CN113792906A - 列车长时间窗运行轨迹预测方法、装置、设备及存储介质 - Google Patents

列车长时间窗运行轨迹预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113792906A
CN113792906A CN202110897679.9A CN202110897679A CN113792906A CN 113792906 A CN113792906 A CN 113792906A CN 202110897679 A CN202110897679 A CN 202110897679A CN 113792906 A CN113792906 A CN 113792906A
Authority
CN
China
Prior art keywords
preset period
train
track
target train
running
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
CN202110897679.9A
Other languages
English (en)
Other versions
CN113792906B (zh
Inventor
韩康
张蕾
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.)
Traffic Control Technology TCT Co Ltd
Original Assignee
Traffic Control Technology TCT Co Ltd
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 Traffic Control Technology TCT Co Ltd filed Critical Traffic Control Technology TCT Co Ltd
Priority to CN202110897679.9A priority Critical patent/CN113792906B/zh
Publication of CN113792906A publication Critical patent/CN113792906A/zh
Application granted granted Critical
Publication of CN113792906B publication Critical patent/CN113792906B/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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

本发明提供一种列车长时间窗运行轨迹预测方法、装置、设备及存储介质，其中所述方法包括对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征；将所述运行特征输入轨迹预测模型，得到目标列车第二预设周期的运行轨迹；其中，所述轨迹预测模型是根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建，并通过第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本训练得到的，实现长时间窗高精度列车轨迹预测。

Description

列车长时间窗运行轨迹预测方法、装置、设备及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种列车长时间窗运行轨迹预测方法、装置、设备及存储介质。
背景技术
城市轨道交通系统(以下简称城轨系统)具有高效、安全、环保等优点，已成为大中型城市通勤客流出行方式的首选。随着城轨交通运营线路长度的快速增长，线网的织密，中心城市城轨交通客运量占公共交通客运总量的出行比率逐渐提高，其中，上海、广州、南京、深圳、北京、成都6个城市城轨交通客运量占公共交通出行比率超过50％。城轨系统为满足乘客出行需求和缓解城市交通拥堵发挥了极为重要的作用。列车运行控制系统(简称列控系统)，通过控制列车运行速度与间隔，保证列车安全和高效运行，是轨道交通的“大脑和神经中枢”。目前，基于通信的列车运行控制系统(Communication Based Train ControlSystem，CBTC)是我国城轨交通列控系统的主流制式，运营高峰期的追踪间隔已经能够达到2分钟以内，但是在一些大型城市，如北京，上海等地，运营高峰期仍存在站外排队，站内车内严重拥挤等现象，无法完全满足快速增长的客流需求，因此迫切需要更先进的技术方法缩小追踪间隔。
现有的城轨CBTC系统实现的是基于绝对制动的移动闭塞技术，即以前车当前静态位置为追踪目标点(假设前车瞬时停车)，假设后车以最小的紧急制动率触发紧急制动也不会超过该目标点，从而推导出列车的防护速度，对列车速度进行实时监控以避免超速，从而实现对列车的间隔控制和安全防护。但由于只考虑前车当前的静态位置信息，在一定程度上限制了线路运能的释放。
现有的列车轨迹预测方法大多数是基于物理模型的预测，存在精度低，预测时间短的不足，目前尚无有效的长时间窗高精度列车轨迹预测方法。
发明内容
本发明提供一种列车长时间窗运行轨迹预测方法、装置、设备及存储介质，用以解决现有技术中预测精度低和预测时间短的缺陷，实现长时间窗高精度列车轨迹预测。
本发明提供一种列车长时间窗运行轨迹预测方法，包括：
对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征；
将所述运行特征输入轨迹预测模型，得到目标列车第二预设周期的运行轨迹；
其中，所述轨迹预测模型是根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建，并通过第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本训练得到的。
根据本发明提供的列车长时间窗运行轨迹预测方法，所述对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征，包括：
对所述目标列车的运营数据进行解析，得到数值化的数据；
根据数据来源，对所述数值化的数据进行合并，得到时序相关的第一数据表格；
根据预设的剔除规则，对所述第一数据表格中的坏数据进行剔除，得到第二数据表格；
对所述第二数据表格中的数据进行精细划分，确定第一预设周期内的精细化特征；
对所述精细化特征进行均一化处理，得到目标列车第一预设周期内的运行特征；
其中，所述目标列车第一预设周期内的精细化特征包括以下至少一项：
第一预设周期内目标列车的速度、加速度、控制指令；
第一预设周期内目标列车速度的极差、加速度的极差、控制指令的极差；
第一预设周期内目标列车速度的平均值、加速度的平均值、控制指令的平均值；
第一预设周期内目标列车速度的标准差、加速度的标准差、控制指令的标准差；
第一预设周期内目标列车速度的乘积、加速度的乘积、控制指令的乘积。
根据本发明提供的列车长时间窗运行轨迹预测方法，所述第一预设周期包括目标时刻前的至少一个正整数周期；
所述第二预设周期为目标时刻后的一个正整数周期。
根据本发明提供的列车长时间窗运行轨迹预测方法，在所述对目标列车的运营数据进行预处理之前，还包括：
获取目标列车的运营数据；
其中，所述目标列车的运营数据包括目标列车的状态数据、前车的状态数据、线路状态数据和环境状态数据；
所述目标列车的状态数据包括目标列车的位置、目标列车的速度、目标列车的加速度和目标列车的控制指令。
根据本发明提供的列车长时间窗运行轨迹预测方法，还包括：
训练得到所述轨迹预测模型；
所述训练得到所述轨迹预测模型包括：
对列车运营数据进行预处理，提取第一预设周期内的运行特征样本；
根据所述第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本，构建第一样本集；
将所述第一样本集划分为训练样本集和测试样本集；
根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建训练前的轨迹预测模型；
根据所述训练样本集，训练得到所述轨迹预测模型。
根据本发明提供的列车长时间窗运行轨迹预测方法，还包括：
将所述测试样本集中的运行特征样本输入所述轨迹预测模型；
将所述轨迹预测模型的输出结果与所述测试样本集中的运行轨迹样本进行对比，得到第一误差；
根据所述第一误差评估所述轨迹预测模型的预测准确率；
若所述预测准确率低于预设值，则对所述轨迹预测模型进行训练。
根据本发明提供的列车长时间窗运行轨迹预测方法，还包括：
获取列车的实时运营数据；
对所述实时运营数据进行预处理，提取第一预设周期内的实时运行特征样本；
根据所述第一预设周期内的实时运行特征样本和所述第一预设周期内的实时运行特征样本对应的第二预设周期内的实时运行轨迹样本，构建第二样本集；
将所述第二样本集中的实时运行特征样本输入所述轨迹预测模型；
将所述轨迹预测模型的输出结果与所述第二样本集中的实时运行轨迹样本进行对比，得到第二误差；
根据所述第二误差，更新所述轨迹预测模型的参数。
本发明提供一种列车长时间窗运行轨迹预测装置，包括：
运行特征提取模块，用于对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征；
运行轨迹预测模块，用于将所述运行特征输入轨迹预测模型，得到目标列车第二预设周期的运行轨迹；
其中，所述轨迹预测模型是根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建，并通过第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本训练得到的。
本发明提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现所述列车长时间窗运行轨迹预测方法的步骤。
本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于实现所述列车长时间窗运行轨迹预测方法的步骤。
本发明提供的列车长时间窗运行轨迹预测方法、装置、设备及存储介质，通过对目标列车的运营数据进行预处理，再将目标列车的运行特征输入轨迹预测模型得到目标列车第二预设周期的运行轨迹，提高了轨迹预测的周期长度以及提高了轨迹预测的精准度。
附图说明
为了更清楚地说明本发明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作一简单地介绍，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为本发明提供的列车长时间窗运行轨迹预测方法的流程示意图；
图2为本发明提供的对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征的流程示意图；
图3为本发明提供的训练得到所述轨迹预测模型的流程示意图；
图4为本发明提供的轨迹预测模型的结构示意图；
图5为本发明提供的列车长时间窗运行轨迹预测装置的结构示意图；
图6为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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为本发明实施例提供的列车长时间窗运行轨迹预测方法的流程示意图，如图1所示，包括以下步骤：
步骤100、对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征。
可选地，本方案基于相对制动的移动闭塞技术进行列车轨迹预测，相对制动的移动闭塞指的是在充分考虑前车的位置、速度、加速度等信息后，认为前车不会瞬时停车，从而为后车运行分配更长的轨道资源，从而进一步缩小了列车运行间隔，提升了城轨系统运能。一方面，由于列车安全防护过程中使用的紧急制动无法再调整，因此需要高精度地预测前车在列车制动停车过程中运行轨迹；另一方面，对本车运行轨迹的预测也有利于针对不同的运行状态进行精细化防护，进一步提升系统效率。
因此，预测目标列车的运行轨迹除了参考目标列车的列车状态数据外，还需要参考目标列车的前车的列车状态数据，即目标列车的运营数据包括目标列车的列车状态数据和前车的列车状态数据。由于目标列车的运营数据作为原始数据不能直接输入轨迹预测模型，需要进行数值化和精细化的处理，因此，对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征。
步骤101、将所述运行特征输入轨迹预测模型，得到目标列车第二预设周期的运行轨迹。
其中，所述轨迹预测模型是根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建，并通过第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本训练得到的。
可选地，所述目标列车第二预设周期的运行轨迹用一段离散的速度信息来表示。
本发明实施例，通过对目标列车的运营数据进行预处理，再将目标列车的运行特征输入轨迹预测模型得到目标列车第二预设周期的运行轨迹，提高了轨迹预测的周期长度以及提高了轨迹预测的精准度。
在一个实施例中，在所步骤100之前，还包括：
获取目标列车的运营数据；
其中，所述目标列车的运营数据包括目标列车的状态数据、前车的状态数据、线路状态数据和环境状态数据；
所述目标列车的状态数据包括目标列车的位置、目标列车的速度、目标列车的加速度和目标列车的控制指令。
可以理解的是，控制指令为当前时刻为了使列车进行期望的运动(例如达到期望加速度)，而去控制列车的电机的控制量，实际的控制量可以是电流或者电压。
可选地，前车的状态数据包括前车的位置、前车的速度、前车的加速度和前车的控制指令。
可选地，线路状态数据包括线路坡度、线路曲率半径和线路限速，线路状态数据通过查询路线的电子地图获得。
可选地，环境状态数据包括轨道湿度以及雨、雪、风等自然气候状态，环境状态数据由车载传感器、轨旁布置的传感器或者天气预报得到。
本发明实施例，获取的目标列车运营数据不仅包括目标列车的状态数据和前车的状态数据还包括线路状态数据和环境状态数据，提高了列车长时间窗运行轨迹预测的准确性。
图2为本发明实施例提供的对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征的流程示意图。如图2所示，在一个实施例中，所述对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征，包括：
步骤200、对所述目标列车的运营数据进行解析，得到数值化的数据。
例如，所述目标列车的运营数据中包括轨道湿度，对轨道的湿度进行解析，将轨道湿度分为4个等级，分别用1、2、3和4来表示4个湿度等级。
步骤201、根据数据来源，对所述数值化的数据进行合并，得到时序相关的第一数据表格。
步骤202、根据预设的剔除规则，对所述第一数据表格中的坏数据进行剔除，得到第二数据表格。
可选地，所述坏数据包括无效数据、过大数据和过小数据，根据预设的剔除规则，对所述第一数据表格中的坏数据进行剔除，得到第二数据表格。
步骤203、对所述第二数据表格中的数据进行精细划分，确定第一预设周期内的精细化特征。
其中，所述目标列车第一预设周期内的精细化特征包括以下至少一项：
第一预设周期内目标列车的速度、加速度、控制指令；
第一预设周期内目标列车速度的极差、加速度的极差、控制指令的极差；
第一预设周期内目标列车速度的平均值、加速度的平均值、控制指令的平均值；
第一预设周期内目标列车速度的标准差、加速度的标准差、控制指令的标准差；
第一预设周期内目标列车速度的乘积、加速度的乘积、控制指令的乘积。
可选地，由于列车的状态数据与时序相关性强，而线路状态数据和环境状态数据是时序弱相关的，可能在较长时间内都不会发生变化，因此该步骤主要对第二数据表格中的目标列车的状态数据和前车的状态数据进行加工，以形成更多更精细的特征。
对所述第二数据表格中的目标列车的状态数据进行精细划分，确定以下精细化特征：
第一预设周期内目标列车的速度、第一预设周期内目标列车的加速度、第一预设周期内目标列车的控制指令；
第一预设周期内目标列车速度的极差、第一预设周期内目标列车的加速度的极差、第一预设周期内目标列车的控制指令的极差；
第一预设周期内目标列车速度的平均值、第一预设周期内目标列车的加速度的平均值、第一预设周期内目标列车的控制指令的平均值；
第一预设周期内目标列车速度的标准差、第一预设周期内目标列车的加速度的标准差、第一预设周期内目标列车的控制指令的标准差；
第一预设周期内目标列车速度的乘积、第一预设周期内目标列车的加速度的乘积、第一预设周期内目标列车的控制指令的乘积。
步骤204、对所述精细化特征进行均一化处理，得到目标列车第一预设周期内的运行特征。
可选地，利用如下归一化公式对精细化特征进行归一化处理：
Figure BDA0003198626950000101
其中，Xnorm为归一化后的运行特征，X为归一化前的运行特征，Xmin为第二数据表格中与X同类型的数据中的最小值，Xmax为第二数据表格中与X同类型的数据中的最大值。
数据的质量决定了神经网络算法模型的上限，如果不经过数据预处理中的数据清洗、集成、变换和归一化手段就会导致原始数据可能存在的缺失值、异常值、不同信息度量范围不同、定型特征无法直接使用、信息量利用程度低等问题。本发明实施例，对所述对目标列车的运营数据进行预处理的过程，不仅包括运营数据的数值化，还包括精坏数据踢出、细划分和均一化处理，提取出的运行特征更能反应列车的运行状态，提高了列车长时间窗运行轨迹预测的准确性。
在一个实施例中，所述第一预设周期包括目标时刻前的至少一个正整数周期；
所述第二预设周期为目标时刻后的一个正整数周期。
可选地，所述第一预设周期为目标时刻前的N个固有周期，N可以为一个正整数序列，序列的长度等于精细化特征的个数。例如，N取值为{10，20，30}，此时精细化特征包括目标时刻前10个周期的精细特征、目标时刻前20个周期的精细特征和目标时刻前30个周期的精细特征。
可选地，所述第二预设周期可根据经验确定，第二预设周期过长时，预测出的列车运行轨迹越长，但是第二预设周期过长时，预测结果的准确性会降低。以N取值为{10，20，30}为例，第二预设周期可以取30个周期。
其中，固有周期就是根据列车控制器程序确定的固有周期，就是控制单元运行完一次完整的流程需要花费的时间。例如，预测列车运行轨迹的功能在列车自动运行装置(Automatic Train Operation，ATO)上，那么该固有周期就是ATO运行一次完整的流程需要花费的时间。预测列车运行轨迹的功能在列车自动保护系统(Automatic TrainProtection，ATP)上，那么该固有周期就是ATP运行一次完整的流程需要花费的时间。
本发明实施例，第一预设周期包括目标时刻前的至少一个正整数周期，通过多个周期的数据消除数据误差，提高了列车长时间窗运行轨迹预测的准确性。
在一个实施例中，所述列车长时间窗运行轨迹预测方法还包括：训练得到所述轨迹预测模型。图3为本发明实施例提供的训练得到所述轨迹预测模型的流程示意图，如图3所示，所述训练得到所述轨迹预测模型包括以下步骤：
步骤300、对列车运营数据进行预处理，提取第一预设周期内的运行特征样本。
可选地，对列车运营数据进行预处理与对目标列车的运营数据进行预处理的步骤一致，为避免重复，在此不再赘述。
步骤301、根据所述第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本，构建第一样本集。
可选地，将第一预设周期内的运行特征样本作为模型的输入，将第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本作为模型输入样本对应的标签，构建第一样本集。
步骤302、将所述第一样本集划分为训练样本集和测试样本集。
可选地，将第一样本集划分为训练样本集和测试样本集，其中训练样本集用于训练得到轨迹预测模型，测试样本集用于测试轨迹预测模型预测结果的准确度。
步骤303、根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建训练前的轨迹预测模型。
可选地，其中网络模型超参数包括网络节点和模型学习率等。
步骤304、根据所述训练样本集，训练得到所述轨迹预测模型。
可选地，以所述训练样本集中的第一预设周期内的运行特征样本为输入样本，以所述训练样本集中第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本为输出样本，在模型根据输入样本得到的输出与对应的输出样本之间的差值小于阈值的情况下，训练结束，得到所述轨迹预测模型。可选地，图4为本发明实施例提供的轨迹预测模型的结构示意图，如图4所示，样本经过输入层、隐藏层1、隐藏层2和输出层，最终得到预测结果。将所述训练样本集中的运行特征样本输入所述训练前的轨迹预测模型，得到预测结果，根据所述预测结果和所述运行特征样本对应的运行轨迹样本计算得到误差，然后朝向减少误差的方向去更新训练前的轨迹预测模型的参数，得到所述轨迹预测模型。
本发明实施例，通过训练样本集中的第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本，训练得到轨迹预测模型，提高了轨迹预测模型预测结果的准确性。
在一个实施例中，所述列车长时间窗运行轨迹预测方法还包括：
将所述测试样本集中的运行特征样本输入所述轨迹预测模型；
将所述轨迹预测模型的输出结果与所述测试样本集中的运行轨迹样本进行对比，得到第一误差；
根据所述第一误差评估所述轨迹预测模型的预测准确率；
若所述预测准确率低于预设值，则对所述轨迹预测模型进行训练。
本发明实施例，通过测试集样本测试轨迹预测模型预测结果的准确度，若准确度低于预设值，则继续对轨迹预测模型进行训练，对模型进行优化，提高了轨迹预测模型预测结果的准确性。
在一个实施例中，所述列车长时间窗运行轨迹预测方法还包括：
获取列车的实时运营数据；
对所述实时运营数据进行预处理，提取第一预设周期内的实时运行特征样本；
根据所述第一预设周期内的实时运行特征样本和所述第一预设周期内的实时运行特征样本对应的第二预设周期内的实时运行轨迹样本，构建第二样本集；
将所述第二样本集中的实时运行特征样本输入所述轨迹预测模型；
将所述轨迹预测模型的输出结果与所述第二样本集中的实时运行轨迹样本进行对比，得到第二误差；
根据所述第二误差，更新所述轨迹预测模型的参数。
本发明实施例，通过获取的实时数据，不断调整模型参数，对模型进行优化，提高了轨迹预测模型预测结果的准确性。
下面对本发明提供的列车长时间窗运行轨迹预测装置进行描述，下文描述的列车长时间窗运行轨迹预测装置与上文描述的列车长时间窗运行轨迹预测方法可相互对应参照。
本发明另一实施例，提供一种列车长时间窗运行轨迹预测装置，如图5所示，包括：运行特征提取模块510和运行轨迹预测模块520，其中，
所述运行特征提取模块510，用于对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征；
运行轨迹预测模块520，用于将所述运行特征输入轨迹预测模型，得到目标列车第二预设周期的运行轨迹；
其中，所述轨迹预测模型是根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建，并通过第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本训练得到的。
可选地，所述运行特征提取模块510，用于：
对所述目标列车的运营数据进行解析，得到数值化的数据；
根据数据来源，对所述数值化的数据进行合并，得到时序相关的第一数据表格；
根据预设的剔除规则，对所述第一数据表格中的坏数据进行剔除，得到第二数据表格；
对所述第二数据表格中的数据进行精细划分，确定第一预设周期内的精细化特征；
对所述精细化特征进行均一化处理，得到目标列车第一预设周期内的运行特征；
所述目标列车第一预设周期内的运行特征包括第一预设周期内目标列车的速度、目标列车的加速度、目标列车的控制指令、目标列车速度的极差、目标列车加速度的极差、目标列车控制指令的极差、目标列车速度的平均值、目标列车加速度的平均值、目标列车控制指令的平均值、目标列车速度的标准差、目标列车加速度的标准差、目标列车控制指令的标准差、目标列车速度的乘积、目标列车加速度的乘积、目标列车控制指令的乘积。
可选地，所述第一预设周期包括目标时刻前的至少一个正整数周期；
所述第二预设周期为目标时刻后的一个正整数周期。
可选地，所述列车长时间窗运行轨迹预测装置还包括运营数据获取模块，用于获取目标列车的运营数据；
其中，所述目标列车的运营数据包括目标列车的状态数据、前车的状态数据、线路状态数据和环境状态数据；
所述目标列车的状态数据包括目标列车的位置、目标列车的速度、目标列车的加速度和目标列车的控制指令。
可选地，所述列车长时间窗运行轨迹预测装置还包括模型训练模块，用于对列车运营数据进行预处理，提取第一预设周期内的运行特征样本；
根据所述第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本，构建第一样本集；
将所述第一样本集划分为训练样本集和测试样本集；
根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建训练前的轨迹预测模型；
根据所述训练样本集，训练得到所述轨迹预测模型。
可选地，所述列车长时间窗运行轨迹预测装置还包括模型测试模块，用于将所述测试样本集中的运行特征样本输入所述轨迹预测模型；
将所述轨迹预测模型的输出结果与所述测试样本集中的运行轨迹样本进行对比，得到第一误差；
根据所述第一误差评估所述轨迹预测模型的预测准确率；
若所述预测准确率低于预设值，则对所述轨迹预测模型进行训练。
可选地，所述列车长时间窗运行轨迹预测装置还包括实时更新模块，用于获取列车的实时运营数据；
对所述实时运营数据进行预处理，提取第一预设周期内的实时运行特征样本；
根据所述第一预设周期内的实时运行特征样本和所述第一预设周期内的实时运行特征样本对应的第二预设周期内的实时运行轨迹样本，构建第二样本集；
将所述第二样本集中的实时运行特征样本输入所述轨迹预测模型；
将所述轨迹预测模型的输出结果与所述第二样本集中的实时运行轨迹样本进行对比，得到第二误差；
根据所述第二误差，更新所述轨迹预测模型的参数。
本发明提供的列车长时间窗运行轨迹预测装置能够实现图1至图4的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行人脸图像的情绪确定方法，该方法包括：
对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征；
将所述运行特征输入轨迹预测模型，得到目标列车第二预设周期的运行轨迹；
其中，所述轨迹预测模型是根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建，并通过第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本训练得到的。
此外，上述的存储器630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。
另一方面，本发明还提供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所提供的列车长时间窗运行轨迹预测方法，该方法包括：
对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征；
将所述运行特征输入轨迹预测模型，得到目标列车第二预设周期的运行轨迹；
其中，所述轨迹预测模型是根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建，并通过第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本训练得到的。
又一方面，本发明还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时实现以执行上述各提供的列车长时间窗运行轨迹预测方法，该方法包括：
对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征；
将所述运行特征输入轨迹预测模型，得到目标列车第二预设周期的运行轨迹；
其中，所述轨迹预测模型是根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建，并通过第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本训练得到的。
以上所描述的装置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：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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各实施例技术方案的精神和范围。

Claims (10)

1.一种列车长时间窗运行轨迹预测方法，其特征在于，包括：
对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征；
将所述运行特征输入轨迹预测模型，得到目标列车第二预设周期的运行轨迹；
其中，所述轨迹预测模型是根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建，并通过第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本训练得到的。
2.根据权利要求1所述的列车长时间窗运行轨迹预测方法，其特征在于，所述对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征，包括：
对所述目标列车的运营数据进行解析，得到数值化的数据；
根据数据来源，对所述数值化的数据进行合并，得到时序相关的第一数据表格；
根据预设的剔除规则，对所述第一数据表格中的坏数据进行剔除，得到第二数据表格；
对所述第二数据表格中的数据进行精细划分，确定第一预设周期内的精细化特征；
对所述精细化特征进行均一化处理，得到目标列车第一预设周期内的运行特征；
其中，所述目标列车第一预设周期内的精细化特征包括以下至少一项：
第一预设周期内目标列车的速度、加速度、控制指令；
第一预设周期内目标列车速度的极差、加速度的极差、控制指令的极差；
第一预设周期内目标列车速度的平均值、加速度的平均值、控制指令的平均值；
第一预设周期内目标列车速度的标准差、加速度的标准差、控制指令的标准差；
第一预设周期内目标列车速度的乘积、加速度的乘积、控制指令的乘积。
3.根据权利要求1所述的列车长时间窗运行轨迹预测方法，其特征在于，所述第一预设周期包括目标时刻前的至少一个正整数周期；
所述第二预设周期为目标时刻后的一个正整数周期。
4.根据权利要求1所述的列车长时间窗运行轨迹预测方法，其特征在于，在所述对目标列车的运营数据进行预处理之前，还包括：
获取目标列车的运营数据；
其中，所述目标列车的运营数据包括目标列车的状态数据、前车的状态数据、线路状态数据和环境状态数据；
所述目标列车的状态数据包括目标列车的位置、目标列车的速度、目标列车的加速度和目标列车的控制指令。
5.根据权利要求1所述的列车长时间窗运行轨迹预测方法，其特征在于，还包括：
训练得到所述轨迹预测模型；
所述训练得到所述轨迹预测模型包括：
对列车运营数据进行预处理，提取第一预设周期内的运行特征样本；
根据所述第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本，构建第一样本集；
将所述第一样本集划分为训练样本集和测试样本集；
根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建训练前的轨迹预测模型；
根据所述训练样本集，训练得到所述轨迹预测模型。
6.根据权利要求5所述的列车长时间窗运行轨迹预测方法，其特征在于，还包括：
将所述测试样本集中的运行特征样本输入所述轨迹预测模型；
将所述轨迹预测模型的输出结果与所述测试样本集中的运行轨迹样本进行对比，得到第一误差；
根据所述第一误差评估所述轨迹预测模型的预测准确率；
若所述预测准确率低于预设值，则对所述轨迹预测模型进行训练。
7.根据权利要求1所述的列车长时间窗运行轨迹预测方法，其特征在于，还包括：
获取列车的实时运营数据；
对所述实时运营数据进行预处理，提取第一预设周期内的实时运行特征样本；
根据所述第一预设周期内的实时运行特征样本和所述第一预设周期内的实时运行特征样本对应的第二预设周期内的实时运行轨迹样本，构建第二样本集；
将所述第二样本集中的实时运行特征样本输入所述轨迹预测模型；
将所述轨迹预测模型的输出结果与所述第二样本集中的实时运行轨迹样本进行对比，得到第二误差；
根据所述第二误差，更新所述轨迹预测模型的参数。
8.一种列车长时间窗运行轨迹预测装置，其特征在于，包括：
运行特征提取模块，用于对目标列车的运营数据进行预处理，提取目标列车第一预设周期内的运行特征；
运行轨迹预测模块，用于将所述运行特征输入轨迹预测模型，得到目标列车第二预设周期的运行轨迹；
其中，所述轨迹预测模型是根据预设的网络模型超参数、第二预设周期和LSTM网络模型构建，并通过第一预设周期内的运行特征样本和所述第一预设周期内的运行特征样本对应的第二预设周期内的运行轨迹样本训练得到的。
9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述列车长时间窗运行轨迹预测方法的步骤。
10.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至7任一项所述列车长时间窗运行轨迹预测方法的步骤。
CN202110897679.9A 2021-08-05 2021-08-05 列车长时间窗运行轨迹预测方法、装置、设备及存储介质 Active CN113792906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110897679.9A CN113792906B (zh) 2021-08-05 2021-08-05 列车长时间窗运行轨迹预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110897679.9A CN113792906B (zh) 2021-08-05 2021-08-05 列车长时间窗运行轨迹预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113792906A true CN113792906A (zh) 2021-12-14
CN113792906B CN113792906B (zh) 2024-04-30

Family

ID=78877177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110897679.9A Active CN113792906B (zh) 2021-08-05 2021-08-05 列车长时间窗运行轨迹预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113792906B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN110509957A (zh) * 2019-08-29 2019-11-29 交控科技股份有限公司 一种列车速度预测方法及装置
CN111091708A (zh) * 2019-12-13 2020-05-01 中国科学院深圳先进技术研究院 车辆轨迹预测方法及装置
CN111582542A (zh) * 2020-03-31 2020-08-25 国网上海市电力公司 一种基于异常修复的电力负荷预测方法及系统
WO2021031222A1 (en) * 2019-08-22 2021-02-25 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for predicting service demand information
CN112805730A (zh) * 2019-12-30 2021-05-14 华为技术有限公司 一种轨迹预测方法及相关设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
WO2021031222A1 (en) * 2019-08-22 2021-02-25 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for predicting service demand information
CN110509957A (zh) * 2019-08-29 2019-11-29 交控科技股份有限公司 一种列车速度预测方法及装置
CN111091708A (zh) * 2019-12-13 2020-05-01 中国科学院深圳先进技术研究院 车辆轨迹预测方法及装置
CN112805730A (zh) * 2019-12-30 2021-05-14 华为技术有限公司 一种轨迹预测方法及相关设备
CN111582542A (zh) * 2020-03-31 2020-08-25 国网上海市电力公司 一种基于异常修复的电力负荷预测方法及系统

Also Published As

Publication number Publication date
CN113792906B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
CN109109909B (zh) 悬挂式磁悬浮列车服役状态采集与数据融合方法及系统
DE102011083677A1 (de) Prognose einer Verkehrssituation für ein Fahrzeug
CN111071305B (zh) 城市轨道交通列车停站时间智能估算方法及装置
CN109919066B (zh) 一种检测轨道交通车厢内乘客密度异常的方法和装置
CN111311959A (zh) 多路口协同控制方法、装置、电子设备及存储介质
CN110509957A (zh) 一种列车速度预测方法及装置
CN115064009B (zh) 一种终端区无人机与有人机冲突风险等级划分方法
CN112172878B (zh) 一种列车限速曲线计算方法及系统
CN112896244A (zh) 基于目标速度曲线跟踪的列车站间运行控制方法及装置
CN112861706A (zh) 一种道路状态的监测方法、装置、设备以及存储介质
CN112198799A (zh) 一种基于深度学习的高速列车停车控制方法及系统
Cunillera et al. Real-time train motion parameter estimation using an unscented Kalman filter
CN115659208A (zh) 一种站台门异常检测方法、装置、终端设备及存储介质
CN113792906A (zh) 列车长时间窗运行轨迹预测方法、装置、设备及存储介质
Becker et al. Case study: Influence of stochastic dwell times on railway traffic simulations
CN116506309B (zh) 一种车载atp通信信号综合监测系统及方法
CN108241866A (zh) 一种对驾驶行为进行引导的方法、装置和车辆
CN113147838B (zh) 一种用于地铁突发事故运营恢复的自动加车方法
CN117315998A (zh) 检测航空器的飞行冲突的方法和装置
CN114820216A (zh) 一种行车风险量化方法、分级方法及预测方法
CN113781820A (zh) 一种机场特种车辆保障航班效率的分析方法
CN113447037A (zh) 行程偏航检测方法及装置
CN115071786B (zh) 列车运行的仿真方法及装置
CN110422204A (zh) 一种基于视频分析的列车动态时间停站方法及装置
Sun et al. Scheduling of high-speed rail traffic based on discrete-time movement model

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