CN110509957A - 一种列车速度预测方法及装置 - Google Patents
一种列车速度预测方法及装置 Download PDFInfo
- Publication number
- CN110509957A CN110509957A CN201910809671.5A CN201910809671A CN110509957A CN 110509957 A CN110509957 A CN 110509957A CN 201910809671 A CN201910809671 A CN 201910809671A CN 110509957 A CN110509957 A CN 110509957A
- Authority
- CN
- China
- Prior art keywords
- train
- speed
- data
- current time
- moment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000007787 long-term memory Effects 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or trains
- B61L25/021—Measuring and recording of train speed
-
- 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)
- Electric Propulsion And Braking For Vehicles (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例提供了一种列车速度预测方法及装置，根据当前行驶数据和历史行驶数据，通过训练的目标模型对列车速度进行预测。目标模型是根据已有的行驶数据训练出来的，因而目标模型在对列车进行速度预测的过程中综合了列车运行的速度变化规律和当前的状态，预测的列车速度更吻合列车的实际速度。此外，可以通过训练使得目标模型对未来多个时刻的列车速度进行预测，提高了预测的灵活性。
Description
技术领域
本发明涉及轨道交通技术领域，尤其是涉及一种列车速度预测方法及装置。
背景技术
城市轨道交通系统之所以能够安全、高速、节能的运行，其依托的核心是列车自动控制系统。而列车自动运行系统是ATC系统中的重要组成部分。列车自动运行系统基于所给出的列车目标速度曲线对列车加速、惰行和制动指令进行自动实时决策来提升列车运行的效率。列车动力学模型作为其研究的基础，模型的精确对列车运行控制的决策影响显著。在城轨铁路修建时，闭塞分区设计和选线设计需要结合列车的空气动力学特性和列车牵引制动特性；而城轨列车外形在设计初期就要结合列车的空气动力学；最终通过列车动力学模型，输出列车下一时刻运行速度。
列车动力学模型使用基于参数机理的方法，通过参数拟合方式，对包括列车的基本阻力参数、低速牵引建立阶段时间参数、高速牵引建立阶段时间参数、牵引切除阶段时间参数等进行调优，遵循戴维斯公式确定动力学模型的参数数值。可见，现有的列车速度是根据经验公式进行预测的，由于实际线路的多样性，预测的速度和真实的列车速度差异较大，且这种预测方法只能通过当前时刻的速度对下一时刻的速度进行预测，而不能对未来较长一段时间的速度进行预测。
在实际应用过程中，发明人发现现有对列车速度进行预测的方法依靠经验公式，预测的速度不准确，且仅能对下一时刻的速度进行预测，局限性较大。
发明内容
本发明实施例提供一种列车速度预测方法及装置，用以解决现有技术中的对列车速度进行预测的方法依靠经验公式，预测的速度不准确，且仅能对下一时刻的速度进行预测，局限性较大的问题。
针对以上技术问题，第一方面，本发明的实施例提供了一种列车速度预测方法，包括：
在列车的当前行驶过程中，获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据；
根据所述当前行驶数据和所述历史行驶数据，通过预设特征工程提取特征数据；
将所述特征数据作为目标模型的输入参数，得到由所述目标模型预测的在当前时刻之后所述列车的速度；
其中，所述目标模型为根据所述列车已有的行驶数据训练的，用于对所述列车的速度进行预测的模型。
第二方面，本发明的实施例提供了一种列车速度预测装置，包括：
获取模块，用于在列车的当前行驶过程中，获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据；
提取模块，用于根据所述当前行驶数据和所述历史行驶数据，通过预设特征工程提取特征数据；
预测模块，用于将所述特征数据作为目标模型的输入参数，得到由所述目标模型预测的在当前时刻之后所述列车的速度；
其中，所述目标模型为根据所述列车已有的行驶数据训练的，用于对所述列车的速度进行预测的模型。
第三方面，本发明的实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上任一项所述的列车速度预测方法的步骤。
第四方面，本发明的实施例提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以上任一项所述的列车速度预测方法的步骤。
本发明的实施例提供了一种列车速度预测方法及装置，根据当前行驶数据和历史行驶数据，通过训练的目标模型对列车速度进行预测。目标模型是根据已有的行驶数据训练出来的，因而目标模型在对列车进行速度预测的过程中综合了列车运行的速度变化规律和当前的状态，预测的列车速度更吻合列车的实际速度。此外，可以通过训练使得目标模型对未来多个时刻的列车速度进行预测，提高了预测的灵活性。
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做一简单地介绍，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列车速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长短期记忆网络的神经元结构示意图；
图3是本发明另一个实施例提供的一种列车速度预测装置的结构框图；
图4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列车速度预测方法的流程示意图，参见图1，该方法包括以下步骤：
101：在列车的当前行驶过程中，获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据；
102：根据所述当前行驶数据和所述历史行驶数据，通过预设特征工程提取特征数据；
103：将所述特征数据作为目标模型的输入参数，得到由所述目标模型预测的在当前时刻之后所述列车的速度；
其中，所述目标模型为根据所述列车已有的行驶数据训练的，用于对所述列车的速度进行预测的模型。
本实施例提供的方法由安装有执行上述方法的软件的设备执行，该设备可以是服务器、计算机或用于对列车速度进行预测的车载设备，本实施例对此不做具体限制。目标模型通常为通过机器学习得到的模型，例如，通过机器学习对长短期记忆网络进行训练得到目标模型。在本实施例中采用数据驱动的机器学习方法，获得精确拟合函数，得到能够对未来较长时间的列车速度进行预测的模型。
当前行驶数据为列车当前时刻的行驶数据，历史行驶数据为列车在当前时刻之前的时刻(例如，由当前时刻向前的20个时刻)的行驶数据。例如，列车当前时刻的列车速度、模型量信号、列车的牵引制动状态、列车所在位置的线路坡度等。预设特征工程为对原始的行驶数据进行处理，提取用于输入到模型的特征数据的过程。
在进行机器学习得到目标模型的过程中，可以训练模型输出多个时刻的列车速度，使得模型能够对未来多个时刻的列车速度进行预测，提高模型预测的灵活性。
本实施例提供了一种列车速度预测方法，根据当前行驶数据和历史行驶数据，通过训练的目标模型对列车速度进行预测。目标模型是根据已有的行驶数据训练出来的，因而目标模型在对列车进行速度预测的过程中综合了列车运行的速度变化规律和当前的状态，预测的列车速度更吻合列车的实际速度。此外，可以通过训练使得目标模型对未来多个时刻的列车速度进行预测，提高了预测的灵活性。
进一步地，在上述实施例的基础上，所述根据所述当前行驶数据和所述历史行驶数据，通过预设特征工程提取特征数据，包括：
在所述当前时刻之前的时间中，根据所述历史行驶数据，选取若干不同时刻下的列车速度和若干不同时刻下的模拟量信号，作为延后特征；
在所述当前时刻之前的时间中，根据所述历史行驶数据和所述当前行驶数据，计算从不同时刻到当前时刻的各时间段内的列车的平均速度、速度标准差、平均模拟量信号和模拟量信号标准差，以及从不同时刻与当前时刻的速度差值和模拟量信号差值，作为统计特征；
在所述当前时刻之前的时间中，根据所述历史行驶数据和所述当前行驶数据，分别计算不同时刻下的每一列车速度和所述当前时刻的列车速度的乘积，作为交叉特征；
将当前时刻列车的牵引制动数据、当前时刻列车所在位置的线路坡度、所述延后特征、所述统计特征和所述交叉特征作为提取特征数据。
本实施例中，通过预设特征工程提取的特征数据包括3类，即延后特征、统计特征、交叉特征、当前时刻列车的牵引制动数据和当前时刻列车所在位置的线路坡度。提取的特征数据将作为目标模型的输入参数，目标模型根据特征数据实现对列车速度的预测。
本实施例提供了一种列车速度预测方法，由延后特征、统计特征和交叉特征的计算可以看出，本实施例中的预设特征工程提取的特征数据建立了历史行驶数据和当前行驶数据的关联，同时充分反应了列车运行的规律性，有助于对列车速度进行更为准确的预测。
进一步地，在上述各实施例的基础上，在所述延后特征中，在与所述当前时刻越近的时刻中，选取的列车速度和模拟量信号越多；
所述交叉特征包括自所述当前时刻向前的连续多个时刻中，分别计算的每一时刻下的列车速度和所述当前时刻的列车速度的乘积。
本实施例提供了一种列车速度预测方法，在提取延后特征和交叉特征时，由于与当前时刻越靠近的时刻，对列车速度的预测影响越大，因此与当前时刻越近的时刻选取的列车速度和模拟量信号越多，增加对预测结果影响较大的特征，提高预测准确性。
进一步地，在上述各实施例的基础上，所述在列车的当前行驶过程中，获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据，包括：
在列车的当前行驶过程中，判断是否存在获取列车速度、模拟量信号、牵引制动数据和列车所在位置的线路坡度中的某一行驶数据失败的数据缺失时刻，若是，则将在所述数据缺失时刻前一时刻获取的每一行驶数据作为在所述数据缺失时刻获取的行驶数据；
获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据。
在采集数据的过程中，传感器设备不免出现数据记录缺失的问题。通常情况下，缺失值可以用平均值、最大值、最小值或更为复杂的概率估计代替，但是由于列车速度在运行过程中变化很大，因此针对本问题这种处理方式不再适用。在本实施例中，采用屏蔽机理处理缺失值问题，即某一时刻采集的数据中存在某一项数据缺失时，便将当前时刻的所有数据删除，使用前一时刻的所有数据替代当前时刻的数据。例如，假设在时间t时原始特征中的任一元素存在缺失，那么t时刻的所有原始特征全部至为Null值并删除，将t-1时刻的数据作为t时刻的数据，也就是说，将t-1时刻的输出的数据直接输入至t+1时刻。
本实施例提供了一种列车速度预测方法，在数据缺失的情况下，采用前一时刻数据替代当前时刻的所有数据，由于采集数据的两个时刻间隔很近，因而该方法相对于采用平均值、最大值或最小值等来替代缺失数据的方法而言，避免了数据存在较大偏差，保证最终预测的速度的准确性和真实性。
为了进一步说明特征数据的提取过程，本实施例提供了提供如下步骤详细说明通过预设特征工程提取特征数据的过程，该过程包括：
(1)数据准备
在原始数据中提取模拟量信号、牵引制动状态、列车速度和线路坡度四种原始数据。
其中，这四种数据通常存储在车载控制器中，车载控制器中存储的数据包括时间、系统编号、数据完整性、坡度、模拟量输出、目标速度、负载、网流、网压等大量数据。车载控制器存储数据的时间间隔为200ms。模拟量信号指的是车载控制器的模拟量输出，例如，司机执行踩刹车的动作时，会生成相应的数字信号和模拟信号，而本实施例采集的是模拟信号，即车载控制器的模拟量输出。
(2)数据清洗
若采集的数据中存在某一时刻，这四种数据种的某一种数据缺失，在将该时刻前一时刻的数据作为该时刻的数据。
本实施例采用这种屏蔽机理处理缺失值问题，是因为当目标模型是通过长短期记忆网络进行训练得到时，长短期记忆网络能够处理时间序列问题，数据缺失性问题对其影响很大，会带来很大的预测波动。由于采集数据的时间间隔较短，采用屏蔽机理处理缺失值问题能够避免了数据存在较大偏差。
(3)特征工程
1)延后特征的提取包括：
1.1)当前时刻为t时刻，选取列车在早于t时刻k个时刻时各列车速度，具体选取列车速度train speedt-k，其中k∈{1-10，20，30，50，80}，即选取列车在t-1、t-2、t-3、t-4、t-5、t-6、t-7、t-8、t-9、t-10、t-20、t-30、t-50和t-80的各个时刻对应的列车速度。共选取了14个特征数据。
1.2)当前时刻为t时刻，选取列车在早于t时刻k个时刻时的各模拟量信号，具体选取模拟量信号analog outputt-k，其中k∈{1，3，5，20，60}，即选取列车在t-1、t-3、t-5、t-20和t-60的各个时刻对应的模拟量信号。共选取5个特征数据。
2)统计特征的提取包括：
2.1)当前时刻为t时刻，计算在早于t时刻k个时刻时到t时刻的平均速度，具体计算平均速度train其中k∈{5，10，20}。即计算列车从t-5时刻到t时刻的列车速度平均值、列车从t-10时刻到t时刻的列车速度平均值和列车从t-20时刻到t时刻的列车速度平均值。共3个特征数据。
2.2)当前时刻为t时刻，计算在在早于t时刻k个时刻时到t时刻的速度标准差，具体计算速度标准差train其中k∈{5，10，20}。即计算列车从t-5时刻到t时刻的列车速度的速度标准差、列车从t-10时刻到t时刻的列车速度的速度标准差和列车从t-20时刻到t时刻的列车速度的速度标准差。共3个特征数据。
2.3)当前时刻为t时刻，分别计算在早于t时刻k个时刻所对应时刻到t时刻的速度差值，具体计算速度差值，train其中k∈{5，10，20}。即计算列车在t-5时刻的列车速度与t时刻的列车速度的差值、列车在t-10时刻的列车速度与t时刻的列车速度的差值和列车在t-20时刻的列车速度与t时刻的列车速度的差值。共3个特征数据。
2.4)当前时刻为t时刻，计算在早于t时刻k个时刻时到t时刻的平均模拟量信号，具体计算平均模拟量信号analog其中k∈{5，10，20}。即计算列车从t-5时刻到t时刻的列车的模拟量信号平均值、列车从t-10时刻到t时刻的列车的模拟量信号平均值和列车从t-20时刻到t时刻的列车的模拟量信号平均值。共3个特征数据。
2.5)当前时刻为t时刻，计算在早于t时刻k个时刻时到t时刻的模拟量信号标准差，具体计算模拟量信号标准差analog其中k∈{5，10，20}。即计算列车从t-5时刻到t时刻的列车的模拟量信号标准差、列车从t-10时刻到t时刻的列车速度的模拟量信号标准差和列车从t-20时刻到t时刻的列车速度的模拟量信号标准差。共3个特征数据。
2.6)当前时刻为t时刻，分别计算在早于t时刻k个时刻所对应时刻到t时刻的模拟量信号差值，具体计算模拟量信号差值，analog其中k∈{5，10，20}。即计算列车在t-5时刻的列车速度与t时刻的模拟量信号差值、列车在t-10时刻的列车速度与t时刻的模拟量信号差值和列车在t-20时刻的列车速度与t时刻的模拟量信号差值。共3个特征数据。
(3)交叉特征
3.1)当前时刻为t时刻，分别计算在早于t时刻k个时刻所对应时刻的列车速度与t时刻的列车速度的乘积，具体计算train其中，k∈{1，2，3，4，5}，即分别计算列车在t-1时刻的列车速度和t时刻的列车速度的乘积、列车在t-2时刻的列车速度和t时刻的列车速度的乘积、列车在t-3时刻的列车速度和t时刻的列车速度的乘积、列车在t-4时刻的列车速度和t时刻的列车速度的乘积和列车在t-5时刻的列车速度和t时刻的列车速度的乘积。共5个特征数据。
将提取的延后特征、统计特征和交叉特征，以及当前时刻列车的牵引制动数据和当前时刻列车所在位置的线路坡度作为输入到目标模型的特征数据，通过目标模型实现对列车速度的预测。
本实施例提供的方法对长短期记忆网络模型进行训练得到目标模型，以下对长短期记忆网络模型进行介绍：
图2为本实施例提供的长短期记忆网络的神经元结构示意图，长短期记忆网络通过遗忘门、输入门、输出门的设计来处理类似列车速度预测的时间序列问题。遗忘门能够将系统存留的无用信息剔除出长短期记忆网络。例如较长时间之前的模拟量输出、坡度和牵引制动状态等特征。输入门的功能是将近期发生的、对速度预测有实际意义的特征信息输入进入长短期记忆网络中。例如最近时间内的模拟量输出、坡度和牵引制动状态。t时刻特征工程输出特征数据作为神经网络输入。
在长短期记忆网络中，输入门的定义为：
it＝σi(Wi·[ht-1，xt]+bi)
输出门的定义为：
ot＝σo(Wo·[ht-1，xt]+bo)
遗忘门的定义为：
ft＝σf(Wf·[ht-1，xt]+bf)
神经元状态更新向量定义为：
最终，网络状态可以被表示为：
其中tanh的函数定义为：
其中，it，ot，ft，表示输入门、输出门、遗忘门和状态更新向量的的输出状态，不同下标的W分别表示输入门、输出门、遗忘门和状态更新向量对应的权重矩阵。ht表示网络的最终输出值。
本实施例对训练目标模型的过程进行介绍，进一步地，在上述各实施例的基础上，对所述目标模型的训练包括：
对列车的任一行驶过程，从所述行驶过程获取任一选定时刻，获取所述列车在所述选定时刻的第一行驶数据和在所述选定时刻之前的第二行驶数据；
根据所述第一行驶数据和所述第二行驶数据，通过所述预设特征工程提取用于对长短期记忆网络模型进行训练的训练特征数据，并获取在所述选定时刻之后设定的预测时刻所对应的行驶速度，作为训练所述长短期记忆网络模型的期望输出；
将通过若干组训练特征数据和期望输出，对所述长短期记忆网络模型进行训练后得到的模型作为所述目标模型。
在进行模型训练的过程中，从列车已经发生过的行驶过程提取训练特征数据。选定时刻为在行驶过程中确定的某一时刻，根据该选定时刻和该时刻时间的行驶数据，通过预设特征工程提取训练特征数据。根据该选定时刻之后的数据确定进行模型训练的期望输出。
进一步地，在上述各实施例的基础上，所述将通过若干组训练特征数据和期望输出，对所述长短期记忆网络模型进行训练后得到的模型作为所述目标模型包括：
在对所述长短期记忆网络模型进行训练的过程中，根据由训练的长短期记忆网络模型预测的列车速度和所述期望输出，计算当前训练的长短期记忆网络模型的输出误差，判断所述输出误差是否符合设定误差范围；
若所述输出误差符合所述设定误差范围，则将当前训练的长短期记忆网络模型作为所述目标模型，否则，继续对当前训练的长短期记忆网络模型进行训练，直到所述输出误差符合所述设定误差范围。
进一步地，在上述各实施例的基础上，所述根据由训练的长短期记忆网络模型预测的列车速度和所述期望输出，计算当前训练的长短期记忆网络模型的输出误差，判断所述输出误差是否符合设定误差范围，包括：
根据公式计算当前训练的长短期记忆网络模型的均方误差MSE；
根据公式计算当前训练的长短期记忆网络模型的平均绝对误差MAE；
将所述均方误差MSE和所述平均绝对误差MAE作为所述输出误差，若所述均方误差MSE小于第一阈值，且所述平均绝对误差MAE小于第二阈值，则所述输出误差符合所述设定误差范围，否则，所述输出误差不符合所述设定误差范围；
其中，l为由当前训练的长短期记忆网络模型预测的列车速度的总个数，yi为由当前训练的长短期记忆网络模型预测的第i个列车速度，为期望输出中与第i个列车速度对应的真实列车速度。
每一次通过所述预设特征工程提取训练特征数据和本次确定的期望输出为一个训练样本，本实施例中通过大量的训练样本对长短期记忆网络模型进行训练。
需要说明的是，目标模型每次可以输出多个时刻的列车速度，也可以输出一个时刻的列车速度。在计算当前训练的长短期记忆网络模型的输出误差时，可以分别根据经多个训练样本进行训练时模型预测的每一列车速度和相应的期望速度计算均方误差MSE和平均绝对误差MAE。第一阈值和第二阈值为设定值，例如，第一阈值为500cm/s，第二阈值为20cm/s。
本实施例提供的列车速度预测方法设计了适合列车速度预测的长短期记忆网络网络结构，能够预测长时间的列车速度。进行特征特区过程，将模拟量输出、牵引制动状态、列车速度和线路坡顶定义为原始特征，通过数据清洗和特征工程得到特征数据。优化了长短期神经网络中的网络超参数，提高了列车速度的预测精度。该列车速度预测方法解决了当前列车速度的长时间预测问题，能够为司机行车提供辅助决策手段，帮助驾驶员了解列车运行状态，对可能出现的列车速度不良变化提供预警。
图3为本实施例提供的一种列车速度预测装置的结构框图，参见图3，该装置包括获取模块301、提取模块302和预测模块303，其中，
获取模块301，用于在列车的当前行驶过程中，获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据；
提取模块302，用于根据所述当前行驶数据和所述历史行驶数据，通过预设特征工程提取特征数据；
预测模块303，用于将所述特征数据作为目标模型的输入参数，得到由所述目标模型预测的在当前时刻之后所述列车的速度；
其中，所述目标模型为根据所述列车已有的行驶数据训练的，用于对所述列车的速度进行预测的模型。
本实施例提供的列车速度预测装置适用于上述实施例提供的列车速度预测方法，在此不再赘述。
本实施例提供了一种列车速度预测装置，根据当前行驶数据和历史行驶数据，通过训练的目标模型对列车速度进行预测。目标模型是根据已有的行驶数据训练出来的，因而目标模型在对列车进行速度预测的过程中综合了列车运行的速度变化规律和当前的状态，预测的列车速度更吻合列车的实际速度。此外，可以通过训练使得目标模型对未来多个时刻的列车速度进行预测，提高了预测的灵活性。
图4是示出本实施例提供的电子设备的结构框图。
参照图4，所述电子设备包括：处理器(processor)401、通信接口(CommunicationsInterface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行如下方法：在列车的当前行驶过程中，获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据；根据所述当前行驶数据和所述历史行驶数据，通过预设特征工程提取特征数据；将所述特征数据作为目标模型的输入参数，得到由所述目标模型预测的在当前时刻之后所述列车的速度；其中，所述目标模型为根据所述列车已有的行驶数据训练的，用于对所述列车的速度进行预测的模型。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行如下方法：在列车的当前行驶过程中，获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据；根据所述当前行驶数据和所述历史行驶数据，通过预设特征工程提取特征数据；将所述特征数据作为目标模型的输入参数，得到由所述目标模型预测的在当前时刻之后所述列车的速度；其中，所述目标模型为根据所述列车已有的行驶数据训练的，用于对所述列车的速度进行预测的模型。
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：在列车的当前行驶过程中，获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据；根据所述当前行驶数据和所述历史行驶数据，通过预设特征工程提取特征数据；将所述特征数据作为目标模型的输入参数，得到由所述目标模型预测的在当前时刻之后所述列车的速度；其中，所述目标模型为根据所述列车已有的行驶数据训练的，用于对所述列车的速度进行预测的模型。
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)
1.一种列车速度预测方法，其特征在于，包括：
在列车的当前行驶过程中，获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据；
根据所述当前行驶数据和所述历史行驶数据，通过预设特征工程提取特征数据；
将所述特征数据作为目标模型的输入参数，得到由所述目标模型预测的在当前时刻之后所述列车的速度；
其中，所述目标模型为根据所述列车已有的行驶数据训练的，用于对所述列车的速度进行预测的模型。
2.根据权利要求1所述的列车速度预测方法，其特征在于，所述根据所述当前行驶数据和所述历史行驶数据，通过预设特征工程提取特征数据，包括：
在所述当前时刻之前的时间中，根据所述历史行驶数据，选取若干不同时刻下的列车速度和若干不同时刻下的模拟量信号，作为延后特征；
在所述当前时刻之前的时间中，根据所述历史行驶数据和所述当前行驶数据，计算从不同时刻到当前时刻的各时间段内的列车的平均速度、速度标准差、平均模拟量信号和模拟量信号标准差，以及从不同时刻与当前时刻的速度差值和模拟量信号差值，作为统计特征；
在所述当前时刻之前的时间中，根据所述历史行驶数据和所述当前行驶数据，分别计算不同时刻下的每一列车速度和所述当前时刻的列车速度的乘积，作为交叉特征；
将当前时刻列车的牵引制动数据、当前时刻列车所在位置的线路坡度、所述延后特征、所述统计特征和所述交叉特征作为提取特征数据。
3.根据权利要求1所述的列车速度预测方法，其特征在于，
在所述延后特征中，在与所述当前时刻越近的时刻中，选取的列车速度和模拟量信号越多；
所述交叉特征包括自所述当前时刻向前的连续多个时刻中，分别计算的每一时刻下的列车速度和所述当前时刻的列车速度的乘积。
4.根据权利要求1所述的列车速度预测方法，其特征在于，所述在列车的当前行驶过程中，获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据，包括：
在列车的当前行驶过程中，判断是否存在获取列车速度、模拟量信号、牵引制动数据和列车所在位置的线路坡度中的某一行驶数据失败的数据缺失时刻，若是，则将在所述数据缺失时刻前一时刻获取的每一行驶数据作为在所述数据缺失时刻获取的行驶数据；
获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据。
5.根据权利要求1所述的列车速度预测方法，其特征在于，对所述目标模型的训练包括：
对列车的任一行驶过程，从所述行驶过程获取任一选定时刻，获取所述列车在所述选定时刻的第一行驶数据和在所述选定时刻之前的第二行驶数据；
根据所述第一行驶数据和所述第二行驶数据，通过所述预设特征工程提取用于对长短期记忆网络模型进行训练的训练特征数据，并获取在所述选定时刻之后设定的预测时刻所对应的行驶速度，作为训练所述长短期记忆网络模型的期望输出；
将通过若干组训练特征数据和期望输出，对所述长短期记忆网络模型进行训练后得到的模型作为所述目标模型。
6.根据权利要求5所述的列车速度预测方法，其特征在于，所述将通过若干组训练特征数据和期望输出，对所述长短期记忆网络模型进行训练后得到的模型作为所述目标模型包括：
在对所述长短期记忆网络模型进行训练的过程中，根据由训练的长短期记忆网络模型预测的列车速度和所述期望输出，计算当前训练的长短期记忆网络模型的输出误差，判断所述输出误差是否符合设定误差范围；
若所述输出误差符合所述设定误差范围，则将当前训练的长短期记忆网络模型作为所述目标模型，否则，继续对当前训练的长短期记忆网络模型进行训练，直到所述输出误差符合所述设定误差范围。
7.根据权利要求6所述的列车速度预测方法，其特征在于，所述根据由训练的长短期记忆网络模型预测的列车速度和所述期望输出，计算当前训练的长短期记忆网络模型的输出误差，判断所述输出误差是否符合设定误差范围，包括：
根据公式计算当前训练的长短期记忆网络模型的均方误差MSE；
根据公式计算当前训练的长短期记忆网络模型的平均绝对误差MAE；
将所述均方误差MSE和所述平均绝对误差MAE作为所述输出误差，若所述均方误差MSE小于第一阈值，且所述平均绝对误差MAE小于第二阈值，则所述输出误差符合所述设定误差范围，否则，所述输出误差不符合所述设定误差范围；
其中，l为由当前训练的长短期记忆网络模型预测的列车速度的总个数，yi为由当前训练的长短期记忆网络模型预测的第i个列车速度，为期望输出中与第i个列车速度对应的真实列车速度。
8.一种列车速度预测装置，其特征在于，包括：
获取模块，用于在列车的当前行驶过程中，获取所述列车在当前时刻的当前行驶数据和在当前时刻之前的历史行驶数据；
提取模块，用于根据所述当前行驶数据和所述历史行驶数据，通过预设特征工程提取特征数据；
预测模块，用于将所述特征数据作为目标模型的输入参数，得到由所述目标模型预测的在当前时刻之后所述列车的速度；
其中，所述目标模型为根据所述列车已有的行驶数据训练的，用于对所述列车的速度进行预测的模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的列车速度预测方法的步骤。
10.一种非暂态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7任一项所述的列车速度预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910809671.5A CN110509957A (zh) | 2019-08-29 | 2019-08-29 | 一种列车速度预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910809671.5A CN110509957A (zh) | 2019-08-29 | 2019-08-29 | 一种列车速度预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110509957A true CN110509957A (zh) | 2019-11-29 |
Family
ID=68629120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910809671.5A Pending CN110509957A (zh) | 2019-08-29 | 2019-08-29 | 一种列车速度预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110509957A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111159878A (zh) * | 2019-12-25 | 2020-05-15 | 交控科技股份有限公司 | 重载列车的加速度模型生成方法及动力学参数模拟方法 |
| CN112373483A (zh) * | 2020-11-23 | 2021-02-19 | 浙江天行健智能科技有限公司 | 一种基于前向神经网络的车辆速度和转向预测方法 |
| CN113792906A (zh) * | 2021-08-05 | 2021-12-14 | 交控科技股份有限公司 | 列车长时间窗运行轨迹预测方法、装置、设备及存储介质 |
| CN114056386A (zh) * | 2020-07-30 | 2022-02-18 | 比亚迪股份有限公司 | 车速控制方法及装置，存储介质及车辆 |
| CN115465337A (zh) * | 2022-11-15 | 2022-12-13 | 新誉集团有限公司 | 一种列车控制方法、装置、介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014000513A1 (zh) * | 2012-06-29 | 2014-01-03 | 北京汇冠新技术股份有限公司 | 一种触摸轨迹跟踪方法 |
| JP5436351B2 (ja) * | 2010-06-21 | 2014-03-05 | 日本電信電話株式会社 | 状態推定装置、状態推定方法、およびプログラム |
| CN109131452A (zh) * | 2018-08-14 | 2019-01-04 | 西安理工大学 | 一种基于长短时记忆网络的列车状态在线预测方法 |
| CN109760523A (zh) * | 2019-01-21 | 2019-05-17 | 浙江工业大学 | 基于bp神经网络车速预测的复合电源能量管理方法 |
| CN109783843A (zh) * | 2018-12-05 | 2019-05-21 | 交控科技股份有限公司 | 基于lstm的仿真系统车辆动力学模型速度预测方法 |
-
2019
- 2019-08-29 CN CN201910809671.5A patent/CN110509957A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5436351B2 (ja) * | 2010-06-21 | 2014-03-05 | 日本電信電話株式会社 | 状態推定装置、状態推定方法、およびプログラム |
| WO2014000513A1 (zh) * | 2012-06-29 | 2014-01-03 | 北京汇冠新技术股份有限公司 | 一种触摸轨迹跟踪方法 |
| CN109131452A (zh) * | 2018-08-14 | 2019-01-04 | 西安理工大学 | 一种基于长短时记忆网络的列车状态在线预测方法 |
| CN109783843A (zh) * | 2018-12-05 | 2019-05-21 | 交控科技股份有限公司 | 基于lstm的仿真系统车辆动力学模型速度预测方法 |
| CN109760523A (zh) * | 2019-01-21 | 2019-05-17 | 浙江工业大学 | 基于bp神经网络车速预测的复合电源能量管理方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZHEN LI，TAO TANG，CHUNHAI GAO: "Long Short-Term Memory Neural Network Applied to Train Dynamic Model and Speed Prediction", 《ALGORITHMS》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111159878A (zh) * | 2019-12-25 | 2020-05-15 | 交控科技股份有限公司 | 重载列车的加速度模型生成方法及动力学参数模拟方法 |
| CN114056386A (zh) * | 2020-07-30 | 2022-02-18 | 比亚迪股份有限公司 | 车速控制方法及装置，存储介质及车辆 |
| CN114056386B (zh) * | 2020-07-30 | 2023-08-08 | 比亚迪股份有限公司 | 车速控制方法及装置，存储介质及车辆 |
| CN112373483A (zh) * | 2020-11-23 | 2021-02-19 | 浙江天行健智能科技有限公司 | 一种基于前向神经网络的车辆速度和转向预测方法 |
| CN112373483B (zh) * | 2020-11-23 | 2022-07-29 | 浙江天行健智能科技有限公司 | 一种基于前向神经网络的车辆速度和转向预测方法 |
| CN113792906A (zh) * | 2021-08-05 | 2021-12-14 | 交控科技股份有限公司 | 列车长时间窗运行轨迹预测方法、装置、设备及存储介质 |
| CN113792906B (zh) * | 2021-08-05 | 2024-04-30 | 交控科技股份有限公司 | 列车长时间窗运行轨迹预测方法、装置、设备及存储介质 |
| CN115465337A (zh) * | 2022-11-15 | 2022-12-13 | 新誉集团有限公司 | 一种列车控制方法、装置、介质 |
| CN115465337B (zh) * | 2022-11-15 | 2023-03-03 | 新誉集团有限公司 | 一种列车控制方法、装置、介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110509957A (zh) | 一种列车速度预测方法及装置 | |
| CN108520155B (zh) | 基于神经网络的车辆行为模拟方法 | |
| CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
| CN109783843B (zh) | 基于lstm的仿真系统车辆动力学模型速度预测方法 | |
| CN111159642B (zh) | 一种基于粒子滤波的在线轨迹预测方法 | |
| CN107132840B (zh) | 一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 | |
| CN110196587A (zh) | 车辆自动驾驶控制策略模型生成方法、装置、设备及介质 | |
| CN109625033A (zh) | Ato控车时精确停车阶段停车精度预测方法及装置 | |
| CN114074680B (zh) | 基于深度强化学习的车辆换道行为决策方法及系统 | |
| CN109918687A (zh) | 一种基于机器学习的列车动力学仿真方法及仿真平台 | |
| CN114881339A (zh) | 车辆轨迹预测方法、系统、计算机设备及存储介质 | |
| Wu et al. | Differential variable speed limits control for freeway recurrent bottlenecks via deep reinforcement learning | |
| CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
| CN104102776A (zh) | 一种城市轨道交通列车的模型自动辨识方法 | |
| CN114511999A (zh) | 一种行人行为预测方法及装置 | |
| CN112198799A (zh) | 一种基于深度学习的高速列车停车控制方法及系统 | |
| CN115496201A (zh) | 一种基于深度强化学习的列车精确停车控制方法 | |
| CN115017742A (zh) | 自动驾驶测试场景生成方法、装置、设备及存储介质 | |
| CN115123159A (zh) | 一种基于ddpg深度强化学习的aeb控制方法及系统 | |
| Zhu et al. | Vision-based control in the open racing car simulator with deep and reinforcement learning | |
| CN113806857A (zh) | 一种基于变分图自编码器的高速列车节能制动方法 | |
| CN113033902A (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 | |
| CN111126311B (zh) | 城市道路的潜在危险区域识别方法、装置及电子设备 | |
| CN114639233A (zh) | 一种拥堵状态预测方法、装置、电子设备及存储介质 | |
| CN107798428A (zh) | 一种机车自动驾驶控制预测模型机器学习方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
| RJ01 | Rejection of invention patent application after publication |