CN113326962B - 基于bp神经网络的地铁列车ato速度曲线预测方法 - Google Patents

基于bp神经网络的地铁列车ato速度曲线预测方法 Download PDF

Info

Publication number
CN113326962B
CN113326962B CN202010129601.8A CN202010129601A CN113326962B CN 113326962 B CN113326962 B CN 113326962B CN 202010129601 A CN202010129601 A CN 202010129601A CN 113326962 B CN113326962 B CN 113326962B
Authority
CN
China
Prior art keywords
neural network
value
speed curve
network model
ato
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
CN202010129601.8A
Other languages
English (en)
Other versions
CN113326962A (zh
Inventor
胡文斌
丁义帅
哈进兵
吕建国
奚永明
张雨
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 CN202010129601.8A priority Critical patent/CN113326962B/zh
Publication of CN113326962A publication Critical patent/CN113326962A/zh
Application granted granted Critical
Publication of CN113326962B publication Critical patent/CN113326962B/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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

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

Abstract

本发明公开了一种基于BP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，建立列车运行影响因素评估体系，确定样本数据；基于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BP神经网络模型，并确定BP神经网络模型的隐含层单元数的取值边界，设置BP神经网络模型的学习率，对BP神经网络模型的参数进行初始化；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BP神经网络模型中进行学习训练与精确性检验；利用训练好的BP神经网络模型，进行地铁列车ATO速度曲线预测。本发明能够实现综合节能降耗和运营智能优化管理的目标，实时性好且简单易行。

Description

基于BP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BP神经网络的地铁列车ATO速度曲线预测方法。
背景技术
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，自动驾驶系统(Automatic Train Operation，简称ATO)通过控制列车的牵引和制动系统来代替人工驾驶。其主要依据区间固定线路条件、计划运行时间以及区间上运行的实际条件和客观情况，生成目标速度曲线，列车根据目标速度曲线实时计算所需的牵引或制动力的大小，通过列车接口电路，完成列车的加速或减速作业。ATO速度曲线不仅综合体现了列车停车精确性指标、准时性指标、节能性指标和舒适性指标，而且也是列车自动运行的依据。
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BP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BP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，体系中包括对影响因素重要度排序，确定样本数据；
步骤2：基于步骤1中影响因素重要度排序的结果，建立地铁列车ATO速度曲线综合预测的BP神经网络模型，模型中包括BP神经网络模型的输入特征变量，BP神经网络模型的输出目标向量；
步骤3：确定BP神经网络模型的隐含层单元数的取值边界，设置BP神经网络模型的学习率，对BP神经网络模型的参数进行初始化；
步骤4：将步骤1中的样本数据进行归一化处理；
步骤5：确定训练样本与检验样本，分别输入到BP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BP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驾驶策略，包括列车加速策略、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影响因素评估体系，具体如下：
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，Λ为省略号，n为加速度值的样本的容量；
选取包括区间长度、区间运行时间、区间坡道值、区间弯道值、区间ATP限速值和载客量的影响因素作为比较数列X＝{Xi(k)|k＝1,2,3,∧,n},i＝0,1,2,∧,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，Λ为省略号，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 BDA0002395426410000021
其中，
Figure BDA0002395426410000022
为种类编号为i的影响因素值Xi(k)和的平均值，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 BDA0002395426410000023
Δi(k)＝|y(k)-xi(k)|
Figure BDA0002395426410000031
其中，minimink|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，maximaxk|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 BDA0002395426410000032
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、各区间实际运行时间、各区间载客量。
进一步地，步骤2中所述的BP神经网络模型，包括三层结构，即输入层、隐含层和输出层，且隐含层层数为2。
进一步地，步骤2中所述的BP神经网络模型的输入特征变量，包括区间长度、区段ATP速度曲线、坡道值、弯道值、区间运行时间、载客量；所述的BP神经网络模型的输出目标向量，包括当前位置的ATO速度值。
进一步地，步骤3中所述的确定BP神经网络模型的隐含层单元数的取值边界，公式为：
Figure BDA0002395426410000033
式中，Nh为隐含层节点个数；Nin为输入层节点个数；Nout为输出层节点个数；a为1～10之间的常数。
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 BDA0002395426410000041
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BP神经网络模型，进行地铁列车ATO速度曲线预测，具体如下：
改变任何一个或者同时改变多个输入特征变量，预测得到输入特征变量改变后的输出目标向量，即ATO速度值。
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，进而合理规划牵引电机出力，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，易于推广实施，实现综合节能降耗和运营智能优化管理的目标；(3)实时性好，学习过程简单，可实现在线ATO速度曲线预测，也可实现线下ATO速度曲线预测。
附图说明
图1为本发明基于BP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BP神经网络模型框架的结构示意图。
图3为本发明中BP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BP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，体系中包括对影响因素重要度排序，确定样本数据；
步骤2：基于步骤1中影响因素重要度排序的结果，建立地铁列车ATO速度曲线综合预测的BP神经网络模型，模型中包括BP神经网络模型的输入特征变量，BP神经网络模型的输出目标向量；
步骤3：确定BP神经网络模型的隐含层单元数的取值边界，设置BP神经网络模型的学习率，对BP神经网络模型的参数进行初始化；
步骤4：将步骤1中的样本数据进行归一化处理；
步骤5：确定训练样本与检验样本，分别输入到BP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BP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驾驶策略，包括列车加速策略、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影响因素评估体系，具体如下：
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，Λ为省略号，n为加速度值的样本的容量；
选取包括区间长度、区间运行时间、区间坡道值、区间弯道值、区间ATP限速值和载客量的影响因素作为比较数列X＝{Xi(k)|k＝1,2,3,∧,n},i＝0,1,2,∧,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，Λ为省略号，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 BDA0002395426410000051
其中，
Figure BDA0002395426410000052
为种类编号为i的影响因素值Xi(k)和的平均值，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 BDA0002395426410000053
Δi(k)＝y(k)-xi(k)
Figure BDA0002395426410000054
其中，minimink|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，maximaxk|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，一般取值为0.5，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 BDA0002395426410000061
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、各区间实际运行时间、各区间载客量。
进一步地，步骤2中所述的BP神经网络模型，包括三层结构，即输入层、隐含层和输出层，且隐含层层数为2。
进一步地，步骤2中所述的BP神经网络模型的输入特征变量，包括区间长度、区段ATP速度曲线、坡道值、弯道值、区间运行时间、载客量；所述的BP神经网络模型的输出目标向量，包括当前位置的ATO速度值。
进一步地，步骤3中所述的确定BP神经网络模型的隐含层单元数的取值边界，公式为：
Figure BDA0002395426410000062
式中，Nh为隐含层节点个数；Nin为输入层节点个数；Nout为输出层节点个数；a为1～10之间的常数。
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 BDA0002395426410000063
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BP神经网络模型，进行地铁列车ATO速度曲线预测，具体如下：
改变任何一个或者同时改变多个输入特征变量，预测得到输入特征变量改变后的输出目标向量，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BP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yi(k)的集合，k值为加速度值的样本编号，Λ为省略号，n为加速度值的样本的容量；
选取包括区间长度、区间运行时间、区间坡道值、区间弯道值、区间ATP限速值和载客量的影响因素作为比较数列X＝{Xi(k)|k＝1,2,3,∧,n},i＝0,1,2,∧,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，Λ为省略号，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 BDA0002395426410000071
其中，
Figure BDA0002395426410000072
为种类编号为i的影响因素值Xi(k)和的平均值，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 BDA0002395426410000073
Δi(k)＝|y(k)-xi(k)|
Figure BDA0002395426410000081
其中，minimink|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，maximaxk|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，一般取值为0.5，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 BDA0002395426410000082
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BP神经网络模型，确定BP神经网络模型的输入特征变量为区间长度、区间运行时间、区间坡道值、区间弯道值、区间ATP限速值和载客量，BP神经网络模型的输出目标向量为当前ATO速度值；
结合图2，BP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；第二层为隐含层用于接收输出层反馈回来的误差不断修改各连接单元的权值和阈值；第三层为输出层用于输出预测结果。
步骤3：确定BP神经网络模型的隐含层单元数的取值边界，设置BP神经网络模型的学习误差，对BP神经网络模型的参数进行初始化，具体如下：
隐含层的取值边界由如下经验构造公式所确定：
Figure BDA0002395426410000083
式中，Nh为隐含层节点个数；Nin为输入层节点个数；Nout为输出层节点个数；a为1～10之间的常数；
步骤4：将步骤1中的样本数据进行归一化处理：
Figure BDA0002395426410000084
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BP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：输入已知训练数据，通过设置的网络结构以及上一次迭代的权值和阈值，从网络的第一层向后计算各神经元的输出：
第一隐含层第i个神经元节点的输入net1i为：
Figure BDA0002395426410000091
式中，xj表示输入层第j个神经元的输入，总共有M个输入，W1ij表示第一隐含层第i个神经元与输入层第j个神经元的连接权值，表征神经元之间的连接强度，θi表示第一隐含层第i个神经元节点的阈值。
第一隐含层的第i个神经元节点的输出yi为：
Figure BDA0002395426410000092
式中，yi表示第一隐含层第i个单个神经元的输出，
Figure BDA0002395426410000093
表示激励函数，可采用对数型S函数(logsig)或正切型S(tansig)函数，其主要作用是对神经元的输出幅值进行一定范围的限制。
第二隐含层第i个神经元节点的输入net2i为：
Figure BDA0002395426410000094
式中，yj表示第一隐含层的第j个神经元节点的输出，总共有q个神经元，W2ij表示第二隐含层第i个神经元与第一隐含层第j个神经元的连接权值，
Figure BDA0002395426410000095
表示第二隐含层第i个神经元节点的阈值。
第二隐含层的第i个神经元节点的输出zi为：
Figure BDA0002395426410000096
因为本实施例输出层只有一个神经元，所以输出层的输入net为：
Figure BDA0002395426410000097
式中，Wi表示输出层神经元与第二隐含层第i单个神经元的连接权值，a为输出层神经元节点的阈值。
输出层的输出O为：
Figure BDA0002395426410000101
式中，ψ()函数为反归一化函数，将输出层的输入net值进行反归一化，与目标速度值进行误差分析。
步骤5.2：从最后一层依次往前计算权值和阈值对总误差的影响，以此为依据对隐含层的权值和阈值进行修正，修正结束的网络继续进行训练，不断重复计算和修正的过程，直到达到收敛条件为止；
系统对P个训练样本的总误差准则函数EP为：
Figure BDA0002395426410000102
式中，T表示输出层的目标输出值，O是预测模型输出层的输出。
结合图2所示的BP神经网络，设k为迭代次数，则每一层权值和阈值的修正公式为：
x(k+1)＝x(k)-αgk
式中，α为学习率，x(k)为第k次迭代时各层之间的连接权值向量，
Figure BDA0002395426410000103
表示第k次迭代的神经网络输出误差对各权值的梯度向量。
步骤6：利用步骤5中BP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BP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，设置模型学习率为0.06，隐含层层数设为2，输入层、隐含一层、隐含二层、输出层的节点数分别为6、15、15、1，误差函数为MSE，训练算法采用Levenberg-Marquardt，网络目标误差为0.001，最大迭代次数为3000次。
预测结果如图4所示，该速度曲线满足停站精度要求，同时与历史速度曲线变化趋势相近，达到了预期效果。

Claims (10)

1.一种基于BP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驾驶策略，建立列车运行影响因素评估体系，体系中包括对影响因素重要度排序，确定样本数据；
步骤2：基于步骤1中影响因素重要度排序的结果，建立地铁列车ATO速度曲线综合预测的BP神经网络模型，模型中包括BP神经网络模型的输入特征变量，BP神经网络模型的输出目标向量；
步骤3：确定BP神经网络模型的隐含层单元数的取值边界，设置BP神经网络模型的学习率，对BP神经网络模型的参数进行初始化；
步骤4：将步骤1中的样本数据进行归一化处理；
步骤5：确定训练样本与检验样本，分别输入到BP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BP神经网络模型，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BP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驾驶策略，包括列车加速策略、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BP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所述的建立列车运行影响因素评估体系，具体如下：
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，Λ为省略号，n为加速度值的样本的容量；
选取包括区间长度、区间运行时间、区间坡道值、区间弯道值、区间ATP限速值和载客量的影响因素作为比较数列X＝{Xi(k)|k＝1,2,3,∧,n},i＝0,1,2,∧,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，Λ为省略号，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 FDA0003744426740000011
其中，
Figure FDA0003744426740000021
为种类编号为i的影响因素值Xi(k)和的平均值，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 FDA0003744426740000022
Δi(k)＝|y(k)-xi(k)|
Figure FDA0003744426740000023
其中，
Figure FDA0003744426740000024
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，
Figure FDA0003744426740000025
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 FDA0003744426740000026
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。
4.根据权利要求3所述的基于BP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。
5.根据权利要求3所述的基于BP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、各区间实际运行时间、各区间载客量。
6.根据权利要求1所述的基于BP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BP神经网络模型，包括三层结构，即输入层、隐含层和输出层，且隐含层层数为2。
7.根据权利要求1所述的基于BP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BP神经网络模型的输入特征变量，包括区间长度、区段ATP速度曲线、坡道值、弯道值、区间运行时间、载客量；所述的BP神经网络模型的输出目标向量，包括当前位置的ATO速度值。
8.根据权利要求1所述的基于BP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BP神经网络模型的隐含层单元数的取值边界，公式为：
Figure FDA0003744426740000031
式中，Nh为隐含层节点个数；Nin为输入层节点个数；Nout为输出层节点个数；a为1～10之间的常数。
9.根据权利要求1所述的基于BP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 FDA0003744426740000032
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。
10.根据权利要求1所述的基于BP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BP神经网络模型，进行地铁列车ATO速度曲线预测，具体如下：
改变任何一个或者同时改变多个输入特征变量，预测得到输入特征变量改变后的输出目标向量，即ATO速度值。
CN202010129601.8A 2020-02-28 2020-02-28 基于bp神经网络的地铁列车ato速度曲线预测方法 Active CN113326962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010129601.8A CN113326962B (zh) 2020-02-28 2020-02-28 基于bp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
CN202010129601.8A CN113326962B (zh) 2020-02-28 2020-02-28 基于bp神经网络的地铁列车ato速度曲线预测方法

Publications (2)

Publication Number Publication Date
CN113326962A CN113326962A (zh) 2021-08-31
CN113326962B true CN113326962B (zh) 2022-08-23

Family

ID=77412690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010129601.8A Active CN113326962B (zh) 2020-02-28 2020-02-28 基于bp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) CN113326962B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202128A (zh) * 2021-12-19 2022-03-18 南京理工大学 改进粒子群的bp网络的列车速度曲线预测方法
CN115056824B (zh) * 2022-05-06 2023-11-28 北京和利时系统集成有限公司 一种确定控车参数的方法、装置、计算机存储介质及终端

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831478B (zh) * 2012-08-05 2015-01-14 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
CN102937784A (zh) * 2012-10-30 2013-02-20 中冶南方工程技术有限公司 基于人工神经网络的铸坯质量在线预报的控制方法
CN103714382B (zh) * 2013-12-31 2016-08-17 北京交通大学 一种城轨列车安全检测传感网可靠性多指标综合评估方法
CN109886459A (zh) * 2019-01-16 2019-06-14 同济大学 一种基于神经网络的公共停车场停车需求预测方法

Also Published As

Publication number Publication date
CN113326962A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
US11543787B2 (en) Networked control system time-delay compensation method based on predictive control
CN110936824B (zh) 一种基于自适应动态规划的电动汽车双电机控制方法
CN108520155B (zh) 基于神经网络的车辆行为模拟方法
CN111267831A (zh) 一种混合动力车辆智能变时域模型预测能量管理方法
Yin et al. Data-driven models for train control dynamics in high-speed railways: LAG-LSTM for train trajectory prediction
CN108960426A (zh) 基于bp神经网络的道路坡度综合估计系统
CN105946861A (zh) 一种基于驾驶意图识别的nar神经网络车速预测方法
CN113326962B (zh) 基于bp神经网络的地铁列车ato速度曲线预测方法
CN108564136B (zh) 一种基于模糊推理的空域运行态势评估分类方法
Tang et al. Reinforcement learning approach for optimal control of multiple electric locomotives in a heavy-haul freight train: A Double-Switch-Q-network architecture
CN110910531B (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
CN114202316B (zh) 基于深度强化学习的城市轨道交通列车时刻表优化方法
CN111027618B (zh) 一种汽车动力性和经济性期望量化方法
CN113911172A (zh) 一种基于自适应动态规划的高速列车优化运行控制方法
CN114148349B (zh) 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法
CN112749508B (zh) 一种基于gmm和bp神经网络的路感模拟方法
CN113479187A (zh) 一种插电式混合动力汽车分层异步长能量管理方法
CN111598311B (zh) 一种新型列车运行速度曲线智能优化方法
CN112633597B (zh) 基于rbf神经网络的地铁列车ato速度曲线预测方法
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
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
CN116859731A (zh) 基于强化学习的增强高铁自动驾驶控制系统准时性的方法
Zong et al. Driving intention identification and maneuvering behavior prediction of drivers on cornering
Liu et al. Driving intention identification based on long short-term memory neural network
CN111652512A (zh) 一种用于节能减排的多性能评价平台与方法

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
GR01 Patent grant
GR01 Patent grant