CN109871007B - 一种基于机器学习的坡度处理方法、装置及系统 - Google Patents
一种基于机器学习的坡度处理方法、装置及系统 Download PDFInfo
- Publication number
- CN109871007B CN109871007B CN201711268083.2A CN201711268083A CN109871007B CN 109871007 B CN109871007 B CN 109871007B CN 201711268083 A CN201711268083 A CN 201711268083A CN 109871007 B CN109871007 B CN 109871007B
- Authority
- CN
- China
- Prior art keywords
- gradient
- data
- level
- train
- machine learning
- 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.)
- Active
Links
Images
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例提供一种基于机器学习的坡度处理方法、装置及系统。其中,该方法包括:接收车载ATO设备发送的坡度处理数据,包括输出级位、列车位置和列车坡度信息;输出级位与列车位置对应;根据预设周期内的一段坡度区的坡度处理数据得到数据对象,包括输出级位、列车位置和评价参数;通过机器学习聚类算法将数据对象进行分组,根据评价参数找到坡度处理性能最好的一组数据对象,进而得到控制级位;将控制级位和预设权重发送给车载ATO设备,用于车载ATO设备进行加权计算得到最终的输出级位。本发明实施例通过机器的自学习,累积经验,使得ATO在驾驶过程中不断优化对坡度的处理,最终输出与位置对应的级位,达到坡度处理的最优化。
Description
技术领域
本发明实施例涉及人工智能及自动控制技术领域,具体为一种基于机器学习的坡度处理方法、装置及系统。
背景技术
在轨道交通中,地势环境、节能设计、现有线路等因素都会导致轨道在修建时会有坡度的变化,尤其是在山区城市,坡度更陡,更多,故列车在自动运行时其列车自动驾驶系统(Automatic Train Operation,ATO)要考虑到坡度的处理。目前的坡度处理主要有以下策略:
(1)坡度取值为列车移动授权范围内的最不利坡度
ATO驾驶列车行驶,坡度的取值为列车移动授权(Movement Authority,MA)范围内的最不利坡度,然后把坡度按照一定原则等效到加速度上;即上坡等效减速,下坡等效加速。
ATO驾驶列车行驶,坡度的取值为列车移动授权范围内的最不利坡度具有如下缺陷:因为坡度的取值为移动授权范围内的最不利坡度,在MA很长时,易出现在上坡时当前坡度比较小,而MA范围内有更大坡度,因为采用了较大坡度,输出级位在当前阶段偏大,易超速,同理在下坡输出大制动速度压得过低影响运营效率,同时大制动易引发空气制动导致刹车片磨损严重,降低使用寿命。另外MA比较短时,随着列车的运行,MA变化引起坡度的变化导致目标限速的变化,列车运行时也易超速,对于这种方案,ATO中需要做很多防护,调试、维护比较耗费时间。
(2)坡度取值为列车当前车头置信位置的坡度
ATO驾驶列车行驶,坡度的取值为列车当前车头置信位置的坡度,然后把坡度按照一定原则等效到加速度上;即上坡等效减速,下坡等效加速。
ATO驾驶列车行驶,坡度的取值为列车当前置信位置的坡度具有如下缺陷:因为坡度的取值是当前值,列车在运行时坡度的变化比较大,将引起ATO输出的级位不断变化,出现振荡,降低乘客的舒适度。
(3)坡度取值全线采用一个定值
ATO驾驶列车行驶,坡度的取值为固定值(经验值),然后把坡度按照一定原则等效到加速度上;即上坡等效减速,下坡等效加速。
ATO驾驶列车行驶,坡度的取值为固定值(经验值)具有如下缺陷:因为坡度的取值全线统一,采用了固定值,在有极端坡度区域情况下,上坡时当前坡度远大于设置值会造成爬坡能力不足,速度降低,当前坡度远小于设置值造成超速;下坡时当前坡度远大于设置值会出现超速,当前坡度远小于设置值速度压得过低,甚至导致停车,降低运营效率。另外,经验值的获取也比较困难,需要大量的测试。
另外,列车是一个多制点模型,会出现在列车运行时车头在上坡,车尾还在平坡上或者车头在平坡,车尾在下坡等情况,因为坡度的变化是连续的,而ATO的级位控制是不连续的分级的,故坡度的变化不能准确的表现在级位,在这种情况下,级位的振荡对乘客的舒适度有一定的影响。
因此,现有技术ATO的坡度处理不合理,容易引起超速、溜车、级位振荡等问题,也会降低乘客的舒适度。
发明内容
为解决现有技术坡度处理不合理的问题,本发明实施例提供一种基于机器学习的坡度处理方法、装置及系统。
第一方面,本发明实施例提供一种基于机器学习的坡度处理方法,该方法包括:接收车载ATO设备发送的坡度处理数据,所述坡度处理数据包括输出级位、列车位置和列车坡度信息;所述输出级位与所述列车位置对应;由所述列车坡度信息获取坡度区,根据预设周期内接收的一段坡度区的所述坡度处理数据得到数据对象,所述数据对象包括所述输出级位、所述列车位置和评价参数,所述评价参数用来评价坡度处理的性能;通过机器学习聚类算法将所述数据对象进行分组,根据所述评价参数找到坡度处理性能最好的一组所述数据对象,根据所述坡度处理性能最好的一组所述数据对象得到控制级位;将所述控制级位和所述控制级位的预设权重发送给所述车载ATO设备,用于车载ATO设备进行加权计算得到最终的所述输出级位。
第二方面,本发明实施例提供一种基于机器学习的坡度处理装置,该装置包括:数据预处理单元,具体用于接收车载ATO设备发送的坡度处理数据,所述坡度处理数据包括输出级位、列车位置和列车坡度信息;所述输出级位与所述列车位置对应;由所述列车坡度信息获取坡度区,根据预设周期内接收的一段坡度区的所述坡度处理数据得到数据对象,所述数据对象包括所述输出级位、所述列车位置和评价参数,所述评价参数用来评价坡度处理的性能;机器学习单元,具体用于通过机器学习聚类算法将所述数据对象进行分组,根据所述评价参数找到坡度处理性能最好的一组所述数据对象,根据所述坡度处理性能最好的一组所述数据对象得到控制级位;坡度处理控制单元,具体用于将所述控制级位和所述控制级位的预设权重发送给所述车载ATO设备,用于车载ATO设备进行加权计算得到最终的所述输出级位。
第三方面,本发明实施例提供一种基于机器学习的坡度处理系统,该系统包括:本发明实施例提供的任一基于机器学习的坡度处理装置、通信设备、车载ATO设备和存储设备;所述车载ATO设备用于将所述坡度处理数据通过所述通信设备发送给所述基于机器学习的坡度处理装置;接收所述基于机器学习的坡度处理装置发送的所述控制级位和所述控制级位的权重,进行加权计算得到最终的所述输出级位;根据当前坡度处理的性能对所述控制级位的权重进行调整;所述存储设备用于存储所述坡度处理数据和所述数据对象。
本发明实施例通过机器的自学习,累积经验,使得ATO在驾驶过程中不断优化对坡度的处理,最终输出与位置对应的级位,并使得级位变化最小、级位变化次数最少,达到坡度处理的最优化。
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为本发明实施例提供的基于机器学习的坡度处理方法流程图;
图2为本发明实施例提供的基于机器学习的坡度处理装置结构示意图;
图3为本发明实施例提供的基于机器学习的坡度处理系统结构示意图;
图4为本发明实施例提供的电子设备的结构示意图。
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作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为本发明实施例提供的基于机器学习的坡度处理方法流程图。如图1所示,所述方法包括:
步骤S1、接收车载ATO设备发送的坡度处理数据,所述坡度处理数据包括输出级位、列车位置和列车坡度信息;所述输出级位与所述列车位置对应;由所述列车坡度信息获取坡度区,根据预设周期内接收的一段坡度区的所述坡度处理数据得到数据对象,所述数据对象包括所述输出级位、所述列车位置和评价参数,所述评价参数用来评价坡度处理的性能;
所述车载ATO设备用于自动驾驶列车,包含坡度处理功能,使用背景技术中某一策略,可以处理现有坡度,并将坡度处理数据通过通信设备发送给基于机器学习的坡度处理装置。所述装置接收车载ATO设备发送的坡度处理数据,所述坡度处理数据包括输出级位、列车位置和列车坡度信息;所述输出级位与所述列车位置对应,即可获知所述列车在所述列车位置处的输出级位。所述列车位置可以为车头置信位置。所述列车坡度信息可表示列车所在位置的坡度,如所述列车坡度信息可以为车头置信位置的坡度。根据所述列车坡度信息可获取坡度区。由于不同的坡度区具有不同的特点,所述装置进行坡度处理应根据对应于一段坡度区的所述坡度处理数据进行处理而得到坡度处理策略,进而对此段坡度区进行坡度处理控制。
所述装置接收车载ATO设备周期性发送的坡度处理数据,对应于一段坡度区的所述坡度处理数据,提取预设周期内(如100个周期内)发送的所述坡度处理数据得到数据对象,所述数据对象包括所述输出级位、所述列车位置和所述评价参数。其中所述数据对象中的所述输出级位即为接收的所述输出级位,所述评价参数用来评价坡度处理的性能,所述评价参数可以为级位变化率、级位变动幅度或由级位变化率和级位变动幅度得到的统计值,所述级位变化率和级位变动幅度可由所述输出级位获得。所述级位变化率表征级位变化的频度,级位变化率越小,级位变化频率越低;具体地,所述级位变化率可通过在一个级位上维持的最小时间来表示。所述级位变动幅度表征级位变化的大小,级位变动幅度越大,级位变化越大;具体地,所述级位变动幅度可通过相邻两个级位差的最大值来表示。
步骤S2、通过机器学习聚类算法将所述数据对象进行分组,根据所述评价参数找到坡度处理性能最好的一组所述数据对象,根据所述坡度处理性能最好的一组所述数据对象得到控制级位;
所述装置通过机器学习聚类算法将所述数据对象进行分组,聚类分组的目的是以所述评价参数为基准,使得组内的相似性最高、组间的相似性最低。分好组后,根据所述评价参数找到坡度处理性能最好的一组所述数据对象。如所述评价参数为级位变化率,可利用每组所述数据对象的级位变化率的平均值来判断坡度处理性能,所述级位变化率的平均值最小的一组所述数据对象为所述坡度处理性能最好的一组所述数据对象;如所述评价参数为级位变动幅度,可利用每组所述数据对象的级位变动幅度的平均值来判断坡度处理性能,所述级位变动幅度的平均值最小的一组所述数据对象为所述坡度处理性能最好的一组所述数据对象;如所述评价参数为级位变化率和级位变动幅度的统计值,如可设置评价参数为所述级位变化率和级位变动幅度的加权值,比如可以各占1/2权重,得到每个数据对象的所述评价参数,计算每组数据对象的评价参数的平均值,所述评价参数的平均值最小的一组所述数据对象为所述坡度处理性能最好的一组所述数据对象。
得到所述坡度处理性能最好的一组所述数据对象后,根据所述坡度处理性能最好的一组所述数据对象得到控制级位。所述坡度处理性能最好的一组所述数据对象中包含多个数据对象,每个数据对象包括多个输出级位,所述输出级位与列车位置对应。由于所述数据对象为一段坡度区的数据,因此所述列车位置均为此段坡度区的列车位置。所述ATO设备周期性地发送与列车位置对应的输出级位,由于列车的多次运行之间可能存在误差,在所述数据对象的输出级位对应的位置满足一定误差要求时,可认为是同一位置。根据所述坡度处理性能最好的一组所述数据对象得到控制级位,通过对所述同一位置的各个数据对象的输出级位取平均,则此输出级位的平均值即为与所述同一位置对应的输出级位。由此,根据同样的方法,可根据所述坡度处理性能最好的一组所述数据对象得到此段坡度区中与列车位置对应的所述输出级位,或者说可以得到此段坡度区中列车位置和控制级位对应的曲线。
步骤S3、将所述控制级位和所述控制级位的预设权重发送给所述车载ATO设备,用于车载ATO设备进行加权计算得到最终的所述输出级位。
所述控制级位和列车位置对应。由于机器学习处理的数据越多,优化效果越好,因此,开始时所述预设权重可以小一些,随着数据处理量的增多,所述预设权重慢慢增大。
将所述与列车位置对应的所述控制级位及所述预设权重发送给车载ATO设备,以使车载ATO设备依据所述预设权重和所述控制级位,与对应所述列车位置的所述车载ATO设备自身计算的级位进行加权运算,然后输出到车辆,控制列车运行。
本发明实施例通过机器的自学习,累积经验,使得ATO在驾驶过程中不断优化对坡度的处理,最终输出与位置对应的级位,并使得级位变化最小、级位变化次数最少,达到坡度处理的最优化。
进一步地,基于上述实施例,所述坡度处理数据还包括列车实际速度和列车推荐速度,所述方法还包括:根据所述列车实际速度和所述列车推荐速度得到速度振幅和速度振荡周期;根据所述输出级位得到级位变化率和级位变动幅度;根据所述速度振幅、所述速度振荡周期、所述级位变化率和所述级位变动幅度得到所述评价参数。
所述装置接收车载ATO设备周期性发送的坡度处理数据,所述坡度处理数据包括输出级位、车头置信位置、车头置信位置的坡度、列车实际速度和列车推荐速度;根据所述列车实际速度和所述列车推荐速度得到速度振幅和速度振荡周期,列车实际速度和列车推荐速度相近,但略有误差,所述列车实际速度的波形类似于正弦波,列车推荐速度可以对列车实际速度的曲线提供参考,如微小的波动可视为误差。根据所述输出级位得到级位变化率和级位变动幅度;所述级位变化率可通过在一个级位上维持的最小时间来表示,所述级位变动幅度可通过相邻两个级位差的最大值来表示。
所述速度振幅越小、所述级位变化率越小、所述级位变动幅度越小、所述速度振荡周期越大,坡度处理的性能越好,所述评价参数用来评价坡度处理的性能,因此根据所述速度振幅、所述速度振荡周期、所述级位变化率和所述级位变动幅度可通过下式得到所述评价参数:
所述评价参数越小,表示坡度处理的性能越好。
本发明实施例通过机器的自学习,累积经验,使得ATO在驾驶过程中不断优化对坡度的处理,最终输出与位置对应的级位,并使得级位变化最小、级位变化次数最少或者速度的振荡周期很长,振幅在可接受范围内,最终达到坡度处理的最优化。
进一步地,基于上述实施例,所述坡度处理数据还包括列车运行等级,所述方法还包括:将所述数据对象根据分类条件分为不同的类别,以通过所述机器学习聚类算法对分类后的所述数据对象进行分组,所述分类条件包括天气状况和/或所述列车运行等级。
所述装置根据不同的列车运行等级、天气状况等信息把所述数据对象划分为不同的类,机器学习基于同一类的所述数据对象进行。所述天气状况可以由所述装置通过网络获取。
通过所述机器学习聚类算法对分类后的所述数据对象进行分组,进而对所述数据对象分类处理,可以用分类处理的结果去控制相应类型的ATO车载设备。比如,列车运行等级可分为1~4级,对列车运行等级为1级的数据对象进行机器学习得到的输出级位去控制相应坡度区列车运行等级为1级的车载ATO设备,则会得到更好的坡度处理优化效果。再如,对下雪时的数据对象进行机器学习得到的输出级位去控制相应坡度区下雪时的车载ATO设备,也会得到更好的坡度处理优化效果。
所述分类条件还可为其他条件,如列车运行模式、载客量等。
在上述实施例的基础上,本发明实施例通过对分类后的数据对象进行机器学习,根据得到的输出级位控制车载ATO设备,使坡度的处理更合理化,更贴近理想状况。
进一步地,基于上述实施例,所述方法还包括:将所述数据对象或分类后的所述数据对象存入数据库,在所述通过机器学习聚类算法将所述数据对象进行分组之前,从数据库中提取所述数据对象。
所述基于机器学习的坡度处理装置由于其接收的坡度处理数据较多,因此需要较大容量的存储设备。所述存储设备可以与所述装置集成,也可以为独立的存储设备。所述存储设备用于存储所述坡度处理数据和所述数据对象。所述坡度处理数据存入硬盘等存储介质。所述数据对象或分类后的所述数据对象存入数据库,在需要进行机器学习时,从数据库调用所述数据对象。所述数据库具有设定的存储空间,当所述数据库的容量满时,会用新的数据代替旧的数据。随着数据的累积,坡度处理更为合理,新的数据的价值也就会越大,数据库用新的数据替换掉原有价值较低的数据,通过数据的消亡,使数据的价值更高,坡度的处理也会更优化。
在上述实施例的基础上,本发明实施例通过设置数据库存储数据对象,使新的数据代替低价值的旧数据,提高了坡度处理的性能。
进一步地,基于上述实施例,所述机器学习聚类算法为K-MEANS算法,通过所述K-MEANS算法将所述数据对象进行分组具体包括:
步骤101、对从数据库中提取的同类n个所述数据对象任意选择k个所述数据对象作为中心对象;
如提取某段坡度区的运行等级为2、天气晴朗时的1000个所述数据对象,并选择其中的10个所述数据对象作为中心对象;所述数据对象的评价参数可由式(1)计算而得。
步骤102、根据所述数据对象的所述评价参数计算每个所述数据对象与所述中心对象的距离,并根据最小距离对所述数据对象进行聚类,分为k组;
所述距离指每个所述数据对象的评价参数与所述中心对象的评价参数的差值的绝对值;每个所述对象找到与其距离最近的所述中心对象,并与所述与其最近的所述中心对象成为一组,由此,得到10个分组。
步骤103、重新计算每组所述数据对象的所述评价参数的均值,作为新的中心对象的评价参数;
比如,对于某个分组有120个数据对象,每个数据对象都有一个评价参数,则此120个评价参数的平均值即为新的中心对象的评价参数;所述中心对象的评价参数用来进行聚类分组,因此计算所得的新的中心对象可以只包含评价参数,而不必包含输出级位等信息。
步骤104、计算测度函数,当所述测度函数收敛时算法终止;否则,返回步骤102。
测度函数可以取为n个所述数据对象的所述距离的平方和。当所述测度函数收敛时算法终止;否则,返回步骤102,进行逐轮的聚类分组。当所述测度函数收敛时,代表每组内所述数据对象具有较高的相似度(评价参数差异性小),组间具有较低的相似度(评价参数差异性大)。
在上述实施例的基础上,本发明实施例通过利用K-MEANS算法进行机器学习,实现数据对象的聚类,进而找到坡度处理性能最好的分组进行输出级位的计算,实现了输出级位计算样本的优化,提高了坡度处理的效能,并且算法简单、利于实现。
进一步地,基于上述实施例,所述方法还包括:根据对所述数据对象进行机器学习的总时长或总数据量得到所述预设权重,所述总时长越长或所述总数据量越大,则所述预设权重越大。
由于刚开始数据对象比较少,所以所述预设权重比较低,随着数据对象数量的累积,数据对象的价值逐渐增大,所述预设权重的权重会不断加大,对控车影响也逐渐增大。由于所述装置对所述数据对象进行机器学习的总时长与对所述数据对象进行机器学习的总数据量正比,因此,所述总时长越长,所述预设权重也越大。随着所述预设权重逐渐增大,最终代替车载ATO设备的坡度处理算法对列车驾驶进行坡度处理控制,并会比原有控制更加优化,更加合理。
所述预设权重可通过人为设定也可通过所述装置自动识别所述总数据量或所述总时长进行调整。
由于所述装置提取相应坡度区的坡度处理数据,得到所述数据对象,进而通过机器学习得到控制级位,以实现对相应坡度区的坡度处理控制。因此,所述总数据量和所述总时长应为与相应坡度区对应的数据对象机器学习的总数据量与总时长。但是,由于所述装置是对列车行驶路线的所有坡度区均进行学习,对各段坡度区的坡度处理数据的处理具有均衡性,因此,所述总数据量和总时长也可以为与所述列车行驶路线对应的总数据量和总时长。
在上述实施例的基础上,本发明实施例通过合理调整所述预设权重,实现坡度处理的逐步优化。
图2为本发明实施例提供的基于机器学习的坡度处理装置结构示意图。如图2所示,所述装置包括数据预处理单元10、机器学习单元20和坡度处理控制单元30,其中:
数据预处理单元10具体用于:接收车载ATO设备发送的坡度处理数据,所述坡度处理数据包括输出级位、列车位置和列车坡度信息;所述输出级位与所述列车位置对应;由所述列车坡度信息获取坡度区,根据预设周期内接收的一段坡度区的所述坡度处理数据得到数据对象,所述数据对象包括所述输出级位、所述列车位置和评价参数,所述评价参数用来评价坡度处理的性能;
所述车载ATO设备用于自动驾驶列车,包含坡度处理功能,并将坡度处理数据通过通信设备发送给基于机器学习的坡度处理装置。数据预处理单元10接收车载ATO设备发送的坡度处理数据,所述坡度处理数据包括输出级位、列车位置和列车坡度信息;所述输出级位与所述列车位置对应。所述列车坡度信息可表示列车所在位置的坡度。根据所述列车坡度信息可获取坡度区。由于不同的坡度区具有不同的特点,所述装置进行坡度处理应根据对应于一段坡度区的所述坡度处理数据进行处理而得到坡度处理策略,进而对此段坡度区进行坡度处理控制。
数据预处理单元10接收车载ATO设备周期性发送的坡度处理数据,对应于一段坡度区的所述坡度处理数据,提取预设周期内发送的所述坡度处理数据得到数据对象,所述数据对象包括所述输出级位、所述列车位置和所述评价参数。所述评价参数用来评价坡度处理的性能,所述评价参数可以为级位变化率、级位变动幅度或由级位变化率和级位变动幅度得到的统计值,所述级位变化率和级位变动幅度可由所述输出级位获得。所述级位变化率表征级位变化的频度,可通过在一个级位上维持的最小时间来表示。所述级位变动幅度表征级位变化的大小,可通过相邻两个级位差的最大值来表示。
机器学习单元20具体用于:通过机器学习聚类算法将所述数据对象进行分组,根据所述评价参数找到坡度处理性能最好的一组所述数据对象,根据所述坡度处理性能最好的一组所述数据对象得到控制级位;
机器学习单元20通过机器学习聚类算法将所述数据对象进行分组,聚类分组的目的是以所述评价参数为基准,使得组内的相似性最高、组间的相似性最低。分好组后,根据所述评价参数找到坡度处理性能最好的一组所述数据对象。如所述评价参数为级位变化率,可利用每组所述数据对象的级位变化率的平均值来判断坡度处理性能,所述级位变化率的平均值最小的一组所述数据对象为所述坡度处理性能最好的一组所述数据对象。
得到所述坡度处理性能最好的一组所述数据对象后,根据所述坡度处理性能最好的一组所述数据对象得到控制级位。所述坡度处理性能最好的一组所述数据对象中包含多个数据对象,每个数据对象包括多个输出级位,所述输出级位与列车位置对应。通过对同一位置的各个数据对象的输出级位取平均,则此输出级位的平均值即为与所述同一位置对应的输出级位。由此,可根据所述坡度处理性能最好的一组所述数据对象得到此段坡度区中与列车位置对应的所述输出级位,或者说可以得到此段坡度区中列车位置和控制级位对应的曲线。
坡度处理控制单元30具体用于:将所述控制级位和所述控制级位的预设权重发送给所述车载ATO设备,用于车载ATO设备进行加权计算得到最终的所述输出级位。
所述控制级位和列车位置对应。由于机器学习处理的数据越多,优化效果越好,因此,开始时所述预设权重较小,随着数据处理量的增多,所述预设权重慢慢增大。
将所述与列车位置对应的所述控制级位及所述预设权重发送给车载ATO设备,以使车载ATO设备依据所述预设权重和所述控制级位,与对应所述列车位置的所述车载ATO设备自身计算的级位进行加权运算,然后输出到车辆,控制列车运行。
本发明实施例通过机器的自学习,累积经验,使得ATO在驾驶过程中不断优化对坡度的处理,使得级位变化最小、级位变化次数最少,最终达到坡度处理的最优化。
进一步地,基于上述实施例,所述坡度处理数据还包括列车实际速度和列车推荐速度;数据预处理单元10还用于:根据所述列车实际速度和所述列车推荐速度得到速度振幅和速度振荡周期;根据所述输出级位得到级位变化率和级位变动幅度;根据所述速度振幅、所述速度振荡周期、所述级位变化率和所述级位变动幅度得到所述评价参数。
数据预处理单元10接收车载ATO设备周期性发送的坡度处理数据,所述坡度处理数据包括输出级位、车头置信位置、车头置信位置的坡度、列车实际速度和列车推荐速度;根据所述列车实际速度和所述列车推荐速度得到速度振幅和速度振荡周期。根据所述输出级位得到级位变化率和级位变动幅度;所述级位变化率可通过在一个级位上维持的最小时间来表示,所述级位变动幅度可通过相邻两个级位差的最大值来表示。
所述评价参数用来评价坡度处理的性能,所述速度振幅越小、所述级位变化率越小、所述级位变动幅度越小、所述速度振荡周期越大,坡度处理的性能越好,可据此设定所述评价参数的表达式,如可设为:
评价参数=k1速度振幅+k2级位变化率+k3级位变动幅度
-k4速度振荡周期 (2)
其中,k1、k2、k3和k4均为调整系数。
所述评价参数越小,表示坡度处理的性能越好。
本发明实施例通过机器的自学习,累积经验,使得ATO在驾驶过程中不断优化对坡度的处理,使得级位变化最小、级位变化次数最少或者速度的振荡周期很长,振幅在可接受范围内,最终达到坡度处理的最优化。
进一步地,基于上述实施例,所述坡度处理数据还包括列车运行等级,数据预处理单元10还用于:将所述数据对象根据分类条件分为不同的类别,以通过所述机器学习聚类算法对分类后的所述数据对象进行分组,所述分类条件包括天气状况和/或所述列车运行等级。
数据预处理单元10根据不同的列车运行等级、天气状况等信息把所述数据对象划分为不同的类,机器学习基于同一类的所述数据对象进行。所述天气状况可以由所述装置通过网络获取。对所述数据对象分类处理,可以用分类处理的结果去控制相应类型的ATO车载设备。
在上述实施例的基础上,本发明实施例通过对分类后的数据对象进行机器学习,根据得到的输出级位控制车载ATO设备,使坡度的处理更合理化,更贴近理想状况。
进一步地,基于上述实施例,数据预处理单元10还用于:将所述数据对象或分类后的所述数据对象存入数据库,在所述通过机器学习聚类算法将所述数据对象进行分组之前,从数据库中提取所述数据对象。
数据预处理单元10将所述数据对象或分类后的所述数据对象存入数据库,在需要进行机器学习时,从数据库调用所述数据对象。所述数据库具有设定的存储空间,当所述数据库的容量满时,会用新的数据代替旧的数据。随着数据的累积,坡度处理更为合理,新的数据的价值也就会越大,数据库用新的数据替换掉原有价值较低的数据,坡度的处理也会更优化。
在上述实施例的基础上,本发明实施例通过设置数据库存储数据对象,使新的数据代替低价值的旧数据,提高了坡度处理的性能。
进一步地,基于上述实施例,所述机器学习聚类算法为K-MEANS算法,机器学习单元20还用于:通过所述K-MEANS算法将所述数据对象进行分组,具体包括:
步骤101、对从数据库中提取的同类n个所述数据对象任意选择k个所述数据对象作为中心对象;
如提取某段坡度区的运行等级为1、下雪时的n个所述数据对象,并选择其中的k个所述数据对象作为中心对象;所述数据对象的评价参数由式(2)计算而得。
步骤102、根据所述数据对象的所述评价参数计算每个所述数据对象与所述中心对象的距离,并根据最小距离对所述数据对象进行聚类,分为k组;
所述距离指每个所述数据对象的评价参数与所述中心对象的评价参数的差值的绝对值;每个所述对象找到与其距离最近的所述中心对象,并与所述与其最近的所述中心对象成为一组,由此,得到k个分组。
步骤103、重新计算每组所述数据对象的所述评价参数的均值,作为新的中心对象的评价参数;
比如,对于某个分组有m个数据对象,每个数据对象都有一个评价参数,则此m个评价参数的平均值即为新的中心对象的评价参数;所述中心对象的评价参数用来进行聚类分组。
步骤104、计算测度函数,当所述测度函数收敛时算法终止;否则,返回步骤102。
测度函数可以取为n个所述数据对象的所述距离的平方和。当所述测度函数收敛时算法终止;否则,返回步骤102,进行逐轮的聚类分组,最终得到组内相似度最高、组间相似度最低的分组。
本发明实施例通过利用K-MEANS算法进行机器学习,实现数据对象的聚类,进而找到坡度处理性能最好的分组进行输出级位的计算,实现了输出级位计算样本的优化,提高了坡度处理的效能。
进一步地,基于上述实施例,坡度处理控制单元30还用于:根据对所述数据对象进行机器学习的总时长或总数据量得到所述预设权重,所述总时长越长或所述总数据量越大,则所述预设权重越大。
由于刚开始数据对象比较少,所以所述预设权重比较低,随着数据对象数量的累积,数据对象的价值逐渐增大,所述预设权重的权重会不断加大,对控车影响也逐渐增大。由于所述装置对所述数据对象进行机器学习的总时长与对所述数据对象进行机器学习的总数据量正比,因此,所述总时长越长,所述预设权重也越大。随着所述预设权重逐渐增大,最终代替车载ATO设备的坡度处理算法对列车驾驶进行坡度处理控制,并会比原有控制更加优化,更加合理。
所述预设权重可通过人为设定也可通过所述装置自动识别所述总数据量或所述总时长进行调整。
在上述实施例的基础上,本发明实施例通过合理调整所述预设权重,实现坡度处理的逐步优化。
图3为本发明实施例提供的基于机器学习的坡度处理系统结构示意图。如图3所示,所述系统包括基于机器学习的坡度处理装置10、通信设备20、车载ATO设备30和存储设备40,其中:
基于机器学习的坡度处理装置10可以为本发明实施例提供的任一所述坡度处理装置;
车载ATO设备30用于将所述坡度处理数据通过通信设备20发送给基于机器学习的坡度处理装置10;接收基于机器学习的坡度处理装置10发送的所述控制级位和所述控制级位的权重,进行加权计算得到最终的所述输出级位;根据当前坡度处理的性能对所述控制级位的权重进行调整;
存储设备40用于存储所述坡度处理数据和所述数据对象。
通信设备20包括车载通信设备21和地面通信设备22,由于本发明实施例基于大数据分析,因此现有车载ATO设备无法实现此功能,车载ATO设备30的坡度处理数据需通过车载通信设备21和地面通信设备22发送给基于机器学习的坡度处理装置10;同理,基于机器学习的坡度处理装置10将所述控制级位和所述预设权重通过地面通信设备22和车载通信设备21发送给车载ATO设备30。
车载ATO设备30接收基于机器学习的坡度处理装置10发送的所述控制级位和所述控制级位的权重,进行加权计算得到最终的所述输出级位;并将包括所述最终的所述输出级位的坡度处理数据发送给基于机器学习的坡度处理装置10,以使得基于机器学习的坡度处理装置10进一步进行机器学习优化坡度处理。
车载ATO设备30还可根据当前坡度处理的性能对所述控制级位的权重进行调整。车载ATO设备30接收基于机器学习的坡度处理装置10发送的所述控制级位和所述控制级位的权重,进行加权计算得到最终的所述输出级位;进一步,车载ATO设备30对当前坡度处理的性能进行判断,判断方法可采用本发明实施例任一判断坡度处理性能的方法,如果判断获知坡度处理性能有较大提高,则车载ATO设备30提高所述控制级位的权重,具体的规则可进行设定,如判断获知坡度处理性能提高10%,则所述控制级位的权重加5%。
存储设备40用于存储所述坡度处理数据和所述数据对象。所述存储设备可以与所述装置集成,也可以为独立的存储设备。所述坡度处理数据存入硬盘等存储介质。所述数据对象或分类后的所述数据对象存入数据库,在需要进行机器学习时,从数据库调用所述数据对象。所述数据库具有设定的存储空间,当所述数据库的容量满时,会用新的数据代替旧的数据,使得坡度处理更加优化。
本发明实施例通过机器的自学习,累积经验,使得ATO在驾驶过程中不断优化对坡度的处理,最终输出与位置对应的级位,并使得级位变化最小、级位变化次数最少或者速度的振荡周期很长,振幅在可接受范围内,最终达到坡度处理的最优化,可实现对全线列车ATO进行控制,部署方便。
图4为本发明实施例提供的电子设备的结构示意图。如图4所示,电子设备1包括处理器401、存储器402和总线403。其中,所述处理器401和所述存储器402通过所述总线403完成相互间的通信;所述处理器401用于调用所述存储器402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:接收车载ATO设备发送的坡度处理数据,所述坡度处理数据包括输出级位、列车位置和列车坡度信息;所述输出级位与所述列车位置对应;由所述列车坡度信息获取坡度区,根据预设周期内接收的一段坡度区的所述坡度处理数据得到数据对象,所述数据对象包括所述输出级位、所述列车位置和评价参数,所述评价参数用来评价坡度处理的性能;通过机器学习聚类算法将所述数据对象进行分组,根据所述评价参数找到坡度处理性能最好的一组所述数据对象,根据所述坡度处理性能最好的一组所述数据对象得到控制级位;将所述控制级位和所述控制级位的预设权重发送给所述车载ATO设备,用于车载ATO设备进行加权计算得到最终的所述输出级位。
本发明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:接收车载ATO设备发送的坡度处理数据,所述坡度处理数据包括输出级位、列车位置和列车坡度信息;所述输出级位与所述列车位置对应;由所述列车坡度信息获取坡度区,根据预设周期内接收的一段坡度区的所述坡度处理数据得到数据对象,所述数据对象包括所述输出级位、所述列车位置和评价参数,所述评价参数用来评价坡度处理的性能;通过机器学习聚类算法将所述数据对象进行分组,根据所述评价参数找到坡度处理性能最好的一组所述数据对象,根据所述坡度处理性能最好的一组所述数据对象得到控制级位;将所述控制级位和所述控制级位的预设权重发送给所述车载ATO设备,用于车载ATO设备进行加权计算得到最终的所述输出级位。
本发明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:接收车载ATO设备发送的坡度处理数据,所述坡度处理数据包括输出级位、列车位置和列车坡度信息;所述输出级位与所述列车位置对应;由所述列车坡度信息获取坡度区,根据预设周期内接收的一段坡度区的所述坡度处理数据得到数据对象,所述数据对象包括所述输出级位、所述列车位置和评价参数,所述评价参数用来评价坡度处理的性能;通过机器学习聚类算法将所述数据对象进行分组,根据所述评价参数找到坡度处理性能最好的一组所述数据对象,根据所述坡度处理性能最好的一组所述数据对象得到控制级位;将所述控制级位和所述控制级位的预设权重发送给所述车载ATO设备,用于车载ATO设备进行加权计算得到最终的所述输出级位。
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电子设备(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:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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各实施例技术方案的精神和范围。
Claims (10)
1.一种基于机器学习的坡度处理方法,其特征在于,包括:
接收车载ATO设备发送的坡度处理数据,所述坡度处理数据包括输出级位、列车位置和列车坡度信息;所述输出级位与所述列车位置对应;由所述列车坡度信息获取坡度区,根据预设周期内接收的一段坡度区的所述坡度处理数据得到数据对象,所述数据对象包括所述输出级位、所述列车位置和评价参数,所述评价参数用来评价坡度处理的性能;所述评价参数为级位变化率、级位变动幅度或由级位变化率和级位变动幅度得到的统计值,或者根据速度振幅、速度振荡周期、级位变化率和级位变动幅度得到所述评价参数;
通过机器学习聚类算法将所述数据对象进行分组,根据所述评价参数找到坡度处理性能最好的一组所述数据对象,根据所述坡度处理性能最好的一组所述数据对象得到控制级位;
将所述控制级位和所述控制级位的预设权重发送给所述车载ATO设备,用于车载ATO设备进行加权计算得到最终的所述输出级位。
2.根据权利要求1所述的方法,其特征在于,所述坡度处理数据还包括列车实际速度和列车推荐速度,所述根据速度振幅、速度振荡周期、级位变化率和级位变动幅度得到所述评价参数包括:
根据所述列车实际速度和所述列车推荐速度得到速度振幅和速度振荡周期;
根据所述输出级位得到级位变化率和级位变动幅度;
根据所述速度振幅、所述速度振荡周期、所述级位变化率和所述级位变动幅度得到所述评价参数。
3.根据权利要求1或2所述的方法,其特征在于,所述坡度处理数据还包括列车运行等级,所述方法还包括:
将所述数据对象根据分类条件分为不同的类别,以通过所述机器学习聚类算法对分类后的所述数据对象进行分组,所述分类条件包括天气状况和/或所述列车运行等级。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
将所述数据对象或分类后的所述数据对象存入数据库,在所述通过机器学习聚类算法将所述数据对象进行分组之前,从数据库中提取所述数据对象。
5.根据权利要求4所述的方法,其特征在于,所述机器学习聚类算法为K-MEANS算法,通过所述K-MEANS算法将所述数据对象进行分组具体包括:
步骤101、对从数据库中提取的同类n个所述数据对象任意选择k个所述数据对象作为中心对象;
步骤102、根据所述数据对象的所述评价参数计算每个所述数据对象与所述中心对象的距离,并根据最小距离对所述数据对象进行聚类,分为k组;
步骤103、重新计算每组所述数据对象的所述评价参数的均值,作为新的中心对象的评价参数;
步骤104、计算测度函数,当所述测度函数收敛时算法终止;否则,返回步骤102。
6.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:根据对所述数据对象进行机器学习的总时长或总数据量得到所述预设权重,所述总时长越长或所述总数据量越大,则所述预设权重越大。
7.一种基于机器学习的坡度处理装置,其特征在于,包括:
数据预处理单元,具体用于:接收车载ATO设备发送的坡度处理数据,所述坡度处理数据包括输出级位、列车位置和列车坡度信息;所述输出级位与所述列车位置对应;由所述列车坡度信息获取坡度区,根据预设周期内接收的一段坡度区的所述坡度处理数据得到数据对象,所述数据对象包括所述输出级位、所述列车位置和评价参数,所述评价参数用来评价坡度处理的性能;所述评价参数为级位变化率、级位变动幅度或由级位变化率和级位变动幅度得到的统计值,或者根据速度振幅、速度振荡周期、级位变化率和级位变动幅度得到所述评价参数;
机器学习单元,具体用于:通过机器学习聚类算法将所述数据对象进行分组,根据所述评价参数找到坡度处理性能最好的一组所述数据对象,根据所述坡度处理性能最好的一组所述数据对象得到控制级位;
坡度处理控制单元,具体用于:将所述控制级位和所述控制级位的预设权重发送给所述车载ATO设备,用于车载ATO设备进行加权计算得到最终的所述输出级位。
8.一种基于机器学习的坡度处理系统,其特征在于,包括:
权利要求7所述的基于机器学习的坡度处理装置、通信设备、车载ATO设备和存储设备;
所述车载ATO设备用于将所述坡度处理数据通过所述通信设备发送给所述基于机器学习的坡度处理装置;接收所述基于机器学习的坡度处理装置发送的所述控制级位和所述控制级位的权重,进行加权计算得到最终的所述输出级位;根据当前坡度处理的性能对所述控制级位的权重进行调整;
所述存储设备用于存储所述坡度处理数据和所述数据对象。
9.一种电子设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;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6任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711268083.2A CN109871007B (zh) | 2017-12-05 | 2017-12-05 | 一种基于机器学习的坡度处理方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711268083.2A CN109871007B (zh) | 2017-12-05 | 2017-12-05 | 一种基于机器学习的坡度处理方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871007A CN109871007A (zh) | 2019-06-11 |
CN109871007B true CN109871007B (zh) | 2020-07-14 |
Family
ID=66916531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711268083.2A Active CN109871007B (zh) | 2017-12-05 | 2017-12-05 | 一种基于机器学习的坡度处理方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871007B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113997984B (zh) * | 2020-07-28 | 2022-08-19 | 株洲中车时代电气股份有限公司 | 一种变坡点的探测方法及相关装置 |
CN114104038A (zh) * | 2020-08-28 | 2022-03-01 | 比亚迪股份有限公司 | 列车控制方法、计算机设备及存储介质 |
CN112208581B (zh) * | 2020-09-25 | 2022-10-18 | 通号城市轨道交通技术有限公司 | Ato控车方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907869A (zh) * | 2005-01-07 | 2010-12-08 | 通用汽车公司 | 控制车辆的方法 |
JP2012168037A (ja) * | 2011-02-15 | 2012-09-06 | Toyota Central R&D Labs Inc | 速度予測装置及びプログラム |
CN103921810A (zh) * | 2014-04-23 | 2014-07-16 | 北京全路通信信号研究设计院有限公司 | 一种列车自动运行系统坡度处理方法及装置 |
CN106529023A (zh) * | 2016-11-09 | 2017-03-22 | 南京工程学院 | 一种基于迭代学习的地铁列车自动运行速度控制方法 |
CN106844947A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种基于高阶相关学习的机车节能优化自动驾驶方法 |
CN107180288A (zh) * | 2017-07-21 | 2017-09-19 | 东软集团股份有限公司 | 驾驶行为能耗测算方法、装置、存储介质及电子设备 |
-
2017
- 2017-12-05 CN CN201711268083.2A patent/CN109871007B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907869A (zh) * | 2005-01-07 | 2010-12-08 | 通用汽车公司 | 控制车辆的方法 |
JP2012168037A (ja) * | 2011-02-15 | 2012-09-06 | Toyota Central R&D Labs Inc | 速度予測装置及びプログラム |
CN103921810A (zh) * | 2014-04-23 | 2014-07-16 | 北京全路通信信号研究设计院有限公司 | 一种列车自动运行系统坡度处理方法及装置 |
CN106529023A (zh) * | 2016-11-09 | 2017-03-22 | 南京工程学院 | 一种基于迭代学习的地铁列车自动运行速度控制方法 |
CN106844947A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种基于高阶相关学习的机车节能优化自动驾驶方法 |
CN107180288A (zh) * | 2017-07-21 | 2017-09-19 | 东软集团股份有限公司 | 驾驶行为能耗测算方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
"基于专家经验和机器学习的列车智能驾驶算法研究";冷勇林;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20131215(第S2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109871007A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871007B (zh) | 一种基于机器学习的坡度处理方法、装置及系统 | |
US11292466B2 (en) | Method and system for vehicle curve speed restriction | |
CN112896186B (zh) | 一种车路协同环境下的自动驾驶纵向决策控制方法 | |
CN107742193B (zh) | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 | |
CN112307564B (zh) | 列车ato目标运行速度曲线优化方法及装置 | |
CN103366557B (zh) | 基于拥堵指数的交通拥堵评价方法 | |
CN108256714A (zh) | 一种基于车联网大数据的行车轨迹实时风险评估模型 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN109598950A (zh) | 一种智能网联车辆的匝道协同汇入控制方法及系统 | |
CN112885088B (zh) | 一种基于动态交通流的多匝道协调控制方法 | |
JP6778203B2 (ja) | 交通渋滞終端位置を特定するためのサーバ、システム及び方法 | |
CN103496368A (zh) | 具有学习能力的汽车协同式自适应巡航控制系统及方法 | |
CN104851280B (zh) | 一种车辆行驶控制方法、装置、系统及相关设备 | |
US10585433B2 (en) | Methods and apparatus for automotive drive mode selection | |
CN104599500A (zh) | 基于灰熵分析和改进贝叶斯融合的交通流预测方法 | |
CN113554875B (zh) | 一种基于边缘计算的高速公路异质交通流可变限速控制方法 | |
CN114074680B (zh) | 基于深度强化学习的车辆换道行为决策方法及系统 | |
CN108263400B (zh) | 高铁列车运行速度控制方法、装置、存储介质及高铁列车 | |
CN109489679B (zh) | 一种导航路径中的到达时间计算方法 | |
CN112784406A (zh) | 基于移动闭塞时空占用带模型的列车追踪运行优化方法 | |
CN111798659A (zh) | 用于在预先确定区域内的机动车的交通控制的方法和设备 | |
CN112744270B (zh) | 一种基于状态辨识的列车快速精确停车方法 | |
CN113240901A (zh) | 一种智能车换道行为风险等级确定方法及装置 | |
Yin et al. | Balise arrangement optimization for train station parking via expert knowledge and genetic algorithm | |
CN108241866A (zh) | 一种对驾驶行为进行引导的方法、装置和车辆 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100070 12 / F, block a, yard 1, South Automobile Museum Road, Fengtai District, Beijing Applicant after: Tonghao Urban Rail Transit Technology Co., Ltd. Address before: 100073 11 Floor, Block D, No. 1 South Road, Fengtai Auto Museum, Beijing Applicant before: Beijing Tonghao National Railway Urban Rail Technology Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |