CN115907143A

CN115907143A - 车辆动态响应的预测方法及装置

Info

Publication number: CN115907143A
Application number: CN202211449771.XA
Authority: CN
Inventors: 孙宪夫; 杨飞; 张瑶; 李威霖; 赵文博; 马良德
Original assignee: China Academy of Railway Sciences Corp Ltd CARS; Infrastructure Inspection Institute of CARS; Beijing IMAP Technology Co Ltd
Current assignee: China Academy of Railway Sciences Corp Ltd CARS; Infrastructure Inspection Institute of CARS; Beijing IMAP Technology Co Ltd
Priority date: 2022-11-18
Filing date: 2022-11-18
Publication date: 2023-04-04

Abstract

本发明公开了一种车辆动态响应的预测方法及装置，该方法包括：获取目标轨道不平顺数据；将所述目标轨道不平顺数据，输入至车辆响应预测模型，得到车辆动态响应预测数据；所述车辆响应预测模型为引入坐标注意力机制的卷积神经网络结构、和多尺度注意力机制结构的深度学习模型，所述车辆响应预测模型为通过历史数据，对所述深度学习模型进行训练得到；所述坐标注意力机制用于确定轨道不平顺数据的通道关系和空间里程点位置，并生成轨道不平顺数据的坐标注意力权重；所述多尺度注意力机制，用于捕捉轨道序列的长短期趋势；所述车辆响应预测模型包括：CA‑CNN结构和MUSE结构。本发明用以提升对车辆动态响应数据的预测精度和预测速度。

Description

车辆动态响应的预测方法及装置

技术领域

本发明涉及铁路轨道技术领域，尤其涉及车辆动态响应的预测方法及装置。

背景技术

轨道质量评估作为轨道维修工作的一部分，是保证高速铁路列车运行安全和乘客乘坐舒适度的关键技术环节。现行的轨道质量评价方法基于轨道几何不平顺幅度，然而，仅使用单一的轨道不平顺指标来评价轨道质量，而不考虑车辆的动力响应是不够的。例如，某些轨道区段可能会出现一些问题，如每项轨道不平顺的幅值不超过极限，但车辆出现较大的振动响应。相反，也有一些轨道区段，某些轨道不平顺振幅超过了极限，但并不会导致车辆响应变差。这些问题表明，车辆的振动响应是多种轨道不平顺非线性耦合的结果。

为了提高轨道质量评估标准和指导轨道维护工作，需要研究轨道几何不平顺与车辆响应的关系。这些工作的关键是找到一个模型来准确预测车辆在轨道不平顺情况下的响应，然后结合实际的轨道不平顺指标和预测得到的车辆响应对轨道几何进行评价。

现存在如下方法来预测不平顺轨道所引起的车辆响应。

其一、可侧重于建立机理模型来模拟车辆的非线性动力学行为，对车辆响应进行预测。如利用SIMPACK等商业软件，可以建立三维车辆-轨道动力学模型，研究轨道不平顺与轨道车辆动力学性能之间的关系。但是，模型的性能取决于该模型参数的可靠性，容易受到现实中各种变量的影响。并且由于车辆-轨道系统的实际参数难以获取且随时间动态改变，将理论模型应用于轨道养护实践较为困难。此外，用于求解机构模型的数值迭代方法非常耗时。

其二、可用线性传递函数描述车辆-轨道系统，并基于系统辨识理论估计参数。然而，系统辨识理论只能应用于线性系统和恒速条件下，存在车辆响应预测的局限性问题。

发明内容

本发明实施例提供一种车辆动态响应的预测方法，用以提升对车辆动态响应数据的预测精度和预测速度，该方法包括：

获取目标轨道不平顺数据；

将所述目标轨道不平顺数据，输入至车辆响应预测模型，得到对应目标轨道不平顺数据的车辆动态响应预测数据；所述车辆响应预测模型为引入坐标注意力机制的卷积神经网络结构、和多尺度注意力机制结构的深度学习模型，所述车辆响应预测模型为通过历史数据，对所述深度学习模型进行训练得到；所述历史数据包括轨道不平顺历史数据和对应的车辆动态响应历史预测数据；

其中，所述坐标注意力机制用于确定轨道不平顺数据的通道关系和空间里程点位置，并生成轨道不平顺数据的坐标注意力权重；所述多尺度注意力机制，用于捕捉轨道序列的长短期趋势；

所述车辆响应预测模型包括：CA-CNN结构和MUSE结构；所述CA-CNN结构用于从输入的轨道不平顺数据中，卷积提取出第一轨道不平顺特征；根据所述轨道不平顺数据的坐标注意力权重和第一轨道不平顺特征，得到第二轨道不平顺特征；所述 MUSE结构用于结合所述轨道序列的长短期趋势，对第二轨道不平顺特征进行深度卷积，得到对应输入的轨道不平顺数据的车辆响应预测数据。

本发明实施例还提供一种车辆动态响应的预测装置，用以提升对车辆动态响应数据的预测精度和预测速度，该装置包括：

轨道不平顺数据获取模块，用于获取目标轨道不平顺数据；

车辆动态响应数据预测模块，用于将所述目标轨道不平顺数据，输入至车辆响应预测模型，得到对应目标轨道不平顺数据的车辆动态响应预测数据；所述车辆响应预测模型为引入坐标注意力机制的卷积神经网络结构、和多尺度注意力机制结构的深度学习模型，所述车辆响应预测模型为通过历史数据，对所述深度学习模型进行训练得到；所述历史数据包括轨道不平顺历史数据和对应的车辆动态响应历史预测数据；

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述车辆动态响应的预测方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆动态响应的预测方法。

本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述车辆动态响应的预测方法。

本发明实施例中，获取目标轨道不平顺数据；将所述目标轨道不平顺数据，输入至车辆响应预测模型，得到对应目标轨道不平顺数据的车辆动态响应预测数据；所述车辆响应预测模型为引入坐标注意力机制的卷积神经网络结构、和多尺度注意力机制结构的深度学习模型，所述车辆响应预测模型为通过历史数据，对所述深度学习模型进行训练得到；所述历史数据包括轨道不平顺历史数据和对应的车辆动态响应历史预测数据；其中，所述坐标注意力机制用于确定轨道不平顺数据的通道关系和空间里程点位置，并生成轨道不平顺数据的坐标注意力权重；所述多尺度注意力机制，用于捕捉轨道序列的长短期趋势；所述车辆响应预测模型包括：CA-CNN结构和MUSE结构；所述CA-CNN结构用于从输入的轨道不平顺数据中，卷积提取出第一轨道不平顺特征；根据所述轨道不平顺数据的坐标注意力权重和第一轨道不平顺特征，得到第二轨道不平顺特征；所述MUSE结构用于结合所述轨道序列的长短期趋势，对第二轨道不平顺特征进行深度卷积，得到对应输入的轨道不平顺数据的车辆响应预测数据，通过在车辆响应预测模型中引入坐标注意力机制和多尺度注意力机制，可精准实现以轨道不平顺数据对车辆动态响应的预测，不仅可提升车辆响应预测模型对车辆动态响应数据的预测精度，也提升了对车辆动态响应数据的预测速度，解决了现有技术下因构建的三维车辆-轨道动力学模型易受现实环境的影响而导致预测过程耗时耗力的问题，也解决了现有技术下因线性传递函数存在车辆响应预测的局限性问题。

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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中一种车辆动态响应的预测方法的流程示意图；

图2为本发明实施例中一种车辆响应预测模型的具体示例图；

图3为本发明实施例中一种车辆动态响应的预测装置的结构示意图；

图4为本发明实施例中一种车辆动态响应的预测装置的具体示例图

图5为本发明实施例中用于车辆动态响应的预测的计算机设备示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如， A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

现存在如下方法来预测不平顺轨道所引起的车辆响应。

综上，现阶段的车辆动态响应的实际检测结果较少，并且目前多数的车辆动态响应数据是用仿真来获取的，但是对仿真模型的参数要求高，容易受现实环境的影响。为了解决上述问题，本发明实施例提供了一种车辆动态响应的预测方法，用以提升对车辆动态响应数据的预测精度和预测速度，参见图1，该方法可以包括：

步骤101：获取目标轨道不平顺数据；

步骤102：将上述目标轨道不平顺数据，输入至车辆响应预测模型，得到对应目标轨道不平顺数据的车辆动态响应预测数据；上述车辆响应预测模型为引入坐标注意力机制的卷积神经网络结构、和多尺度注意力机制结构的深度学习模型，上述车辆响应预测模型为通过历史数据，对上述深度学习模型进行训练得到；上述历史数据包括轨道不平顺历史数据和对应的车辆动态响应历史预测数据；

其中，上述坐标注意力机制用于确定轨道不平顺数据的通道关系和空间里程点位置，并生成轨道不平顺数据的坐标注意力权重；上述多尺度注意力机制，用于捕捉轨道序列的长短期趋势；

上述车辆响应预测模型包括：CA-CNN结构和MUSE结构；上述CA-CNN结构用于从输入的轨道不平顺数据中，卷积提取出第一轨道不平顺特征；根据上述轨道不平顺数据的坐标注意力权重和第一轨道不平顺特征，得到第二轨道不平顺特征；上述MUSE结构用于结合上述轨道序列的长短期趋势，对第二轨道不平顺特征进行深度卷积，得到对应输入的轨道不平顺数据的车辆响应预测数据。

具体实施时，首先获取目标轨道不平顺数据。

实施例中，上述目标轨道不平顺数据包括轨道实测几何数据和车辆仿真数据。

举一实例，轨道实测几何数据可包括：轨道综合检测列车对高铁线路的轨道不平顺情况进行检测的数据；车辆仿真数据可包括：通过车辆系统多体模型和SIMPACK 软件对车辆响应进行仿真而得到的数据。

后续步骤中的车辆动态响应实测数据，可包括：采用轨道综合检查列车对车辆响应进行检查而得到的数据。

具体的，实测-仿真数据集包含来自3条高速铁路的4项轨道不平顺数据，即左高低、右高低、左轨向、右轨向。车辆响应数据包括14项：轮轨力(1轴、2轴、3 轴、4轴左右垂力)、减载率(1轴、2轴、3轴、4轴)和车体垂向加速度(车体前后垂向加速度)。

在上述实施例中，上述CA-CNN-MUSE模型，是以实测的轨道几何数据和车辆的仿真数据，为训练接的基础上，进行训练得到车辆响应预测模型。而车辆响应实测数据则用于在模型训练完之后测试模型的效果。

具体实施时，在获取目标轨道不平顺数据后，将上述目标轨道不平顺数据，输入至车辆响应预测模型，得到对应目标轨道不平顺数据的车辆动态响应预测数据；

实施例中，上述车辆响应预测模型为引入坐标注意力机制的卷积神经网络结构、和多尺度注意力机制结构的深度学习模型，上述车辆响应预测模型为通过历史数据，对上述深度学习模型进行训练得到；上述历史数据包括轨道不平顺历史数据和对应的车辆动态响应历史预测数据；

在上述实施例中，为了将轨道几何不平顺与车辆响应联系起来，以改进轨道质量评估标准和轨道维修工作，可利用大量高速铁路动态轨道不平顺检测数据，训练出车辆响应预测模型这一基于深度学习的车辆动态响应的预估模型。

实施例中，上述坐标注意力机制用于确定轨道不平顺数据的通道关系和空间里程点位置，并生成轨道不平顺数据的坐标注意力权重；上述多尺度注意力机制，用于捕捉轨道序列的长短期趋势；

在上述实施例中，CNN结构由交替叠加的卷积层和池化层组成，用于提取轨道不平顺的不同特征。将CNN结构的结果输入到两个叠加的多尺度注意力层中，每个注意力层由多头自注意力机制和深度可分离卷积组成，对全局和局部关系并行编码。在CNN中增加了坐标注意力来关注重要的特征通道和重要的里程位置。在多尺度自注意力层前后有全连接层进行非线性映射并改变数据维度大小，最后通过全连接层输出车辆响应预测值。

实施例中，上述车辆响应预测模型包括：CA-CNN结构和MUSE结构；上述 CA-CNN结构用于从输入的轨道不平顺数据中，卷积提取出第一轨道不平顺特征；根据上述轨道不平顺数据的坐标注意力权重和第一轨道不平顺特征，得到第二轨道不平顺特征；上述MUSE结构用于结合上述轨道序列的长短期趋势，对第二轨道不平顺特征进行深度卷积，得到对应输入的轨道不平顺数据的车辆响应预测数据。

其中，坐标注意力机制为Coordinate Attention(CA)；多尺度注意力机制为Multi-scale Attention(MUSE)。

实施例中，引入了坐标注意力机制和多尺度注意力机制的卷积神经网络模型，而形成的车辆响应预测模型，可称作CA-CNN-MUSE模型，用来预测车辆响应。

值得说明的是：在CNN中引入了坐标注意力Coordinate Attention(CA)来关注重要的通道关系和空间里程点位置，进而利用卷积神经网络学习轨道不平顺特征；利用多尺度自注意力机制Multi-scale Attention(MUSE)捕捉轨道序列的长短期趋势。

在一个实施例中，上述CA-CNN结构包括CA结构和CNN结构；上述CNN结构包括两个卷积层、两个最大池化层和拉伸层；上述两个卷积层的卷积核数分别为4 和8，卷积核大小为1×5，步长为1；上述两个最大池化层的池化核大小为1×2，步长为2；上述拉伸层用于将多维的第一轨道不平顺特征的向量，压缩为一维特征向量，得到表征全局特征的第一轨道不平顺特征。

在一个实施例中，上述MUSE结构包括三个卷积子结构和门控结构；每一卷积子结构包含多个卷积核，卷积核大小分别为1、3、5；上述卷积子结构用于捕获不同范围的特征；上述门控结构用于基于门控机制，自适应调整不同卷积子结构的权重，以汇聚不同卷积子结构的信息。

举一实例，如图2所示的车辆响应预测模型，按如下方式对输入处理进行处理得到输出数据：

①输入数据为实测的轨道几何数据，仿真的车辆响应作为标准的输出；

②将输入数据传入CNN的第一层，然后将第一层的输出，以及输入数据从CA 里输出的结果合并进入CNN的第二层作为整个CA-CNN的输出；

③将CA-CNN的输出经过全连接层后作为MUSE的输入，下述公式(3)是因为 MUSE本身是两个结构(参看图2右侧)；

④将MUSE结构输出的结果经过全连接层作为输出，与仿真得到的车辆响应对比，结果传给损失函数(Loss)，自动优化调整模型参数。

如下结合图2，对上述CNN结构、CA结构和MUSE结构进行具体说明：

1、CNN模块(即CNN结构)

由于轨道不平顺的最大管理波长为120m，为了充分获取长距离波长信息，我们将120m范围内的所有轨道不平顺数据作为输入。利用CNN学习输入向量的特征，并将CNN输出的特征输入到多尺度注意力层中，预测当前里程点的车辆响应。假设当前里程点为t，我们预测在T里程点处的车辆响应为：

此时输入应该为：

X＝{[x^(t-L+1),...,x^(t-1),x^(t)],[x^(t-L+2),...,x^(t),x^(t+1)],...,[x^(t-L+T),...,x^(t+T),x^(t+T-1)]} (2)

其中，

x^(t)为C维轨道不平顺向量，

为K维车辆响应向量，L是120m区段的里程点数。输入序列大小为T×L×C，输出序列大小为T ×1×K。

CNN包括两个卷积层(Conv1D)，其中卷积核数分别为4和8，卷积核大小为1 ×5，步长为1。2个最大池化层池化核大小为1×2，步长为2。通过卷积和最大池化两种叠加操作，提取出轨道不平顺的多维特征。拉伸层将多维特征向量压缩为一维特征向量，得到全局特征。

2、CA模块(即CA结构)

上述CA结构是插入在两层CNN模型中间的，在CNN中引入了坐标注意力(Coordinate Attention)来关注重要的通道关系和空间里程点位置。一般这种修改过的CNN，其实可以命名为CA-CNN，因为后边拼接了多尺度自注意力机制Multi-scaleAttention(MUSE)捕捉轨道序列的长短期趋势，所以完整的模型命名叫做 CA-CNN-MUSE。

在CNN中引入坐标注意力，可以关注对输出有重要影响的空间维度L'上的里程位置和通道维度C'上的通道，坐标注意的输入尺寸为T×L'×C'。T维度进行1 维平均池化后大小为1×L'×C'，并使用1×1卷积对通道进行降维和升维，其中r 为缩减因子，最后通过sigmoid函数生成坐标注意权重。

3、MUSE模块(即MUSE结构)

多尺度注意力示意图如图2所示。

该模块包含两个部分：捕获全局特征的多头自注意力机制和用于捕获局部特征的深度卷积。对于输入序列X，通过多尺度注意力层的输出Y可以表示为：

Y＝Attention(X)+Conv(X) (3)

其中多头自注意力机制可以处理长期依赖关系。在该模块中，将输入序列X映射为三种不同的表示方法，即查询矩阵Q、键矩阵K和值矩阵V。

Q,K,V＝Linear₁(X),Linear₂(X),Linear₃(X) (4)

输出表达式为：

Attention(X)＝Attention(Q,K,V)＝σ(QW^Q,KW^K,VW^V)W^O (6)

其中，W^Q、W^K、W^V、W^O是投影参数，V＝XW^V。

卷积模块用于捕获同一映射空间中的局部上下文序列信息。该模块基于深度可分离卷积，使用三个卷积子模块，每个模块包含多个卷积核，卷积核大小分别为1、3、 5，用于捕获不同范围的特征。同时，引入门控机制来自适应调整不同卷积单元的权重以汇聚不同卷积子模块的信息。深度卷积首先对每个通道进行独立卷积，然后再进行普通卷积。卷积模块的计算过程可以表示为：

其中，α是权重系数。

单个卷积子模块的输出可表示为：

Conv_k(X)＝Depth_conv_k(V)W^out (8)

在一个实施例中，还包括：

获取对应目标轨道不平顺数据的车辆动态响应实测数据；

将上述车辆动态响应实测数据、与车辆动态响应预测数据的均方误差，作为车辆响应预测模型的损失函数。

举一实例，如对于每个数据集，训练数据和测试数据的划分比为7:3。在训练过程中，损失函数为实际和预测车辆响应的均方误差，加入模型参数的L1范数和L2 范数正则项：

其中，T为序列长度，W为所有可训练模型参数，λ₁和λ₂为正则化系数。设置学习率为0.001，优化器为Adam算法。

在一个实施例中，还包括：

基于平均绝对误差、均方根误差、希尔不等式系数和/或相关系数，根据车辆动态响应实测数据和车辆动态响应预测数据，对车辆响应预测模型进行性能评价。

在上述实施例中，可采用平均绝对误差(MAE)、均方根误差(RMSE)、希尔不等式系数(TIC)和相关系数(ρ)4个指标对模型性能进行评价。各指标的计算公式如下：

式中M为测试数据的长度；y_k和

分别为实际值和预测值的第k个样本值；

和

分别为实际值和模型预测值的期望。MAE和RMSE反映了预测的绝对精度，它们的值越小，模型的性能越好。TIC和ρ是相对精度指标，较小的TIC(从0到1)意味着更高的精度。ρ取值范围为-1～1，其绝对值越接近1，精度越高。

下面结合表1至表4，对本发明实施例提供的车辆响应预测模型，进行有益效果的说明：

为了评价本发明实施例提出的CA-CNN-MUSE模型，本发明通过构建多个对比模型，并在实测仿真数据集上进行测试，得出的实验结果如表1所示。

其中，LSTM模型有两个堆叠的LSTM层，每层的隐藏节点数均为64。CNN-LSTM 网络与提出的CA-CNN-MUSE网络具有相同的CNN模块，并且有两个堆叠的LSTM 层。CA-CNN-LSTM是将CA模块添加到CNN-LSTM中。CNN-MUSE网络将 CNN-LSTM网络中的LSTM模块替换为MUSE。

为了比较不同模型的性能，将每个车辆响应的精度指标取平均值以整体评价模型的精度。除此之外使用更多的指标，包括参数量、连接数和测试集上的推理时间。从表1上述的不同模型性能指标表格中，可以看出：

表1

(1)、在CNN-LSTM模型中加入CA后，RMSE、MAE和TIC的精度指标均有所提高。在CNN-LSTM中，将LSTM替换为MUSE，各精度指标也有所提高。同时使用CA和MUSE,CA-CNN-MUSE的RMSE、MAE和TIC均达到最佳。

(2)、在CNN-LSTM中用MUSE替换LSTM，虽然增加了参数量和连接数，但减少了推理时间，原因是MUSE的多头注意力可以并行计算。在CNN-MUSE中加入 CA模块后，推理时间仅增加0.04s。

综上上述，CA-CNN-MUSE的评价指标优于其他模型。

2、为了体现在不同铁路线上的实验结果，本发明实施例基于实测-仿真数据集，研究了模型在不同线路上的性能，如表2所示的不同线路模型性能指标表格所示。

可以看出，与CNN-LSTM相比，CA-CNN-MUSE在2号线和3号线上的表现也更好。

表2

3、而实测-仿真数据集中14个车辆响应的精度指标如表3所示。表3展示了实测-仿真数据中各项车辆响应参数的准确度指标。

可以看出CA-CNN-MUSE模型能有效估计轮轨垂向力、减载率和车体垂向加速度：

表3

4、为了体现对实测数据集的实验结果。

本发明实施例还在轨道实测数据集上训练和测试了提出的CA-CNN-MUSE模型。实测数据集为从某高速线路轨道综合检测列车数据库中提取17km的检测数据。轨道不平顺包括左高低、右高低、左轨向、右轨向、长波左高低、长波右高低、长波左轨向、长波右轨向、水平、三角坑、轨距共11项参数。车辆响应包含左垂力、左横力、右垂力、右横力、车体横向加速度、车体垂向加速度共6项动态响应。

以11个轨道不平顺项和车辆运行速度作为网络的输入，首先通过小波分解和重构去除信号中2m以下的波长分量，然后将其输入到网络中预测车辆响应。

表4总结了CA-CNN-MUSE模型的精度指标，即实测数据中各车辆响应参数的性能指标。可以看出，CA-CNN-MUSE模型可以有效地估计轮轨垂向力和加速度，车体垂向加速度的预测精度较好。

表4

输出	RMSE	MAE	ρ	TIC
					左垂力	1259.4704	936.4605	0.7313	0.0096
右垂力	1214.3663	908.8109	0.7258	0.0123
					车体垂向加速度	0.0076	0.0061	0.8993	0.2433

综上，深度学习的主要优点是强大的非线性建模能力和端到端训练，并且最终能在很大程度上提高模型精度。本发明实施例建立了CA-CNN-MUSE模型，该模型将 CNN与MUSE相结合，并来估计车辆响应。实验表明，与LSTM模型和CNN-LSTM 模型相比，该模型提高了预测精度，并具有良好的计算速度。

具体而言，本发明实施例提出的CA-CNN-MUSE模型的预测精度，高于传统的 LSTM模型和CNN-LSTM模型，推理速度高于CNN-LSTM模型。CA-CNN-MUSE 模型预测的轮轨垂向力和车体加速度波形和PSD与实际数据吻合较好，适用于车辆系统的多体仿真模型和实际高速线路的实测数据。

当然，可以理解的是，上述详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。

本发明实施例中，获取目标轨道不平顺数据；将上述目标轨道不平顺数据，输入至车辆响应预测模型，得到对应目标轨道不平顺数据的车辆动态响应预测数据；上述车辆响应预测模型为引入坐标注意力机制的卷积神经网络结构、和多尺度注意力机制结构的深度学习模型，上述车辆响应预测模型为通过历史数据，对上述深度学习模型进行训练得到；上述历史数据包括轨道不平顺历史数据和对应的车辆动态响应历史预测数据；其中，上述坐标注意力机制用于确定轨道不平顺数据的通道关系和空间里程点位置，并生成轨道不平顺数据的坐标注意力权重；上述多尺度注意力机制，用于捕捉轨道序列的长短期趋势；上述车辆响应预测模型包括：CA-CNN结构和MUSE结构；上述CA-CNN结构用于从输入的轨道不平顺数据中，卷积提取出第一轨道不平顺特征；根据上述轨道不平顺数据的坐标注意力权重和第一轨道不平顺特征，得到第二轨道不平顺特征；上述MUSE结构用于结合上述轨道序列的长短期趋势，对第二轨道不平顺特征进行深度卷积，得到对应输入的轨道不平顺数据的车辆响应预测数据，通过在车辆响应预测模型中引入坐标注意力机制和多尺度注意力机制，可精准实现以轨道不平顺数据对车辆动态响应的预测，不仅可提升车辆响应预测模型对车辆动态响应数据的预测精度，也提升了对车辆动态响应数据的预测速度，解决了现有技术下因构建的三维车辆-轨道动力学模型易受现实环境的影响而导致预测过程耗时耗力的问题，也解决了现有技术下因线性传递函数存在车辆响应预测的局限性问题。

本发明实施例中还提供了一种车辆动态响应的预测装置，如下面的实施例所表述的。由于该装置解决问题的原理与车辆动态响应的预测方法相似，因此该装置的实施可以参见车辆动态响应的预测方法的实施，重复之处不再赘述。

本发明实施例还提供一种车辆动态响应的预测装置，用以提升对车辆动态响应数据的预测精度和预测速度，如图3所示，该装置包括：

轨道不平顺数据获取模块301，用于获取目标轨道不平顺数据；

车辆动态响应数据预测模块302，用于将上述目标轨道不平顺数据，输入至车辆响应预测模型，得到对应目标轨道不平顺数据的车辆动态响应预测数据；上述车辆响应预测模型为引入坐标注意力机制的卷积神经网络结构、和多尺度注意力机制结构的深度学习模型，上述车辆响应预测模型为通过历史数据，对上述深度学习模型进行训练得到；上述历史数据包括轨道不平顺历史数据和对应的车辆动态响应历史预测数据；

上述车辆响应预测模型包括：CA-CNN结构和MUSE结构；上述CA-CNN结构用于从输入的轨道不平顺数据中，卷积提取出第一轨道不平顺特征；根据上述轨道不平顺数据的坐标注意力权重和第一轨道不平顺特征，得到第二轨道不平顺特征；上述 MUSE结构用于结合上述轨道序列的长短期趋势，对第二轨道不平顺特征进行深度卷积，得到对应输入的轨道不平顺数据的车辆响应预测数据。

在一个实施例中，上述目标轨道不平顺数据包括轨道实测几何数据和车辆仿真数据。

在一个实施例中，如图4所示，还包括：

损失函数确定模块401，用于：

获取对应目标轨道不平顺数据的车辆动态响应实测数据；

在一个实施例中，还包括：

模型性能评价模块，用于：

本发明实施例提供一种用于实现上述车辆动态响应的预测方法中的全部或部分内容的计算机设备的实施例上述计算机设备具体包含有如下内容：

处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，上述处理器、存储器、通信接口通过上述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该计算机设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该计算机设备可以参照实施例用于实现车辆动态响应的预测方法的实施例及用于实现车辆动态响应的预测装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

图5为本申请实施例的计算机设备1000的系统构成的示意框图。如图5所示，该计算机设备1000可以包括中央处理器1001和存储器1002；存储器1002耦合到中央处理器1001。值得注意的是，该图5是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，车辆动态响应的预测功能可以被集成到中央处理器1001中。其中，中央处理器1001可以被配置为进行如下控制：

获取目标轨道不平顺数据；

在另一个实施方式中，车辆动态响应的预测装置可以与中央处理器1001分开配置，例如可以将车辆动态响应的预测装置配置为与中央处理器1001连接的芯片，通过中央处理器的控制来实现车辆动态响应的预测功能。

如图5所示，该计算机设备1000还可以包括：通信模块1003、输入单元1004、音频处理器1005、显示器1006、电源1007。值得注意的是，计算机设备1000也并不是必须要包括图5中所示的所有部件；此外，计算机设备1000还可以包括图5中没有示出的部件，可以参考现有技术。

如图5所示，中央处理器1001有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器1001接收输入并控制计算机设备 1000的各个部件的操作。

其中，存储器1002，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器1001可执行该存储器1002 存储的该程序，以实现信息存储或处理等。

输入单元1004向中央处理器1001提供输入。该输入单元1004例如为按键或触摸输入装置。电源1007用于向计算机设备1000提供电力。显示器1006用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器1002可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器1002 还可以是某种其它类型的装置。存储器1002包括缓冲存储器1021(有时被称为缓冲器)。存储器1002可以包括应用/功能存储部1022，该应用/功能存储部1022用于存储应用程序和功能程序或用于通过中央处理器1001执行计算机设备1000的操作的流程。

存储器1002还可以包括数据存储部1023，该数据存储部1023用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由计算机设备使用的数据。存储器1002的驱动程序存储部1024可以包括计算机设备的用于通信功能和/或用于执行计算机设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块1003即为经由天线1008发送和接收信号的发送机/接收机1003。通信模块(发送机/接收机)1003耦合到中央处理器1001，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一计算机设备中，可以设置有多个通信模块1003，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)1003 还经由音频处理器1005耦合到扬声器1009和麦克风1010，以经由扬声器1009提供音频输出，并接收来自麦克风1010的音频输入，从而实现通常的电信功能。音频处理器1005可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器1005 还耦合到中央处理器1001，从而使得可以通过麦克风1010能够在本机上录音，且使得可以通过扬声器1009来播放本机上存储的声音。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种车辆动态响应的预测方法，其特征在于，包括：

获取目标轨道不平顺数据；

所述车辆响应预测模型包括：CA-CNN结构和MUSE结构；所述CA-CNN结构用于从输入的轨道不平顺数据中，卷积提取出第一轨道不平顺特征；根据所述轨道不平顺数据的坐标注意力权重和第一轨道不平顺特征，得到第二轨道不平顺特征；所述MUSE结构用于结合所述轨道序列的长短期趋势，对第二轨道不平顺特征进行深度卷积，得到对应输入的轨道不平顺数据的车辆响应预测数据。

2.如权利要求1所述的方法，其特征在于，所述目标轨道不平顺数据包括轨道实测几何数据和车辆仿真数据。

3.如权利要求1所述的方法，其特征在于，所述CA-CNN结构包括CA结构和CNN结构；所述CNN结构包括两个卷积层、两个最大池化层和拉伸层；所述两个卷积层的卷积核数分别为4和8，卷积核大小为1×5，步长为1；所述两个最大池化层的池化核大小为1×2，步长为2；所述拉伸层用于将多维的第一轨道不平顺特征的向量，压缩为一维特征向量，得到表征全局特征的第一轨道不平顺特征。

4.如权利要求1所述的方法，其特征在于，所述MUSE结构包括三个卷积子结构和门控结构；每一卷积子结构包含多个卷积核，卷积核大小分别为1、3、5；所述卷积子结构用于捕获不同范围的特征；所述门控结构用于基于门控机制，自适应调整不同卷积子结构的权重，以汇聚不同卷积子结构的信息。

5.如权利要求1所述的方法，其特征在于，还包括：

获取对应目标轨道不平顺数据的车辆动态响应实测数据；

将所述车辆动态响应实测数据、与车辆动态响应预测数据的均方误差，作为车辆响应预测模型的损失函数。

6.如权利要求1所述的方法，其特征在于，还包括：

7.一种车辆动态响应的预测装置，其特征在于，包括：

轨道不平顺数据获取模块，用于获取目标轨道不平顺数据；

8.如权利要求7所述的装置，其特征在于，所述目标轨道不平顺数据包括轨道实测几何数据和车辆仿真数据。

9.如权利要求7所述的装置，其特征在于，所述CA-CNN结构包括CA结构和CNN结构；所述CNN结构包括两个卷积层、两个最大池化层和拉伸层；所述两个卷积层的卷积核数分别为4和8，卷积核大小为1×5，步长为1；所述两个最大池化层的池化核大小为1×2，步长为2；所述拉伸层用于将多维的第一轨道不平顺特征的向量，压缩为一维特征向量，得到表征全局特征的第一轨道不平顺特征。

10.如权利要求7所述的装置，其特征在于，所述MUSE结构包括三个卷积子结构和门控结构；每一卷积子结构包含多个卷积核，卷积核大小分别为1、3、5；所述卷积子结构用于捕获不同范围的特征；所述门控结构用于基于门控机制，自适应调整不同卷积子结构的权重，以汇聚不同卷积子结构的信息。

11.如权利要求7所述的装置，其特征在于，还包括：

损失函数确定模块，用于：

获取对应目标轨道不平顺数据的车辆动态响应实测数据；

12.如权利要求7所述的装置，其特征在于，还包括：

模型性能评价模块，用于：

13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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6任一所述方法。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。

15.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。