CN115056824A - 一种确定控车参数的方法、装置、计算机存储介质及终端 - Google Patents
一种确定控车参数的方法、装置、计算机存储介质及终端 Download PDFInfo
- Publication number
- CN115056824A CN115056824A CN202210488982.8A CN202210488982A CN115056824A CN 115056824 A CN115056824 A CN 115056824A CN 202210488982 A CN202210488982 A CN 202210488982A CN 115056824 A CN115056824 A CN 115056824A
- Authority
- CN
- China
- Prior art keywords
- layer
- parameter
- result
- train control
- vehicle control
- 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
Links
- 238000000034 method Methods 0.000 title claims description 45
- 238000012545 processing Methods 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000009795 derivation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
- B61L27/10—Operations, e.g. scheduling or time tables
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本文公开一种确定控车参数的方法、装置、计算机存储介质及终端,本发明实施例根据列车运行时的运行参数信息实现了列车自动驾驶(ATO)系统的控车参数的自动确认,降低了更新控车参数的时间消耗,提升了控车参数的确定效率。
Description
技术领域
本文涉及但不限于轨道交通技术,尤指一种确定控车参数的方法、装置、计算机存储介质及终端。
背景技术
随着城市都市圈人口的急剧增长及人们对出行便捷高效的迫切需求,城市轨道交通对列车运行控制系统的运营能力提出了更大的要求。列车自动驾驶(ATO,AutomaticTrain Operation)系统作为基于通信的列车运行控制系统(CBTC,Comunication BasedTrain Control)系统核心设备,具备对城市轨道交通各运营场景下的列车自动驾驶功能。ATO系统可通过控制列车的牵引和制动等自动完成列车的启动、巡航和精确停车。
针对ATO系统控制的不同线路场景,由于各个线路的车辆性能、线路数据存在差异,运营调度也有不同需求,因此各车载ATO系统的控车参数存在很大差异;相关技术中的控车参数调试,一般是根据每个车辆连续跑车运行的结果获得新的调试参数;上述控车参数调试的作业主要依靠人工调试,存在效率低、成本高且耗时长的问题,且当车辆性能或线路数据变化时,需重新更新调试控车参数。
综上,如何提升ATO系统的控车参数的调试效率,成为一个有待解决的问题。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供一种确定控车参数的方法、装置、计算机存储介质及终端,能够实现控车参数的自动调整,提升控车参数的确定效率。
本发明实施例提供了一种确定控车参数的方法,包括:
对两项以上列车运行时的运行参数信息,每一层输入层对接收到的其中一项运行参数信息,通过预设的第一加权参数进行第一加权计算获得加权运行参数信息;
输入层将获得的加权运行参数信息传输到每一层隐含层;
每一层隐含层对接收到的来自各输入层的加权运行参数信息进行累加,并将累加的结果与预先设定的该隐含层的控车相关参数相加,获得各隐含层相应的隐含输出结果;
隐含层通过预设的第二加权参数对隐含输出结果进行第二加权计算,并将第二加权计算的结果输入至每一层输出层;
每一层输出层对接收到的来自各隐含层的第二加权计算的结果进行累加,获得列车控制运算结果;
根据列车控制运算结果,确定是否将控车相关参数确定为最终的控车参数;
其中,所述输入层、所述隐含层和所述输出层为反向传播BP神经网络的三层感知机MLP。另一方面,本发明实施例还提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现上述确定控车参数的方法。
再一方面,本发明实施例还提供一种终端,包括:存储器和处理器,所述存储器中保存有计算机程序;其中,
处理器被配置为执行存储器中的计算机程序;
所述计算机程序被所述处理器执行时实现如上述确定控车参数的方法。
还一方面,本发明实施例还提供一种确定控车参数的装置,包括:输入处理单元、隐含处理单元、输出处理单元和结果处理单元;其中,
输入处理单元包含n层的输入层,设置为:对两项以上列车运行时的运行参数信息,每一层输入层对接收到的其中一项运行参数信息,通过预设的第一加权参数进行第一加权计算获得加权运行参数信息;将输入层获得的加权运行参数信息传输到每一层隐含层;
隐含处理单元包含m层的隐含层,设置为:每一层隐含层将接收到的来自各输入层的加权运行参数信息累加,并将累加的结果与预先设定的该隐含层的控车相关参数相加,获得各隐含层相应的隐含输出结果;隐含层通过预设的第二加权参数对隐含输出结果进行第二加权计算,并将第二加权计算的结果输入至每一层输出层;
输出处理单元包含k层的输出层,设置为:每一层输出层对接收到的来自各隐含层的第二加权计算的结果进行累加,获得列车控制运算结果;
结果处理单元设置为:根据列车控制运算结果,确定是否将控车相关参数确定为最终的控车参数;
其中,所述输入层、所述隐含层和所述输出层为反向传播BP神经网络的三层感知机MLP。
本申请技术方案包括:对两项以上列车运行时的运行参数信息,每一层输入层对接收到的其中一项运行参数信息,通过预设的第一加权参数进行第一加权计算获得加权运行参数信息;输入层将获得的加权运行参数信息传输到每一层隐含层;每一层隐含层对接收到的来自各输入层的加权运行参数信息进行累加,并将累加的结果与预先设定的该隐含层的控车相关参数相加,获得各隐含层相应的隐含输出结果;隐含层通过预设的第二加权参数对隐含输出结果进行第二加权计算,并将第二加权计算的结果输入至每一层输出层;每一层输出层对接收到的来自各隐含层的第二加权计算的结果进行累加,获得列车控制运算结果;根据列车控制运算结果,确定是否将控车相关参数确定为最终的控车参数;其中,所述输入层、所述隐含层和所述输出层为反向传播BP神经网络的三层感知机MLP。本发明实施例根据列车运行时的运行参数信息实现了列车自动驾驶(ATO)系统的控车参数的自动确认,降低了更新控车参数的时间消耗,提升了控车参数的确定效率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明实施例确定控车参数的方法的流程图;
图2为本发明实施例确定控车参数的装置的结构框图;
图3为本发明应用示例BP神经网络的示意图;
图4为本发明应用示例正向传播的示意图;
图5为本发明应用示例另一正向传播的示意图;
图6为本发明应用示例确定停准参数的流程图。
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明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1为本发明实施例确定控车参数的方法的流程图,如图1所示,包括:
步骤101、对两项以上列车运行时的运行参数信息,每一层输入层对接收到的其中一项运行参数信息,通过预设的第一加权参数进行第一加权计算获得加权运行参数信息;
在一种示例性实例中,本发明实施例中的运行参数信息包括以下两项或两项以上信息:速度、加速度、坡度信息、停车点信息、位置信息和车辆制动率;
步骤102、输入层将获得的加权运行参数信息传输到每一层隐含层;这里,本发明实施例每一个输入层对一项运行参数进行第一加权计算后,每一个输入层按照一对多的关系,将加权运行参数信息传输到BP神经网络的每一个隐含层。
步骤103、每一层隐含层对接收到的来自各输入层的加权运行参数信息进行累加,并将累加的结果与预先设定的该隐含层的控车相关参数相加,获得各隐含层相应的隐含输出结果;
在一种示例性实例中,本发明实施例中的控车相关参数包括以下一项或任意组合:控车电流、低速真实减速度、惰性或制动工况下的制动延时时间和实际施加制动平均打折系数;
在一种示例性实例中,本发明实施例第q层隐含层的隐含输出结果等于:
式中,Xi表示输入层接收的运行参数信息,Wqi表示第q层输入层的第一加权参数,Pq表示第q层隐含层的控车相关参数,n为BP神经网络包含的输入层的层数;
步骤104、隐含层通过预设的第二加权参数对隐含输出结果进行第二加权计算,并将第二加权计算的结果输入至每一层输出层;
步骤105、每一层输出层对接收到的来自各隐含层的第二加权计算的结果进行累加,获得列车控制运算结果;
在一种示例性实例中,本发明实施例第P层输出层获得的列车控制运算结果等于:
式中,Ai表示输出层接收到的来自第i层隐含层的隐含输出结果,Vpi表示第p层输出层的第二加权参数,m为隐含层的总层数;
步骤106、根据列车控制运算结果,确定是否将控车相关参数确定为最终的控车参数;
其中,输入层、隐含层和输出层为反向传播(BP)神经网络的三层感知机(MLP)。
在一种示例性实例中,本发明实施例步骤106可以由加载BP神经网络的处理器实施。
本发明实施例根据列车运行时的运行参数信息实现了列车自动驾驶(ATO)系统的控车参数的自动确认,降低了更新控车参数的时间消耗,提升了控车参数的确定效率。
在一种示例性实例中,通过预设的第一加权参数进行第一加权计算获得加权运行参数信息之前,本发明实施例方法之前还包括:
对运行参数信息进行归一化处理。
在一种示例性实例中,本发明实施例可以由加载BP神经网络的处理器执行上述归一化处理。
在一种示例性实例中,本发明实施例采用线性转换算法实现归一化处理。
在一种示例性实例中,本发明实施例通过以下计算公式进行归一化处理:
其中:X是运行参数信息的初始数值,X′是运行参数信息归一化后的数值,Min为X的最小值,Max为X的最大值。
在一种示例性实例中,本发明实施例中的运行参数信息包括停车点信息时,对运行参数信息进行归一化处理,包括:
根据停车点信息计算停车点距离预设位置的距离值;
对计算出的距离值进行归一化处理,以获得停车点信息的归一化处理结果。
在一种示例性实例中,本发明实施例确定是否将控车相关参数确定为最终的控车参数,包括:
根据预设的列车控制期望结果,判断获得的列车控制运算结果是否满足预设条件;
判断出列车控制运算结果满足预设条件时,将控车相关参数确定为最终的控车参数;
判断出列车控制运算结果不满足预设条件时,对第一加权参数、控车相关参数和第二加权参数进行参数调整,直至参数调整后列车控制运算结果满足预设要求时,将参数调整后的控车相关参数确定为最终的控车参数。
在一种示例性实例中,本发明实施例根据预设的列车控制期望结果,判断获得的列车控制运算结果是否满足预设条件,包括:
根据列车控制运算结果与列车控制期望结果的误差构建损失函数;
损失函数的取值小于预设误差阈值时,确定列车控制运算结果满足预设条件;损失函数的取值大于或等于预设误差阈值时,确定列车控制运算结果不满足预设条件。
需要说明的是,本发明实施例中的列车控制期望结果可以根据列车性能和线路参数确定,列车控制期望结果可以在列车运行之前记录到设备配置文件中;在一种示例性实例中,停车误差为50厘米左右,控车节能比率大于80%。在一种示例性实例中,本发明实施例中的误差阈值可以由本领域技术人员根据经验确定。
在一种示例性实例中,本发明实施例中的损失函数记为Ei,表达式为:
其中,k为BP神经网络中输出层的层数,Yi表示第i层输出层的列车控制运算结果,Zi表示第i层输出层的列车控制期望结果。
在一种示例性实例中,为了减小列车控制运算结果更接近列车控制期望结果的误差,本发明实施例使用梯度下降法寻找损失函数的最小值。
在一种示例性实例中,本发明实施例通过以下调整函数对第一加权参数、控车相关参数和第二加权参数进行参数调整:
其中,ΔVpi表示对第p层输出层的第二加权参数进行调整;ΔWqi表示对第q层隐含层的第一加权参数进行调整;ΔPq表示对第q层隐含层的控车相关参数进行调整;μ为预先设定的学习速率,Vpi表示第p层隐含层的第二加权参数,m为隐含层的总层数;Wqi表示第q层输入层的第一加权参数;Aq表示第q层隐含层的控车相关参数。
本发明实施例BP神经网络模型的网络激活函数为Sigmoid函数,本发明实施例设Sigmoid=f(x);本发明实施例根据Sigmoid函数求导的属性(f′(x)=f(x)(1-f(x)))以及链式求导法得到,p取1时第二加权参数的调整函数为:
本发明实施例中:
上述函数,q取1时的表达式为:
本发明实施例还提供一种计算机存储介质,计算机存储介质中存储有计算机程序,计算机程序被处理器执行时实现上述确定控车参数的方法。
本发明实施例还提供一种终端,包括:存储器和处理器,存储器中保存有计算机程序;其中,
处理器被配置为执行存储器中的计算机程序;
计算机程序被处理器执行时实现如上述确定控车参数的方法。
图2为本发明实施例确定控车参数的装置的结构框图,如图2所示,包括:
输入处理单元、隐含处理单元、输出处理单元和结果处理单元;其中,
输入处理单元包含n层的输入层,设置为:对两项以上列车运行时的运行参数信息,每一层输入层对接收到的其中一项运行参数信息,通过预设的第一加权参数进行第一加权计算获得加权运行参数信息;将输入层获得的加权运行参数信息传输到每一层隐含层;
隐含处理单元包含m层的隐含层,设置为:每一层隐含层将接收到的来自各输入层的加权运行参数信息累加,并将累加的结果与预先设定的该隐含层的控车相关参数相加,获得各隐含层相应的隐含输出结果;隐含层通过预设的第二加权参数对隐含输出结果进行第二加权计算,并将第二加权计算的结果输入至每一层输出层;
输出处理单元包含k层的输出层,设置为:每一层输出层对接收到的来自各隐含层的第二加权计算的结果进行累加,获得列车控制运算结果;
结果处理单元设置为:根据列车控制运算结果,确定是否将控车相关参数确定为最终的控车参数;
其中,输入层、隐含层和输出层为反向传播BP神经网络的三层感知机(MLP)。
在一种示例性实例中,本发明实施例中的运行参数信息包括以下两项或两项以上信息:速度、加速度、坡度信息、停车点信息、位置信息和车辆制动率;
在一种示例性实例中,本发明实施例中的控车相关参数包括以下一项或任意组合:控车电流、低速真实减速度、惰性或制动工况下的制动延时时间和实际施加制动平均打折系数;列车控制运算结果包括以下一项或任意组合:停车误差、控车节能比率、控车效率和控车时间。
在一种示例性实例中,本发明实施例装置还包括归一化处理单元,设置为:对运行参数信息进行归一化处理。
在一种示例性实例中,本发明实施例装置还包括归一化处理单元,是设置为:运行参数信息包括停车点信息时,根据停车点信息计算停车点距离预设位置的距离值;对计算出的距离值进行归一化处理,以获得停车点信息的归一化处理结果。
在一种示例性实例中,本发明实施例结果处理单元是设置为:
根据预设的列车控制期望结果,判断获得的列车控制运算结果是否满足预设条件;
判断出列车控制运算结果满足预设条件时,将控车相关参数确定为最终的控车参数;
判断出列车控制运算结果不满足预设条件时,对第一加权参数、控车相关参数和第二加权参数进行参数调整,直至参数调整后列车控制运算结果满足预设要求时,将参数调整后的控车相关参数确定为最终的控车参数。
在一种示例性实例中,本发明实施例结果处理单元是设置为判断获得的列车控制运算结果是否满足预设条件,包括:
根据列车控制运算结果与列车控制期望结果的误差构建损失函数;
损失函数的取值小于预设误差阈值时,确定列车控制运算结果满足预设条件;损失函数的取值大于或等于预设误差阈值时,确定列车控制运算结果不满足预设条件。
在一种示例性实例中,本发明实施例中的损失函数记为Ei,表达式为:
其中,k为BP神经网络中输出层的层数,Yi表示第i层输出层的列车控制运算结果,Zi表示第i层输出层的列车控制期望结果。
在一种示例性实例中,本发明实施例结果处理单元是设置为通过以下调整函数对第一加权参数、控车相关参数和第二加权参数进行参数调整:
其中,ΔVpi表示对第p层输出层的第二加权参数进行调整;ΔWqi表示对第q层隐含层的第一加权参数进行调整;ΔPq表示对第q层隐含层的控车相关参数进行调整;μ为预先设定的学习速率,Vpi表示第p层隐含层的第二加权参数,m为隐含层的总层数;Wqi表示第q层输入层的第一加权参数;Aq表示第q层隐含层的控车相关参数。
以下通过应用示例性对本发明实施例进行简要说明,应用示例仅用于陈述本发明实施例,并不用于限定本发明的保护范围。
应用示例
图3为本发明应用示例BP神经网络的示意图,如图3所示,本应用示例BP神经网络的输入层接收列车运行时的运行参数信息,运行参数信息包括速度、加速度、坡度信息、停车点信息、车辆制动性能等,其中,车辆制动性能包括车辆制动率;本应用示例将运行参数信息表示为X={X1,X2,…,Xn}。
本应用示例隐含层预先设定了列车自动驾驶(ATO)系统的控车相关参数,控车相关参数包括:控车电流、低速真实减速度、惰性或制动工况下的制动延时时间和实际施加制动平均打折系数等;参见图3,本应用示例将控车相关参数表示为P={P1,P2,…,Pm},将隐含层输出定义为A={A1,A2,…,Am}。
本应用示例输出层根据输入层刺激,隐含层权重训练而输出对应的列车控制运算结果,列车控制运算结果包括停车误差、控车节能比率、控车效率和控车时间等,本应用示例将列车控制运算结果表示为Y={Y1,Y2,…,Yn};本应用示例将输出层的列车控制期望结果定义为Z={Z1,Z2,…,Zn}。
本应用示例将输入层至隐含层之间的第一加权参数定义为{W11,W12,…,W1n},{W21,W22,…,W2n},…,{Wm1,Wm2,…,Wmn},其中,隐含层至输出层之间的第二加权参数定义为{V11,V12,…,V1m},{V21,V22,…,V2m},…,{Vk1,Vk2,…,Vkm};其中,本应用示例BP神经网络模型的网络激活函数采取Sigmoid函数(设Sigmoid=f(x))。
在一种示例性实例中,由于输入的运行参数信息的取值范围不一致,本应用示例将运行参数信息输入输入层之前,按照预设策略对运行参数信息进行归一化的处理,通过归一化处理将数据映射到更小的空间,例如[0,1],以实现数据单位的统一;本应用示例通过归一化处理提升了BP神经网络收敛速度,减小了训练时长。
在一种示例性实例中,本应用示例对输出层的期望输出结果进行归一化处理。
在一种示例性实例中,本应用示例采用线性转换算法进行归一化处理,归一化处理的公式为:
其中,X是运行参数信息的初始数据,X′是运行参数信息归一化后的数据,Min为X的最小值,Max为X的最大值。
本应用示例确定ATO系统的控车参数包括数据的正向传播与误差的反向传播两个过程;正向传播时,本应用示例BP神经网络的输入层时刻记录列车运行时的速度、加速度、从列车自动保护系统(ATP)传入的坡度信息和停车点信息等,设置第一加权参数和控车相关参数(控制电流、牵引或制动延时时间等),构成输入层至隐含层之间的传递关系。图4为本发明应用示例正向传播的示意图,如图4所示,第1层隐含层的隐含输出结果为:
获得隐含输出结果后,本应用示例再设置第二加权参数,在隐含层的输出端通过第二加权参数进行第二加权计算,隐含层将第二加权计算的结果分别发往每一个输出层,输出层根据参照图5的正向传播获得列车控制运算结果:
本应用示例在完成从输入层至隐含层,隐含层至输出层之间的正向传播处理后,若输出层的列车控制结果与期望输出结果不满足预设要求时,则转入误差的反向传播阶段。反向传播时,将列车控制结果通过隐层向输入层逐层反馈,将误差分摊给BP神经网络各层的所有单元,从而获得各层单元的误差,将该误差作为修正各单元权值和阈值的依据。
本应用示例通过设定一个损失函数表示该误差,使用最小二乘法表示为:
为了减小该误差,使得列车控制结果更接近期望输出结果,使用梯度下降法寻找该最小值;本应用示例假设学习速率μ,隐含层至输出层权值调整函数如下(以输出停车误差为例):
根据Sigmoid函数求导的属性(f′(x)=f(x)(1-f(x)))以及链式求导法得到隐含层至输出层去权值调整值如下:
同理,输入层至隐含层之间的第二加权参数的调整函数如下:
本发明实施例控车相关参数调整函数如下:
根据反复迭代寻求第一加权参数、第二加权参数和控车相关参数取最小值时,将当前的第一加权参数、第二加权参数和控车相关参数作为ATO控车参数调试过程训练样本的正向传播输入并反复循环,直到获得接近预期输出的最优解,最终得到停车误差最小、控车节能比率较高和控车效率较高的结果;至此,得出最优的控制电流、牵引或制动延时时间等。
以下以城市轨道交通调试ATO的停准参数为例对本应用示例作进一步示例说明;停准参数的确定包括训练和拟合两个部分。训练部分包含训练及验证过程。拟合部分包括根据速度、位置、加速度等输入建立用于确定停准参数的BP神经网络,调整输入及隐含层误差,并根据对第一加权参数、控车相关参数和第二加权参数进行重复训练,直至获得满足预设条件的列车控制运算结果;图6为本发明应用示例确定停准参数的流程图,如图6所示,包括:
步骤601、初始化BP神经网络的第一加权参数、控车相关参数和第二加权参数;
步骤602、对列车运行时的运行参数信息进行归一化处理;
步骤603、设置BP神经网络的输入层、隐含层和输出层的个数。
步骤604、BP神经网络根据第一加权参数、控车相关参数和第二加权参数对运行参数信息进行运算;
步骤605、根据预设的列车控制期望结果,判断获得的列车控制运算结果是否满足预设条件;不满足预设条件时,执行步骤606;满足预设条件时,执行步骤607;
步骤606、对第一加权参数、控车相关参数和第二加权参数进行参数调整,并在参数调整完成后,返回步骤604;
步骤607、将控车相关参数确定为最终的控车参数。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (12)
1.一种确定控车参数的方法,包括:
对两项以上列车运行时的运行参数信息,每一层输入层对接收到的其中一项运行参数信息,通过预设的第一加权参数进行第一加权计算获得加权运行参数信息;
输入层将获得的加权运行参数信息传输到每一层隐含层;
每一层隐含层对接收到的来自各输入层的加权运行参数信息进行累加,并将累加的结果与预先设定的该隐含层的控车相关参数相加,获得各隐含层相应的隐含输出结果;
隐含层通过预设的第二加权参数对隐含输出结果进行第二加权计算,并将第二加权计算的结果输入至每一层输出层;
每一层输出层对接收到的来自各隐含层的第二加权计算的结果进行累加,获得列车控制运算结果;
根据列车控制运算结果,确定是否将控车相关参数确定为最终的控车参数;
其中,所述输入层、所述隐含层和所述输出层为反向传播BP神经网络的三层感知机MLP。
2.根据权利要求1所述的方法,其特征在于,所述运行参数信息包括以下两项或两项以上信息:速度、加速度、坡度信息、停车点信息、位置信息和车辆制动率。
3.根据权利要求1所述的方法,其特征在于,所述控车相关参数包括以下一项或任意组合:控车电流、低速真实减速度、惰性或制动工况下的制动延时时间和实际施加制动平均打折系数;所述列车控制运算结果包括以下一项或任意组合:停车误差、控车节能比率、控车效率和控车时间。
4.根据权利要求2所述的方法,其特征在于,所述通过预设的第一加权参数进行第一加权计算获得加权运行参数信息之前,所述方法之前还包括:
对所述运行参数信息进行归一化处理。
5.根据权利要求4所述的方法,其特征在于,所述运行参数信息包括停车点信息时,所述对所述运行参数信息进行归一化处理,包括:
根据所述停车点信息计算停车点距离预设位置的距离值;
对计算出的距离值进行归一化处理,以获得所述停车点信息的归一化处理结果。
6.根据权利要求1~5任一项所述的方法,其特征在于,所述确定是否将控车相关参数确定为最终的控车参数,包括:
根据预设的列车控制期望结果,判断获得的列车控制运算结果是否满足预设条件;
判断出所述列车控制运算结果满足预设条件时,将控车相关参数确定为最终的所述控车参数;
判断出所述列车控制运算结果不满足预设条件时,对所述第一加权参数、所述控车相关参数和所述第二加权参数进行参数调整,直至参数调整后所述列车控制运算结果满足预设要求时,将参数调整后的控车相关参数确定为最终的所述控车参数。
7.根据权利要求6所述的方法,其特征在于,所述根据预设的列车控制期望结果,判断获得的列车控制运算结果是否满足预设条件,包括:
根据所述列车控制运算结果与所述列车控制期望结果的误差构建损失函数;
所述损失函数的取值小于预设误差阈值时,确定所述列车控制运算结果满足预设条件;所述损失函数的取值大于或等于预设误差阈值时,确定所述列车控制运算结果不满足预设条件。
10.一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1~9中任一项所述的确定控车参数的方法。
11.一种终端,包括:存储器和处理器,所述存储器中保存有计算机程序;其中,
处理器被配置为执行存储器中的计算机程序;
所述计算机程序被所述处理器执行时实现如权利要求1~9中任一项所述的确定控车参数的方法。
12.一种确定控车参数的装置,包括:输入处理单元、隐含处理单元、输出处理单元和结果处理单元;其中,
输入处理单元包含n层的输入层,设置为:对两项以上列车运行时的运行参数信息,每一层输入层对接收到的其中一项运行参数信息,通过预设的第一加权参数进行第一加权计算获得加权运行参数信息;将输入层获得的加权运行参数信息传输到每一层隐含层;
隐含处理单元包含m层的隐含层,设置为:每一层隐含层将接收到的来自各输入层的加权运行参数信息累加,并将累加的结果与预先设定的该隐含层的控车相关参数相加,获得各隐含层相应的隐含输出结果;隐含层通过预设的第二加权参数对隐含输出结果进行第二加权计算,并将第二加权计算的结果输入至每一层输出层;
输出处理单元包含k层的输出层,设置为:每一层输出层对接收到的来自各隐含层的第二加权计算的结果进行累加,获得列车控制运算结果;
结果处理单元设置为:根据列车控制运算结果,确定是否将控车相关参数确定为最终的控车参数;
其中,所述输入层、所述隐含层和所述输出层为反向传播BP神经网络的三层感知机MLP。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210488982.8A CN115056824B (zh) | 2022-05-06 | 2022-05-06 | 一种确定控车参数的方法、装置、计算机存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210488982.8A CN115056824B (zh) | 2022-05-06 | 2022-05-06 | 一种确定控车参数的方法、装置、计算机存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115056824A true CN115056824A (zh) | 2022-09-16 |
CN115056824B CN115056824B (zh) | 2023-11-28 |
Family
ID=83197030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210488982.8A Active CN115056824B (zh) | 2022-05-06 | 2022-05-06 | 一种确定控车参数的方法、装置、计算机存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115056824B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080144944A1 (en) * | 1992-05-05 | 2008-06-19 | Automotive Technologies International, Inc. | Neural Network Systems for Vehicles |
US20080319933A1 (en) * | 2006-12-08 | 2008-12-25 | Medhat Moussa | Architecture, system and method for artificial neural network implementation |
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 |
CN107832789A (zh) * | 2017-11-01 | 2018-03-23 | 杭州电子科技大学 | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 |
CN111191773A (zh) * | 2020-01-07 | 2020-05-22 | 泰康保险集团股份有限公司 | 更新信息预测网络的网络参数的方法、装置、介质及设备 |
CN112158233A (zh) * | 2020-09-25 | 2021-01-01 | 通号城市轨道交通技术有限公司 | 基于自学习的ato控车方法及装置 |
CN112825153A (zh) * | 2019-11-20 | 2021-05-21 | 华为技术有限公司 | 神经网络系统中数据处理的方法、神经网络系统 |
CN112862147A (zh) * | 2020-11-19 | 2021-05-28 | 河南汇祥通信设备有限公司 | 基于bp神经网络的综合管廊运维风险评价模型及方法 |
CN112874576A (zh) * | 2019-11-29 | 2021-06-01 | 比亚迪股份有限公司 | 列车参数自动化调整方法和车载控制器 |
CN113326962A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 基于bp神经网络的地铁列车ato速度曲线预测方法 |
CN113548090A (zh) * | 2021-09-23 | 2021-10-26 | 北京和利时系统工程有限公司 | 一种调整列车自动驾驶的精确停车控制参数的方法和装置 |
WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
CN113627163A (zh) * | 2021-06-29 | 2021-11-09 | 华为技术有限公司 | 一种注意力模型、特征提取方法及相关装置 |
CN114104038A (zh) * | 2020-08-28 | 2022-03-01 | 比亚迪股份有限公司 | 列车控制方法、计算机设备及存储介质 |
CN114386312A (zh) * | 2021-12-08 | 2022-04-22 | 华能沁北发电有限责任公司 | 一种设备故障诊断方法 |
-
2022
- 2022-05-06 CN CN202210488982.8A patent/CN115056824B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080144944A1 (en) * | 1992-05-05 | 2008-06-19 | Automotive Technologies International, Inc. | Neural Network Systems for Vehicles |
US20080319933A1 (en) * | 2006-12-08 | 2008-12-25 | Medhat Moussa | Architecture, system and method for artificial neural network implementation |
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 |
CN107832789A (zh) * | 2017-11-01 | 2018-03-23 | 杭州电子科技大学 | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 |
CN112825153A (zh) * | 2019-11-20 | 2021-05-21 | 华为技术有限公司 | 神经网络系统中数据处理的方法、神经网络系统 |
CN112874576A (zh) * | 2019-11-29 | 2021-06-01 | 比亚迪股份有限公司 | 列车参数自动化调整方法和车载控制器 |
CN111191773A (zh) * | 2020-01-07 | 2020-05-22 | 泰康保险集团股份有限公司 | 更新信息预测网络的网络参数的方法、装置、介质及设备 |
CN113326962A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 基于bp神经网络的地铁列车ato速度曲线预测方法 |
WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
CN114104038A (zh) * | 2020-08-28 | 2022-03-01 | 比亚迪股份有限公司 | 列车控制方法、计算机设备及存储介质 |
CN112158233A (zh) * | 2020-09-25 | 2021-01-01 | 通号城市轨道交通技术有限公司 | 基于自学习的ato控车方法及装置 |
CN112862147A (zh) * | 2020-11-19 | 2021-05-28 | 河南汇祥通信设备有限公司 | 基于bp神经网络的综合管廊运维风险评价模型及方法 |
CN113627163A (zh) * | 2021-06-29 | 2021-11-09 | 华为技术有限公司 | 一种注意力模型、特征提取方法及相关装置 |
CN113548090A (zh) * | 2021-09-23 | 2021-10-26 | 北京和利时系统工程有限公司 | 一种调整列车自动驾驶的精确停车控制参数的方法和装置 |
CN114386312A (zh) * | 2021-12-08 | 2022-04-22 | 华能沁北发电有限责任公司 | 一种设备故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
谭力天;黄友能;李玲玉;: "一种基于改进BP神经网络的重载列车驾驶曲线算法研究", 铁路计算机应用, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN115056824B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112307564B (zh) | 列车ato目标运行速度曲线优化方法及装置 | |
CN113763723B (zh) | 基于强化学习与动态配时的交通信号灯控制系统及方法 | |
CN111311959B (zh) | 多路口协同控制方法、装置、电子设备及存储介质 | |
CN112141063B (zh) | 列车制动方法、装置、电子设备及存储介质 | |
CN113788021A (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
CN110990950B (zh) | 基于混合运行模式的多目标列车节能优化方法 | |
CN112660126B (zh) | 用于自适应巡航的车辆协同控制方法、装置及车辆 | |
CN108313057B (zh) | 基于mpc和凸优化算法的纯电动汽车自适应巡航控制方法 | |
CN113741199A (zh) | 一种基于智能网联信息的整车经济性速度规划方法 | |
CN115641717A (zh) | 基于混合交通流的高速公路主线-匝道车辆协同合流控制方法、设备及存储介质 | |
CN115016264A (zh) | 动态跟驰车距调整的主从协同控制方法、装置及存储介质 | |
CN115071712A (zh) | 一种新能源汽车滑行工况能量回收强度智能化控制方法 | |
CN115056824A (zh) | 一种确定控车参数的方法、装置、计算机存储介质及终端 | |
CN117273371A (zh) | 基于虚拟耦合的重载列车群组运行轨迹优化方法及系统 | |
CN117104305A (zh) | 虚拟编组列车分布式协同追踪控制方法、系统及电子设备 | |
CN112109775A (zh) | 一种列车运行曲线动态优化系统 | |
CN116572750A (zh) | 基于云平台与神经网络的客车能量回收控制方法及系统 | |
CN116176654A (zh) | 一种场景自适应的轨道交通ato控制系统 | |
CN112537340B (zh) | 基于离散通信数据的多列车分散事件触发控制的方法 | |
CN109686086A (zh) | 模糊控制网络的训练、生成路口建议速度的方法及装置 | |
CN114547774A (zh) | 一种重载列车进站曲线优化方法及系统 | |
CN110794711A (zh) | 基于节能坡的列车节能运行控制方法、电子设备及介质 | |
CN115424456B (zh) | 高速公路交织区协同自适应巡航优化控制方法 | |
CN117002580B (zh) | 一种实现移动授权信息处理的方法及装置 | |
CN114566045B (zh) | 训练调度模型的方法、装置、实现协同驾驶的方法及装置 |
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 |