CN109829577B - 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 - Google Patents

Abstract

本发明提供了一种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，包括：获取轨道列车运行状态的实时数据，对数据进行预处理；根据预处理后的数据，建立深度神经网络结构模型；将预处理后的数据划分为训练数据集和验证数据集，通过训练数据集和验证数据集对所述的深度神经网络结构模型进行训练和验证；通过验证后的深度神经网络结构模型对轨道交通列车进行在线预测。本发明的方法在综合考虑车辆个体和运行环境差异因素的基础上，建立一种动力学模型，为列车在复杂环境下的运行提供有力支撑。

Description

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

技术领域

本发明涉及轨道交通管理与控制技术领域，尤其涉及一种基于深度神经 网络结构模型的轨道列车运行状态预测方法。

背景技术

城市轨道交通具有节约土地、运量大、耗能少、快速、准时和环保等特点， 是资源节约型和环境友好型的交通方式。城市轨道交通不仅方便了市民的出 行，缓解了城市交通拥堵，而且也在一定程度上减小了能耗与城市碳排放压力， 并带动了沿线经济的发展。为了进一步满足社会经济发展的需要，缓解大城市 交通出行压力，我国正在大力发展城市轨道交通。

目前，国内90％以上的新建地铁线路都采用了ATO系统，因此列车自动驾 驶ATO系统在城市轨道交通中占有重要的地位。列车动力学模型对ATO系统的 运行精度和系统稳定性起着至关重要的作用。然而，现有技术中由于系统复 杂度高，列车动力学模型受到的影响因素也众多，例如轨道湿度、外界天气 和牵引/制动闸瓦损耗等。目前许多列车动力学模型仅采用简单的线性一阶控 制模型，不能准确的反映列车的模型参数变化。尤其是雨雪天气下，轮轨黏 着系数和其他相关参数的改变会导致列车动力学模型发生改变，列车对系统牵引制动参数更加敏感，而目前的列车ATO系统无法在线识别列车动力学模型 的变化，不能有效的适应列车在雨雪天气下的自动运行。因此，当前城市轨 道交通中，在遇到雨雪天气的情况下都会切换为人工驾驶模式，降低了系统 的运行效率。

目前，在实际应用中，列车的动力学模型是通过一种反馈调节的方法实 现对加速度和速度的跟踪控制，然而该模型中存在参数对个体和环境较为敏 感，易受到外面环境，如空气湿度和轮轨摩擦系数等因素影响。同时，由于 车辆个体和环境的差异使得模型参数的适应性较差，模型难以广泛的应用在 实际线路当中，在模型应用的过程中需要根据模型的个体进行大量测试和修 正才能有较好的表现。

因此，需要在综合考虑车辆个体和运行环境差异因素的基础上，建立一 种动力学模型，为列车在复杂环境下的运行提供有力支撑。

发明内容

本发明提供了一种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，为列车在复杂环境下的运行提供有力支撑。

为了实现上述目的，本发明采取了如下技术方案。

本发明提供了一种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，其特征在于，包括：

获取轨道列车运行状态的实时数据，对所述的数据进行预处理；

根据预处理后的数据维度和数据集大小，建立深度神经网络结构模型；

将预处理后的数据划分为训练数据集和验证数据集，通过所述的训练数 据集和验证数据集对所述的深度神经网络结构模型进行训练和验证；

通过验证后的深度神经网络结构模型对轨道交通列车进行在线预测。

优选地，获取轨道列车运行状态的实时数据，包括：

按照一定的时间间隔采集轨道列车运行状态的实时数据，并建立如下式 (1)所示的以时间为轴的数据集：

X_t＝{x_data_1，x_data_2，x_data_3}_t (1)

其中，t表示采样时间，每个采样时间点包括：目标距离x_data_1，车辆 速度x_data_2，PID控制器期望输出的加速度x_data_3。

优选地，对所述的数据进行预处理，包括：利用插值的方法去除所述的 数据集中的坏点，然后对数据集中的目标距离、车辆速度和期望输出加速度 进行正则化处理。

优选地，根据预处理后的数据，建立深度神经网络结构模型，包括：

(1)建立深度神经网络结构；

(2)设置激活函数，以建立每一层神经网络之间的连接关系；

(3)定义损失函数。

优选地，建立深度神经网络结构，包括：

首先设置深度神经网络的输入序列为X_t-N，X_t-N+1...X_t-1，考虑到每个采 样点包括目标距离、车辆速度和期望加速度三个维度，每个采样点的各个维 度对应一个网络输入层节点，可知网络的输入层共包含(N-1)*3个节点，其 中，X_t-N，X_t-N+1...X_t-1分别为列车在时间点t-N，t-N+1，...t-1的运行 状态；

然后设置2-4层隐含层，每一层分别包括4-12个神经网络节点；

最后设置神经网络的输出层包括两个节点，分别代表模型预测的列车速 度与位置。

优选地，设置激活函数，以建立每一层神经网络之间的连接关系，包 括：

设置如下式(2)所示的sigmoid函数为激活函数：

其中，σ(x)表示sigmoid函数，x表示激活函数的输入,e表示对数自然常 数。

优选地，定义损失函数，包括：根据最小二乘法定义损失函数如下式 (3)所示：

其中，N代表训练数据集合，|N|表示训练数据集的大小，Y(X)表示深度 神经网络模型的预测结果，

表示训练数据集对应的期望值。

优选地，将预处理后的数据划分为训练数据集和验证数据集，训练数据 集对权力4中所对应的深度神经网络进行训练。最后通过验证数据集验证训练 的效果，如果损失函数小于一定阈值则停止训练；否则继续训练。

优选地，通过所述的训练数据集和验证数据集对所述的深度神经网络结 构模型进行训练和验证，包括：

采用交替方向乘子法对所述的深度神经网络结构模型进行训练，并设置 深度神经网络结构模型的学习率为0.001。

由上述本发明的基于深度神经网络结构模型的轨道列车运行状态预测方 法提供的技术方案可以看出，本发明通过在运行过程中根据当前的运行速度 和位置，动态感知外界环境对列车的影响，进而精确预测列车在后续运行过 程中的状态变化过程；利用深度神经网络的在线学习能力，克服了传统物理 学模型参数漂移导致控制精度下降的缺点，预测精度高、在线学习能力强、 且具有很好的适应性，能够用于不同类型的列车，保证ATO系统控制列车准 时、节能、高效地运行。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的 描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所 需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发 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为本发明实施例提供的基于深度神经网络结构模型的轨道列车运行状 态预测方法流程示意图；

图2为于深度神经网络结构模型的轨道列车运行状态预测的整体实施流程 图；

图3为实施例的深度神经网络结构以及该网络在列车自动驾驶系统中所承 载的功能示意图；

图4为实施例中各区间列车运行数据采集曲线图；

图5为实施例中亦庄文化园至亦庄桥区间模型的速度时间和位置时间曲线 图；

图6为小红门至肖村区间模型的速度时间和位置时间曲线图；

图7为次渠至次渠南区间模型的速度时间和位置时间曲线图；

图8为荣昌东街至荣京东街区间模型的速度时间和位置时间曲线图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出， 其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功 能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发 明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式 “一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解 的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步 骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、 整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被 “连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或 者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无 线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项 的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一 般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该 被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一 样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进 一步的解释说明。

本发明实施例提供的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，旨在综合考虑了车辆个体和运行环境差异因素，利用基于深度神经 网络结构模型，为列车在复杂环境下的运行提供有力的支撑。

实施例

图1为本发明实施例提供的基于深度神经网络结构模型的轨道列车运行状 态预测方法流程示意图，图2为于深度神经网络结构模型的轨道列车运行状态 预测的整体实施流程图，参照图1和图2，该方法包括：

S1获取轨道列车运行状态的实时数据，对数据进行预处理。

优选地，按照一定的时间间隔采集轨道列车运行状态的实时数据，并建 立如下式(1)所示的以时间为轴的数据集：

X_t＝{x_dara_1，x_data_2，x_data_3}_t (1)

其中，t表示采样时间，每个采样时间点包括：目标距离x_data_1，车辆 速度x_data_2，PID控制器期望输出的加速度x_data_3。

示意性的，列车自动防护ATP系统每200ms实时获取列车的运行状态，包 括列车编号、出发站ID、线路公里标、当前运行时间、列车当前(以及历 史)位置、列车当前(以及历史)速度以及列车当前(以及)控制器输出， 具体数据参见下表1，图3为实施例的深度神经网络结构以及该网络在列车自 动驾驶系统中所承载的功能示意图。

表1

首先将ATP获取的列车运行状态数据表示为如下的数学符号，进而预测列 车在之后的运行状态：

t——表示列车离开车站后的运行时间

s_t——表示列车当前的运行位置

v_t——表示列车当前的运行速度

u_t——表示列车ATO当前的控制器输出量

——表示列车在当前时刻的限速

s_t-δ,…s₀——表示列车在之前的离散时间点t-δ,…0的运行位置

v_t-δ,…v₀——表示列车在之前的离散时间点t-δ,…0的运行速度

采用时间间隔δ＝200ms的采样间隔，构建时间相关的输入数据队列 data(t)，其中data表示读入的数据矩阵，t表示时间序列值。以亦庄线某区 间为例，车载设备ATP以200ms时间的间隔采样，列车在该区间的运行为102 秒，因此可得到510组数据记录。

利用插值的方法去除所述的数据集中的坏点，然后对数据集中的目标距 离、车辆速度和期望输出加速度进行正则化处理。

建立深度神经网络(DNN，Deep Neural Network)结构时，要考虑数据 输入对网络的敏感性，对输入层进行正则化处理(Normalization)。本发明 实施例中，为了保证深度学习计算的精度，使用下式(2)-(4)将数据进行 正则化处理：

s_t＝s_t/D_s (2)

v_t＝v_t/D_v (3)

u_t＝u_t/D_u (4)

其中，D_s,D_v,D_u分别代表目标距离、车辆速度和PID控制器期望输出的加 速度所对应的权重。

S2根据预处理后的数据维度和数据集大小，建立深度神经网络结构模 型。

包括：

(1)建立深度神经网络结构：

首先建立深度神经网络(DNN，Deep Neural Network)的输入层。由于 列车动力学模型的时延等因素，列车在下一个采样时间点t+1的运行状态不仅 与上一个采样时间点t有关，也与之前的采样点t-1，t-2等时间点有关。因 此，设置深度神经网络的输入数据集为X_t-N，X_t-N+1...X_t-1，每一个 X_t-1＝{s_t-1，v_t-1，u_t-1}为一个元胞数据集，表示该事件点下列车的目标速 度，车辆速度，期望加速度，由此可知，该DNN网络的输入层一共包含(N- 1)*3个计算节点。

然后设置2-4层隐含层，每一层分别包括4-12个神经网络节点，每个隐含 层包括多个计算节点，可表示为如下公式(5)所示：

z^l+1＝f^l+1(W^lz^l+b^l) (5)

其中，W^l和b¹分别表示第l层神经网络的权重矩阵，f^l+1表示DNN的激活函 数，z^l和z^l+1分别表示DNN在第l层和第l+1层的输出。本实施例中，隐含层的 选取需要与输入层数据相匹配。例如，当输入层数据参数N选取较小，则可设 置两层隐含层神经网络；反之，如果输入层数据参数N选取较大，则可以适当 设置更多的神经网络隐含层。在网络结构设置之后，构建的若干个权重系数 矩阵W和偏差向量b来与输入向量X作相关线性运算和激活运算，从输入层开 始，逐层向后计算，一直运算到输出层，得到输出结果值。

最后，由于列车动力学模型的本质是根据列车实时运行的状态来预测列 车在之后时间段的运行状态(位置和速度)，即s_t,v_t,s_t+1,v_t+1,…等。因此 深度神经网络的输出层Y可以根据实际的ATO驾驶控制器的需求进行设置。如 果仅需要预测列车在下一个时间点的运行状态，可设置两个节点，分别代表 模型预测的列车在下一个时间点的速度与位置。优选地，设置神经网络的输 出层包括两个节点，分别代表模型预测的列车速度与位置。

(2)设置激活函数，以建立每一层神经网络之间的连接关系：

为了防止神经元层与层间之间训练误差的线性传播，需要设置相应的激 活函数f(.)。常用的激活函数有sigmoid函数、tanh函数或者ReLU函数。优选 地，设置如下式(6)所示的sigmoid函数为激活函数：

其中，σ(x)表示sigmoid函数，x表示激活函数的输入,e表示对数自然常 数。

它是一种非线性的激活函数，用于作为DNN每一层的激活函数。该函数 能够将连续变换的实值变换为0或1之间的输出，尤其是对输入增益较大的模 型具有着较好的效果。

(3)定义损失函数。

损失函数是用来估计模型的预测值f(x)与真实值之间的不一致程度，通 常损失函数是一个非负实值函数，用L(Y，f(X))来表示。损失函数越小，模型 的鲁棒性一般越好。优选地，采用最小二乘法作为训练过程中的损失函数传 递误差，平方损失的标准形式如下式(7)所示：

Loss(Y，f(X))＝(Y-f(X))² (7)

对于训练数据集样本N，可以推导出

在 此基础上将数据集的均方根误差定义为模型损失函数，如下式(8)所示：

其中，N代表训练数据集合，|N|表示训练数据集的大小，Y(X)表示深度 神经网络模型的预测结果，

表示训练数据集对应的期望值。

S3将预处理后的数据划分为训练数据集和验证数据集，通过训练数据集 和验证数据集对深度神经网络结构模型进行训练和验证。

将预处理后的数据划分为训练数据集和验证数据集，训练数据集对深度 神经网络进行训练。最后通过验证数据集验证训练的效果，如果损失函数小 于一定阈值η则停止训练；否则继续训练。

模型参数的训练和优化是建模中最重要的环节，其目的是找到一组最优 的网络权重参数向量W和b，从而极小化DNN模型的损失函数。即

常用的模型训练方法包括随机梯度下降法(Stochastic Gradient Descent)，自适应梯度下降法(Adaptive Gradient Algorithm,AdaGrad) 和交替乘子算法ADMM(Alternating Direction Method of Multipliers)等。 算法是机器学习中比较广泛使用的约束问题最优化方法，它是ALM算法的一种 延伸，只不过将无约束优化的部分用块坐标下降法(block coordinate descent，或叫做alternating minimization)来分别优化，产生这种方法 主要是为了弥补二次惩罚的缺点。为了解决这个问题，引入了线性逼近的部分，通过线性项系数不断的接近最优解(对偶上升)，使得在二次惩罚项的 系数很小的情况下，也能得到满足要求精度的解。优选地，采用交替方向乘 子法对所述的深度神经网络结构模型进行训练，来增加DNN算法的稳定性，并 设置深度神经网络结构模型的学习率为0.001。

通过Python编程语言session package作为容器，将Tensorflow中建立的 网络结构重载到session容器中，通过session中操作Run求解迭代后的结果。 在训练过程中，设置迭代次数为Ite_num次，每次迭代后动态计算网络中的损 失函数值，通过损失函数值的变化趋势，利用步骤ADMM学习算法，更新DNN网 络结构参数。并且重复进行迭代计算，最终求出稳定收敛的网络结构并进行 存取。将训练好的的深度神经网络模型，通过随机选取的测试数据作为输入 数据矩阵，输入到经过训练好的神经网络转换为相应的输出集，即可得到列 车运行状态的精确预测。

S4通过验证后的深度神经网络结构模型对轨道交通列车进行在线预测。

为了验证本发明的预测效果，同时使用如下(10)-(11)传统的列车动 力学模型作为比对：

s_t+1＝s_t+v_tΔt (10)

其中Δt表示离散系统的最小采样时间(即200ms)，

表示列车 由于钢轨摩擦而造成的摩擦阻力，在比对实验中使用非线性优化的方法对以 上三个参数(α,β,γ)进行辨识，α,β,γ称为戴维斯阻力参数。并采用这种方 法与本发明方法所得到的结果进行比对。

下面我们根据北京地铁亦庄线的实际运行数据，分别设计了四个区间列 车运行状态预测的实际案例，四个区间分别为：亦庄文化园至亦庄桥区间； 小红门至肖村区间；次渠至次渠南区间；荣昌东街至荣京东街区间。以上四 个区间的列车实际运行数据采集于2017年11月，其中图4为上述各区间列车运 行数据采集曲线图，a为亦庄文化园至亦庄桥区间；b为小红门至肖村区间；c 为次渠至次渠南区间；d为荣昌东街至荣京东街区间，参照图4，给出了实际 运行数据中列车的实时速度、控制器输出量和线路限速。

作为比较，利用传统的列车动力学模型与本发明方法的DNN模型，通过以 上四个区间的数据进行模型训练与验证。图5-8分别表示上述四个测试场景 下，列车实际的位置、速度曲线以及利用传统列车动力学模型和本发明DNN模 型所得到的预测列车位置与速度曲线。参照图5-8，可以明显看出，传统列车 动力学模型所得到的列车速度、位置曲线都与列车实际状态差距较大，说明 利用传统的列车动力学模型很难保证列车运行状态的预测；同时可以看出， 采用本发明提供的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 得到的预测结果与实际中的列车运行曲线非常接近，具有较好的追踪性，表 明该方法可以有效地预测实际列车运行状态，从而用于列车自动驾驶算法设 计、车辆厂商模型参数标定等实际工程环节，大大降低实地测试的投入成 本。

本领域技术人员应能理解上述输入框的仿真过程仅为举例，其他现有的 或今后可能出现的应用本发明的方法进行仿真的过程，也应包含在本发明保 护范围以内，并在此以引用方式包含于此。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到 本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解， 本发明的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)执行本发明各个实施例或者实施例的某些部分所 述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不 局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可 轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明 的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种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，其特征在于，包括：

获取轨道列车运行状态的实时数据，对所述的数据进行预处理，包括：

按照一定的时间间隔采集轨道列车运行状态的实时数据，并建立如下式(1)所示的以时间为轴的数据集：

X_t＝{x_data_1，x_data_2，x_data_3}_t (1)

其中，t表示采样时间，每个采样时间点包括：目标距离x_data_1，车辆速度x_data_2，PID控制器期望输出的加速度x_data_3；

根据预处理后的数据维度和数据集大小，建立深度神经网络结构模型，包括：

(1)建立深度神经网络结构，包括：

首先设置深度神经网络的输入序列为X_t-N，X_t-N+1...X_t-1，考虑到每个采样点包括目标距离、车辆速度和期望加速度三个维度，每个采样点的各个维度对应一个网络输入层节点，可知网络的输入层共包含(N-1)*3个节点，其中，X_t-N，X_t-N+1...X_t-1分别为列车在时间点t-N，t-N+1，...t-1的运行状态；

然后设置2-4层隐含层，每一层分别包括4-12个神经网络节点；

最后设置神经网络的输出层包括两个节点，分别代表模型预测的列车速度与位置；

(2)设置激活函数，以建立每一层神经网络之间的连接关系；

(3)定义损失函数；

将预处理后的数据划分为训练数据集和验证数据集，通过所述的训练数据集和验证数据集对所述的深度神经网络结构模型进行训练和验证；

通过验证后的深度神经网络结构模型对轨道交通列车进行在线预测。

2.根据权利要求1所述的方法，其特征在于，所述的对所述的数据进行预处理，包括：利用插值的方法去除所述的数据集中的坏点，然后对数据集中的目标距离、车辆速度和期望输出加速度进行正则化处理。

3.根据权利要求1所述的方法，其特征在于，所述的设置激活函数，以建立每一层神经网络之间的连接关系，包括：

设置如下式(2)所示的sigmoid函数为激活函数：

其中，σ(x)表示sigmoid函数，x表示激活函数的输入，e表示对数自然常数。

4.根据权利要求1所述的方法，其特征在于，所述的定义损失函数，包括：根据最小二乘法定义损失函数如下式(3)所示：

其中，N代表训练数据集合，|N|表示训练数据集的大小，Y(X)表示深度神经网络模型的预测结果，

表示训练数据集对应的期望值。

5.根据权利要求4所述的方法，其特征在于，所述的将预处理后的数据划分为训练数据集和验证数据集，训练数据集对深度神经网络进行训练，最后通过验证数据集验证训练的效果，如果损失函数小于一定阈值则停止训练；否则继续训练。

6.根据权利要求1所述的方法，其特征在于，所述的通过所述的训练数据集和验证数据集对所述的深度神经网络结构模型进行训练和验证，包括：

采用交替方向乘子法对所述的深度神经网络结构模型进行训练，并设置深度神经网络结构模型的学习率为0.001。

Images