CN112046557B - 一种无人驾驶列车控制系统的控制方法 - Google Patents
一种无人驾驶列车控制系统的控制方法 Download PDFInfo
- Publication number
- CN112046557B CN112046557B CN202010958602.3A CN202010958602A CN112046557B CN 112046557 B CN112046557 B CN 112046557B CN 202010958602 A CN202010958602 A CN 202010958602A CN 112046557 B CN112046557 B CN 112046557B
- Authority
- CN
- China
- Prior art keywords
- module
- deep learning
- data
- learning model
- 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.)
- Active
Links
Images
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
- B61L27/04—Automatic systems, e.g. controlled by train; Change-over to manual control
-
- 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
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)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种无人驾驶列车控制系统的控制方法,其特征在于:所述控制系统包括中心云计算单元和多个边缘云计算单元,边缘云计算单元包括深度学习模型模块和智能算法模块;中心云计算单元负责深度学习模型的构建和训练,部署于各个子线路的边缘云计算单元采用双模工作模式控制无人驾驶列车的运行,同时收集样本数据反馈给中心云计算单元的数据库模块以增强训练样本数据集。采用本发明所述的控制方法,能减少深度学习模型的过拟合,提高其泛化能力,以提高整个控制系统的抗干扰能力和控制效率,以实现更灵活性、实时性和高效性地控制无人驾驶列车平稳、高效运行。
Description
技术领域
本发明涉及交通运输技术领域,特别是一种无人驾驶列车控制系统的控制方法。
背景技术
随着无人驾驶列车技术的发展,人工智能技术被越来越广泛地运用到无人驾驶列车的控制技术中,而人工智能的核心技术之一就是深度神经网络等机器学习算法。然而,现有技术中,特别是在无人驾驶列车的控制上,利用深度学习算法构建的深度学习模型面临数据获取渠道单一、数据量少的问题。对于利用深度神经网络等方式构建的深度学习模型来说,具有复杂度高、拟合能力强的特点,但也容易在训练集上产生过拟合,从而导致训练得到的深度学习模型泛化能力较弱。虽然可以通过正则化来缓解上述过拟合问题,但对深度神经网络施加正则化在无人驾驶列车的控制上并不适用,原因在于特定的神经网络模型只能处理处于同分布的数据,然而无人驾驶列车在正常运行环境状态和异常运行环境状态(包括轨道地面设备、供电系统故障或出现雨、雾天气等)下行驶的数据并不是同分布的。因此现有技术中得到的深度学习模型由于泛化能力较弱,无人驾驶列车控制系统运用上述深度学习模型很难在遇到的各种异常情况下还能实时、准确操控列车运行。
另一方面,现有技术中采用云计算的方式来控制无人驾驶列车运行,然而,过度依赖云计算会出现各种数据的处理都希望往云上面靠的现象,导致云上的数据越来越多,这样不仅给网络带宽造成压力,而且大量终端数据每次都要传到遥远的云端,云端花时间处理完后往回传,使得云端的处理效率降低、时延增大。上述方式很难在列车遇到干扰情况下快速恢复列车的运行,提高列车运行的自我愈合能力,以满足实际运行要求。
发明内容
针对背景技术的问题,本发明提供一种无人驾驶列车控制系统的控制方法,以解决现有技术中无人驾驶列车的控制系统所采用的深度学习模型泛化能力差,列车应对异常运行环境状态的能力弱,控制系统处理效率低、自我愈合能力差的问题。
为实现本发明的目的,本发明提供了一种无人驾驶列车控制系统的控制方法,其创新点在于:所述控制系统包括中心云计算单元、列车控制调度中心、分布式数据采集单元、多个边缘云计算单元;
设某运营线路上有多个站点,相邻两个站点之间的路段记为一个子线路;所述多个边缘云计算单元与多个子线路一一对应,单个边缘云计算单元设置在对应的子线路的起点站内,单个边缘云计算单元与对应子线路上运行的列车对应;
所述中心云计算单元包括数据库模块、深度学习模块、评估模块和中心通信模块;
所述数据库模块用于存储和补充专家知识数据,还能接收中心通信模块传输的样本数据,所述数据库模块还能将所述专家知识数据和所述样本数据传输给深度学习模块;
所述深度学习模块能从所述数据库模块获取专家知识数据和样本数据,所述深度学习模块能通过深度学习算法构建深度学习模型,并利用获取的专家知识数据和样本数据训练所述深度学习模型,深度学习模块还能将深度学习模型数据传输给所述评估模块;
所述评估模块能对收到的深度学习模型数据进行评估,当评估结果不满足设定的误差要求时,评估模块控制深度学习模块继续对深度学习模型进行训练;当评估结果满足设定的误差要求时,评估模块即将得到的可用深度学习模型数据传输给中心通信模块;
所述中心通信模块能将收到的可用深度学习模型下发给各个边缘云计算单元的边缘通信模块,所述中心通信模块还能从边缘通信模块接收样本数据,并将接收的样本数据传输给数据库模块;
所述边缘云计算单元包括驾驶模式控制模块、深度学习模型模块、智能算法模块和边缘通信模块;
所述边缘通信模块能将从中心通信模块接收的可用深度学习模型数据传输给所述深度学习模型模块;所述边缘通信模块能将从数据采集单元接收的状态数据传输给驾驶模式控制模块和智能算法模块;边缘通信模块还能将从列车控制调度中心接收的线路和列车基础数据传输给深度学习模型模块和智能算法模块;边缘通信模块能将从深度学习模型模块接收的驾驶档位操纵序列数据发送给对应列车的车载控制系统;边缘通信模块能将从智能算法模块接收的智能驾驶曲线数据发送给对应列车的车载控制系统;边缘通信模块能将从智能算法模块接收的样本数据发送给中心通信模块;
所述驾驶模式控制模块能对收到的所述状态数据进行处理,并识别对应子线路的运行环境状态是否正常,然后根据识别结果触发深度学习模型模块工作或智能算法模块工作;
所述深度学习模型模块能利用可用深度学习模型对收到的线路和列车基础数据进行处理得到驾驶档位操纵序列,并将驾驶档位操纵序列数据传输给边缘通信模块;
所述智能算法模块能利用仿生智能算法对收到的线路和列车基础数据和所述状态数据进行处理得到智能驾驶曲线数据,并将智能驾驶曲线数据传输给边缘通信模块;智能算法模块能从得到的所述智能驾驶曲线中提取多个样本数据,智能算法模块能将得到的多个所述样本数据传输给边缘通信模块;
所述分布式数据采集单元部署在列车运行线路的轨道设备上,所述分布式数据采集单元能采集各类异构的状态数据并通过无线通信的方式传输给相应的边缘云计算单元的边缘通信模块;
所述列车控制调度中心能将子线路的线路和列车基础数据发送给对应的边缘云计算单元的边缘通信模块;
所述控制方法包括:
按方法一在数据库模块中生成初始的训练样本数据集,然后数据库模块将所述初始的训练样本数据集传输给所述深度学习模块,然后所述深度学习模块通过深度学习算法构建深度学习模型,然后所述中心云计算单元按方法二生成可用深度学习模型并将可用深度学习模型迁移到各个边缘云计算单元;后续过程中,中心云计算单元按方法四在数据库模块中生成新的训练样本数据集,数据库模块每次生成新的训练样本数据集后,即将新的训练样本数据集传输给深度学习模块,然后中心云计算单元按方法二生成新的可用深度学习模型并将新生成的可用深度学习模型迁移到各个边缘云计算单元;
各个所述边缘云计算单元自首次收到可用深度学习模型后,均按方法三控制对应子线路上运行列车的运行;
所述方法一包括:
操作人员按设定数量将专家知识数据输入所述中心云计算单元的数据库模块;同时,各个边缘计算单元均按以下方式获取初始的样本数据集:
1)所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路的线路和列车基础数据,然后边缘通信模块将收到的所述线路和列车基础数据传输给所述智能算法模块;
2)智能算法模块采用线性同余法生成多个0到1闭区间的随机数,然后将得到的多个所述随机数与对应子线路的长度相乘,即得到多个列车在对应子线路上的模拟定位数据;
3)智能算法模块采用仿生智能算法对收到的线路和列车基础数据及所述模拟定位数据进行处理得到多个模拟智能驾驶曲线;
4)智能算法模块从多个所述模拟智能驾驶曲线中提取得到多个初始的样本数据;
5)当智能算法模块内初始的样本数据的数量未达到设定值时,返回步骤2);否则,进入步骤6);
6)智能算法模块将得到的全部初始的样本数据传输给边缘通信模块,然后边缘通信模块将收到的初始的样本数据发送给中心通信模块;
中心通信模块将收到的各个边缘通信模块发送的初始的样本数据均传输给数据库模块,数据库模块内当前的全部初始的样本数据和专家知识数据即组成初始的训练样本数据集;
所述方法二包括:
a)所述深度学习模块利用收到的训练样本数据集对深度学习模型进行训练,然后深度学习模块将训练后的深度学习模型传输给所述评估模块;
b)所述评估模块利用损失函数对收到的深度学习模型进行评估,如果满足设定的误差要求,则将本次得到的深度学习模型记为可用深度学习模型,然后进入步骤c);否则,返回步骤a);
c)所述评估模块将可用深度学习模型传输给所述中心通信模块,中心通信模块将收到的可用深度学习模型下发给各个边缘通信模块;
所述方法三包括:
单个边缘通信模块将每次收到的可用深度学习模型传输给所述深度学习模型模块;所述深度学习模型模块始终将最近一次收到的可用深度学习模型用于后续操作;
单个子线路所辖的分布式数据采集单元持续将采集的实时、异构的状态数据发送给所述子线路对应的边缘云计算单元的边缘通信模块;所述边缘通信模块将收到的所述状态数据传输给驾驶模式控制模块和智能算法模块;
A)所述驾驶模式控制模块对收到的状态数据进行处理并识别对应子线路的运行环境状态:当子线路的运行环境状态正常时,进入步骤B);当子线路的运行环境状态异常时,进入步骤C);
B)所述驾驶模式控制模块控制深度学习模型模块工作,同时驾驶模式控制模块控制智能算法模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据传输给深度学习模型模块,深度学习模型模块利用所述可用深度学习模型对收到的所述线路和列车基础数据进行处理得到对应子线路上运行列车的驾驶档位操纵序列,所述深度学习模型模块将得到的所述驾驶档位操纵序列数据传输给边缘通信模块,所述边缘通信模块再将所述驾驶档位操纵序列数据发送给对应列车的车载控制系统用于控制列车的运行;返回步骤A);
C)所述驾驶模式控制模块控制智能算法模块工作,同时驾驶模式控制模块控制深度学习模型模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据以及所述状态数据传输给智能算法模块,智能算法模块采用仿生智能算法对收到的所述线路和列车基础数据以及状态数据进行处理得到对应子线路上运行的列车的智能驾驶曲线;如果所述智能驾驶曲线的生成时间大于设定时间,则返回步骤B);否则,进入步骤D);
D)智能算法模块将得到的所述智能驾驶曲线数据传输给边缘通信模块,所述边缘通信模块再将所述智能驾驶曲线数据发送给对应列车的车载控制系统用于控制列车的运行;同时,智能算法模块从得到的所述智能驾驶曲线中提取多个样本数据,智能算法模块将得到的多个所述样本数据传输给边缘通信模块,边缘通信模块将收到的所述样本数据发送给中心通信模块;返回步骤A);
所述方法四包括:
中心通信模块每次收到边缘通信模块发送的样本数据后,即将所述样本数据传输给数据库模块;操作人员定期将新的专家知识数据补充输入到数据库模块中;当数据库模块中补充的专家知识数据和新收到的所述样本数据的数量总和达到设定的阈值时,数据库模块中当前的全部样本数据和专家知识数据即组成新的训练样本数据集。
进一步地,所述步骤C)中,智能算法模块通过对所述状态数据进行处理并提取得到雨和雾两个天气参数值,然后根据模糊推理表采用模糊推理得到列车的限速值,智能算法模块将所述列车的限速值作为后续生成智能驾驶曲线的约束条件之一;
所述模糊推理表为:
{RZ,RS,RM,RB}为输入量雨大小的模糊论域,其中,RZ表示无雨,RS表示小雨,RM表示中雨,RB表示大雨;
{FZ,FS,FM,FB}为输入量雾大小的模糊论域,其中,FZ表示无雾,FS表示轻雾,FM表示中雾,FB表示大雾;
{SS,SL,SM,SH,SB}为输出量限速值的模糊论域,其中,SS表示低限速值,SL表示较低限速值,SM表示中等限速值,SH较高限速值,SB表示高限速值。
进一步地,当所述步骤A)中所述的运行环境状态异常是由子线路的地面设备故障导致列车停车的情况,则所述步骤C)中所述的仿生智能算法为密姆算法;当所述步骤A)中所述的运行环境状态异常是由雨或/和雾天气导致列车需要限速通过的情况,则所述步骤C)中所述的仿生智能算法为NSGA-Ⅱ算法。
本发明的原理如下:
虽然在无人驾驶列车的控制技术中,采用深度模型训练时容易出现过拟合现象,从而导致深度学习模型泛化能力较弱,且无法采用正则化处理,但可以采用数据增强的方式来解决,即增大深度学习模型训练所需的样本数据来解决过拟合问题。然而,由于人工标注需要极大的成本,所以如何获取大量的标注数据仍然是深度学习领域的重大难题,特别是在无人驾驶列车技术中上述问题更加突出。发明人在本申请中,创造性地基于云边协同的架构模式及在边缘计算单元设计的双模工作方式,很好地解决了上述问题。
具体来说:本申请的控制系统主要由中心云计算单元和边缘云计算单元组成,中心云计算单元主要负责构建和训练可用深度学习模型,并将可用深度学习模型迁移到各个边缘云计算单元;而边缘云计算单元主要负责利用可用深度学习模型来控制列车的自动驾驶;由于深度学习模型在初期是利用有限的、现有的训练样本数据和专家知识数据训练得到的,虽然能满足列车在大多数正常运行环境状态下的驾驶档位操纵序列数据的输出并控制列车运行,但是当列车遇到异常运行环境状态时,往往会由于深度学习模型在初期泛化能力较弱而无法准确输出相应的驾驶档位操纵序列数据,而且,如果没有新的训练样本数据,深度学习模型的泛化能力也会停滞不前。发明人创造性地在边缘计算单元设计了深度学习模型模块和智能算法模块的双模工作方式来有效地解决了上述问题:首先深度学习模型模块接收来自中心云计算单元下发的深度学习模型,即具备对线路和列车基本数据的实时处理能力,也能通过深度学习模型实时生成列车的驾驶档位操纵序列用于列车的自动驾驶,因此,当列车在无干扰的正常行驶环境状态下,采用深度学习模型模块来控制列车的自动驾驶具有实时、高效的特点;当列车遇到干扰处于异常运行环境状态下时,为了应对复杂的路况、设备及环境干扰,采用智能算法模块来针对干扰的具体数据进行处理,得到智能驾驶曲线用于列车自动驾驶控制,能精准地应对具体的干扰情况,提高列车的抗干扰能力,使列车运行能快速自我修复,以满足整个线路的正常运营需要。智能算法模块采用的仿生智能算法具有针对性强、生成的智能驾驶曲线控制精度高的特点,一方面使列车能有效应对各种异常运行环境状态,另一方面也为深度学习模型源源不断地提供了训练用的样本数据,把这些样本数据反馈回中心云计算单元的数据库模块中,使数据库模块中的训练样本数据集得到不断增强,采用这些不断增强的训练样本数据集周期性地对深度学习模型进行训练,能明显减少深度学习模型的过拟合问题,有效提高了深度学习模型的泛化能力,极大提高了深度学习模型模块面对各种运行环境状态时的应对能力。事实上,由于智能算法模块采用的仿生智能算法生成智能驾驶曲线需要一定的时间,所以本申请所述的控制方法中,当遇到较复杂的干扰情况,数据处理量较大,在规定时间内,智能算法模块无法得到智能驾驶曲线的情况下,驾驶模式控制模块能重新将深度学习模型模块切换到工作状态控制列车运行,以保障列车运行能最低限度应对干扰、自我修复。在初期,由于深度学习模型应对能力较弱,上述规定时间可以设定得较长,以更多发挥智能算法模块的作用,随着深度学习模型泛化能力的提高,应对能力逐渐增强,上述规定时间可以逐渐缩短,以使深度学习模块发挥更多作用,提高列车自动控制的效率。由此可见,整个控制系统按上述方法运行,形成良性循环,随着列车遇到的运行环境状态的增加,样本数据不断丰富,数据库模块中的训练样本数据集不断得到增强,可用深度学习模型不断成熟,智能算法模块的参与控制的次数逐渐减少,深度学习模型模块的控制范围逐渐增大,整个列车控制系统到后期完全可以更多地依赖深度学习模型实现高效、准确地应对各种列车运行中遇到的各种运行环境状态,实现无人驾驶列车的平稳、高效运行。
另一方面,中心云计算单元并不直接参与列车的自动驾驶控制数据的处理,大大减小了中心云计算单元的数据处理压力。而边缘云计算单元被部署在各个子线路的起点站内,在整个网络边缘执行数据处理,靠近数据的来源,处理轻量级数据,处理速度较快,体现出效率高、低延时等优势,改善了现有技术中单独使用中心云计算单元直接处理列车终端数据造成的延时性,大大提高了数据处理的效率,也提高了整个控制系统的控制效率。
作为优化,智能算法模块对状态数据中的雨和雾的数据进行提取,并采用模糊算法对上述数据处理得到列车的限速值,提高了智能算法模块输出的智能驾驶曲线的控制精度,同时也提高了训练样本数据的准确度和有效性。
由此可见,本发明具有如下的有益效果:本发明通过中心云计算单元和边缘云计算单元的巧妙结合,同时利用边缘计算单元中深度学习模型模块和智能算法模块的双模工作方式,使控制系统应对列车运行遇到的各种运行环境状态,能灵活性、实时性和高效性地控制无人驾驶列车平稳、高效运行;同时,边缘计算单元能不断向中心云计算单元反馈样本数据,数据库模块中的训练样本数据集不断增强,深度学习模型的泛化能力极大提高,进一步提高了整个控制系统的抗干扰能力和控制效率。
附图说明
本发明的附图说明如下。
附图1本发明所述控制系统的连接示意图;
附图2为中心云计算单元的连接示意图;
附图3为边缘云计算单元的连接示意图。
具体实施方式
下面结合实施例对本发明作进一步说明。
如附图1所示的本申请所述的无人驾驶列车控制系统包括中心云计算单元、列车控制调度中心、分布式数据采集单元、多个边缘云计算单元;
设某运营线路上有多个站点,相邻两个站点之间的路段记为一个子线路;所述多个边缘云计算单元与多个子线路一一对应,单个边缘云计算单元设置在对应的子线路的起点站内,单个边缘云计算单元与对应子线路上运行的列车对应;
如附图2所示的中心云计算单元包括数据库模块、深度学习模块、评估模块和中心通信模块;
所述数据库模块用于存储和补充专家知识数据,还能接收中心通信模块传输的样本数据,所述数据库模块还能将所述专家知识数据和所述样本数据传输给深度学习模块;本申请所述的专家知识数据为列车在历史运行过程中记录的运行效果较佳的列车自动驾驶数据和优秀驾驶员的操纵数据,操作人员可从列车设计资料、列车运行监控装置LKJ、列车控制与管理系统TCMS设备上获取所述专家知识数据。
所述深度学习模块能从所述数据库模块获取专家知识数据和样本数据,所述深度学习模块能通过深度学习算法构建深度学习模型,并利用获取的专家知识数据和样本数据训练所述深度学习模型,深度学习模块还能将深度学习模型数据传输给所述评估模块;
所述评估模块能对收到的深度学习模型数据进行评估,当评估结果不满足设定的误差要求时,评估模块控制深度学习模块继续对深度学习模型进行训练;当评估结果满足设定的误差要求时,评估模块即将得到的可用深度学习模型数据传输给中心通信模块;
所述中心通信模块能将收到的可用深度学习模型下发给各个边缘云计算单元的边缘通信模块,所述中心通信模块还能从边缘通信模块接收样本数据,并将接收的样本数据传输给数据库模块;
如附图3所示的边缘云计算单元包括驾驶模式控制模块、深度学习模型模块、智能算法模块和边缘通信模块;
所述边缘通信模块能将从中心通信模块接收的可用深度学习模型数据传输给所述深度学习模型模块;所述边缘通信模块能将从数据采集单元接收的状态数据传输给驾驶模式控制模块和智能算法模块;边缘通信模块还能将从列车控制调度中心接收的线路和列车基础数据传输给深度学习模型模块和智能算法模块;边缘通信模块能将从深度学习模型模块接收的驾驶档位操纵序列数据发送给对应列车的车载控制系统;边缘通信模块能将从智能算法模块接收的智能驾驶曲线数据发送给对应列车的车载控制系统;边缘通信模块能将从智能算法模块接收的样本数据发送给中心通信模块;
所述驾驶模式控制模块能对收到的所述状态数据进行处理,并识别对应子线路的运行环境状态是否正常,然后根据识别结果触发深度学习模型模块工作或智能算法模块工作;
所述深度学习模型模块能利用可用深度学习模型对收到的线路和列车基础数据进行处理得到驾驶档位操纵序列,并将驾驶档位操纵序列数据传输给边缘通信模块;
所述智能算法模块能利用仿生智能算法对收到的线路和列车基础数据和所述状态数据进行处理得到智能驾驶曲线数据,并将智能驾驶曲线数据传输给边缘通信模块;智能算法模块能从得到的所述智能驾驶曲线中提取多个样本数据,智能算法模块能将得到的多个所述样本数据传输给边缘通信模块;
所述分布式数据采集单元部署在列车运行线路的轨道设备上,所述分布式数据采集单元能采集各类异构的状态数据并通过无线通信的方式传输给相应的边缘云计算单元的边缘通信模块;上述状态数据包括轨道地面设备和供电系统是否故障、是否出现雨、雾等恶劣天气等,上述情况均可视为对列车运行的干扰因素;
所述列车控制调度中心能将子线路的线路和列车基础数据发送给对应的边缘云计算单元的边缘通信模块;所述线路和列车基础数据包括线路坡度、线路速度、列车车型、列车长度和列车定位等数据;
列车上设置有用于控制列车运行的车载控制系统,所述车载控制系统能根据从边缘通信模块接收的驾驶档位操纵序列数据或智能驾驶曲线数据控制列车自动驾驶;
所述控制方法包括:
按方法一在数据库模块中生成初始的训练样本数据集,然后数据库模块将所述初始的训练样本数据集传输给所述深度学习模块,然后所述深度学习模块通过深度学习算法构建深度学习模型,然后所述中心云计算单元按方法二生成可用深度学习模型并将可用深度学习模型迁移到各个边缘云计算单元;后续过程中,中心云计算单元按方法四在数据库模块中生成新的训练样本数据集,数据库模块每次生成新的训练样本数据集后,即将新的训练样本数据集传输给深度学习模块,然后中心云计算单元按方法二生成新的可用深度学习模型并将新生成的可用深度学习模型迁移到各个边缘云计算单元;深度学习模型可通过深度神经网络构建,本实施例采用的深度神经网络可采用长短时序记忆网络LSTM、卷积神经网络CNN、深度信念网络DBN或自编码器AE等;
各个所述边缘云计算单元自首次收到可用深度学习模型后,均按方法三控制对应子线路上运行列车的运行;
所述方法一包括:
操作人员按设定数量将专家知识数据输入所述中心云计算单元的数据库模块;同时,各个边缘计算单元均按以下方式获取初始的样本数据集:
1)所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路的线路和列车基础数据,然后边缘通信模块将收到的所述线路和列车基础数据传输给所述智能算法模块;
2)智能算法模块采用线性同余法生成多个0到1闭区间的随机数,然后将得到的多个所述随机数与对应子线路的长度相乘,即得到多个列车在对应子线路上的模拟定位数据;
3)智能算法模块采用仿生智能算法对收到的线路和列车基础数据及所述模拟定位数据进行处理得到多个模拟智能驾驶曲线;
4)智能算法模块从多个所述模拟智能驾驶曲线中提取得到多个初始的样本数据;用于深度学习的样本数据包括用于深度学习模型训练的输入数据和输出数据,其中输入数据包括列车的定位、车型、车长、车重、线路坡度值、坡段起始位置、车站限速、车站限速起始位置、线路限速、线路限速位置等数据,输出数据为驾驶档位操纵序列数据,包括档位的类型和档位的运行时间;
5)当智能算法模块内初始的样本数据的数量未达到设定值时,返回步骤2);否则,进入步骤6);
6)智能算法模块将得到的全部初始的样本数据传输给边缘通信模块,然后边缘通信模块将收到的初始的样本数据发送给中心通信模块;
中心通信模块将收到的各个边缘通信模块发送的初始的样本数据均传输给数据库模块,数据库模块内当前的全部初始的样本数据和专家知识数据即组成初始的训练样本数据集;
所述方法二包括:
a)所述深度学习模块利用收到的训练样本数据集对深度学习模型进行训练,然后深度学习模块将训练后的深度学习模型传输给所述评估模块;
b)所述评估模块利用损失函数对收到的深度学习模型进行评估,如果满足设定的误差要求,则将本次得到的深度学习模型记为可用深度学习模型,然后进入步骤c);否则,返回步骤a);
c)所述评估模块将可用深度学习模型传输给所述中心通信模块,中心通信模块将收到的可用深度学习模型下发给各个所述边缘通信模块;
所述方法三包括:
单个边缘通信模块将每次收到的可用深度学习模型传输给所述深度学习模型模块;所述深度学习模型模块始终将最近一次收到的可用深度学习模型用于后续操作;
单个子线路所辖的分布式数据采集单元持续将采集的实时、异构的状态数据发送给所述子线路对应的边缘云计算单元的边缘通信模块;所述边缘通信模块将收到的所述状态数据传输给驾驶模式控制模块和智能算法模块;
A)所述驾驶模式控制模块对收到的状态数据进行处理并识别对应子线路的运行环境状态:当子线路的运行环境状态正常时,进入步骤B);当子线路的运行环境状态异常时,进入步骤C);
本实施例中,当驾驶模式控制模块通过对状态数据处理后,识别出轨道地面设备或供电系统故障或出现雨、雾天气,即判定对应子线路的运行环境状态为异常,否则判定为正常;
B)所述驾驶模式控制模块控制深度学习模型模块工作,同时驾驶模式控制模块控制智能算法模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据传输给深度学习模型模块,深度学习模型模块利用所述可用深度学习模型对收到的所述线路和列车基础数据进行处理得到对应子线路上运行的列车的驾驶档位操纵序列,所述深度学习模型模块将得到的所述驾驶档位操纵序列数据传输给边缘通信模块,所述边缘通信模块再将所述驾驶档位操纵序列数据发送给对应列车的车载控制系统用于控制列车的运行;返回步骤A);
C)所述驾驶模式控制模块控制智能算法模块工作,同时驾驶模式控制模块控制深度学习模型模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据以及所述状态数据传输给智能算法模块,智能算法模块采用仿生智能算法对收到的所述线路和列车基础数据以及状态数据进行处理得到对应子线路上运行的列车的智能驾驶曲线;
本实施例中,如果运行环境状态异常是由子线路的地面设备故障导致列车停车的情况,由于需要赶点运行,因此目标函数为时间这个单一目标,所述的仿生智能算法采用密姆算法;密姆算法是一种混合智能算法,其全局搜索策略采用粒子群算法,局部搜索采用模拟退火算法,比单一使用的智能算法性能更优秀;如果所述的运行环境状态异常是由雨或/和雾天气导致列车需要限速通过的情况,则智能算法模块通过下述模糊推理方法获取列车的限速值,此时目标函数为节能和时间两个目标,所述的仿生智能算法采用NSGA-Ⅱ算法,该算法为流行的多目标遗传算法之一,实际应用时,技术人员需要确定的相关参数应包括种群规模N、迭代次数Gmax以及交叉、变异等遗传操作的方式和交叉、变异概率等。
列车限速值获取方法:
智能算法模块通过对所述状态数据进行处理并提取得到雨和雾两个天气参数值,然后根据模糊推理表采用模糊推理得到列车的限速值,智能算法模块将所述列车的限速值作为后续生成智能驾驶曲线的约束条件之一;
所述模糊推理表为:
{RZ,RS,RM,RB}为输入量雨大小的模糊论域,其中,RZ表示无雨,RS表示小雨,RM表示中雨,RB表示大雨;
{FZ,FS,FM,FB}为输入量雾大小的模糊论域,其中,FZ表示无雾,FS表示轻雾,FM表示中雾,FB表示大雾;
{SS,SL,SM,SH,SB}为输出量限速值的模糊论域,其中,SS表示低限速值,SL表示较低限速值,SM表示中等限速值,SH较高限速值,SB表示高限速值;
如果所述智能驾驶曲线的生成时间大于设定时间,则返回步骤B);否则,进入步骤D);
D)智能算法模块将得到的所述智能驾驶曲线数据传输给边缘通信模块,所述边缘通信模块再将所述智能驾驶曲线数据发送给对应列车的车载控制系统用于控制列车的运行;同时,智能算法模块从得到的所述智能驾驶曲线中提取多个样本数据,智能算法模块将得到的多个所述样本数据传输给边缘通信模块,边缘通信模块将收到的所述样本数据发送给中心通信模块;返回步骤A);
所述方法四包括:
中心通信模块每次收到边缘通信模块发送的样本数据后,即将所述样本数据传输给数据库模块;操作人员定期将新的专家知识数据补充输入到数据库模块中;当数据库模块中补充的专家知识数据和新收到的所述样本数据的数量总和达到设定的阈值时,数据库模块中当前的全部样本数据和专家知识数据即组成新的训练样本数据集。
本发明中应用到的深度学习算法(包括深度神经网络、长短时序记忆网络LSTM、卷积神经网络CNN、深度信念网络DBN或自编码器AE等)、仿生智能算法(包括密姆算法、NSGA-Ⅱ算法等)、损失函数、模糊推理理论等均为现有技术中十分常见的处理手段,相关的内容,本领域技术人员可从现有技术的相关文献中获取。
Claims (2)
1.一种无人驾驶列车控制系统的控制方法,其特征在于:所述控制系统包括中心云计算单元、列车控制调度中心、分布式数据采集单元、多个边缘云计算单元;
设某运营线路上有多个站点,相邻两个站点之间的路段记为一个子线路;所述多个边缘云计算单元与多个子线路一一对应,单个边缘云计算单元设置在对应的子线路的起点站内,单个边缘云计算单元与对应子线路上运行的列车对应;
所述中心云计算单元包括数据库模块、深度学习模块、评估模块和中心通信模块;
所述数据库模块用于存储和补充专家知识数据,还能接收中心通信模块传输的样本数据,所述数据库模块还能将所述专家知识数据和所述样本数据传输给深度学习模块;
所述深度学习模块能从所述数据库模块获取专家知识数据和样本数据,所述深度学习模块能通过深度学习算法构建深度学习模型,并利用获取的专家知识数据和样本数据训练所述深度学习模型,深度学习模块还能将深度学习模型数据传输给所述评估模块;
所述评估模块能对收到的深度学习模型数据进行评估,当评估结果不满足设定的误差要求时,评估模块控制深度学习模块继续对深度学习模型进行训练;当评估结果满足设定的误差要求时,评估模块还能将得到的可用深度学习模型数据传输给中心通信模块;
所述中心通信模块能将收到的可用深度学习模型下发给各个边缘云计算单元的边缘通信模块,所述中心通信模块还能从边缘通信模块接收样本数据,并将接收的样本数据传输给数据库模块;
所述边缘云计算单元包括驾驶模式控制模块、深度学习模型模块、智能算法模块和边缘通信模块;
所述边缘通信模块能将从中心通信模块接收的可用深度学习模型数据传输给所述深度学习模型模块;所述边缘通信模块能将从数据采集单元接收的状态数据传输给驾驶模式控制模块和智能算法模块;边缘通信模块还能将从列车控制调度中心接收的线路和列车基础数据传输给深度学习模型模块和智能算法模块;边缘通信模块能将从深度学习模型模块接收的驾驶档位操纵序列数据发送给对应列车的车载控制系统;边缘通信模块能将从智能算法模块接收的智能驾驶曲线数据发送给对应列车的车载控制系统;边缘通信模块能将从智能算法模块接收的样本数据发送给中心通信模块;
所述驾驶模式控制模块能对收到的所述状态数据进行处理,并识别对应子线路的运行环境状态是否正常,然后根据识别结果触发深度学习模型模块工作或智能算法模块工作;
所述深度学习模型模块能利用可用深度学习模型对收到的线路和列车基础数据进行处理得到驾驶档位操纵序列,并将驾驶档位操纵序列数据传输给边缘通信模块;
所述智能算法模块能利用仿生智能算法对收到的线路和列车基础数据和所述状态数据进行处理得到智能驾驶曲线数据,并将智能驾驶曲线数据传输给边缘通信模块;智能算法模块能从得到的所述智能驾驶曲线中提取多个样本数据,智能算法模块能将得到的多个所述样本数据传输给边缘通信模块;
所述分布式数据采集单元部署在列车运行线路的轨道设备上,所述分布式数据采集单元能采集各类异构的状态数据并通过无线通信的方式传输给相应的边缘云计算单元的边缘通信模块;
所述列车控制调度中心能将子线路的线路和列车基础数据发送给对应的边缘云计算单元的边缘通信模块;
所述控制方法包括:
按方法一在数据库模块中生成初始的训练样本数据集,然后数据库模块将所述初始的训练样本数据集传输给所述深度学习模块,然后所述深度学习模块通过深度学习算法构建深度学习模型,然后所述中心云计算单元按方法二生成可用深度学习模型并将可用深度学习模型迁移到各个边缘云计算单元;后续过程中,中心云计算单元按方法四在数据库模块中生成新的训练样本数据集,数据库模块每次生成新的训练样本数据集后,即将新的训练样本数据集传输给深度学习模块,然后中心云计算单元按方法二生成新的可用深度学习模型并将新生成的可用深度学习模型迁移到各个边缘云计算单元;
各个所述边缘云计算单元自首次收到可用深度学习模型后,均按方法三控制对应子线路上运行列车的运行;
所述方法一包括:
操作人员按设定数量将专家知识数据输入所述中心云计算单元的数据库模块;同时,各个边缘计算单元均按以下方式获取初始的样本数据集:
1)所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路的线路和列车基础数据,然后边缘通信模块将收到的所述线路和列车基础数据传输给所述智能算法模块;
2)智能算法模块采用线性同余法生成多个0到1闭区间的随机数,然后将得到的多个所述随机数与对应子线路的长度相乘,即得到多个列车在对应子线路上的模拟定位数据;
3)智能算法模块采用仿生智能算法对收到的线路和列车基础数据及所述模拟定位数据进行处理得到多个模拟智能驾驶曲线;
4)智能算法模块从多个所述模拟智能驾驶曲线中提取得到多个初始的样本数据;
5)当智能算法模块内初始的样本数据的数量未达到设定值时,返回步骤2);否则,进入步骤6);
6)智能算法模块将得到的全部初始的样本数据传输给边缘通信模块,然后边缘通信模块将收到的初始的样本数据发送给中心通信模块;
中心通信模块将收到的各个边缘通信模块发送的初始的样本数据均传输给数据库模块,数据库模块内当前的全部初始的样本数据和专家知识数据即组成初始的训练样本数据集;
所述方法二包括:
a)所述深度学习模块利用收到的训练样本数据集对深度学习模型进行训练,然后深度学习模块将训练后的深度学习模型传输给所述评估模块;
b)所述评估模块利用损失函数对收到的深度学习模型进行评估,如果满足设定的误差要求,则将本次得到的深度学习模型记为可用深度学习模型,然后进入步骤c);否则,返回步骤a);
c)所述评估模块将可用深度学习模型传输给所述中心通信模块,中心通信模块将收到的可用深度学习模型下发给各个边缘通信模块;
所述方法三包括:
单个边缘通信模块将每次收到的可用深度学习模型传输给所述深度学习模型模块;所述深度学习模型模块始终将最近一次收到的可用深度学习模型用于后续操作;
单个子线路所辖的分布式数据采集单元持续将采集的实时、异构的状态数据发送给所述子线路对应的边缘云计算单元的边缘通信模块;所述边缘通信模块将收到的所述状态数据传输给驾驶模式控制模块和智能算法模块;
A)所述驾驶模式控制模块对收到的状态数据进行处理并识别对应子线路的运行环境状态:当子线路的运行环境状态正常时,进入步骤B);当子线路的运行环境状态异常时,进入步骤C);
B)所述驾驶模式控制模块控制深度学习模型模块工作,同时驾驶模式控制模块控制智能算法模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据传输给深度学习模型模块,深度学习模型模块利用所述可用深度学习模型对收到的所述线路和列车基础数据进行处理得到对应子线路上运行的列车的驾驶档位操纵序列,所述深度学习模型模块将得到的所述驾驶档位操纵序列数据传输给边缘通信模块,所述边缘通信模块再将所述驾驶档位操纵序列数据发送给对应列车的车载控制系统用于控制列车的运行;返回步骤A);
C)所述驾驶模式控制模块控制智能算法模块工作,同时驾驶模式控制模块控制深度学习模型模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据以及所述状态数据传输给智能算法模块,智能算法模块采用仿生智能算法对收到的所述线路和列车基础数据以及状态数据进行处理得到对应子线路上运行的列车的智能驾驶曲线;如果所述智能驾驶曲线的生成时间大于设定时间,则返回步骤B);否则,进入步骤D);
当所述步骤A)中所述的运行环境状态异常是由子线路的地面设备故障导致列车停车的情况,则所述的仿生智能算法为密姆算法;当所述步骤A)中所述的运行环境状态异常是由雨或/和雾天气导致列车需要限速通过的情况,则所述的仿生智能算法为NSGA-Ⅱ算法;
D)智能算法模块将得到的所述智能驾驶曲线数据传输给边缘通信模块,所述边缘通信模块再将所述智能驾驶曲线数据发送给对应列车的车载控制系统用于控制列车的运行;同时,智能算法模块从得到的所述智能驾驶曲线中提取多个样本数据,智能算法模块将得到的多个所述样本数据传输给边缘通信模块,边缘通信模块将收到的所述样本数据发送给中心通信模块;返回步骤A);
所述方法四包括:
中心通信模块每次收到边缘通信模块发送的样本数据后,即将所述样本数据传输给数据库模块;操作人员定期将新的专家知识数据补充输入到数据库模块中;当数据库模块中补充的专家知识数据和新收到的所述样本数据的数量总和达到设定的阈值时,数据库模块中当前的全部样本数据和专家知识数据即组成新的训练样本数据集。
2.如权利要求1所述的无人驾驶列车控制系统的控制方法,其特征在于:所述步骤C)中,智能算法模块通过对所述状态数据进行处理并提取得到雨和雾两个天气参数值,然后根据模糊推理表采用模糊推理得到列车的限速值,智能算法模块将所述列车的限速值作为后续生成智能驾驶曲线的约束条件之一;
所述模糊推理表为:
{RZ,RS,RM,RB}为输入量雨大小的模糊论域,其中,RZ表示无雨,RS表示小雨,RM表示中雨,RB表示大雨;
{FZ,FS,FM,FB}为输入量雾大小的模糊论域,其中,FZ表示无雾,FS表示轻雾,FM表示中雾,FB表示大雾;
{SS,SL,SM,SH,SB}为输出量限速值的模糊论域,其中,SS表示低限速值,SL表示较低限速值,SM表示中等限速值,SH较高限速值,SB表示高限速值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958602.3A CN112046557B (zh) | 2020-09-14 | 2020-09-14 | 一种无人驾驶列车控制系统的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958602.3A CN112046557B (zh) | 2020-09-14 | 2020-09-14 | 一种无人驾驶列车控制系统的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112046557A CN112046557A (zh) | 2020-12-08 |
CN112046557B true CN112046557B (zh) | 2022-04-01 |
Family
ID=73610821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010958602.3A Active CN112046557B (zh) | 2020-09-14 | 2020-09-14 | 一种无人驾驶列车控制系统的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112046557B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312711B (zh) * | 2021-07-28 | 2021-09-28 | 成都运达科技股份有限公司 | 列车动力学下平稳驾驶分析方法、系统、终端及介质 |
CN113635943B (zh) * | 2021-10-18 | 2022-02-11 | 西南交通大学 | 列车辅助驾驶方法、系统、设备及计算机可读存储介质 |
CN115384577B (zh) * | 2022-08-08 | 2023-12-01 | 卡斯柯信号有限公司 | 一种自适应调整的ato精确停车控制方法 |
CN116620367B (zh) * | 2023-07-24 | 2023-10-24 | 北京城建智控科技股份有限公司 | 云边协同的轨道控制系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5583769A (en) * | 1990-09-21 | 1996-12-10 | Kabushiki Kaisha Toshiba | Automatic train operation apparatus incorporating security function with improved reliability |
EP3219573A1 (en) * | 2016-03-16 | 2017-09-20 | Hitachi, Ltd. | Train driving assistance system |
CN109204390A (zh) * | 2018-09-29 | 2019-01-15 | 交控科技股份有限公司 | 一种基于深度学习的列车控制方法 |
CN109501815A (zh) * | 2018-12-29 | 2019-03-22 | 广州汇宏科技有限公司 | 一种无人驾驶轻型轨道车交通系统 |
CN109835375A (zh) * | 2019-01-29 | 2019-06-04 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于人工智能技术的高速铁路列车自动驾驶系统 |
KR20190107376A (ko) * | 2018-03-12 | 2019-09-20 | 현대로템 주식회사 | 자동무인 운전 열차의 스마트 자동 제어 시스템 및 열차 운행 방법 |
CN110920696A (zh) * | 2019-12-03 | 2020-03-27 | 卡斯柯信号有限公司 | 一种轨道交通列车控制系统 |
CN111619624A (zh) * | 2020-06-01 | 2020-09-04 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度强化学习的有轨电车运行控制方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101256315B1 (ko) * | 2011-10-18 | 2013-04-18 | 엘에스산전 주식회사 | 열차속도 제어장치 및 방법 |
US9718487B2 (en) * | 2014-02-18 | 2017-08-01 | Nabil N. Ghaly | Method and apparatus for a train control system |
-
2020
- 2020-09-14 CN CN202010958602.3A patent/CN112046557B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5583769A (en) * | 1990-09-21 | 1996-12-10 | Kabushiki Kaisha Toshiba | Automatic train operation apparatus incorporating security function with improved reliability |
EP3219573A1 (en) * | 2016-03-16 | 2017-09-20 | Hitachi, Ltd. | Train driving assistance system |
KR20190107376A (ko) * | 2018-03-12 | 2019-09-20 | 현대로템 주식회사 | 자동무인 운전 열차의 스마트 자동 제어 시스템 및 열차 운행 방법 |
CN109204390A (zh) * | 2018-09-29 | 2019-01-15 | 交控科技股份有限公司 | 一种基于深度学习的列车控制方法 |
CN109501815A (zh) * | 2018-12-29 | 2019-03-22 | 广州汇宏科技有限公司 | 一种无人驾驶轻型轨道车交通系统 |
CN109835375A (zh) * | 2019-01-29 | 2019-06-04 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于人工智能技术的高速铁路列车自动驾驶系统 |
CN110920696A (zh) * | 2019-12-03 | 2020-03-27 | 卡斯柯信号有限公司 | 一种轨道交通列车控制系统 |
CN111619624A (zh) * | 2020-06-01 | 2020-09-04 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度强化学习的有轨电车运行控制方法和系统 |
Non-Patent Citations (3)
Title |
---|
人工智能在无人驾驶轨道列车中的应用;施浚珲;《科技风》;20191110(第31期);第8-9页 * |
智慧城轨下智能列车运行技术的研究与展望;雷成健;《现代城市轨道交通》;20200820(第8期);第38-44页 * |
高速铁路信号系统智能技术应用及发展;宁滨;《铁道学报》;20190315;第41卷(第3期);第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112046557A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112046557B (zh) | 一种无人驾驶列车控制系统的控制方法 | |
CN110264750B (zh) | 一种基于多任务深度q网络的q值迁移的多交叉口信号灯协同控制方法 | |
CN114241778B (zh) | 高速公路网联车协同匝道汇入多目标优化控制方法和系统 | |
CN112084030B (zh) | 基于云边协同的无人驾驶列车控制系统及其控制方法 | |
CN104590333B (zh) | 一种铁路列车智能操纵优化控制系统 | |
CN111619624B (zh) | 一种基于深度强化学习的有轨电车运行控制方法和系统 | |
CN109740839A (zh) | 一种突发事件下的列车动态调整方法及系统 | |
CN109767128B (zh) | 基于机器学习的成像卫星自主任务规划方法 | |
CN104881527A (zh) | 城市轨道交通列车ato速度命令优化方法 | |
CN105216782A (zh) | 基于能量预测的插电式混合动力汽车能量管理方法 | |
CN104779611A (zh) | 基于集中式和分布式双层优化策略的微电网经济调度方法 | |
CN109615135A (zh) | 一种基于动态规划算法的列车运行优化方法 | |
CN104834974A (zh) | 一种电气化铁路牵引供电方案优化设计方法 | |
CN116739360A (zh) | 基于区块链的分布式风光储智慧能量管理系统 | |
CN106647269B (zh) | 一种机车智能操纵优化计算方法 | |
CN113794279A (zh) | 一种智能电网系统 | |
CN114355900A (zh) | 一种无人机与无人车结合的协同作业方法 | |
CN111191819A (zh) | 一种轨道交通多列车速度曲线轨迹协调优化方法 | |
CN115716492A (zh) | 一种基于云边架构人机混合驾驶列车的控制方法 | |
CN110021168A (zh) | 一种车联网下实现实时智能交通管理的分级决策方法 | |
Luo et al. | Researches on intelligent traffic signal control based on deep reinforcement learning | |
CN109636001A (zh) | 基于大数据的脱硫供浆系统pH值调节方法、系统及计算机可读介质 | |
CN115571113A (zh) | 一种基于速度规划的混合动力车辆能量优化控制方法及系统 | |
NL2026738B1 (en) | Cooperative-optimization control method of charging station based on double-center q-learning method | |
CN110989627A (zh) | 一种震源车队的自动循迹跟车系统 |
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 |