CN117775078A - 一种基于深度学习的矿内货运列车行驶方向判断方法 - Google Patents

Abstract

本发明涉及列车驾驶技术领域，尤其涉及一种基于深度学习的矿内货运列车行驶方向判断方法，该方法包括：获取列车的第一预测位置和第二预测位置，然后对第一预测位置和第二预测位置加权求和，获取最终预测位置，依据最终预测位置生成预测轨迹，对预测轨迹修正后获取最终预测轨迹，从而确定列车的行驶方向。本发明具备第一预测位置和第二预测位置的初次校正，并且依据校正后的最终预测位置生成预测轨迹，再获得最终预测轨迹时，还对预测轨迹进行了校正，多角度的预测信息校正有效保证了最终预测轨迹的可取性，提高了对矿内货运列车的行驶方向进行获取的准确性。

Description

一种基于深度学习的矿内货运列车行驶方向判断方法

技术领域

本发明涉及列车驾驶技术领域，尤其涉及一种基于深度学习的矿内货运列车行驶方向判断方法。

背景技术

申请号为201910949944.6的发明专利，专利名称为一种列车的定位方法、装置、系统和存储介质，列车的定位方法是使用列车的初始位置和对列车速度进行时间积分运算的结果确定列车的实时位置，然后根据列车通信连接的基站的识别信息并确定所述基站的信号强度；根据预先存储的所述基站的信号强度与位置的对应关系，确定所述基站的信号强度所对应的位置；从而确定列车当前时刻所处位置。以上方法的实现，基于稳定的网络信号，但是针对于矿内的货运列车，其网络信号传输并不稳定，极大可能还是网络信号无法覆盖的环境，因此上述方法并不适用矿内货运列车（下文均称为列车）的定位和行进方向的判断，故而针对上述环境存在的问题丞待解决。

发明内容

为解决上述技术问题，本发明提供了一种基于深度学习的列车行驶方向判断方法，能够实现矿内行驶的列车在离线环境下位置的识别和行进方向的判断。

本发明提供了一种基于深度学习的列车行驶方向判断方法，包括：

采集列车运行数据集对预设的神经网络模型进行训练，获得训练好的神经网络预测模型，所述列车运行数据集包括列车的速度数据、加速度数据和运行轨迹数据；

使用所述神经网络预测模型预测所述列车在下一时刻的位置作为第一预测位置；

基于所述列车运行数据集，使用加速度公式计算所述列车在下一时刻的位置作为第二预测位置；

对所述第一预测位置和所述第二预测位置进行加权求和以获取所述列车在下一时刻的最终预测位置；

所述第一预测位置的权重计算满足关系式：

其中，为列车在第/>时刻下的第一预测位置的权重；/>为所述第一预测位置对应的神经网络模型输出的置信度；/>为第/>时刻下获取的第一预测位置和第二预测位置之间的欧式距离值；/>为第/>时刻下的第一预测位置的平滑程度值；

第二预测位置的权重计算满足关系式：

其中，为第/>时刻下第二预测位置的权重；/>为第/>时刻下第二预测位置的平滑程度值；

基于所述最终预测位置确定所述列车行驶的预测轨迹，并对所述预测轨迹进行修正，获得最终预测轨迹；

将列车在所述最终预测轨迹上已行驶的轨迹与预设的离线版轨迹进行对比，获取列车的实时运行位置；

基于所述列车的实时运行位置和所述最终预测位置确定所述列车的实时行驶方向。

在一个实施例中，所述平滑程度值的计算方式为：

获取列车距离当前时刻最近的连续个历史时刻的最终预测位置；

按照时间先后顺序依次连接个最终预测位置，计算各相邻最终预测位置之间连线的角度值，并获取所有角度值的平均值/>；

获取列车第时刻的最终预测位置、第/>时刻的位置与第/>时刻所对应的第一预测位置三者之间的连线角度值的平均值/>；

获取列车第时刻的最终预测位置、第/>时刻的位置与第/>时刻所对应的第二预测位置三者之间的连线角度值的平均值/>；

将与/>差值的绝对值作为第一预测位置的平滑程度值/>；

将与/>差值的绝对值作为第二预测位置的平滑程度值/>。

在一个实施例中，所述对所述第一预测位置和所述第二预测位置进行加权求和以获取所述列车在下一时刻的最终预测位置包括：

对第一预测位置的权重和第二预测位置的权重进行归一化处理，获取第一预测位置的权重比和第二预测位置的权重比；

所述第一预测位置的权重比满足关系式：

所述第二预测位置的权重比满足关系式：

基于所述第一预测位置的权重比和第二预测位置的权重比对所述第一预测位置和所述第二预测位置进行加权求和，获得所述列车在下一时刻的最终预测位置。

在一个实施例中，所述列车的位置由三维坐标确定，所述最终预测位置的计算方法为：

将与第一预测位置中的三个坐标值分别相乘后，得到第一预测点位的权重坐标/>；

将与第二预测位置中的三个坐标值分别相乘后，得到第二预测点位的权重坐标/>；

对第一预测点位的权重坐标和第二预测点位的权重坐标进行相加得到最终预测位置，所述最终预测位置的坐标为：

其中，为在第/>时刻下第一预测点位的空间坐标，为在第/>时刻下第二预测点位的空间坐标。

在一个实施例中，所述对所述预测轨迹进行修正包括：

使所述预测轨迹的起点和离线版轨迹的相同位置点重合，然后旋转所述预测轨迹，使所述预测轨迹与离线版轨迹保持最大化重合。

在一个实施例中，旋转所述预测轨迹的旋转角度的获取方式为：

计算最终预测位置与离线版轨迹重合的重合度权重，/>满足关系式：

在不同旋转角度下，对与离线版轨迹重合的所有最终预测位置的重合度权重进行累加获得最大累加/>值；

以所述最大累加值对应的旋转角度旋转所述预测轨迹，获得最终预测轨迹。

有益效果

1、结合神经网络模型和加速计算公式，在离线状态下实现列车在下一时刻位置的预测，以此获取预测轨迹，并与离线版轨迹进行比对，最终实现行驶方向的确定，当列车在行驶过程中突然发生离线状况时，能够进一步提升列车的安全性。

2、行驶方向的判断方法中具备第一预测位置和第二预测位置的初次校正，并且依据校正后的最终预测位置生成预测轨迹，在获得最终预测轨迹时，还对预测轨迹进行了校正，多角度的预测信息校正有效保证了最终预测轨迹的可取性，提高了对矿内货运列车的行驶方向进行获取的准确性。

附图说明

图1是本发明实施例的流程图。

图2是本发明实施例中列车的位置关系示意图。

具体实施方式

下面将结合本发明实施例中的附图，如图1和图2所示，对本发明实施例中的技术方案进行清楚、完整地描述；

，采集列车运行数据集对预设的神经网络模型进行训练，获得训练好的神经网络预测模型，列车运行数据集包括列车的速度数据、加速度数据和运行轨迹数据。

在一个可选的实施例中，预设的神经网络模型可以是循环神经网络模型，同时可利用现有动力学仿真软件进行数据模拟，从而实现对列车的速度数据、加速度数据和运行轨迹数据的采集，最终将采集到的所有速度数据、加速度数据和运行轨迹数据作为列车运行数据集。

在一个可选的实施例中，需要获取列车在初始阶段的空间位置坐标，和对应的三个坐标轴方向上的加速度的矢量值，以及列车的速度矢量，其中加速度用于在离线状态下确定列车的实时速度，进而以空间坐标和三轴方向上的加速度得到一个/>维的六维向量，表示当前运动模型的加速度数据和空间位置数据。

该可选地实施例中，可选择ADAMS软件作为动力学仿真软件，选择RNN网络结构作为循环神经网络。

在对循环神经网络经训练时，在线状态下，获取列车启动后最先经过的个识别点位的六维向量，作为预测基础信息，并以其中连续的/>个六维向量信息作为预测信息长度，其中/>，然后使用预测信息长度包含的六维向量，在离线状态下，利用均方差损失函数进行下一时刻的位置预测，也即是循环神经网络将输出预测的列车下一时刻的六维向量，以表示列车下一时刻到达的空间位置以及下一时刻下列车的加速度状态；与此同时，循环神经网络还将赋予该预测结果一个置信度值，表示循环神经网络预测该值时的可靠度。

最终，通过不断迭代更新预设的神经网络模型，在均方差损失函数的损失值达到0或预设的最小值时获得训练好的神经网络预测模型。

，使用神经网络预测模型预测列车在下一时刻的位置作为第一预测位置。

包括：

a、获取列车启动后最先经过的个时刻的六维向量，以/>个六维向量作为预测基础信息，其中，六维向量的元素为在各时刻下/>三轴方向上的加速度值和空间位置坐标；可选地，预测基础信息来源于列车在矿外或是矿内在线状态阶段下实时获取的列车状态数据。

b、根据空间位置坐标以及三轴加速度值，生成对应时刻下的六维向量。

c、输入连续长度为的六维向量信息，以列车所在位置及其经过的与其最接近的个六维向量作为预测信息长度。

d、在离线状态下，使用训练好的循环神经网络模型，以预测信息长度的个六维向量预测列车在下一时刻的位置作为第一预测位置。

在本实施例中，，/>。

，基于列车运行数据集，使用加速度公式计算列车在下一时刻的位置作为第二预测位置。

该可选的实施例中，加速度数据为空间坐标系下三个轴向上的加速度矢量数据、位置信息为空间坐标系下三个轴向上的位置数据，速度信息为空间坐标系下三个轴向上的速度矢量数据。

利用现有的加速度计算公式，对列车运行数据集中的数据进行计算，最终获得列车在下一时刻的位置作为第二预测位置。

，对第一预测位置和第二预测位置进行加权求和以获取列车在下一时刻的最终预测位置。

使用训练完成的循环神经网络可以获取得到预测的加速度数据，但是循环神经网络的预测准确率本身也会存在一定误差。而根据加速度数据和加速度公式计算的第二预测位置，由于积分计算会产生累计误差，导致计算结果在后续的第二次预测计算中逐渐的偏移实际位置，若不加以修改正，会使位置偏移越来越严重。

此外，直接使用加速度计算公式获得的第二预测位置也会存在一定的误差，例如，如果第一预测位置和第二预测位置之间的欧式距离值在允许误差范围内，则表示两个预测位置近似，表示当前的预测准确度较高，当第一预测位置和第二预测位置之间的欧式距离值超出允许误差范围时，则应当使得最终预测位置偏向于第一预测位置和第二预测位置之间，对最终预测位置加以修正，以使最终预测位置更准确，所以可以对第一预测位置和第二预测位置之间求取坐标均值，表示最终预测位置。

故而最终预测位置的获取方法如下：

a、第一预测位置和第二预测位置的权重的影响因素。

第一预测位置的权重影响因素包括循环神经网络输出的该第一预测位置的置信度，第/>时刻下获取的第一预测位置和第二预测位置之间的欧式距离值/>，第/>时刻下第一预测位置的平滑程度值/>。

第二预测位置的权重影响因素包括第一预测位置和第二预测位置之间的欧式距离值，第/>时刻下第二预测位置的平滑程度值/>。

b、平滑程度值的计算方式为：

获取列车距离当前时刻最近的连续个历史时刻的最终预测位置；

按照时间先后顺序依次连接个最终预测位置，计算各相邻最终预测位置之间连线的角度值，并获取所有角度值的平均值/>；

获取列车第时刻的最终预测位置、第/>时刻的位置与第/>时刻所对应的第一预测位置三者之间的连线角度值的平均值/>；

获取列车第时刻的最终预测位置、第/>时刻的位置与第/>时刻所对应的第二预测位置三者之间的连线角度值的平均值/>；

将与/>差值的绝对值作为第一预测位置的平滑程度值/>；

将与/>差值的绝对值作为第二预测位置的平滑程度值/>。

c、第一预测位置的平滑程度值是/>与/>差值的绝对值；第二预测位置的平滑程度值/>是/>与/>差值的绝对值。

第一预测位置的权重计算满足关系式：

其中，为列车在第/>时刻下的第一预测位置的权重；

第二预测位置的权重计算满足关系式：

其中，为第/>时刻下第二预测位置的权重。

d、结合第一预测位置的权重和第二预测位置的权重，其结合方式为：

对第一预测位置的权重和第二预测位置的权重进行归一化处理，获取第一预测位置的权重比和第二预测位置的权重比。

第一预测位置的权重比满足关系式：

第二预测位置的权重比满足关系式：

e、计算得到最终预测位置，其计算方法为：

将与第一预测位置中的三个坐标值分别相乘后，得到第一预测点位的权重坐标/>；

将与第二预测位置中的三个坐标值分别相乘后，得到第二预测点位的权重坐标/>；

对第一预测点位的权重坐标和第二预测点位的权重坐标进行相加得到最终预测位置，最终预测位置的坐标为：

其中，为在第/>时刻下第一预测点位的空间坐标，为在第/>时刻下第二预测点位的空间坐标。

，基于最终预测位置确定列车行驶的预测轨迹，并对预测轨迹进行修正，获得最终预测轨迹。

把预测信息长度包含的元素从列车所在位置推进到下一时刻下获得的最终预测位置，从而预测第二个最终预测位置，最终获取列车在所有时刻的最终预测位置，并形成预测的行驶轨迹。

，将列车在最终预测轨迹上已行驶的轨迹与预设的离线版轨迹进行对比，获取列车的实时运行位置。

因为与/>之间的差异越小，表示该时刻列车的第一预测位置和第二预测位置存在的差异越小，表示当前最终的预测位置准确率较高，那么所得的预测轨迹也就越准确。当/>与/>之间的差异越大，表示该时刻列车的第一预测位置和第二预测位置存在的差异越大，只能使得最终预期位置更加偏向于单一预测位置，不能实现相互佐证，进而，还需要对预测轨迹加以修正。

故而，对预测轨迹的修正方法为：

a、使预测轨迹的起点和离线版轨迹的相同位置点重合，此点位为设定点位，也即是预测轨迹的起点是设定在离线版轨迹的相同位置点，可以实现自动重合。

b、然后旋转预测轨迹；使预测轨迹上的部分最终预测位置与离线版轨迹保持最大化重合。

c、获取与离线版轨迹重合的最终预测位置的重合度权重，/>满足关系式：

d、在不同旋转角度下，对与离线版轨迹重合的所有最终预测位置的重合度权重进行累加获得最大累加/>值，以最大累加/>值对应的旋转角度旋转预测轨迹，获得最终预测轨迹。

步骤：基于列车的实时运行位置和最终预测位置确定列车的实时行驶方向。

该可选的实施例中，可根据列车的实时运行位置和获得的最终预测位置，两个位置按照时间先后的顺序确定出列车的实时行驶方向。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于深度学习的矿内货运列车行驶方向判断方法，其特征在于：

采集列车运行数据集对预设的神经网络模型进行训练，获得训练好的神经网络预测模型，所述列车运行数据集包括列车的速度数据、加速度数据和运行轨迹数据；

使用所述神经网络预测模型预测所述列车在下一时刻的位置作为第一预测位置；

基于所述列车运行数据集，使用加速度公式计算所述列车在下一时刻的位置作为第二预测位置；

对所述第一预测位置和所述第二预测位置进行加权求和以获取所述列车在下一时刻的最终预测位置；

所述第一预测位置的权重计算满足关系式：

其中，为列车在第/>时刻下的第一预测位置的权重；/>为所述第一预测位置对应的神经网络模型输出的置信度；/>为第/>时刻下获取的第一预测位置和第二预测位置之间的欧式距离值；/>为第/>时刻下的第一预测位置的平滑程度值；

第二预测位置的权重计算满足关系式：

其中，为第/>时刻下第二预测位置的权重；/>为第/>时刻下第二预测位置的平滑程度值；

基于所述最终预测位置确定所述列车行驶的预测轨迹，并对所述预测轨迹进行修正，获得最终预测轨迹；

将列车在所述最终预测轨迹上已行驶的轨迹与预设的离线版轨迹进行对比，获取列车的实时运行位置；

基于所述列车的实时运行位置和所述最终预测位置确定所述列车的实时行驶方向。

2.如权利要求1所述的一种基于深度学习的矿内货运列车行驶方向判断方法，其特征在于，所述平滑程度值的计算方式为：

获取列车距离当前时刻最近的连续个历史时刻的最终预测位置；

按照时间先后顺序依次连接个最终预测位置，计算各相邻最终预测位置之间连线的角度值，并获取所有角度值的平均值/>；

获取列车第时刻的最终预测位置、第/>时刻的位置与第/>时刻所对应的第一预测位置三者之间的连线角度值的平均值/>；

获取列车第时刻的最终预测位置、第/>时刻的位置与第/>时刻所对应的第二预测位置三者之间的连线角度值的平均值/>；

将与/>差值的绝对值作为第一预测位置的平滑程度值/>；

将与/>差值的绝对值作为第二预测位置的平滑程度值/>。

3.如权利要求1所述的一种基于深度学习的矿内货运列车行驶方向判断方法，其特征在于，所述对所述第一预测位置和所述第二预测位置进行加权求和以获取所述列车在下一时刻的最终预测位置包括：

对第一预测位置的权重和第二预测位置的权重进行归一化处理，获取第一预测位置的权重比和第二预测位置的权重比；

所述第一预测位置的权重比满足关系式：

所述第二预测位置的权重比满足关系式：

基于所述第一预测位置的权重比和第二预测位置的权重比对所述第一预测位置和所述第二预测位置进行加权求和，获得所述列车在下一时刻的最终预测位置。

4.如权利要求3所述的一种基于深度学习的矿内货运列车行驶方向判断方法，其特征在于，所述列车的位置由三维坐标确定，所述最终预测位置的计算方法为：

将与第一预测位置中的三个坐标值分别相乘后，得到第一预测点位的权重坐标；

将与第二预测位置中的三个坐标值分别相乘后，得到第二预测点位的权重坐标；

对第一预测点位的权重坐标和第二预测点位的权重坐标进行相加得到最终预测位置，所述最终预测位置的坐标为：

其中，为在第/>时刻下第一预测点位的空间坐标，为在第/>时刻下第二预测点位的空间坐标。

5.权利要求1-4任意一项所述的一种基于深度学习的矿内货运列车行驶方向判断方法，其特征在于，所述对所述预测轨迹进行修正包括：

使所述预测轨迹的起点和离线版轨迹的相同位置点重合，然后旋转所述预测轨迹，使所述预测轨迹与离线版轨迹保持最大化重合。

6.权利要求5所述的一种基于深度学习的矿内货运列车行驶方向判断方法，其特征在于，旋转所述预测轨迹的旋转角度的获取方式为：

计算最终预测位置与离线版轨迹重合的重合度权重，/>满足关系式：

在不同旋转角度下，对与离线版轨迹重合的所有最终预测位置的重合度权重进行累加获得最大累加/>值；

以所述最大累加值对应的旋转角度旋转所述预测轨迹，获得最终预测轨迹。