CN112633597B - 基于rbf神经网络的地铁列车ato速度曲线预测方法 - Google Patents

基于rbf神经网络的地铁列车ato速度曲线预测方法 Download PDF

Info

Publication number
CN112633597B
CN112633597B CN202011629154.9A CN202011629154A CN112633597B CN 112633597 B CN112633597 B CN 112633597B CN 202011629154 A CN202011629154 A CN 202011629154A CN 112633597 B CN112633597 B CN 112633597B
Authority
CN
China
Prior art keywords
neural network
rbf neural
value
speed curve
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
Application number
CN202011629154.9A
Other languages
English (en)
Other versions
CN112633597A (zh
Inventor
胡文斌
张雨
周巡
孙泽洲
吴承泽
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202011629154.9A priority Critical patent/CN112633597B/zh
Publication of CN112633597A publication Critical patent/CN112633597A/zh
Application granted granted Critical
Publication of CN112633597B publication Critical patent/CN112633597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于RBF神经网络的地铁列车ATO速度曲线预测方法，该方法步骤如下：基于列车ATO驾驶策略和列车运行速度影响因素，建立列车运行影响因素评估体系，确定RBF神经网络的样本数据；基于影响因素重要度排序的结果，设计RBF神经网络的结构与参数，建立地铁列车ATO速度曲线综合预测的RBF神经网络模型；将样本数据进行归一化处理，确定训练样本与检验样本，分别输入到RBF神经网络模型中进行学习训练与准确性检验；利用训练好的RBF神经网络模型，进行地铁列车ATO速度曲线预测。本发明能够实现列车智能驾驶和综合节能降耗的目标，实时性好且简单易行。

Description

基于RBF神经网络的地铁列车ATO速度曲线预测方法
技术领域
本发明涉及城市地铁列车ATO自动驾驶技术领域，特别是一种基于RBF神经网络的地铁列车ATO速度曲线预测方法。
背景技术
自动驾驶系统(Automatic Train Operation，简称ATO)作为地铁列车自动控制系统(Automatic Train Control，简称ATC)的一个重要子系统，其通过控制列车的牵引和制动系统来代替人工驾驶。其主要依据运行线路条件、计划运行时间、车辆条件以及列车运行的实际条件，生成目标速度曲线，列车通过跟踪目标速度曲线，实时计算列车牵引力或制动力大小，进而指导列车实际运行。ATO速度曲线综合体现了列车停站精确性、准时性、节能性和舒适性等指标。
研究ATO自动驾驶机理并预测生成不同场景下的ATO速度曲线，在了解掌握ATO控制机理，提高列车运行效率、调整列车的运行速度、车站定点停车、增强计划运行图的鲁棒性和列车节能运行等方面可以发挥巨大作用。但是，地铁列车ATO自动驾驶由于具有非线性且受线路车辆自身等多种因素影响的特性，目前还未有针对地铁列车ATO速度曲线进行相对应预测的关键技术，并且当要对列车自动驾驶与牵引节能展开研究时，往往要受到列车ATO控制系统封闭性的限制。
发明内容
本发明的目的在于提供一种能够实现综合节能降耗和运营智能优化管理，并且易于推广实施的基于RBF神经网络的地铁列车ATO速度曲线预测方法。
实现本发明目的的技术解决方案为：一种基于RBF神经网络的地铁列车ATO速度曲线预测方法，包括以下步骤：
步骤1：基于列车ATO自动驾驶策略，建立列车运行速度影响因素评估体系，对各影响因素进行重要度排序，并选取训练和预测的样本数据；
步骤2：基于步骤1中影响因素重要度排序的结果，确定RBF神经网络预测模型的网络输入向量和预测模型的网络输出向量，建立地铁列车ATO速度曲线综合预测的RBF神经网络模型；
步骤3：确定RBF神经网络预测模型隐含层结构，并对RBF神经网络模型的网络参数进行初始化；
步骤4：将步骤1中的样本数据进行归一化处理；
步骤5：将步骤4中归一化之后的训练样本与检验样本，分别输入到RBF神经网络模型中进行学习训练与精确性检验；
步骤6：利用步骤5中RBF神经网络模型，进行地铁列车ATO速度曲线预测。
本发明与现有技术相比，其显著优点为：(1)逆向学习研究ATO系统工作机理，通过改变地铁列车的不同运行条件，预测出地铁列车在ATO控制系统下的速度曲线，进而计算列车牵引力和制动力大小，指导列车运行，最后实现牵引节能，具有重要的实际应用价值；(2)可以针对示范线路进行ATO速度曲线优化，实现列车智能驾驶和综合节能降耗；(3)实时性好，预测过程简单，结果精确，满足列车实际运营需求，可实现列车离线和在线ATO速度曲线预测。
附图说明
图1为本发明基于RBF神经网络的地铁列车ATO速度曲线预测方法的流程示意图。
图2为本发明中RBF神经网络模型框架的结构示意图。
图3为本发明中RBF神经网络模型训练算法的流程示意图。
图4为本发明实施例中模型的预测结果与实际测试结果对比图。
具体实施方式
本发明基于RBF神经网络的地铁列车ATO速度曲线预测方法，包括以下步骤：
步骤1：基于列车ATO自动驾驶策略，建立列车运行速度影响因素评估体系，对各影响因素进行重要度排序，并选取训练和预测的样本数据；
步骤2：基于步骤1中影响因素重要度排序的结果，确定RBF神经网络预测模型的网络输入向量和预测模型的网络输出向量，建立地铁列车ATO速度曲线综合预测的RBF神经网络模型；
步骤3：确定RBF神经网络预测模型隐含层结构，并对RBF神经网络模型的网络参数进行初始化；
步骤4：将步骤1中的样本数据进行归一化处理；
步骤5：将步骤4中归一化之后的训练样本与检验样本，分别输入到RBF神经网络模型中进行学习训练与精确性检验；
步骤6：利用步骤5中RBF神经网络模型，进行地铁列车ATO速度曲线预测。
进一步地，步骤1中所述的列车ATO自动驾驶策略，包括列车牵引策略、巡航策略、惰行策略和制动策略。
进一步地，步骤1所述的建立列车运行速度影响因素评估体系，具体如下：
步骤1.1：选取牵引区、巡航区、惰行区、制动区的ATO速度曲线对应的加速度值作为参考数列Y＝{y(k)|k＝1,2,...,n}，其中Y为一组加速度值y(k)的集合，k值为加速度值的样本编号，n为加速度值的样本的容量；
选取包括区间运行时间、区间长度、区间弯道值、区间坡道值、区间ATP限速值和列车重量等影响因素作为比较数列X＝{Xi(k)|k＝1,2,...,n},i＝1,2,...,m；其中X为种类编号为i的影响因素值Xi(k)的集合，k值为影响因素值的样本编号，n为影响因素值的样本的容量，i值为影响因素种类编号，m为影响因素种类的容量；
步骤1.2：对ATO速度曲线与各影响因素进行无量纲化：
Figure BDA0002873650390000031
Figure BDA0002873650390000032
其中，xi(k)则是编号为i的影响因素值Xi(k)进行无量纲化得到的值，且0＜xi(k)＜1；
步骤1.3：计算各影响因素与ATO速度曲线的关联系数：
Figure BDA0002873650390000033
Δi(k)＝|y(k)-xi(k)|
Figure BDA0002873650390000034
其中，mini mink|y(k)-xi(k)|为在种类编号i、样本编号为k的|y(k)-xi(k)|一组绝对值中求出的最小值，maxi maxk|y(k)-xi(k)|为在种类编号i、样本编号为k的|y(k)-xi(k)|一组绝对值中求出的最大值；ρ∈(0,∞)称为分辨系数，ξi(k)为种类编号i、样本编号为k的影响因素与ATO速度曲线加速度的关联系数值；
步骤1.4：计算各影响因素与ATO速度曲线的关联度ri：
Figure BDA0002873650390000041
步骤1.5：按关联度数值大小，对各个影响因素的重要度进行排序。
进一步地，步骤1.5所述的按关联度数值大小，对各个影响因素的重要度进行排序，具体如下：
根据影响因素对列车运行生成ATO速度曲线的影响程度的大小，按照影响度递减的方式进行依次排序。
进一步地，步骤1中所述的样本数据，包括线路总长、各区间长度、ATP速度值、线路坡道值、线路弯道值、各区间已实际运行时间、各区间车重。
进一步地，步骤2中所述的RBF神经网络模型的网络输入向量，包括区间已运行时间、区间长度、区间ATP限速值、坡道值、弯道值、列车重量；所述的RBF神经网络模型的网络输出向量，包括当前时刻的ATO速度值。
进一步地，步骤2中所述的RBF神经网络预测模型结构，包括三层结构，即输入层、隐含层和输出层，每层的层数分别为1，1，1。
进一步地，步骤3中所述的确定RBF神经网络预测模型隐含层结构，隐含层节点数预先设置为网络输入向量维数，后续可逐渐增加节点数对比误差；
进一步地，步骤3中所述的对RBF神经网络模型的网络参数进行初始化，主要包括数据中心、扩展常数和权重的初始化，具体如下：
数据中心的初始化：选取具有代表性的样本作为数据中心；扩展常数初始化为：
Figure BDA0002873650390000042
式中，dmax是所有选择的数据中心间的最大欧式距离，h为RBF神经网络预测模型中数据中心的数目；权重的初始化：采用较小的随机数。
进一步地，步骤4所述将步骤1中的样本数据进行归一化处理，具体如下：
Figure BDA0002873650390000051
式中，PN表示归一化处理后得到的输入向量；minp表示输入向量P各列向量的最小值；maxp表示输入向量P各列向量的最大值。
进一步地，步骤6所述的利用步骤5中RBF神经网络模型，进行地铁列车ATO速度曲线预测，具体如下：
同时改变一系列网络输入向量，预测得到网络输入向量改变后的网络输出向量，即ATO速度值。
以下结合附图和具体实施例对本发明进行详细说明。
实施例
结合图1，本发明基于RBF神经网络的地铁列车ATO速度曲线预测方法，包括以下步骤：
步骤1：基于列车ATO驾驶策略，建立列车运行影响因素评估体系，具体如下：
列车运行影响因素评估体系包括对影响因素进行分析，选出非固定的影响因子，对影响因子进行重要度排序，最后确定模型输入的样本数据：
步骤1.1：选取加速区、巡航区、惰行区、制动区的ATO速度曲线对应的加速度值作为参考数列Y＝{y(k)|k＝1,2,...,n}，其中Y为一组加速度值y(k)的集合，k值为加速度值的样本编号，n为加速度值的样本的容量；
选取包括区间运行时间、区间长度、区间弯道值、区间坡道值、区间ATP限速值和列车重量等影响因素作为比较数列X＝{Xi(k)|k＝1,2,...,n},i＝1,2,...,m；其中X为种类编号为i的影响因素值Xi(k)的集合，k值为影响因素值的样本编号，n为影响因素值的样本的容量，i值为影响因素种类编号，m为影响因素种类的容量。本实施例有6个影响因素，所以m＝6。
步骤1.2：对ATO速度曲线与各影响因素进行无量纲化：
Figure BDA0002873650390000052
Figure BDA0002873650390000061
其中，xi(k)则是编号为i的影响因素值Xi(k)进行无量纲化得到的值，且0＜xi(k)＜1；
步骤1.3：计算各影响因素与ATO速度曲线的关联系数：
Figure BDA0002873650390000062
Δi(k)＝|y(k)-xi(k)|
Figure BDA0002873650390000063
其中，mini mink|y(k)-xi(k)|为在种类编号i、样本编号为k的|y(k)-xi(k)|一组绝对值中求出的最小值，maxi maxk|y(k)-xi(k)|为在种类编号i、样本编号为k的|y(k)-xi(k)|一组绝对值中求出的最大值；ρ∈(0,∞)称为分辨系数，ξi(k)为种类编号i、样本编号为k的影响因素与ATO速度曲线加速度的关联系数值；
步骤1.4：计算各影响因素与ATO速度曲线的关联度ri：
Figure BDA0002873650390000064
步骤1.5：按关联度数值大小，对各个影响因素的重要度进行排序。
步骤2：基于步骤1中影响因素重要度排序的结果，建立地铁列车ATO速度曲线综合预测的RBF神经网络模型，确定RBF神经网络模型的网络输入向量为区间长度、区间运行时间、区间坡道值、区间弯道值、区间ATP限速值和列车重量，RBF神经网络模型的网络输出向量为当前ATO速度值，即输入层有6个神经元，输出层只有一个神经元。
结合图2，RBF神经网络模型包含三层结构，其中第一层为输入层用来输入归一化后训练和预测的样本数据；第二层为隐含层对输入向量进行变换，将低维空间的模式变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分；第三层为输出层用于输出预测结果。
步骤3：确定RBF神经网络预测模型隐含层结构，隐含层层数为1，其节点数预先设置为网络输入向量维数，即为6，后续可逐渐增加节点数对比误差；对RBF神经网络模型的网络参数进行初始化，主要包括扩展常数的初始化、权重的初始化，具体如下：
数据中心的初始化：选取具有代表性的样本作为数据中心；扩展常数初始化为：
Figure BDA0002873650390000071
式中，dmax是所有选择的数据中心间的最大欧式距离，h为RBF神经网络预测模型中数据中心的数目；权重的初始化：采用较小的随机数。
步骤4：将步骤1中的样本数据进行归一化处理，具体如下：
Figure BDA0002873650390000072
式中，PN表示归一化处理后得到的输入向量；minp表示输入向量P各列向量的最小值；maxp表示输入向量P各列向量的最大值。
步骤5：确定训练样本与检验样本，分别输入到RBF神经网络模型中进行学习训练与精确性检验，结合图2和图3，具体如下：
步骤5.1：确定隐层神经元激活函数(即径向基函数)为Gauss函数，其定义如下：
Figure BDA0002873650390000073
当网络输入m维矢量为Xk＝[x1,x2,…,xm]T，则其中第j个隐单元的输出为oj，即
Figure BDA0002873650390000074
其中cj＝[cj1,cj2,…,cjm]为径向基函数的m维中心矢量；高斯函数中的径向基函数n维扩展常数矢量δ＝[δ1,δ2,…,δn]T，其中δj＞0为隐层第j个单元的径向基函数的扩展常数。
步骤5.2：定义网络输出层的权值为n维权值矢量W＝[w1,w2,…,wn]T，输出单元还设置了阈值，且
Figure BDA0002873650390000075
则RBF网络当网络输入训练样本为Xk时网络输出可表示为如下式：
Figure BDA0002873650390000081
式中：h为RBF神经网络数据中心的数目，w0为第0个隐单元对输出单元的权值。
定义关于误差信号的目标函数为：
Figure BDA0002873650390000082
式中：P为样本数；ek为输入第k个样本时的误差信号，定义为
Figure BDA0002873650390000083
式中：
Figure BDA0002873650390000084
为RBF神经网络第k个样本实际的速度值，误差函数中忽略了阈值。
步骤5.3为使误差目标函数最小化，采用梯度下降法修正待学习参数，cj、δj和wj的调节量与其梯度成正比，因此有
Figure BDA0002873650390000085
Figure BDA0002873650390000086
Figure BDA0002873650390000087
其中0＜η＜1为学习速率，具体计算式为
Figure BDA0002873650390000088
Figure BDA0002873650390000089
Figure BDA00028736503900000810
步骤6：利用步骤5中RBF神经网络模型，进行地铁列车ATO速度曲线预测。
本实施例采用本发明基于RBF神经网络的地铁列车ATO速度曲线预测方法对某地铁列车ATO速度曲线进行预测。输入层、隐含层和输出层层数分别为1，1，1；输入层、隐含层、输出层的节点数分别为6，6，1，逐渐增加节点数对比误差，最终确定隐层节点数为60个，设置η＝0.005，误差函数为RMSE，训练算法采用梯度下降法，网络目标误差为0.001，最大迭代次数为5000次。
预测结果如图4所示，与历史速度曲线变化趋势非常吻合，同时该速度曲线满足停站精度、节能、准时性和乘客舒适度等要求，达到了预期效果。

Claims (9)

1.一种基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，包括以下步骤：
步骤1：基于列车ATO自动驾驶策略，建立列车运行速度影响因素评估体系，对各影响因素进行重要度排序，并选取训练和预测的样本数据；具体如下：
步骤1.1：选取牵引区、巡航区、惰行区、制动区的ATO速度曲线对应的加速度值作为参考数列Y＝{y(k)|k＝1,2,K,n}，其中Y为一组加速度值y(k)的集合，k值为加速度值的样本编号，n为加速度值的样本的容量；
选取影响因素作为比较数列X＝{Xi(k)|k＝1,2,K,n},i＝1,2,K,m；其中X为种类编号为i的影响因素值Xi(k)的集合，k值为影响因素值的样本编号，n为影响因素值的样本的容量，i值为影响因素种类编号，m为影响因素种类的容量；
步骤1.2：对ATO速度曲线与各影响因素进行无量纲化：
Figure FDA0003741217270000011
Figure FDA0003741217270000012
其中，xi(k)则是编号为i的影响因素值Xi(k)进行无量纲化得到的值，且0＜xi(k)＜1；
步骤1.3：计算各影响因素与ATO速度曲线的关联系数：
Figure FDA0003741217270000013
Δi(k)＝|y(k)-xi(k)|
Figure FDA0003741217270000014
其中，minimink|y(k)-xi(k)|为在种类编号i、样本编号为k的一组绝对值|y(k)-xi(k)|中求出的最小值，maximaxk|y(k)-xi(k)|为在种类编号i、样本编号为k的一组绝对值|y(k)-xi(k)|中求出的最大值；p∈(0,∞)称为分辨系数，ξi(k)为种类编号i、样本编号为k的影响因素与ATO速度曲线加速度的关联系数值；
步骤1.4：计算各影响因素与ATO速度曲线的关联度ri：
Figure FDA0003741217270000021
步骤1.5：按关联度数值大小，对各个影响因素的重要度进行排序；
步骤2：基于步骤1中影响因素重要度排序的结果，确定RBF神经网络预测模型的网络输入向量和预测模型的网络输出向量，建立地铁列车ATO速度曲线综合预测的RBF神经网络预测模型；
步骤3：确定RBF神经网络预测模型隐含层结构，并对RBF神经网络预测模型的网络参数进行初始化；
步骤4：将步骤1中的样本数据进行归一化处理；
步骤5：将步骤4中归一化之后的训练样本与检验样本，分别输入到RBF神经网络预测模型中进行学习训练与精确性检验；
步骤6：利用步骤5中RBF神经网络预测模型，进行地铁列车ATO速度曲线预测。
2.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤1中所述的列车ATO自动驾驶策略，包括列车牵引策略、巡航策略、惰行策略和制动策略。
3.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤1.5所述的按关联度数值大小，对各个影响因素的重要度进行排序，具体如下：
根据影响因素对列车运行生成ATO速度曲线的影响程度的大小，按照影响度递减的方式进行依次排序。
4.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤1中所述的样本数据，包括线路总长、各区间长度、ATP速度值、线路坡道值、线路弯道值、各区间已实际运行时间、各区间车重。
5.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤2中所述的RBF神经网络预测模型的网络输入向量，包括区间已运行时间、区间长度、区间ATP限速值、坡道值、弯道值、列车重量；所述的RBF神经网络预测模型的网络输出向量，包括当前时刻的ATO速度值。
6.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤2中所述的RBF神经网络预测模型结构，包括三层结构，即输入层、隐含层和输出层，每层的层数分别为1，1，1。
7.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤3中所述的确定RBF神经网络预测模型隐含层结构，隐含层节点数预先设置为网络输入向量维数，后续逐渐增加节点数对比误差；
对RBF神经网络预测模型的网络参数进行初始化，主要包括数据中心、扩展常数和权重的初始化，具体如下：
数据中心的初始化：选取具有代表性的样本作为数据中心；扩展常数初始化为：
Figure FDA0003741217270000031
式中，dmax是所有选择的数据中心间的最大欧式距离，h为RBF神经网络预测模型中数据中心的数目；权重的初始化：采用较小的随机数。
8.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤4所述将步骤1中的样本数据进行归一化处理，具体如下：
Figure FDA0003741217270000032
式中，PN表示归一化处理后得到的输入向量；min p表示输入向量P各列向量的最小值；max p表示输入向量P各列向量的最大值。
9.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤6所述的利用步骤5中RBF神经网络预测模型，进行地铁列车ATO速度曲线预测，具体如下：
同时改变一系列网络输入向量，预测得到网络输入向量改变后的网络输出向量，即ATO速度值。
CN202011629154.9A 2020-12-30 2020-12-30 基于rbf神经网络的地铁列车ato速度曲线预测方法 Active CN112633597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011629154.9A CN112633597B (zh) 2020-12-30 2020-12-30 基于rbf神经网络的地铁列车ato速度曲线预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011629154.9A CN112633597B (zh) 2020-12-30 2020-12-30 基于rbf神经网络的地铁列车ato速度曲线预测方法

Publications (2)

Publication Number Publication Date
CN112633597A CN112633597A (zh) 2021-04-09
CN112633597B true CN112633597B (zh) 2022-09-27

Family

ID=75290540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011629154.9A Active CN112633597B (zh) 2020-12-30 2020-12-30 基于rbf神经网络的地铁列车ato速度曲线预测方法

Country Status (1)

Country Link
CN (1) CN112633597B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113815679B (zh) * 2021-08-27 2023-01-13 北京交通大学 一种高速列车自主驾驶控制的实现方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831478A (zh) * 2012-08-05 2012-12-19 珠海派诺科技股份有限公司 一种基于bp神经网络的地铁能耗综合预测方法
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN105760658A (zh) * 2016-02-03 2016-07-13 华东交通大学 一种区间神经网络的高速列车噪声预测方法
CN109840639A (zh) * 2019-03-05 2019-06-04 东北大学 一种高速铁路列车运行晚点时间预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831478A (zh) * 2012-08-05 2012-12-19 珠海派诺科技股份有限公司 一种基于bp神经网络的地铁能耗综合预测方法
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN105760658A (zh) * 2016-02-03 2016-07-13 华东交通大学 一种区间神经网络的高速列车噪声预测方法
CN109840639A (zh) * 2019-03-05 2019-06-04 东北大学 一种高速铁路列车运行晚点时间预测方法

Also Published As

Publication number Publication date
CN112633597A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
Xie et al. Motion trajectory prediction based on a CNN-LSTM sequential model
CN108520155B (zh) 基于神经网络的车辆行为模拟方法
CN103019267B (zh) 高速列车anfis建模与运行速度预测控制方法
CN107909179B (zh) 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法
CN111047085B (zh) 一种基于元学习的混合动力车辆工况预测方法
CN111284489A (zh) 智能网联汽车随机预测巡航控制系统
CN105644548A (zh) 混合动力汽车的能量控制方法及装置
CN105136469A (zh) 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法
CN103092076A (zh) 动车组制动过程多模型自适应pid控制
CN112633597B (zh) 基于rbf神经网络的地铁列车ato速度曲线预测方法
CN111027618B (zh) 一种汽车动力性和经济性期望量化方法
Zhang et al. Data-driven train operation models based on data mining and driving experience for the diesel-electric locomotive
CN113326962B (zh) 基于bp神经网络的地铁列车ato速度曲线预测方法
CN114298183B (zh) 飞行动作智能识别方法
CN115062528A (zh) 一种针对工业过程时序数据的预测方法
CN111198501A (zh) 一种由rbf神经网络确定燃油等效因子的方法
CN112388620B (zh) 一种用于气动肌肉驱动系统的轨迹跟踪控制算法
CN111598311B (zh) 一种新型列车运行速度曲线智能优化方法
CN106842924B (zh) 基于多工况anfis模型的动车组优化控制方法
CN109214500A (zh) 一种基于混合智能算法的变压器故障识别方法
CN116880201A (zh) 基于模糊神经网络的水网渠道状态控制系统
CN114670856B (zh) 一种基于bp神经网络的参数自整定纵向控制方法及系统
Wang et al. Research on parking space prediction based on long short-term memory
CN112967420B (zh) 一种基于区间二型的重载列车运行过程监控方法及系统
Liu et al. Driving intention identification based on long short-term memory neural network

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Hu Wenbin

Inventor after: Zhang Yu

Inventor after: Zhou Xun

Inventor after: Sun Zezhou

Inventor after: Wu Chengze

Inventor before: Zhang Yu

Inventor before: Hu Wenbin

Inventor before: Zhou Xun

Inventor before: Sun Zezhou

Inventor before: Wu Chengze

GR01 Patent grant
GR01 Patent grant