CN112198799A - 一种基于深度学习的高速列车停车控制方法及系统 - Google Patents

一种基于深度学习的高速列车停车控制方法及系统 Download PDF

Info

Publication number
CN112198799A
CN112198799A CN202011172086.8A CN202011172086A CN112198799A CN 112198799 A CN112198799 A CN 112198799A CN 202011172086 A CN202011172086 A CN 202011172086A CN 112198799 A CN112198799 A CN 112198799A
Authority
CN
China
Prior art keywords
train
neural network
convolutional neural
speed
training
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.)
Granted
Application number
CN202011172086.8A
Other languages
English (en)
Other versions
CN112198799B (zh
Inventor
阴佳腾
宁晨鹤
宿帅
李开成
唐涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202011172086.8A priority Critical patent/CN112198799B/zh
Publication of CN112198799A publication Critical patent/CN112198799A/zh
Application granted granted Critical
Publication of CN112198799B publication Critical patent/CN112198799B/zh
Priority to US17/477,964 priority patent/US20220126894A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T13/00—Transmitting braking action from initiating means to ultimate brake actuator with power assistance or drive; Brake systems incorporating such transmitting means, e.g. air-pressure brake systems
    • B60T13/10—Transmitting braking action from initiating means to ultimate brake actuator with power assistance or drive; Brake systems incorporating such transmitting means, e.g. air-pressure brake systems with fluid assistance, drive, or release
    • B60T13/66—Electrical control in fluid-pressure brake systems
    • B60T13/665—Electrical control in fluid-pressure brake systems the systems being specially adapted for transferring two or more command signals, e.g. railway systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
    • B60T17/18—Safety devices; Monitoring
    • B60T17/22—Devices for monitoring or checking brake systems; Signal devices
    • B60T17/228—Devices for monitoring or checking brake systems; Signal devices for railway vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61H—BRAKES OR OTHER RETARDING DEVICES SPECIALLY ADAPTED FOR RAIL VEHICLES; ARRANGEMENT OR DISPOSITION THEREOF IN RAIL VEHICLES
    • B61H11/00—Applications or arrangements of braking or retarding apparatus not otherwise provided for; Combinations of apparatus of different kinds or types
    • B61H11/02—Applications or arrangements of braking or retarding apparatus not otherwise provided for; Combinations of apparatus of different kinds or types of self-applying brakes
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Transportation (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开一种基于深度学习的高速列车停车控制方法及系统，涉及轨道交通管理与控制技术领域，方法包括：获取训练数据集；建立卷积神经网络；利用所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络；获取待控制列车的实际运行数据；将所述实际运行数据输入所述优化后的卷积神经网络中，得到待控制列车的停车位置；判断所述待控制列车的停车位置是否为0；若是，则输出制动命令；若否，则返回“获取待控制列车的实际运行数据”。本发明无需大量成本即可实现高速列车精确停车。

Description

一种基于深度学习的高速列车停车控制方法及系统
技术领域
本发明涉及轨道交通管理与控制技术领域，特别是涉及一种基于深度学习的高速列车停车控制方法及系统。
背景技术
轨道运输因具有节能、舒适、环保、安全、准点以及便利等优点，在我国得到了充分发展。高速铁路不仅能够大大缩短旅客的出行成本，减轻旅客的负担，同时能够带动沿线经济，缩小地区差异。截止2019年年底，中国高速铁路营业里程已达到了3.5万公里，占全球2/3以上，2019年，中国高速铁路营运动车组列车的发送旅客量稳居世界第一，全年累计达22.9亿人次。作为新基建的七大领域之一，高铁在未来仍会得到大力发展。
在铁路系统设备中，列车自动驾驶ATO作为铁路运输的一项关键技术，有效地提高了运输效率和自动化进程，成为高速列车智能化的一个重要标志，其中，停车精度是衡量ATO系统性能的重要指标。精确停车能够保障列车准点运行，提高旅客的舒适性，减轻司机的工作负担。列车停车控制中要兼顾停车精度和舒适性，禁止频繁切换牵引/制动指令，目前高速列车大多采用多阶段调速的方式逐渐接近停车点，最后选择恰当的位置和速度输出制动指令，使列车停靠在停车点附近。然而，由于高速列车是一个十分复杂的非线性时滞系统，其中有一些参数会随着外界环境(天气变化、雨雪等)、设备磨损等因素的影响，导致现有的停车模型不能精确估计停车误差，发出错误的制动指令。目前列车停车控制模型大多采用传统的PID控制模型，面对复杂多变的列车控制系统，由于控制器的参数固定，不能准确的反映列车停车控制模型的参数变化。
当列车在车站停车时，要求列车的停车位置与停车标之间的误差不超过±30cm，停车误差的大小与制动力、空气阻力、摩擦力、轨道坡度以及列车的时滞特性等因素有关。不考虑列车各个车厢间的耦合作用力，同时将列车视为一个质点，假设停车标处的位置为0，超过停车标为负值，否则为正值。列车停车的运动过程描述为：
Figure BDA0002747602460000021
Figure BDA0002747602460000022
其中，v表示列车速度，单位m/s；t表示列车的运行时间，单位s；fb表示不同制动等级的制动常数；b(v,τ)表示制动力与速度v和延时τ之间的函数映射关系，单位N；fr(v)表示空气阻力和摩擦力引起的运行阻力，单位N；fg(s)表示轨道坡度和轨道曲率引起的运行阻力，单位N；s表示列车与停车标之间的距离，单位m。
假设最后一次制动开始前，列车的运行速度为v0，列车与停车标之间的距离为s0，制动开始的时间为t0，列车制动结束时间为te，由于静止时列车的速度为零，则：
Figure BDA0002747602460000023
则停车误差ρ为：
Figure BDA0002747602460000024
以上模型属于综合考虑所有因素的精确数学模型，由于其中包含了很多非线性特性(如空气阻力等)和列车的时滞特性，需要建立十分复杂的运动模型，其中，一部分参数容易受到外界环境干扰而发生变化，在实际应用中是很难实现的。同时，不同车辆对环境的适应性不同，对参数的敏感程度也略有差异，模型在实际应用中需要经过大量的现场测试，增大研发成本。
综上，列车制动系统是一个十分复杂的非线性时滞系统，含有大量的参数，现有的列车制动模型参数固定，在外界环境(如风霜雨雪、温度)以及列车运行损耗的影响下导致列车制动模型不精确，进而无法精确估计停车误差，其次现有的列车制动模型调试参数时需要经过大量的现场试验，成本较高。因此现有的模型无法动态感知外界环境变化对列车的影响，反映列车真实的运行状态，从而无法精确预测列车的停车位置，若采用现有的模型精确预测列车的停车位置从而实现高速列车精确停车，则需要大量的现场试验以及参数调整，所付出的研发成本是巨大的。
发明内容
本发明的目的是提供一种基于深度学习的高速列车停车控制方法及系统，无需大量成本即可实现高速列车精确停车。
为实现上述目的，本发明提供了如下方案：
一种基于深度学习的高速列车停车控制方法，所述方法包括：
获取训练数据集；所述训练数据集包括设定时间段中每一时刻对应的列车位置和列车速度以及列车的停车位置；所述设定时间段包括当前时刻及当前时刻以前的时刻；
建立卷积神经网络；
利用所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络；
获取待控制列车的实际运行数据；所述实际运行数据包括所述设定时间段中每一时刻对应的待控制列车位置和待控制列车速度；
将所述实际运行数据输入所述优化后的卷积神经网络中，得到待控制列车的停车位置；
判断所述待控制列车的停车位置是否为0；
若是，则输出制动命令；
若否，则返回“获取待控制列车的实际运行数据”。
可选地，所述获取训练数据集，之后还包括：
对所述列车位置和所述列车速度做标准化处理。
可选地，所述卷积神经网络具体包括一层输入层、A层卷积层、一层展开层、B层隐含层和一层输出层；其中，A为大于0且小于等于2的正整数，B为大于等于2且小于等于3的正整数；
所述输入层包括(N-1)*2个二维形式输入神经元；其中，N表示所述设定时间段中包含的时刻个数；
每层所述卷积层均包括C个卷积核；其中，C为大于等于10且小于等于30的正整数；
每层所述隐含层均包括D个神经元；其中，D为大于等于5且小于等于20的正整数。
可选地，所述利用所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络，具体包括：
采用Adamax优化算法和Dropout方法根据所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络。
本发明还提供了如下方案：
一种基于深度学习的高速列车停车控制系统，所述系统包括：
训练数据集获取模块，用于获取训练数据集；所述训练数据集包括设定时间段中每一时刻对应的列车位置和列车速度以及列车的停车位置；所述设定时间段包括当前时刻及当前时刻以前的时刻；
卷积神经网络建立模块，用于建立卷积神经网络；
训练和优化模块，用于利用所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络；
实际运行数据获取模块，用于获取待控制列车的实际运行数据；所述实际运行数据包括所述设定时间段中每一时刻对应的待控制列车位置和待控制列车速度；
预测模块，用于将所述实际运行数据输入所述优化后的卷积神经网络中，得到待控制列车的停车位置；
判断模块，用于判断所述待控制列车的停车位置是否为0；
制动模块，用于当所述判断模块的输出结果为所述待控制列车的停车位置为0时，输出制动命令；
返回模块，用于当所述判断模块的输出结果为所述待控制列车的停车位置不为0时，返回所述实际运行数据获取模块。
可选地，所述系统还包括：
标准化处理模块，用于对所述列车位置和所述列车速度做标准化处理。
可选地，所述卷积神经网络具体包括一层输入层、A层卷积层、一层展开层、B层隐含层和一层输出层；其中，A为大于0且小于等于2的正整数，B为大于等于2且小于等于3的正整数；
所述输入层包括(N-1)*2个二维形式输入神经元；其中，N表示所述设定时间段中包含的时刻个数；
每层所述卷积层均包括C个卷积核；其中，C为大于等于10且小于等于30的正整数；
每层所述隐含层均包括D个神经元；其中，D为大于等于5且小于等于20的正整数。
可选地，所述训练和优化模块，具体包括：
训练和优化单元，用于采用Adamax优化算法和Dropout方法根据所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开的基于深度学习的高速列车停车控制方法及系统，首次利用卷积神经网络进行列车停车位置的预测，有效提高了列车的停车精度；使用数据驱动的方法，直接利用列车运行过程中产生的实时数据映射列车制动模型，能够反映列车实际的运行状态信息，进而实现精准预测，在提高列车停车精度的同时能够根据外界环境映射列车的实际运行状态信息；模型建立时只需要使用数据进行拟合，大大减少了成本。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于深度学习的高速列车停车控制方法实施例的流程图；
图2为本发明基于卷积神经网络的高速列车精确停车控制模型的整体实施流程图；
图3为列车停车过程中速度随时间变化过程图；
图4为列车停车过程中位置随时间变化过程图；
图5为卷积神经网络结构图；
图6为400H车型下卷积神经网络与其他两种停车方式预测停车位置对比图；
图7为300S车型下卷积神经网络与其他两种停车方式预测停车位置对比图；
图8为列车停车过程中根据实时预测的列车停车位置输出制动命令图；
图9为本发明基于深度学习的高速列车停车控制系统实施例的结构图。
具体实施方式
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，所描述的实施例仅仅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。
本发明的目的是提供一种基于深度学习的高速列车停车控制方法及系统，无需大量成本即可实现高速列车精确停车。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明通过ATO系统采集到的列车实时运行数据，设计了一种基于深度学习的高速列车精确停车控制模型在线估计方法，根据列车的当前运行状态以及过去一段时间内的运行状态信息实时预测列车的停车位置，当预测的停车位置为0时输出制动命令，减小停车位置与停车标之间的误差。
图1为本发明基于深度学习的高速列车停车控制方法实施例的流程图。图2为本发明基于卷积神经网络的高速列车精确停车控制模型的整体实施流程图。参见图1和图2，该方法主要包含以下几个环节：(1)数据采集；(2)卷积神经网络建立；(3)激活函数定义；(4)损失函数定义；(5)网络优化算法定义；(6)网络的训练；(7)模型数值验证及比较。该基于深度学习的高速列车停车控制方法具体包括：
步骤101：获取训练数据集；所述训练数据集包括设定时间段中每一时刻对应的列车位置和列车速度以及列车的停车位置；所述设定时间段包括当前时刻及当前时刻以前的时刻。
该步骤101实现列车运行数据采集。列车在运行过程中车载ATO系统以固定时间间隔，如0.2s，实时记录列车的运行数据，包括列车位置、目标位置、速度、目标速度、加速度、控制命令、轨道坡度等信息，见表1，针对所述信息，建立以时间为轴的数据集data＝{st,vt}，如图3和图4所示，图3为列车停车过程中速度随时间变化过程图，图4为列车停车过程中位置随时间变化过程图。其中t表示采样时间点，s表示t时刻列车的位置，v表示t时刻列车的速度。在本发明模型训练阶段，选取一次停车过程中制动点之前一段时间内列车的位置、速度信息作为网络的输入，选取列车停车位置信息作为模型的输出，并将其表示为如下的数学符号：
st-N,st-N+1,…,st分别表示列车在制动前t-N,t-N+1,…,0的运行位置；
vt-N,vt-N+1,…,v0分别表示列车在制动前t-N,t-N+1,…,0的运行速度；
se表示列车的实际停车位置。
表1部分训练数据集
Figure BDA0002747602460000071
Figure BDA0002747602460000081
Figure BDA0002747602460000091
该步骤101之后还包括：
对所述列车位置和所述列车速度做标准化处理，具体为：对所述数据进行预处理，卷积神经网络处理的对象通常是图像或自然语言，其特点是输入为二维形式，需要将采集到的数据集进行转化，进而被卷积神经网络处理。采集的数据中运行速度单位为m/s，运行位置单位为m，二者的量纲不同，且二者的取值范围在本模型中也有差异，会导致权重训练效果低下，此时需要对输入数据做标准化处理，将其转化为无量纲的纯数值。常见的处理方法包括Min-Max标准化和Z-score标准化，本发明采用Z-score标准化。
步骤102：建立卷积神经网络。
图5为卷积神经网络结构图。参见图5，所述卷积神经网络具体包括一层输入层、A层卷积层、一层展开层、B层隐含层和一层输出层；其中，A为大于0且小于等于2的正整数，B为大于等于2且小于等于3的正整数。
所述输入层包括(N-1)*2个二维形式输入神经元；其中，N表示所述设定时间段中包含的时刻个数。
每层所述卷积层均包括C个卷积核；其中，C为大于等于10且小于等于30的正整数。
每层所述隐含层均包括D个神经元；其中，D为大于等于5且小于等于20的正整数。
该步骤102具体包括：
建立卷积神经网络的输入层。列车在停车过程中存在非常严重的时滞特性，导致模型预测停车位置时不仅与当前采样时刻t的运行状态信息有关，还与以前的采样时刻t-1、t-2、t-3、…、t-N的运行状态信息有关，因此，卷积神经网络的输入共有(N-1)*2个节点；同时，将所有的输入节点转化为二维形式，进行平面特征的提取。由列车制动系统的时滞特性可知，列车的停车位置不仅与制动点当前时刻的运行状态信息(速度v，位置s)有关，还与制动点以前一段时间内的运行状态有关，在本发明中，为了适应卷积神经网络的二维输入，取18个以内的运行状态信息(总计2×18个数据)，将其转化为6×6二维矩阵形式：
Figure BDA0002747602460000101
此外，建立卷积神经网络结构时，还需要考虑输入数据的敏感性，对输入层进行标准化处理。本发明中采用Z-score标准化，定义xi为输入样本中一列特征值Xcol中的一个，Xcol-z为标准化处理后一列特征值，每一列标准化后形成输入数据Xin-z。其中，输入样本指的是所有经过二维转化的Xin，即所有的输入样本。此处采用了Z-score标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，所有样本经过二维转化后生成矩阵，所有矩阵的相应元素所在位置为一列，进行标准化。Xin-z为每列元素经过标准化后组合所生成的新的输入样本。
具体标准化处理过程如下所示：
Figure BDA0002747602460000102
Figure BDA0002747602460000103
Figure BDA0002747602460000104
其中，μ表示原来每列数据所对应的均值，σ表示原来每列数据所对应的标准差，经过
Figure BDA0002747602460000111
后每列元素就处理完成。M为样本数，i为样本中的一个。
本模型的输出层只有一个特征值，由于只有一个输出值，神经网络可以不用经过标准化的逆过程直接将输入与停车位置对应，因此可直接通过神经网络中的参数将标准化处理后的输入特征值与输出标签进行对应，可不经过标准化的逆过程，从而减小网络的复杂程度。
建立卷积神经网络的卷积层。使用卷积层，最大的应用了局部信息，保留了平面结构信息，在本发明中，设置1-2层卷积层，每层设置10-30个卷积核。卷积层用如下表示：
Figure BDA0002747602460000112
其中，l为卷积层的层数，j为输出的特征图编号，
Figure BDA0002747602460000113
为第l层卷积层输出的第j个特征图，
Figure BDA0002747602460000114
为在第l层中与第i个特征图相关的第j个卷积核，
Figure BDA0002747602460000115
为第j个卷积核的偏置，f()为激活函数。在本发明中，使用一层卷积层，且卷积核的个数为20个。
激活函数能将上一层神经元线性累加的结果进行非线性变化，从而能够映射不同的特征。常用的激活函数有如下几种，如sigmoid函数、tanh函数、ReLU函数等。本发明中选用ReLU函数作为激活函数f()，它能够有效提高训练速度和效率，具体形式如下：
f(wlzl-1+bl)＝max(0,wlzl-1+bl)
其中，wlzl-1+bl表示上一层神经网络的输入向量。
建立卷积神经网络的隐含层(隐藏层)。将卷积操作后的信息进行展开并进一步提取各种特征，设置一层展开层，2-3层隐含层。卷积神经网络的隐含层通常由两个或多个隐含层神经网络构成，每个隐含层包括多个计算节点，假设一共有L层隐藏层，第l层有ni个神经元，z0＝Xin-z作为第一层隐藏层的输入，zl作为第l层的输入，则隐藏层的输出yl为：
yl＝f(wlzl-1+bl)
其中，
Figure BDA0002747602460000121
是第l-1层到第l层的权值矩阵，
Figure BDA0002747602460000122
为第l层的偏置，f()为隐藏层的激活函数。本发明中，在卷积层之后设置一层展开层，两层隐含层，两层隐含层的神经元个数都为10个。
建立卷积神经网络的输出层。在本发明中，高速列车精确停车控制模型的本质为根据当前的运行状态信息以及过去一段时间内的运行状态信息预测列车未来的停车位置，因此神经网络的输出层设置为列车的停车位置sp。以列车的实际停车位置作为卷积神经网络的输出，从而实现列车进站后实时监测列车的运行状态信息，当预测的停车位置为0时输出制动命令，保证停车精度。
步骤103：利用所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络。
该步骤103具体包括：
采用Adamax优化算法和Dropout方法根据所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络。
Dropout方法：过拟合指的是很好的拟合了训练集的数据，但针对验证集和测试集的数据没有很好地表现效果，造成过拟合的原因很多，如模型中有大量的参数、训练数据少等。本发明采用Dropout方法防止过拟合现象，其基本原理是在模型训练过程中随机丢弃一定比例的神经元，以此来减少无关特征数据的特征提取过程。
隐藏层的输出可改为以下形式：
yl＝f(wlzl-1rl-1+bl)
其中，rl-1＝Bernoulli(p)，表示为以概率p随机生成一个0、1向量。
损失函数是模型对数据拟合程度的反应，损失函数越小，拟合的效果就越好。损失函数有助于优化神经网络的参数，本发明选择常用的均方差作为训练过程中的损失函数传递误差，给定一组历史停车样本，其输入数据X＝{Xin1、Xin2、Xin3…XinM}和标签数据Y＝{se1、se2、se3…seM}，其中共有M个样本数，均方差的具体表现为：
Figure BDA0002747602460000131
其中，spm表示第m个样本经过卷积神经网络后的输出值。
优化算法的思路是利用迭代的思想尽可能逼近问题的最优解，常见的优化算法包括梯度下降法、牛顿法、Momentum、Nesterov Momentum、Adagrad、Adam等，其本质都是建立优化模型，通过优化算法对损失函数(优化的目标函数)进行优化，从而训练出最好的模型。Adam优化算法结合了AdaGrad和RMSProp两种优化算法的优点。对梯度的一阶矩估计(即梯度的均值)和二阶矩估计(即梯度的未中心化的方差)进行综合考虑，计算出更新步长，自动调整学习率，解决了学习率的自适应问题，被广泛应用于深度学习中，但是后期Adam的学习率降低，影响了有效的收敛。Adamax是Adam的变体，该方法是基于无穷范数的Adam，在一定程度上能够解决Adam的问题。本发明采用Adamx作为优化算法，并设置学习率为0.002。
利用Python编程语言中的Tensorflow模块搭建卷积神经网络，将获取到的数据预处理后分为训练集和验证集两部分，分别对卷积神经网络进行模型训练及验证，根据损失函数的变化过程确定最佳的模型。
模型的数值验证及比较：
选取某一次列车停车过程中产生运行数据，依次预测列车在不同运行状态时的停车位置。为了说明本发明的预测效果，使用非线性模型以及深度神经网络模型作为对比，其模型的训练集以及测试集的评价指标如表2、3所示。同时，给出了不同车型(400H、300S)测试集样本的预测输出，不同车型下卷积神经网络与其他两种停车方式预测停车位置对比图如图6和图7所示。其中，图6为400H车型下卷积神经网络与其他两种停车方式预测停车位置对比图，图7为300S车型下卷积神经网络与其他两种停车方式预测停车位置对比图。
表2三种模型训练集对比
Figure BDA0002747602460000132
Figure BDA0002747602460000141
表3三种模型测试集对比
Figure BDA0002747602460000142
从以上内容可以看出，卷积神经网络在模型的训练上取得了较好的效果，其拟合效率提升了34％以上；在测试集方面，卷积神经网络有着良好的停车精度，相较于非线性模型有着很大的提升，但由于卷积神经网络的拟合能力过强而实验样本不足导致其精度相较于深度神经网络提升不是很明显。
步骤104：获取待控制列车的实际运行数据；所述实际运行数据包括所述设定时间段中每一时刻对应的待控制列车位置和待控制列车速度。
步骤105：将所述实际运行数据输入所述优化后的卷积神经网络中，得到待控制列车的停车位置。
步骤106：判断所述待控制列车的停车位置是否为0。
若步骤106的输出结果为所述待控制列车的停车位置为0，则执行步骤107：输出制动命令。
若步骤106的输出结果为所述待控制列车的停车位置不为0，则返回步骤104。
在车站实际停车过程中，列车司机驾驶员在最后一次制动前的惰性阶段，实时观察列车的运行状态与停车标的位置，选择最佳时机输出制动命令，保证停车的精度。列车制动输出时机过早，会造成列车在未到达停车标前停下来，使列车产生正停车误差；输出时机过迟，会造成列车驶过停车标，使列车产生负停车误差。在这个过程中，若实时检测列车速度和位置，必然存在一个使停车误差从正转负的过程，即停车误差为0时，此时就是最佳停车时间，输出最后一次制动操作。为了说明进一步说明本发明的控制过程，对列车停车过程进行了模拟，其制动命令输出时机如图8所示，图8为列车停车过程中根据实时预测的列车停车位置输出制动命令图。
图9为本发明基于深度学习的高速列车停车控制系统实施例的结构图。参见图9，该基于深度学习的高速列车停车控制系统包括：
训练数据集获取模块901，用于获取训练数据集；所述训练数据集包括设定时间段中每一时刻对应的列车位置和列车速度以及列车的停车位置；所述设定时间段包括当前时刻及当前时刻以前的时刻。
卷积神经网络建立模块902，用于建立卷积神经网络。
所述卷积神经网络具体包括一层输入层、A层卷积层、一层展开层、B层隐含层和一层输出层；其中，A为大于0且小于等于2的正整数，B为大于等于2且小于等于3的正整数。
所述输入层包括(N-1)*2个二维形式输入神经元；其中，N表示所述设定时间段中包含的时刻个数。
每层所述卷积层均包括C个卷积核；其中，C为大于等于10且小于等于30的正整数。
每层所述隐含层均包括D个神经元；其中，D为大于等于5且小于等于20的正整数。
训练和优化模块903，用于利用所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络。
该训练和优化模块903具体包括：
训练和优化单元，用于采用Adamax优化算法和Dropout方法根据所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络。
实际运行数据获取模块904，用于获取待控制列车的实际运行数据；所述实际运行数据包括所述设定时间段中每一时刻对应的待控制列车位置和待控制列车速度。
预测模块905，用于将所述实际运行数据输入所述优化后的卷积神经网络中，得到待控制列车的停车位置。
判断模块906，用于判断所述待控制列车的停车位置是否为0。
制动模块907，用于当所述判断模块906的输出结果为所述待控制列车的停车位置为0时，输出制动命令。
返回模块908，用于当所述判断模块906的输出结果为所述待控制列车的停车位置不为0时，返回所述实际运行数据获取模块904。
该基于深度学习的高速列车停车控制系统还包括：
标准化处理模块，用于对所述列车位置和所述列车速度做标准化处理。
本发明公开一种基于实时优化的高速列车智能停车方法及系统，涉及一种高速列车停车控制模型参数辨识的方法，通过利用列车运行过程中产生的实时数据，对列车停车过程进行精确建模，在线预测列车的停车位置，保证停车精度。
本发明提出一种基于数据驱动的列车运行状态动态预测模型，结合列车运行过程中产生的实时数据，采用深度学习方法，根据列车的运行状态信息(速度、位置等)动态预测车站停车位置，实现高速列车精确停车控制。其优点在于：
(1)相较于传统的列车停车控制模型，本发明采用列车实际运行过程中的产生的速度、位置信息，动态感知外界环境变化对列车的影响，能够反映列车真实的运行状态，从而精确预测列车的停车位置。
(2)克服传统PID控制模型中参数固定、精度不高的不足，提高了在线学习能力，适应性强，提升了旅客舒适性，不会频繁操作。
(3)本发明可直接使用列车运行过程中产生的历史数据来训练模型以及调整参数，省略了大量的现场试验以及参数调整，节约成本。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于深度学习的高速列车停车控制方法，其特征在于，所述方法包括：
获取训练数据集；所述训练数据集包括设定时间段中每一时刻对应的列车位置和列车速度以及列车的停车位置；所述设定时间段包括当前时刻及当前时刻以前的时刻；
建立卷积神经网络；
利用所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络；
获取待控制列车的实际运行数据；所述实际运行数据包括所述设定时间段中每一时刻对应的待控制列车位置和待控制列车速度；
将所述实际运行数据输入所述优化后的卷积神经网络中，得到待控制列车的停车位置；
判断所述待控制列车的停车位置是否为0；
若是，则输出制动命令；
若否，则返回“获取待控制列车的实际运行数据”。
2.根据权利要求1所述的基于深度学习的高速列车停车控制方法，其特征在于，所述获取训练数据集，之后还包括：
对所述列车位置和所述列车速度做标准化处理。
3.根据权利要求1所述的基于深度学习的高速列车停车控制方法，其特征在于，所述卷积神经网络具体包括一层输入层、A层卷积层、一层展开层、B层隐含层和一层输出层；其中，A为大于0且小于等于2的正整数，B为大于等于2且小于等于3的正整数；
所述输入层包括(N-1)*2个二维形式输入神经元；其中，N表示所述设定时间段中包含的时刻个数；
每层所述卷积层均包括C个卷积核；其中，C为大于等于10且小于等于30的正整数；
每层所述隐含层均包括D个神经元；其中，D为大于等于5且小于等于20的正整数。
4.根据权利要求1所述的基于深度学习的高速列车停车控制方法，其特征在于，所述利用所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络，具体包括：
采用Adamax优化算法和Dropout方法根据所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络。
5.一种基于深度学习的高速列车停车控制系统，其特征在于，所述系统包括：
训练数据集获取模块，用于获取训练数据集；所述训练数据集包括设定时间段中每一时刻对应的列车位置和列车速度以及列车的停车位置；所述设定时间段包括当前时刻及当前时刻以前的时刻；
卷积神经网络建立模块，用于建立卷积神经网络；
训练和优化模块，用于利用所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络；
实际运行数据获取模块，用于获取待控制列车的实际运行数据；所述实际运行数据包括所述设定时间段中每一时刻对应的待控制列车位置和待控制列车速度；
预测模块，用于将所述实际运行数据输入所述优化后的卷积神经网络中，得到待控制列车的停车位置；
判断模块，用于判断所述待控制列车的停车位置是否为0；
制动模块，用于当所述判断模块的输出结果为所述待控制列车的停车位置为0时，输出制动命令；
返回模块，用于当所述判断模块的输出结果为所述待控制列车的停车位置不为0时，返回所述实际运行数据获取模块。
6.根据权利要求5所述的基于深度学习的高速列车停车控制系统，其特征在于，所述系统还包括：
标准化处理模块，用于对所述列车位置和所述列车速度做标准化处理。
7.根据权利要求5所述的基于深度学习的高速列车停车控制系统，其特征在于，所述卷积神经网络具体包括一层输入层、A层卷积层、一层展开层、B层隐含层和一层输出层；其中，A为大于0且小于等于2的正整数，B为大于等于2且小于等于3的正整数；
所述输入层包括(N-1)*2个二维形式输入神经元；其中，N表示所述设定时间段中包含的时刻个数；
每层所述卷积层均包括C个卷积核；其中，C为大于等于10且小于等于30的正整数；
每层所述隐含层均包括D个神经元；其中，D为大于等于5且小于等于20的正整数。
8.根据权利要求5所述的基于深度学习的高速列车停车控制系统，其特征在于，所述训练和优化模块，具体包括：
训练和优化单元，用于采用Adamax优化算法和Dropout方法根据所述训练数据集对所述卷积神经网络进行训练和优化，得到优化后的卷积神经网络。
CN202011172086.8A 2020-10-28 2020-10-28 一种基于深度学习的高速列车停车控制方法及系统 Active CN112198799B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011172086.8A CN112198799B (zh) 2020-10-28 2020-10-28 一种基于深度学习的高速列车停车控制方法及系统
US17/477,964 US20220126894A1 (en) 2020-10-28 2021-09-17 Deep learning - based stop control method and system for high-speed train

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011172086.8A CN112198799B (zh) 2020-10-28 2020-10-28 一种基于深度学习的高速列车停车控制方法及系统

Publications (2)

Publication Number Publication Date
CN112198799A true CN112198799A (zh) 2021-01-08
CN112198799B CN112198799B (zh) 2021-05-14

Family

ID=74011971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011172086.8A Active CN112198799B (zh) 2020-10-28 2020-10-28 一种基于深度学习的高速列车停车控制方法及系统

Country Status (2)

Country Link
US (1) US20220126894A1 (zh)
CN (1) CN112198799B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591229A (zh) * 2021-09-01 2021-11-02 北京建筑大学 一种高速列车制动距离计算方法及系统
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
CN114620098A (zh) * 2022-01-21 2022-06-14 太原理工大学 一种适用于高速列车自动停车的深度强化学习方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9387866B1 (en) * 2015-03-23 2016-07-12 Mitsubishi Electric Research Laboratories, Inc. Automatic train stop control system
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
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
CN109895794A (zh) * 2017-12-08 2019-06-18 北京通号国铁城市轨道技术有限公司 基于机器学习的列车自动驾驶系统精准停车方法及装置
CN110262463A (zh) * 2019-07-09 2019-09-20 河海大学常州校区 一种基于深度学习的轨道交通站台门故障诊断系统
CN111114593A (zh) * 2019-12-18 2020-05-08 中铁电气化局集团有限公司 基于多元信息融合的地铁列车自主定位装置、系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018170393A2 (en) * 2017-03-17 2018-09-20 Portland State University Frame interpolation via adaptive convolution and adaptive separable convolution
EP3766000A2 (en) * 2018-03-16 2021-01-20 The United States of America as represented by the Secretary of the Department of Health and Human Services Using machine learning and/or neural networks to validate stem cells and their derivatives for use in cell therapy, drug discovery, and diagnostics
SG11202011619TA (en) * 2018-06-01 2020-12-30 Thales Canada Inc Self learning vehicle control system
US20220277551A1 (en) * 2021-03-01 2022-09-01 Saishi Frank Li Vehicle dispatch and tracking based on vehicle-carring image processing

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9387866B1 (en) * 2015-03-23 2016-07-12 Mitsubishi Electric Research Laboratories, Inc. Automatic train stop control system
US20160280242A1 (en) * 2015-03-23 2016-09-29 Mitsubishi Electric Research Laboratories, Inc. Automatic Train Stop Control System
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
CN109895794A (zh) * 2017-12-08 2019-06-18 北京通号国铁城市轨道技术有限公司 基于机器学习的列车自动驾驶系统精准停车方法及装置
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
CN110262463A (zh) * 2019-07-09 2019-09-20 河海大学常州校区 一种基于深度学习的轨道交通站台门故障诊断系统
CN111114593A (zh) * 2019-12-18 2020-05-08 中铁电气化局集团有限公司 基于多元信息融合的地铁列车自主定位装置、系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIATENG YIN ET AL.: "Train Station Parking Approach Based on Fuzzy Reinforcement Learning Algorithms", 《2019 IEEE 15TH INTERNATIONAL CONFERENCE ON CONTROL AND AUTOMATION (ICCA)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591229A (zh) * 2021-09-01 2021-11-02 北京建筑大学 一种高速列车制动距离计算方法及系统
CN113591229B (zh) * 2021-09-01 2023-05-26 北京建筑大学 一种高速列车制动距离计算方法及系统
CN114620098A (zh) * 2022-01-21 2022-06-14 太原理工大学 一种适用于高速列车自动停车的深度强化学习方法
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

Also Published As

Publication number Publication date
CN112198799B (zh) 2021-05-14
US20220126894A1 (en) 2022-04-28

Similar Documents

Publication Publication Date Title
CN112198799B (zh) 一种基于深度学习的高速列车停车控制方法及系统
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
CN107169567B (zh) 一种用于车辆自动驾驶的决策网络模型的生成方法及装置
Yin et al. Data-driven models for train control dynamics in high-speed railways: LAG-LSTM for train trajectory prediction
CN110322695B (zh) 一种基于深度学习的短时交通流预测方法
Yin et al. Data-driven approaches for modeling train control models: Comparison and case studies
CN107958269A (zh) 一种基于隐马尔可夫模型的行车危险度预测方法
CN111267830B (zh) 一种混合动力公交车能量管理方法、设备和存储介质
CN110281983B (zh) 一种基于视觉场景识别的轨道列车精准停车系统
CN103955135B (zh) 一种基于双层模式曲线的机车优化操纵序列计算方法
CN105946861A (zh) 一种基于驾驶意图识别的nar神经网络车速预测方法
CN110910531B (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
CN111159642B (zh) 一种基于粒子滤波的在线轨迹预测方法
CN111598325A (zh) 基于层次聚类和分层注意力机制的交通速度预测方法
CN107862877A (zh) 一种城市交通信号模糊控制方法
CN111311009A (zh) 一种基于长短期记忆的行人轨迹预测方法
CN112308336A (zh) 一种基于多步时序预测的高速铁路大风限速动态处置方法
CN115935672A (zh) 一种融合工况预测信息的燃料电池汽车能耗计算方法
CN112784487B (zh) 飞行动作识别方法和装置
CN112061136A (zh) 基于长短期记忆网络的司机驾驶行为自动化分析方法
Huang et al. Train driving data learning with S-CNN model for gear prediction and optimal driving
CN106842924B (zh) 基于多工况anfis模型的动车组优化控制方法
CN116611864A (zh) 一种基于rnn的城市轨道交通列车速度与客流量的预测方法
CN110658818B (zh) 面向新型供电列车的多目标优化智能运行控制预测方法
CN115048875A (zh) 基于机动车排放数据的城市大气环境指标预警方法及系统

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