,具体按照以下步骤实施:
步骤1、列车状态监测数据预处理与归一化;
步骤2、列车状态监测数据选取与划分;
步骤3、LSTM网络门结构设计;
步骤4、LSTM网络梯度反向计算误差;
步骤5、调节网络循环次数,进行状态预测。
本发明的特点还在于,
步骤1具体如下:
数据预处理包括对列车状态监测数据进行缺失数据补全、突变点剔除操作;
数据归一化采用线性函数归一化,去掉状态监测数据的量纲,将数据限制到一定区间,使运算更为便捷,如下式:
其中,x为列车状态不同时刻的监测数据,xmin和xmax分别为状态监测数据中的最小值和最大值,xnorm为归一化处理后的状态数据。
步骤2具体如下:
选取列车状态历史监测数据为研究对象,对监测数据进行划分,设定前70%和后30%的历史监测数据为LSTM网络训练数据集和测试数据集,用于之后的LSTM网络模型的训练与测试。
步骤3具体如下:
步骤3.1、以t时刻的网络细胞为研究对象,t时刻的细胞输入由t-1时刻的隐藏层单元ht-1、t-1时刻的细胞状态Ct-1和当前时刻的列车状态数据xt共同组成,t时刻的细胞输出为隐藏层单元ht和细胞状态Ct;
步骤3.2:遗忘门决定上一时刻细胞状态Ct-1中的信息传递到当前时刻Ct中的信息量,由ft控制,值域为(0,1),其计算公式如下:
ft=σ(Wxfxt+Uhfht-1+bf)
式中,ft为遗忘门状态,Wxf和Uhf分别为输入列车状态特征向量和隐藏层单元与遗忘门之间的权重,bf为遗忘门的偏差值,σ表示sigmod函数,如下所示:
式中,x为输入数据,通过sigmod函数将数据映射到[0,1]之间,便于后续的分析与处理;
步骤3.3:细胞输入门用来控制当前输入新生成的信息中加入到细胞状态Ct中的信息量,由it控制,值域为(0,1),设tanh层产生当前时刻新的信息,sigmoid层控制新信息传递到细胞状态的信息量,计算公式如下:
it=σ(Wxixt+Uhiht-1+bi)
式中,it为输入门状态,为当前输入新信息,Wxi和Uhi分别为输入列车状态特征向量和隐藏层单元与输入门之间的权重,bi为输入门的偏差值,tanh表示激活函数,tanh函数如下所示:
式中,x为输入数据,通过tanh函数将数据映射到[-1,1]之间,便于后续的分析与处理;
步骤3.4:基于遗忘门和输入门的输出,更新细胞状态,具体计算公式如下:
式中,Ct为t时刻细胞状态;
步骤3.5:基于更新的细胞状态,输出门ot采用sigmoid层控制细胞状态信息作为隐藏状态的输出ht。
步骤4具体如下:
步骤4.1:定义反向传播计算误差δ为模型目标函数E对加权输入nett=(UhR*ht-1+Wx*xt+b)的偏导,δ的传播沿两个方向,分别为从输出层传递至输入层,以及沿时间t的反向传播;
步骤4.2:定义:由ht=ot*tanh(Ct)得
式中,Ct记忆了所有时刻的细胞状态,故每个时间点迭代时,累加;
步骤4.3:由得到:
根据
it=f(netit)=sigmoid(Uhi*ht-1+Wxi*xt+bi)
ft=f(netft)=sigmoid(Uhf*ht-1+Wxf*xt+bf)
ot=f(netot)=sigmoid(Uho*ht-1+Wxo*xt+bo)
得
步骤4.4:计算各个权重矩阵的偏导数:
步骤4.5:以t时刻网络细胞为研究对象,δ从输出层传递至输入层,对于输出层L,由于yt=g(Wy*ht+by)=g(nett),则
权重Wy,by的偏导数:
同理
步骤4.6:对于其它层,由于
nett=(Uh*ht-1+Wx*xt+b)
又因为
得到
步骤5具体如下:
选取步骤4得到的全部数据的前70%和后30%分别作为网络的训练数据和测试数据,调节网络循环次数与网络参数,进行列车状态的预测。
本发明的有益效果是,一种基于长短时记忆网络的列车状态在线预测方法,针对列车运行过程中列车状态的实际变化规律,对LSTM网络链式结构和门结构进行设计,采用梯度下降得到网络反向计算误差,建立LSTM网络模型,对列车状态监测数据进行了状态预测,预测结果精度高、可参考性强、实时性能好,具有较强的实用性和可行性。
附图说明
图1是本发明一种基于长短时记忆网络的列车状态在线预测方法的流程图;
图2是经本发明一种基于长短时记忆网络的列车状态在线预测方法得到的某列车运行速度预测结果整体效果图;
图3是经本发明一种基于长短时记忆网络的列车状态在线预测方法得到的某列车运行速度预测结果局部放大图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于长短时记忆网络的列车状态在线预测方法,如图1所示,具体按照以下步骤实施:
步骤1、列车状态监测数据预处理与归一化,具体如下:
数据预处理包括对列车状态监测数据进行缺失数据补全、突变点剔除操作;
数据归一化采用线性函数归一化,去掉状态监测数据的量纲,将数据限制到一定区间,使运算更为便捷,如下式:
其中,x为列车状态不同时刻的监测数据,xmin和xmax分别为状态监测数据中的最小值和最大值,xnorm为归一化处理后的状态数据;
步骤2、列车状态监测数据选取与划分,具体如下:
选取列车状态历史监测数据为研究对象,对监测数据进行划分,设定前70%和后30%的历史监测数据为LSTM网络训练数据集和测试数据集,用于之后的LSTM网络模型的训练与测试;
步骤3、LSTM网络门结构设计,具体如下:
步骤3.1、以t时刻的网络细胞为研究对象,t时刻的细胞输入由t-1时刻的隐藏层单元ht-1、t-1时刻的细胞状态Ct-1和当前时刻的列车状态数据xt共同组成,t时刻的细胞输出为隐藏层单元ht和细胞状态Ct;
步骤3.2:遗忘门决定上一时刻细胞状态Ct-1中的信息传递到当前时刻Ct中的信息量,由ft控制,值域为(0,1),其计算公式如下:
ft=σ(Wxfxt+Uhfht-1+bf)
式中,ft为遗忘门状态,Wxf和Uhf分别为输入列车状态特征向量和隐藏层单元与遗忘门之间的权重,bf为遗忘门的偏差值,σ表示sigmod函数,如下所示:
式中,x为输入数据,通过sigmod函数将数据映射到[0,1]之间,便于后续的分析与处理;
步骤3.3:细胞输入门用来控制当前输入新生成的信息中加入到细胞状态Ct中的信息量,由it控制,值域为(0,1),设tanh层产生当前时刻新的信息,sigmoid层控制新信息传递到细胞状态的信息量,计算公式如下:
it=σ(Wxixt+Uhiht-1+bi)
式中,it为输入门状态,为当前输入新信息,Wxi和Uhi分别为输入列车状态特征向量和隐藏层单元与输入门之间的权重,bi为输入门的偏差值,tanh表示激活函数,tanh函数如下所示:
式中,x为输入数据,通过tanh函数将数据映射到[-1,1]之间,便于后续的分析与处理;
步骤3.4:基于遗忘门和输入门的输出,更新细胞状态,具体计算公式如下:
式中,Ct为t时刻细胞状态;
步骤3.5:基于更新的细胞状态,输出门ot采用sigmoid层控制细胞状态信息作为隐藏状态的输出ht;
步骤4、LSTM网络梯度反向计算误差,具体如下:
步骤4.1:定义反向传播计算误差δ为模型目标函数E对加权输入nett=(Uh*ht-1+Wx*xt+b)的偏导,δ的传播沿两个方向,分别为从输出层传递至输入层,以及沿时间t的反向传播;
步骤4.2:定义:由ht=ot*tanh(Ct)得
式中,Ct记忆了所有时刻的细胞状态,故每个时间点迭代时,累加;
步骤4.3:由得到:
根据
it=f(netit)=sigmoid(Uhi*ht-1+Wxi*xt+bi)
ft=f(netft)=sigmoid(Uhf*ht-1+Wxf*xt+bf)
ot=f(netot)=sigmoid(Uho*ht-1+Wxo*xt+bo)
得
步骤4.4:计算各个权重矩阵的偏导数:
步骤4.5:以t时刻网络细胞为研究对象,δ从输出层传递至输入层,对于输出层L,由于yt=g(Wy*ht+by)=g(nett),则
权重Wy,by的偏导数:
同理
步骤4.6:对于其它层,由于
nett=(Uh*ht-1+Wx*xt+b)
又因为
得到
步骤5、调节网络循环次数,进行状态预测,具体如下:
选取步骤4得到的全部数据的前70%和后30%分别作为网络的训练数据和测试数据,调节网络循环次数与网络参数,进行列车状态的预测。
以下以实验说明本发明一种基于长短时记忆网络的列车状态在线预测方法是有效可行的:
图2给出了经本方法得到的某列车速度预测结果整体效果图;图3给出某列车速度预测结果局部放大图。通过对图2和图3的观察可以清楚的看出,本发明一种基于长短时记忆网络的列车状态在线预测方法可以对列车的速度进行有效的、准确的预测。
本发明一种基于长短时记忆网络的列车状态在线预测方法,针对列车运行过程中列车状态的实际变化规律,对LSTM网络链式结构和门结构进行设计,采用梯度下降得到网络反向计算误差,建立LSTM网络模型,以列车速度监测数据为研究对象,对列车速度监测数据进行了速度预测,预测结果精度高、可参考性强、实时性能好,具有较强的实用性和可行性。
Claims (6)
1.一种基于长短时记忆网络的列车状态在线预测方法,其特征在于,具体按照以下步骤实施:
步骤1、列车状态监测数据预处理与归一化;
步骤2、列车状态监测数据选取与划分;
步骤3、LSTM网络门结构设计;
步骤4、LSTM网络梯度反向计算误差;
步骤5、调节网络循环次数,进行状态预测。
2.根据权利要求1所述的一种基于长短时记忆网络的列车状态在线预测方法,其特征在于,所述步骤1具体如下:
数据预处理包括对列车状态监测数据进行缺失数据补全、突变点剔除操作;
数据归一化采用线性函数归一化,去掉状态监测数据的量纲,将数据限制到一定区间,使运算更为便捷,如下式:
其中,x为列车状态不同时刻的监测数据,xmin和xmax分别为状态监测数据中的最小值和最大值,xnorm为归一化处理后的状态数据。
3.根据权利要求2所述的一种基于长短时记忆网络的列车状态在线预测方法,其特征在于,所述步骤2具体如下:
选取列车状态历史监测数据为研究对象,对监测数据进行划分,设定前70%和后30%的历史监测数据为LSTM网络训练数据集和测试数据集,用于之后的LSTM网络模型的训练与测试。
4.根据权利要求3所述的一种基于长短时记忆网络的列车状态在线预测方法,其特征在于,所述步骤3具体如下:
步骤3.1、以t时刻的网络细胞为研究对象,t时刻的细胞输入由t-1时刻的隐藏层单元ht-1、t-1时刻的细胞状态Ct-1和当前时刻的列车状态数据xt共同组成,t时刻的细胞输出为隐藏层单元ht和细胞状态Ct;
步骤3.2:遗忘门决定上一时刻细胞状态Ct-1中的信息传递到当前时刻Ct中的信息量,由ft控制,值域为(0,1),其计算公式如下:
ft=σ(Wxfxt+Uhfht-1+bf)
式中,ft为遗忘门状态,Wxf和Uhf分别为输入列车状态特征向量和隐藏层单元与遗忘门之间的权重,bf为遗忘门的偏差值,σ表示sigmod函数,如下所示:
式中,x为输入数据,通过sigmod函数将数据映射到[0,1]之间,便于后续的分析与处理;
步骤3.3:细胞输入门用来控制当前输入新生成的信息中加入到细胞状态Ct中的信息量,由it控制,值域为(0,1),设tanh层产生当前时刻新的信息,sigmoid层控制新信息传递到细胞状态的信息量,计算公式如下:
it=σ(Wxixt+Uhiht-1+bi)
式中,it为输入门状态,为当前输入新信息,Wxi和Uhi分别为输入列车状态特征向量和隐藏层单元与输入门之间的权重,bi为输入门的偏差值,tanh表示激活函数,tanh函数如下所示:
式中,x为输入数据,通过tanh函数将数据映射到[-1,1]之间,便于后续的分析与处理;
步骤3.4:基于遗忘门和输入门的输出,更新细胞状态,具体计算公式如下:
式中,Ct为t时刻细胞状态;
步骤3.5:基于更新的细胞状态,输出门ot采用sigmoid层控制细胞状态信息作为隐藏状态的输出ht。
5.根据权利要求4所述的一种基于长短时记忆网络的列车状态在线预测方法,其特征在于,所述步骤4具体如下:
步骤4.1:定义反向传播计算误差δ为模型目标函数E对加权输入nett=(Uh*ht-1+Wx*xt+b)的偏导,δ的传播沿两个方向,分别为从输出层传递至输入层,以及沿时间t的反向传播;
步骤4.2:定义:由ht=ot*tanh(Ct)得
式中,Ct记忆了所有时刻的细胞状态,故每个时间点迭代时,累加;
步骤4.3:由得到:
根据
it=f(netit)=sigmoid(Uhi*ht-1+Wxi*xt+bi)
ft=f(netft)=sigmoid(Uhf*ht-1+Wxf*xt+bf)
ot=f(netot)=sigmoid(Uho*ht-1+Wxo*xt+bo)
得
步骤4.4:计算各个权重矩阵的偏导数:
步骤4.5:以t时刻网络细胞为研究对象,δ从输出层传递至输入层,对于输出层L,由于yt=g(Wy*ht+by)=g(nett),则
权重Wy,by的偏导数:
同理
步骤4.6:对于其它层,由于
nett=(Uh*ht-1+Wx*xt+b)
又因为
得到
6.根据权利要求5所述的一种基于长短时记忆网络的列车状态在线预测方法,其特征在于,所述步骤5具体如下:
选取步骤4得到的全部数据的前70%和后30%分别作为网络的训练数据和测试数据,调节网络循环次数与网络参数,进行列车状态的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810923709.7A CN109131452B (zh) | 2018-08-14 | 2018-08-14 | 一种基于长短时记忆网络的列车状态在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810923709.7A CN109131452B (zh) | 2018-08-14 | 2018-08-14 | 一种基于长短时记忆网络的列车状态在线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109131452A true CN109131452A (zh) | 2019-01-04 |
CN109131452B CN109131452B (zh) | 2021-06-15 |
Family
ID=64792954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810923709.7A Active CN109131452B (zh) | 2018-08-14 | 2018-08-14 | 一种基于长短时记忆网络的列车状态在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109131452B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
CN110442099A (zh) * | 2019-08-05 | 2019-11-12 | 湘潭大学 | 一种基于长短期记忆的数控加工工艺参数优化方法 |
CN110509957A (zh) * | 2019-08-29 | 2019-11-29 | 交控科技股份有限公司 | 一种列车速度预测方法及装置 |
CN111131424A (zh) * | 2019-12-18 | 2020-05-08 | 武汉大学 | 一种基于emd和多变量lstm相结合的服务质量预测方法 |
CN111613054A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学 | 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法 |
CN111680786A (zh) * | 2020-06-10 | 2020-09-18 | 中国地质大学(武汉) | 一种基于改进权重门控单元的时序预测方法 |
CN111731349A (zh) * | 2020-06-11 | 2020-10-02 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于生产引流机制的车站自律机测试平台 |
CN111798089A (zh) * | 2020-05-25 | 2020-10-20 | 成都华润燃气设计有限公司 | 一种城市天然气高压管网运行状态风险评价方法 |
CN112132310A (zh) * | 2020-08-11 | 2020-12-25 | 国网浙江宁波市奉化区供电有限公司 | 基于改进lstm的电力设备状态预估方法及装置 |
CN112783133A (zh) * | 2021-01-25 | 2021-05-11 | 南京航空航天大学 | 一种agv运行状态预测方法 |
CN113158569A (zh) * | 2021-04-23 | 2021-07-23 | 东南大学 | 一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法 |
CN113505926A (zh) * | 2021-07-14 | 2021-10-15 | 同济大学 | 一种基于阻抗预测模型自更新的燃料电池故障预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844949A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种用于实现机车节能操纵的双向lstm模型的训练方法 |
CN107191087A (zh) * | 2017-05-19 | 2017-09-22 | 西南科技大学 | 一种基于lstm的列车门防夹算法 |
WO2017223009A1 (en) * | 2016-06-23 | 2017-12-28 | Microsoft Technology Licensing, Llc | Multi-domain joint semantic frame parsing |
-
2018
- 2018-08-14 CN CN201810923709.7A patent/CN109131452B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017223009A1 (en) * | 2016-06-23 | 2017-12-28 | Microsoft Technology Licensing, Llc | Multi-domain joint semantic frame parsing |
CN106844949A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种用于实现机车节能操纵的双向lstm模型的训练方法 |
CN107191087A (zh) * | 2017-05-19 | 2017-09-22 | 西南科技大学 | 一种基于lstm的列车门防夹算法 |
Non-Patent Citations (1)
Title |
---|
杨嘉明: "基于LSTM-BP神经网络的列控车载设备故障诊断方法", 《中国优秀硕士学位论文全文数据库(电子期刊),工程科技Ⅱ辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
CN110442099A (zh) * | 2019-08-05 | 2019-11-12 | 湘潭大学 | 一种基于长短期记忆的数控加工工艺参数优化方法 |
CN110509957A (zh) * | 2019-08-29 | 2019-11-29 | 交控科技股份有限公司 | 一种列车速度预测方法及装置 |
CN111131424B (zh) * | 2019-12-18 | 2020-12-18 | 武汉大学 | 一种基于emd和多变量lstm相结合的服务质量预测方法 |
CN111131424A (zh) * | 2019-12-18 | 2020-05-08 | 武汉大学 | 一种基于emd和多变量lstm相结合的服务质量预测方法 |
CN111613054A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学 | 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法 |
CN111798089A (zh) * | 2020-05-25 | 2020-10-20 | 成都华润燃气设计有限公司 | 一种城市天然气高压管网运行状态风险评价方法 |
CN111798089B (zh) * | 2020-05-25 | 2023-10-27 | 成都华润燃气设计有限公司 | 一种城市天然气高压管网运行状态风险评价方法 |
CN111680786A (zh) * | 2020-06-10 | 2020-09-18 | 中国地质大学(武汉) | 一种基于改进权重门控单元的时序预测方法 |
CN111680786B (zh) * | 2020-06-10 | 2023-12-05 | 中国地质大学(武汉) | 一种基于改进权重门控单元的时序预测方法 |
CN111731349A (zh) * | 2020-06-11 | 2020-10-02 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于生产引流机制的车站自律机测试平台 |
CN112132310A (zh) * | 2020-08-11 | 2020-12-25 | 国网浙江宁波市奉化区供电有限公司 | 基于改进lstm的电力设备状态预估方法及装置 |
CN112783133A (zh) * | 2021-01-25 | 2021-05-11 | 南京航空航天大学 | 一种agv运行状态预测方法 |
CN112783133B (zh) * | 2021-01-25 | 2022-04-22 | 南京航空航天大学 | 一种agv运行状态预测方法 |
CN113158569A (zh) * | 2021-04-23 | 2021-07-23 | 东南大学 | 一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法 |
CN113505926A (zh) * | 2021-07-14 | 2021-10-15 | 同济大学 | 一种基于阻抗预测模型自更新的燃料电池故障预测方法 |
CN113505926B (zh) * | 2021-07-14 | 2022-10-25 | 同济大学 | 一种基于阻抗预测模型自更新的燃料电池故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109131452B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109131452A (zh) | 一种基于长短时记忆网络的列车状态在线预测方法 | |
CN103019267B (zh) | 高速列车anfis建模与运行速度预测控制方法 | |
Yang et al. | An optimized BP neural network model for teaching management evaluation | |
CN109884892A (zh) | 基于交叉相关时滞灰色关联分析的流程工业系统预测模型 | |
CN111475948A (zh) | 一种基于lstm网络的地铁隧道施工时沉降新型预测方法 | |
Komyakov et al. | Construction of electricity consumption mathematical models on railway transport used artificial neural network and fuzzy neural network | |
CN110874616A (zh) | 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法 | |
Huang et al. | A novel Bayesian deep dual network with unsupervised domain adaptation for transfer fault prognosis across different machines | |
Zhong-Xiang et al. | Combined prediction model of death toll for road traffic accidents based on independent and dependent variables | |
Khosravi et al. | Optimizing the quality of bootstrap-based prediction intervals | |
Cheng et al. | A unified BRB-based framework for real-time health status prediction in high-speed trains | |
CN105913142A (zh) | 一种利用车间rfid数据提高订单完工期预测准确度的方法 | |
Bai et al. | Reliability analysis on civil engineering project based on integrated adaptive simulation annealing and gray correlation method | |
Yan et al. | Reliability prediction of CNC machine tool spindle based on optimized cascade feedforward neural network | |
CN110990938B (zh) | 一种掌子面在掘岩体状态软测量方法 | |
CN109490793A (zh) | 一种基于小波分解和lstm的x射线高压电源故障预测方法 | |
Kaur et al. | Stock market forecasting using ANFIS with OWA operator | |
Xia et al. | Degradation prediction and rolling predictive maintenance policy for multi-sensor systems based on two-dimensional self-attention | |
Chen et al. | Prediction model based on XGBoost for mechanical properties of steel materials | |
CN112232557B (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
Lu et al. | Physics guided neural network: Remaining useful life prediction of rolling bearings using long short-term memory network through dynamic weighting of degradation process | |
CN111310964B (zh) | 一种负荷预测方法及装置 | |
CN113608622A (zh) | 人体姿态实时预测方法、系统、介质及设备 | |
CN106529725A (zh) | 一种基于萤火虫算法和som网络的瓦斯突出预测方法 | |
CN113837443A (zh) | 基于深度BiLSTM的变电站线路负载预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240208 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Wanzhida Technology Co.,Ltd. Country or region after: China Address before: 710048 No. 5 Jinhua South Road, Shaanxi, Xi'an Patentee before: XI'AN University OF TECHNOLOGY Country or region before: China |