CN109625033A - Ato控车时精确停车阶段停车精度预测方法及装置 - Google Patents
Ato控车时精确停车阶段停车精度预测方法及装置 Download PDFInfo
- Publication number
- CN109625033A CN109625033A CN201811523104.5A CN201811523104A CN109625033A CN 109625033 A CN109625033 A CN 109625033A CN 201811523104 A CN201811523104 A CN 201811523104A CN 109625033 A CN109625033 A CN 109625033A
- Authority
- CN
- China
- Prior art keywords
- target
- ato
- data
- operational process
- train
- 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.)
- Pending
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明的实施例公开了一种ATO控车时精确停车阶段停车精度预测方法及装置，根据列控系统的各子系统中目标列车的第一运行过程对应的记录数据提取出在ATO控车精确停车阶段的目标记录数据。由目标记录数据计算出与该运行线路对应的设定特征元组的每一特征的特征值，得到第一特征值组合。以第一特征值组合作为预先训练的预测模型的输入参数，通过预测模型对该目标列车在第一运行过程中的停车精度进行预测。预测模型通过机器学习训练得到，实现了对停车精度的自动预测，摆脱了对工作经验的依赖。预测模型通过大量训练样本训练得到，具有可靠的数据基础，使得预测结果具有较好的可解释性和可靠性。
Description
技术领域
本发明实施例涉及列车运行安全技术领域，尤其是涉及一种ATO控车时精确停车阶段停车精度预测方法及装置。
背景技术
ATO控车精确停车阶段的停车精度(简称为ATO停车精度)是列车自动驾驶运行效率的重要指标之一。列车ATO停车时，会有停不准的情形，或出现过标，或出现欠标，所有数据将以报文日志的形式记录下来。一般的数据管理过程是，先获取现场报文日志数据，提取并保留所需的数据，然后将报文日志按照事先定义好的接口进行转换或格式化，最后将转换后的数据保存到表格文件、数据库或数据仓库中，并按照时间顺序排列。通常会在全部数据中对关心的参数相对于时间直接在直角坐标系中绘制成曲线，去直接观察全部时间内的列车各参数的变化趋势，重点对ATO控车精确停车精度不满足要求的时间段进行观察，要求人员具有非常专业的知识和足够的经验。
在实际应用中，发明人发现现有的基于筛选出的数据直接绘制成曲线对ATO停车精度分析，要求对业务非常熟悉，对经验要求很高，导致发现问题的原因较为困难，很多时候并不能很快地找出真正的影响停车精度的因素。此外，这种通过图形的直观观测结果一般不能够定量地去分析ATO停车精度问题。
发明内容
本发明要解决现有的基于筛选出的数据直接绘制成曲线对ATO停车精度分析，要求对业务非常熟悉，对经验要求很高，导致发现问题的原因较为困难，很多时候并不能很快地找出真正的影响停车精度的因素。此外，这种通过图形的直观观测结果一般不能够定量地去分析ATO停车精度问题。
针对以上技术问题，本发明的实施例提供了一种基于机器学习的ATO控车时精确停车阶段停车精度预测方法，包括：
根据列控系统的各子系统获取与目标列车的第一运行过程对应的记录数据，从第一运行过程对应的记录数据中提取ATO控车时精确停车阶段生成的记录数据，作为目标记录数据；
获取所述目标列车所在运行线路对应的影响ATO控车时精确停车阶段的停车精度的设定特征元组，根据所述目标记录数据计算所述设定特征元组中每一特征对应的特征值，得到与所述第一运行过程对应的第一特征值组合；
将所述第一特征值组合作为预先训练的预测模型的输入参数，得到由所述预测模型预测的所述目标列车在所述第一运行过程中的停车精度，作为目标停车精度，输出所述目标停车精度；
其中，所述预测模型对若干训练样本进行机器学习得到，每一训练样本均以所述运行线路上列车的各运行过程对应的特征值组合作为输入参数，以对应的停车精度作为目标输出值。
本发明的实施例提供了一种基于机器学习的ATO控车时精确停车阶段停车精度预测装置，包括：
提取模块，用于根据列控系统的各子系统获取与目标列车的第一运行过程对应的记录数据，从第一运行过程对应的记录数据中提取ATO控车时精确停车阶段生成的记录数据，作为目标记录数据；
计算模块，用于获取所述目标列车所在运行线路对应的影响ATO控车时精确停车阶段的停车精度的设定特征元组，根据所述目标记录数据计算所述设定特征元组中每一特征对应的特征值，得到与所述第一运行过程对应的第一特征值组合；
预测模块，用于将所述第一特征值组合作为预先训练的预测模型的输入参数，得到由所述预测模型预测的所述目标列车在所述第一运行过程中的停车精度，作为目标停车精度，输出所述目标停车精度；
其中，所述预测模型对若干训练样本进行机器学习得到，每一训练样本均以所述运行线路上列车的各运行过程对应的特征值组合作为输入参数，以对应的停车精度作为目标输出值。
本发明的实施例提供了一种电子设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该电子设备和列控系统的各子系统的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行对应于终端的任一所述的方法。
本发明的实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行对应于终端的任一项所述的方法。
本发明的实施例提供了一种ATO控车时精确停车阶段停车精度预测方法及装置，根据列控系统的各子系统中目标列车的第一运行过程对应的记录数据提取出在ATO控车精确停车阶段的目标记录数据。由目标记录数据计算出与该运行线路对应的设定特征元组的每一特征的特征值，得到第一特征值组合。以第一特征值组合作为预先训练的预测模型的输入参数，通过预测模型对该目标列车在第一运行过程中的停车精度进行预测。预测模型通过机器学习训练得到，实现了对停车精度的自动预测，摆脱了对工作经验的依赖。预测模型通过大量训练样本训练得到，具有可靠的数据基础，使得预测结果具有较好的可解释性和可靠性。
此外，通过预测模型中设定特征元组的各特征对应的权重系数能够准确定位出影响停车精度的因素，进而采取更为有效的方案提高列车的停车精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的一种基于机器学习的ATO控车时精确停车阶段停车精度预测方法的流程示意图；
图2是本发明另一个实施例提供的一种基于机器学习的ATO控车停车阶段停车精度预测装置的结构框图；
图3是本发明另一个实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本实施例提供的一种基于机器学习的ATO控车时精确停车阶段停车精度预测方法的流程示意图，参见图1，该方法包括：
101：根据列控系统的各子系统获取与目标列车的第一运行过程对应的记录数据，从第一运行过程对应的记录数据中提取ATO控车时精确停车阶段生成的记录数据，作为目标记录数据；
102：获取所述目标列车所在运行线路对应的影响ATO控车时精确停车阶段的停车精度的设定特征元组，根据所述目标记录数据计算所述设定特征元组中每一特征对应的特征值，得到与所述第一运行过程对应的第一特征值组合；
103：将所述第一特征值组合作为预先训练的预测模型的输入参数，得到由所述预测模型预测的所述目标列车在所述第一运行过程中的停车精度，作为目标停车精度，输出所述目标停车精度；
其中，所述预测模型对若干训练样本进行机器学习得到，每一训练样本均以所述运行线路上列车的各运行过程对应的特征值组合作为输入参数，以对应的停车精度作为目标输出值。
本实施例提供的方法由服务器或者专用于进行停车精度预测的设备执行。列控系统即列车自动控制系统ATC，列控系统的子系统包括列车自动驾驶系统ATO、列车自动防护ATP、列车自动监督系统ATS和计算机联锁系统CI。各子系统中存储了列车运行过程中记录的数据。各子系统中记录了列车运行过程中的数据，例如，运行速度、出现的故障、施加的牵引力大小、进行制动的时间等。
由于不同的运行线路对应的控车系统存在差异，因此不同的运行线路对应的设定特征元组也不相同。设定特征元组中包括了设定的影响停车精度的属性，例如，ATO控车精确停车阶段持续的时长、开始停车时距离目标点的距离、空气制动力均值等。设定特征元组中的特征可以是目标记录数据中的某一特征，也可以是根据多个目标记录数据通过计算得到的特征。对第一运行过程，各设定特征元组对应的特征值组成了第一特征值组合，将第一特征值组合输入到预测模型，即可预测出目标列车在第一运行过程中的停车精度。
本实施例提供了一种基于机器学习的ATO控车时精确停车阶段停车精度预测方法，根据列控系统的各子系统中目标列车的第一运行过程对应的记录数据提取出在ATO控车精确停车阶段的目标记录数据。由目标记录数据计算出与该运行线路对应的设定特征元组的每一特征的特征值，得到第一特征值组合。以第一特征值组合作为预先训练的预测模型的输入参数，通过预测模型对该目标列车在第一运行过程中的停车精度进行预测。预测模型通过机器学习训练得到，实现了对停车精度的自动预测，摆脱了对工作经验的依赖。预测模型通过大量训练样本训练得到，具有可靠的数据基础，使得预测结果具有较好的可解释性和可靠性。
使用预测模型进行停车精度的预测，包括如下几个步骤：(1)对目标列车的第一停车过程进行数据采集；(2)对采集的数据进行清洗，得到ATO控车时精确停车阶段的数据；(3)由ATO控车时精确停车阶段的数据计算输入到预测模型中的每一特征值；(4)将计算的各特征值输入到预测模型，输入预测模型预测的停车精度。
进一步地，在上述实施例的基础上，所述根据列控系统的各子系统获取与目标列车的第一运行过程对应的记录数据，从第一运行过程对应的记录数据中提取ATO控车时精确停车阶段生成的记录数据，作为目标记录数据，包括：
获取在所述目标列车的第一运行过程中由列控系统的各子系统生成的日志，分别从各子系统生成的日志中采集与所述第一运行过程的每一时刻对应的数据，得到与每一时刻对应的数据元组，将按照时间顺序排列的所述第一运行过程的每一时刻对应的数据元组作为第一运行过程对应的记录数据；
获取所述第一运行过程对应的记录数据中每一数据元组对应的ATO主流程，将ATO主流程为控车状态的数据元组作为初选数据元组；
获取每一初选数据元组对应的ATO驾驶状态，按照时间顺序，获取ATO驾驶状态从巡航控车阶段转变为精确停车阶段后的第一个数据元组，ATO驾驶状态从精确停车阶段转变为进站处理阶段前的最后一个数据元组；
将由所述第一个数据元组、所述第一个数据元组和所述最后一个数据元组之间的数据元组以及所述最后一个数据元组组成的记录数据作为所述目标记录数据；
其中，所述列控系统的子系统包括ATO和ATP。
对于上述的步骤(1)，就是从各子系统记录的日志中提取第一运行过程的每一时刻记录的所有数据，由每一时刻对应的所有数据组成该时刻的数据元组。整个第一运行过程的各时刻对应的数据元组按照时间顺序排列组成了第一运行过程对应的记录数据。
具体来说，车载的记录系统用来对各个子系统(例如，ATO、ATP等)的数据进行采集。各子系统的数据记录了各种帧类型，包括ATO故障帧、ATO应用帧、ATP测速相关信息帧等信息，并将数据存储在列车上的指定服务器中。各子系统从现场获取的数据一般是按照事先定义好的日志记录接口，并直接以文本文档形式记录的。
由于日志是按照时间发生的先后顺序，将每一时刻产生的数据分散在不同的帧中，每帧数据都记录了在时间序列中的何时发生的信息。因此，在上述步骤(1)中，需要按照接口的定义将分散到各帧中的数据再次在时间序列上合并成一个完整的条目，还原整个车载系统每个时间点上的所有能够记录的信息，这样将得到一个完整的“ATO应用记录关系”。该完整的“ATO应用记录关系”就是目标列车的的第一运行过程对应的记录数据。
简单来说，上述步骤(1)就是将各个子系统的数据集成起来，并按照时间顺序形成一个完整的“ATO应用记录关系”。例如，ATO子系统中记录的每条数据有N个属性，ATP子系统中记录的每条数据有M个属性，这样，“ATO应用记录关系”中每条数据具有N+M个属性，并且所有的数据是按照时间顺序排列的。
对于上述的步骤(2)，就是根据每一时刻的数据元组对应的属性，从第一运行过程对应的记录数据中筛选出属于ATO精确停车阶段的数据，即得到目标记录数据。
数据元组中存在表示该数据元组对应的时刻属于ATO主流程的哪一流程和属于ATO驾驶状态的哪一状态的属性，通过该属性从第一运行过程对应的记录数据中筛选出ATO主流程为控车状态，ATO驾驶状态为精确停车阶段的记录数据。
具体来说，在通过步骤(1)得到“ATO应用记录关系”后，需通过步骤(2)去掉多余的、不是ATO控车精确停车阶段的数据，将不合规的无效非法数据去除，让数据具备结构化特征，以方便作为预测模型的输入。(描述一个事物常常取若干特征来表示，这些特征称为属性。每个属性的取值范围对应一个值的集合，称为该属性的域)。
“ATO应用记录关系”中并不需要全部的元组以预测停车精度，只需要挑选属于ATO控车阶段精确停车的元组。“ATO应用记录关系”中，有两个属性分别为“ATO主流程”和“ATO驾驶状态”。其中，“ATO主流程”的域包括初始状态、稳定状态以及控车状态，“ATO驾驶状态”的域包括巡航控车阶段、精确停车阶段、进站处理阶段以及出站或折返后的停站处理阶段。
由于只需考虑ATO控车时精确停车阶段，因此首先从“ATO应用记录关系”中选择当“ATO主流程”为控车状态的元组。再从“ATO主流程”为控车状态的元组中，按时间属性的递增顺序，将“ATO驾驶状态”由巡航控车阶段变为精确停车阶段时的元组标记为开始(即第一个数据元组)，向后寻找“ATO驾驶状态”由精确停车阶段转为进站处理阶段前的最后一个元组作为结束(即最后一个数据元组)，这些连续的元组组成了ATO精确停车阶段的所有数据，将这些连续的元组组成的数据作为“ATO控车阶段精确停车记录关系”，也就是目标记录数据。
本实施例提供了一种基于机器学习的ATO控车时精确停车阶段停车精度预测方法，通过对各子系统的数据进行合并和对ATO精确控车阶段数据的筛选得到了ATO精确控车阶段的完整数据，为后续的预测奠定了基础。
进一步地，在上述各实施例的基础上，所述获取所述目标列车所在运行线路对应的影响ATO控车时精确停车阶段的停车精度的设定特征元组，根据所述目标记录数据计算所述设定特征元组中每一特征对应的特征值，得到与所述第一运行过程对应的第一特征值组合，包括：
获取预先设定的与所述目标列车所在运行线路对应的ATO控车时精确停车阶段的影响停车精度的设定特征元组，对所述设定特征元组中的每一特征，根据所述目标记录数据中的各数据元组计算所述特征对应的特征值，将得到的设定特征元组的各特征对应的特征值作为所述第一特征值组合。
对于上述步骤(2)中获取的“ATO控车阶段精确停车记录关系”，由于“ATO控车阶段精确停车记录关系”中的数据可能不能直接输入到预测模型中进行停车精度的预测，因此需要通过步骤(3)依据各运行线路对应的设定特征元组，将“ATO控车阶段精确停车记录关系”处理为符合预测模型输入要求的特征值。
在此，需要说明的是，“ATO控车阶段精确停车记录关系”中的属性并不是进行停车精度预测需要的属性，本实施例提供的方法要根据需要定义出的新属性。定义新属性时，大部分都是ATO控车阶段精确停车记录关系中的原始属性，还有部分属性是人工自定义的。但是人工自定义的属性都是根据原始属性定义出来的，例如，可以对两个原始属性的值进行差值处理形成的差值属性。这样，可以将每个ATO控车精确停车阶段的多条按时间排列的数据转化成新属性定义的一条数据。例如，对于地铁A线路的“ATO控车阶段精确停车记录关系”，在若干新定义的属性中，开始停车时间属性定义为ATO控车精确停车阶段第一条数据的时间属性的域值；空气制动力均值定义为ATO控车精确停车阶段空气制动力的平均取值。当然，根据地铁线路不同，所选择和定义的属性(特征)也是不同的。
对于不同的线路对应了不同的设定特征元组，例如，对于地铁线路A，设定特征元组包括：开始停车时距离目标点距离，开始停车时列车速度，停车过程持续时间，空气制动持续时间，空气制动开始时距离目标点距离，空气制动开始时速度，空气制动力均值，制动阶段网压均值，电制动力均值，头部Link，列车重量。
对于B地铁线路，设定特征元组包括：最终目标制动率变化时的速度，最终目标制动率变化后持续时间，停车过程中ATO输出牵引模拟量均值，目标制动率变化差值，目标制动率变化后的ATO模拟量输出均值，转折后PID加速度均值，PID加速度最大值，转折起始PID加速度值，转折时的目标距离，加速度相对时间变化率等。
本实施例提供了一种基于机器学习的ATO控车时精确停车阶段停车精度预测方法，通过定义的各线路对应的设定特征元组，将第一运行过程对应的目标记录数据转换为一条数据，将该条数据输入预测模型即可实现对停车精度的预测。
进一步地，在上述各实施例的基础上，所述预测模型的训练包括：
从列控系统的各子系统获取在所述运行线路上的列车的各运行过程对应的记录数据；
对于任一第二运行过程对应的记录数据，根据所述第二运行过程对应的记录数据和所述设定特征元组计算所述第二运行过程对应的第二特征值组合；
获取以所述第二特征值组合作为输入参数，以所述第二运行过程的停车精度作为目标输出值的训练样本，对若干组训练样本进行机器学习得到训练模型，将所述训练模型作为所述预测模型。
其中，根据第二运行过程对应的数据计算第二特征值组合与根据第一运行过程计算第一特征值组合的过程相同，在此类比根据第一运行过程计算第一特征值组合的过程进行说明，即进一步地，所述对于任一第二运行过程对应的记录数据，根据所述第二运行过程对应的记录数据和所述设定特征元组计算所述第二运行过程对应的第二特征值组合，包括：
获取在所述第二运行过程中由列控系统的各子系统生成的日志，分别从各子系统生成的日志中采集与所述第二运行过程的每一时刻对应的数据，得到与每一时刻对应的数据元组，将按照时间顺序排列的所述第二运行过程的每一时刻对应的数据元组作为第二运行过程对应的记录数据；
获取所述第二运行过程对应的记录数据中每一数据元组对应的ATO主流程，将ATO主流程为控车状态的数据元组作为初选数据元组；
获取每一初选数据元组对应的ATO驾驶状态，按照时间顺序，获取ATO驾驶状态从巡航控车阶段转变为精确停车阶段后的第一个数据元组，ATO驾驶状态从精确停车阶段转变为精确停车阶段前的最后一个数据元组；
将由获取的第一个数据元组、获取的第一个数据元组和最后一个数据元组之间的数据元组和获取的最后一个数据元组组成的记录数据作为所述第二运行过程对应的目标记录数据；
对所述设定特征元组中的每一特征，根据所述第二运行过程对应的目标记录数据中的各数据元组计算所述特征对应的特征值，将得到的设定特征元组的各特征对应的特征值作为所述第二运行过程对应的第二特征值组合。
需要说明的是，通过机器学习训练预测模型的过程需要通过训练样本实现。训练样本通过已存在的运行过程的记录数据生成，例如，根据行驶线路上某列车1天以上的全部运行过程对应的记录数据生成训练样本。每一训练样本包括输入参数和目标输出值，输入参数的获取与上述步骤(1)至步骤(3)中所述的方法相同，所不同的是，还需要从运行过程的记录数据中标记出停车精度，作为目标输出值。例如，对训练用于预测地铁线路A上列车的停车精度的预测模型的训练样本，输入参数为根据某一运行过程的记录数据计算的设定特征元组中各特征的特征值，目标输出值为记录的该运行过程的停车精度。
训练模型的过程中，在数据采集阶段需要收集尽可能多的特征，以训练出更准确的模型。数据标记对有监督的学习方法是必须的，本实施例中将预测的目标是ATO控车精确停车阶段的停车精度值，模型要拟合的就是关于此停车精度的多维函数。本实施例中提取出的每一个ATO精确停车阶段会作为一个训练样本。
本实施例提供了一种基于机器学习的ATO控车时精确停车阶段停车精度预测方法，通过大量的训练样本训练出了能够准确预测停车进度的预测模型。
进一步地，在上述各实施例的基础上，所述对若干组训练样本进行机器学习得到训练模型，将所述训练模型作为所述预测模型，包括：
在对若干组训练样本进行机器学习得到训练模型后，将未作为训练样本的第二运行过程对应的第二特征值组合和ATO控车时精确停车阶段的停车精度作为测试样本，获取若干组测试样本；
对每一测试样本，以所述测试样本中的第二特征值组合作为所述训练模型的输入参数，得到由所述训练模型输出的停车精度；
根据各测试样本对应的ATO控车时精确停车阶段的停车精度和由所述训练模型输出的停车精度计算所述训练模型的输出误差，若所述输出误差小于预设误差，则将所述训练模型作为所述预测模型。
进一步地，在上述各实施例的基础上，还包括：
从所述预测模型中获取所述设定特征元组中的各特征对应的权重系数，获取权重系数大于预设权重系数的特征，作为目标特征，根据目标特征确定用于提高在所述运行线路上运行的列车ATO控车时精确停车阶段的停车精度的方案。
进一步地，若所述输出误差小于预设误差，则通过新的训练样本继续对所述训练模型进行训练，直到得到输出误差小于所述预设误差的训练模型，将输出误差小于所述预设误差的训练模型作为所述预测模型。
进一步地，将由所述训练模型输出的停车精度相对于各测试样本对应的停车精度的均方误差作为所述训练模型的输出误差。
例如，把数据集分成训练数据集和测试数据集，在本实施例的停车精度的回归预测中按照9：1来划分，即使用155组数据作为训练集，15组数据作为测试集。表一为ATO停车精度影响因子定量分析，表示了采用岭回归作为核函数得到的设定特征元组中各特征对应的权重系数，参见表一，权重的绝对值相对较大的对预测结果影响越大。此外，通过表一可以看出空气制动效能是影响其当前环境下的停车精度的最大影响因素。因此，可以对空气制动的介入时机、制动输出值同停车点的距离进行关联分析，进而提升ATO的停车精度。其中，岭回归可以直接看到各个属性的权重，而其它模型不能直接看到各个属性的权重，因此，岭回归模型具有较好的可解释性
表一 ATO停车精度影响因子定量分析
| 影响因子 | 岭回归方法中各参数权重 |
| 开始停车时距离目标距离 | 0.5560085687 |
| 开始停车时列车速度 | 0.4146286372 |
| 停车过程持续时间 | -0.8821168193 |
| 空气制动持续时间 | -2.1960991514 |
| 空气制动开始时距离目标点距离 | 3.6853647249 |
| 空气制动开始时速度 | -0.5554288449 |
| 空气制动力均值 | 0.7415278685 |
| 制动阶段网压均值 | 0.0735467609 |
| 电制动力均值 | -0.4520749013 |
| 列车重量 | -0.1091340316 |
本实施例提供了一种基于机器学习的ATO控车时精确停车阶段停车精度预测方法，通过测试样本对训练模型的输出误差进行检验，提高了训练样本预测停车精度的准确性。
进一步地，在上述各实施例的基础上，进行机器学习的核函数为岭回归。
核函数是特征转换函数。通过核函数可以将原特征空间中非线性的数据映射为高维或无限维空间中近似线性关系的数据。既然在新的空间里，数据是近似线性关系，那么就可以使用线性模型对其建模分析。即通过某种数据变换，将非线性问题转换为线性问题解决。使用核函数结合支持向量学习机一起使用，使得模型能够解决各类非线性回归问题，即支持向量回归，以及线性回归模型加上核函数得到所谓的岭回归。
在应用中，把待拟合的停车精度数据映射到高维的空间，在这个高维空间找到一个线性的拟合。最后把高维的拟合结果映射回低维，就可以在低维空间对停车精度进行拟合。而映射回来后，低维的停车精度拟合值就是一个非线性的拟合曲线。但是，将低维的数据映射到高维，再高维做计算的时候，计算量往往很大，尤其表现在当维度很高的情况下。核函数就是在低维时，就对数据进行了计算，而这个计算可以看作是将低维数据映射到了高维空间，最后求解一个拟合直线。
在对训练模型的过程中，还需要对核函数进行选择，合适的核函数能够使得训练得到的预测模型预测的准确性更好。以下对核函数的选择过程进行介绍：
本实施例提供的方法拟从SVR-高斯核、SVR-多项式核、SVR-线性核和岭回归中选择核函数，表二为停车精度结果，表示了分别以不同的核函数进行机器学习得到的模型进行停车精度预测的结果和以及实际标记出的停车精度的对比。
表二 停车精度结果
| SVR-高斯核 | SVR-多项式核 | SVR-线性核 | 岭回归 | 标记值 |
| 19.11145 | 19.78878 | 20.37706 | 19.68307 | 19 |
| 23.77178 | 22.63246 | 21.67532 | 23.0164 | 26 |
| 24.86726 | 26.75143 | 20.09535 | 26.48627 | 31 |
| 20.7664 | 22.23192 | 20.6116 | 22.70896 | 22 |
| 25.06628 | 23.89678 | 25.59427 | 24.44887 | 23 |
| 25.73192 | 22.07161 | 21.93914 | 22.51553 | 25 |
| 25.13507 | 24.33556 | 23.29563 | 23.97528 | 24 |
| 24.97541 | 17.19329 | 21.90034 | 17.50599 | 17 |
| 18.48121 | 19.38874 | 22.5268 | 19.85584 | 18 |
| 18.4267 | 19.78547 | 20.48711 | 20.33698 | 22 |
| 19.02917 | 22.37741 | 24.78936 | 23.44991 | 23 |
| 27.44112 | 24.27907 | 17.83917 | 24.89704 | 23 |
| 28.55158 | 25.39245 | 20.21325 | 25.1979 | 25 |
| 27.85249 | 16.61562 | 20.50417 | 17.51367 | 16 |
| 22.75967 | 25.21861 | 24.16782 | 24.08704 | 25 |
| 26.15042 | 22.01785 | 23.26685 | 22.3472 | 25 |
根据表二分别计算各核函数对应的均方误差(MSE)，得到SVR-高斯核MSE＝20.1087,SVR-多项式核MSE＝3.620423，SVR-线性核MSE＝17.59752，岭回归MSE＝3.686591。由此可知，SVR-多项式核和岭回归方法的均方误差相差不多而且较小，同时，岭回归方法的各参数权重也有较好的可解释性，其权重的绝地值相对大小代表各参数的重要程度，并且可直接使用得出的这套参数对新数据做线性加权直接得出最终的预测停车精度。应用岭回归方法的测试集的16个数据记录中，有15个在正负3cm内，即在此条件下有93.75％的准确率。因此在实际应用中会使用岭回归作为核函数。
在本发明提出的方法中，首先，准备输入数据，对数据做必要的清洗，然后进行抽取所需的特征，形成特征向量，随后，把这些特征向量连同对应的标记一并送入学习算法中，训练出一个预测模型，然后，采用同样特征抽取方法作用于新测试数据，得到用于测试的特征向量，最后，使用预测模型对这些测试特征向量进行预测并得到结果。
可见，该方法通过收集地铁信号系统中各个子系统的数据，提取可能会对停车精度造成影响的因素，应用机器学习算法，来预测停车的精度，发现影响停车精度的关键指标，分析影响停车精度的原因及影响权重，辅助做出决策。分析停车精度与列车运行参数的关系，找出停车不准的原因，提出改进意见，有助于提高地铁运行效率。停车精度数据量大，影响因素多，有许多未知规律尚未总结。利用行车日志中的ATO停车的部分数据，基于机器学习的方法对停车精度进行分析，有助于发现更多故障规律。
图2示出了本发明的实施例提供的一种基于机器学习的ATO控车时精确停车阶段停车精度预测装置的结构框图，参见图2，本实施例提供的基于机器学习的ATO控车停车阶段停车精度预测装置包括提取模块201、计算模块202和预测模块203，其中，
提取模块201，用于根据列控系统的各子系统获取与目标列车的第一运行过程对应的记录数据，从第一运行过程对应的记录数据中提取ATO控车时精确停车阶段生成的记录数据，作为目标记录数据；
计算模块202，用于获取所述目标列车所在运行线路对应的影响ATO控车时精确停车阶段的停车精度的设定特征元组，根据所述目标记录数据计算所述设定特征元组中每一特征对应的特征值，得到与所述第一运行过程对应的第一特征值组合；
预测模块203，用于将所述第一特征值组合作为预先训练的预测模型的输入参数，得到由所述预测模型预测的所述目标列车在所述第一运行过程中的停车精度，作为目标停车精度，输出所述目标停车精度；
其中，所述预测模型对若干训练样本进行机器学习得到，每一训练样本均以所述运行线路上列车的各运行过程对应的特征值组合作为输入参数，以对应的停车精度作为目标输出值。
本实施例提供的基于机器学习的ATO控车时精确停车阶段停车精度预测装置适用于上述实施例中提供的基于机器学习的ATO控车时精确停车阶段停车精度预测方法，在此不再赘述。
本发明的实施例提供了一种基于机器学习的ATO控车时精确停车阶段停车精度预测装置，根据列控系统的各子系统中目标列车的第一运行过程对应的记录数据提取出在ATO控车精确停车阶段的目标记录数据。由目标记录数据计算出与该运行线路对应的设定特征元组的每一特征的特征值，得到第一特征值组合。以第一特征值组合作为预先训练的预测模型的输入参数，通过预测模型对该目标列车在第一运行过程中的停车精度进行预测。预测模型通过机器学习训练得到，实现了对停车精度的自动预测，摆脱了对工作经验的依赖。预测模型通过大量训练样本训练得到，具有可靠的数据基础，使得预测结果具有较好的可解释性和可靠性。
图3是示出本实施例提供的电子设备的结构框图。
参照图3，所述电子设备包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和总线304；
其中，
所述处理器301、存储器302、通信接口303通过所述总线304完成相互间的通信；
所述通信接口303用于该电子设备和列控系统的各子系统的通信设备之间的信息传输；
所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：根据列控系统的各子系统获取与目标列车的第一运行过程对应的记录数据，从第一运行过程对应的记录数据中提取ATO控车时精确停车阶段生成的记录数据，作为目标记录数据；获取所述目标列车所在运行线路对应的影响ATO控车时精确停车阶段的停车精度的设定特征元组，根据所述目标记录数据计算所述设定特征元组中每一特征对应的特征值，得到与所述第一运行过程对应的第一特征值组合；将所述第一特征值组合作为预先训练的预测模型的输入参数，得到由所述预测模型预测的所述目标列车在所述第一运行过程中的停车精度，作为目标停车精度，输出所述目标停车精度；其中，所述预测模型对若干训练样本进行机器学习得到，每一训练样本均以所述运行线路上列车的各运行过程对应的特征值组合作为输入参数，以对应的停车精度作为目标输出值。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：根据列控系统的各子系统获取与目标列车的第一运行过程对应的记录数据，从第一运行过程对应的记录数据中提取ATO控车时精确停车阶段生成的记录数据，作为目标记录数据；获取所述目标列车所在运行线路对应的影响ATO控车时精确停车阶段的停车精度的设定特征元组，根据所述目标记录数据计算所述设定特征元组中每一特征对应的特征值，得到与所述第一运行过程对应的第一特征值组合；将所述第一特征值组合作为预先训练的预测模型的输入参数，得到由所述预测模型预测的所述目标列车在所述第一运行过程中的停车精度，作为目标停车精度，输出所述目标停车精度；其中，所述预测模型对若干训练样本进行机器学习得到，每一训练样本均以所述运行线路上列车的各运行过程对应的特征值组合作为输入参数，以对应的停车精度作为目标输出值。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如，包括：根据列控系统的各子系统获取与目标列车的第一运行过程对应的记录数据，从第一运行过程对应的记录数据中提取ATO控车时精确停车阶段生成的记录数据，作为目标记录数据；获取所述目标列车所在运行线路对应的影响ATO控车时精确停车阶段的停车精度的设定特征元组，根据所述目标记录数据计算所述设定特征元组中每一特征对应的特征值，得到与所述第一运行过程对应的第一特征值组合；将所述第一特征值组合作为预先训练的预测模型的输入参数，得到由所述预测模型预测的所述目标列车在所述第一运行过程中的停车精度，作为目标停车精度，输出所述目标停车精度；其中，所述预测模型对若干训练样本进行机器学习得到，每一训练样本均以所述运行线路上列车的各运行过程对应的特征值组合作为输入参数，以对应的停车精度作为目标输出值。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (10)
1.一种基于机器学习的ATO控车时精确停车阶段停车精度预测方法，其特征在于，包括：
根据列控系统的各子系统获取与目标列车的第一运行过程对应的记录数据，从第一运行过程对应的记录数据中提取ATO控车时精确停车阶段生成的记录数据，作为目标记录数据；
获取所述目标列车所在运行线路对应的影响ATO控车时精确停车阶段的停车精度的设定特征元组，根据所述目标记录数据计算所述设定特征元组中每一特征对应的特征值，得到与所述第一运行过程对应的第一特征值组合；
将所述第一特征值组合作为预先训练的预测模型的输入参数，得到由所述预测模型预测的所述目标列车在所述第一运行过程中的停车精度，作为目标停车精度，输出所述目标停车精度；
其中，所述预测模型对若干训练样本进行机器学习得到，每一训练样本均以所述运行线路上列车的各运行过程对应的特征值组合作为输入参数，以对应的停车精度作为目标输出值。
2.根据权利要求1所述的方法，其特征在于，所述根据列控系统的各子系统获取与目标列车的第一运行过程对应的记录数据，从第一运行过程对应的记录数据中提取ATO控车时精确停车阶段生成的记录数据，作为目标记录数据，包括：
获取在所述目标列车的第一运行过程中由列控系统的各子系统生成的日志，分别从各子系统生成的日志中采集与所述第一运行过程的每一时刻对应的数据，得到与每一时刻对应的数据元组，将按照时间顺序排列的所述第一运行过程的每一时刻对应的数据元组作为第一运行过程对应的记录数据；
获取所述第一运行过程对应的记录数据中每一数据元组对应的ATO主流程，将ATO主流程为控车状态的数据元组作为初选数据元组；
获取每一初选数据元组对应的ATO驾驶状态，按照时间顺序，获取ATO驾驶状态从巡航控车阶段转变为精确停车阶段后的第一个数据元组，ATO驾驶状态从精确停车阶段转变为进站处理阶段前的最后一个数据元组；
将由所述第一个数据元组、所述第一个数据元组和所述最后一个数据元组之间的数据元组以及所述最后一个数据元组组成的记录数据作为所述目标记录数据；
其中，所述列控系统的子系统包括ATO和ATP。
3.根据权利要求2所述的方法，其特征在于，所述获取所述目标列车所在运行线路对应的影响ATO控车时精确停车阶段的停车精度的设定特征元组，根据所述目标记录数据计算所述设定特征元组中每一特征对应的特征值，得到与所述第一运行过程对应的第一特征值组合，包括：
获取预先设定的与所述目标列车所在运行线路对应的ATO控车时精确停车阶段的影响停车精度的设定特征元组，对所述设定特征元组中的每一特征，根据所述目标记录数据中的各数据元组计算所述特征对应的特征值，将得到的设定特征元组的各特征对应的特征值作为所述第一特征值组合。
4.根据权利要求1所述的方法，其特征在于，所述预测模型的训练包括：
从列控系统的各子系统获取在所述运行线路上的列车的各运行过程对应的记录数据；
对于任一第二运行过程对应的记录数据，根据所述第二运行过程对应的记录数据和所述设定特征元组计算所述第二运行过程对应的第二特征值组合；
获取以所述第二特征值组合作为输入参数，以所述第二运行过程的停车精度作为目标输出值的训练样本，对若干组训练样本进行机器学习得到训练模型，将所述训练模型作为所述预测模型。
5.根据权利要求4所述的方法，其特征在于，所述对若干组训练样本进行机器学习得到训练模型，将所述训练模型作为所述预测模型，包括：
在对若干组训练样本进行机器学习得到训练模型后，将未作为训练样本的第二运行过程对应的第二特征值组合和ATO控车时精确停车阶段的停车精度作为测试样本，获取若干组测试样本；
对每一测试样本，以所述测试样本中的第二特征值组合作为所述训练模型的输入参数，得到由所述训练模型输出的停车精度；
根据各测试样本对应的ATO控车时精确停车阶段的停车精度和由所述训练模型输出的停车精度计算所述训练模型的输出误差，若所述输出误差小于预设误差，则将所述训练模型作为所述预测模型。
6.根据权利要求4所述的方法，其特征在于，还包括：
从所述预测模型中获取所述设定特征元组中的各特征对应的权重系数，获取权重系数大于预设权重系数的特征，作为目标特征，根据目标特征确定用于提高在所述运行线路上运行的列车在ATO控车时精确停车阶段的停车精度的方案。
7.根据权利要求4所述的方法，其特征在于，进行机器学习的核函数为岭回归。
8.一种基于机器学习的ATO控车时精确停车阶段停车精度预测装置，其特征在于，包括：
提取模块，用于根据列控系统的各子系统获取与目标列车的第一运行过程对应的记录数据，从第一运行过程对应的记录数据中提取ATO控车时精确停车阶段生成的记录数据，作为目标记录数据；
计算模块，用于获取所述目标列车所在运行线路对应的影响ATO控车时精确停车阶段的停车精度的设定特征元组，根据所述目标记录数据计算所述设定特征元组中每一特征对应的特征值，得到与所述第一运行过程对应的第一特征值组合；
预测模块，用于将所述第一特征值组合作为预先训练的预测模型的输入参数，得到由所述预测模型预测的所述目标列车在所述第一运行过程中的停车精度，作为目标停车精度，输出所述目标停车精度；
其中，所述预测模型对若干训练样本进行机器学习得到，每一训练样本均以所述运行线路上列车的各运行过程对应的特征值组合作为输入参数，以对应的停车精度作为目标输出值。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该电子设备和列控系统的各子系统的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811523104.5A CN109625033A (zh) | 2018-12-13 | 2018-12-13 | Ato控车时精确停车阶段停车精度预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811523104.5A CN109625033A (zh) | 2018-12-13 | 2018-12-13 | Ato控车时精确停车阶段停车精度预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109625033A true CN109625033A (zh) | 2019-04-16 |
Family
ID=66073412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811523104.5A Pending CN109625033A (zh) | 2018-12-13 | 2018-12-13 | Ato控车时精确停车阶段停车精度预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109625033A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112059183A (zh) * | 2020-09-14 | 2020-12-11 | 南京铁道职业技术学院 | 激光熔化系统及其方法 |
| CN112158232A (zh) * | 2020-09-28 | 2021-01-01 | 交控科技股份有限公司 | 一种克服延迟响应牵引的停车开门控制方法及系统 |
| CN112319559A (zh) * | 2020-10-12 | 2021-02-05 | 北京市轨道交通建设管理有限公司 | 列车停车方法及装置 |
| CN114559992A (zh) * | 2022-03-14 | 2022-05-31 | 中国电子信息产业集团有限公司第六研究所 | 一种列车安全防护方法、模型训练方法、装置及电子设备 |
| CN114954567A (zh) * | 2022-06-13 | 2022-08-30 | 中交机电工程局有限公司 | 一种城市轨道在线列车的停车控制方法及系统 |
| CN115257882A (zh) * | 2022-07-27 | 2022-11-01 | 交控科技股份有限公司 | 列车ato精确停车方法、设备、存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5696679A (en) * | 1995-06-09 | 1997-12-09 | Ford Global Technologies, Inc. | Integrated electronic control of pawl-gear park function of an automatic transmission |
| CN102275601A (zh) * | 2011-04-29 | 2011-12-14 | 北京全路通信信号研究设计院有限公司 | 一种智能控车方法及装置 |
| CN107399333A (zh) * | 2017-07-24 | 2017-11-28 | 清华大学 | 一种面向列车自动驾驶的列车精准停车方法 |
| CN107585180A (zh) * | 2017-08-16 | 2018-01-16 | 交控科技股份有限公司 | 车载ato基于多目标自调整驾驶策略的方法及装置 |
| CN107953901A (zh) * | 2017-11-08 | 2018-04-24 | 交控科技股份有限公司 | 一种用于列车停车精确定位的系统及方法 |
-
2018
- 2018-12-13 CN CN201811523104.5A patent/CN109625033A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5696679A (en) * | 1995-06-09 | 1997-12-09 | Ford Global Technologies, Inc. | Integrated electronic control of pawl-gear park function of an automatic transmission |
| CN102275601A (zh) * | 2011-04-29 | 2011-12-14 | 北京全路通信信号研究设计院有限公司 | 一种智能控车方法及装置 |
| CN107399333A (zh) * | 2017-07-24 | 2017-11-28 | 清华大学 | 一种面向列车自动驾驶的列车精准停车方法 |
| CN107585180A (zh) * | 2017-08-16 | 2018-01-16 | 交控科技股份有限公司 | 车载ato基于多目标自调整驾驶策略的方法及装置 |
| CN107953901A (zh) * | 2017-11-08 | 2018-04-24 | 交控科技股份有限公司 | 一种用于列车停车精确定位的系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张爽: "自动驾驶ATO技术在北京地铁5号线的实现", 《2013中国城市轨道交通关键技术论坛暨第二十三届地铁学术交流会论文集》 * |
| 骆书林: "基于数据挖掘的列车停车精度分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112059183A (zh) * | 2020-09-14 | 2020-12-11 | 南京铁道职业技术学院 | 激光熔化系统及其方法 |
| CN112158232A (zh) * | 2020-09-28 | 2021-01-01 | 交控科技股份有限公司 | 一种克服延迟响应牵引的停车开门控制方法及系统 |
| CN112319559A (zh) * | 2020-10-12 | 2021-02-05 | 北京市轨道交通建设管理有限公司 | 列车停车方法及装置 |
| CN114559992A (zh) * | 2022-03-14 | 2022-05-31 | 中国电子信息产业集团有限公司第六研究所 | 一种列车安全防护方法、模型训练方法、装置及电子设备 |
| CN114559992B (zh) * | 2022-03-14 | 2022-12-02 | 中国电子信息产业集团有限公司第六研究所 | 一种列车安全防护方法、模型训练方法、装置及电子设备 |
| CN114954567A (zh) * | 2022-06-13 | 2022-08-30 | 中交机电工程局有限公司 | 一种城市轨道在线列车的停车控制方法及系统 |
| CN114954567B (zh) * | 2022-06-13 | 2023-09-12 | 中交机电工程局有限公司 | 一种城市轨道在线列车的停车控制方法及系统 |
| CN115257882A (zh) * | 2022-07-27 | 2022-11-01 | 交控科技股份有限公司 | 列车ato精确停车方法、设备、存储介质 |
| CN115257882B (zh) * | 2022-07-27 | 2023-07-18 | 交控科技股份有限公司 | 列车ato精确停车方法、设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109625033A (zh) | Ato控车时精确停车阶段停车精度预测方法及装置 | |
| CN107832581B (zh) | 状态预测方法和装置 | |
| EP3514823A2 (en) | Machine learning-based semiconductor manufacturing yield prediction system and method | |
| CN104835354B (zh) | 一种管制负荷管理系统及其管制员工作负荷的评估方法 | |
| US10521748B2 (en) | Retention risk determiner | |
| CN107124394A (zh) | 一种电力通信网络安全态势预测方法和系统 | |
| CN107633035B (zh) | 一种基于K-Means&LightGBM模型的共享交通服务reorder预估方法 | |
| RU2670937C1 (ru) | Прогнозирование операций технического обслуживания, применяемых к двигателю | |
| CN107025228B (zh) | 一种问题推荐方法及设备 | |
| CN112489497B (zh) | 基于深度卷积神经网络的空域运行复杂度评估方法 | |
| CN111105628A (zh) | 一种停车场画像构建方法和装置 | |
| CN107274066B (zh) | 一种基于lrfmd模型的共享交通客户价值分析方法 | |
| CN113298263B (zh) | 计算图处理、模型运行方法及装置、设备、服务器及终端 | |
| CN110264270A (zh) | 一种行为预测方法、装置、设备和存储介质 | |
| CN110509957A (zh) | 一种列车速度预测方法及装置 | |
| CN110059069A (zh) | 用于检测和预测目标系统的行为的系统和方法 | |
| WO2016106100A1 (en) | Retention risk mitigation system | |
| WO2018182442A1 (en) | Machine learning system and method for generating a decision stream and automonously operating device using the decision stream | |
| CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
| Fielding et al. | Public transit performance evaluation: application to Section 15 Data | |
| CN115017050A (zh) | 自动驾驶的测试场景生成系统及方法 | |
| CN116049989A (zh) | 转向架数字孪生模型构建方法、系统、电子设备及介质 | |
| CN111984637B (zh) | 数据建模中的缺失值处理方法和装置、设备及存储介质 | |
| CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
| CN115151920A (zh) | 驾驶评估方法、装置及非暂态计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
| RJ01 | Rejection of invention patent application after publication |