基于单元与多元融合预测模型的高速列车节能驾驶策略制造技术

本发明专利技术公开了基于单元与多元融合预测模型的高速列车节能驾驶策略，首先需要将原始数据根据操作手柄级位进行分类，采用欠采样法对数据集进行随机采样，得到均衡数据集，经过基于梯度提升算法的包裹式特征选择算法去除均衡数据集中的冗余特征得到训练集，最后将经过特征选择之后的训练集输入单元与多元融合预测模型中对其进行训练。测试集选择一条包含所有操作手柄级位的路线，将数据进行和训练集一样的处理后，输入训练好的模型对其操作手柄级位进行预测，经过反复训练以及优化，最终得到节能策略。在今后的列车驾驶中可以使用本发明专利技术中的策略，不仅达到了节能的效果，而且成本低，符合国家对高速列车驾驶的要求。符合国家对高速列车驾驶的要求。符合国家对高速列车驾驶的要求。

【技术实现步骤摘要】
基于单元与多元融合预测模型的高速列车节能驾驶策略


[0001]本专利技术属于高速列车驾驶、神经网络和机器学习
，具体涉及一种基于单元与多元融合预测模型的高速列车节能驾驶策略。

技术介绍

[0002]目前，高速列车以其舒适度、正点率以及耗时少等优点成为大众出行的重要交通工具，作为国内中短途出行时的交通方式，可以节约旅途中的大量时间，成为绝大多数人的最佳选择。
[0003]近年来，高速铁路运输日益发展。随着高速铁路运行里程和行车密度的增大，牵引供电系统用电量逐年增加，高铁的节能降耗成为人们关注的热点。高铁相对其他交通出行方式最显著的优势之一就是极少延误能够正点到站，这就要求在列车运行过程中进行速度的规划和控制。据统计，高速列车牵引能耗占比最大。因此，在保证列车安全准时运行的基础上，通过降低高速列车的牵引能耗，可以达到有效降低列车能耗的效果。
[0004]中国高速铁路是中国重要的一类交通基础设施，截至2021年底，全国铁路营业里程突破15万公里，高速铁路运营里程突破4万公里，稳居世界第一。高速铁路运输的低碳、节能功能明显，已成为我国现代化交通体系的主干。同时高速铁路还对政治、经济以及文化的发展起到促进作用，对工业发展起到积极的带动作用。我们在体会它快捷便利的同时也清楚的意识到它的能耗问题，因此对高速列车的节能驾驶研究成为一个非常重要的课题。

技术实现思路

[0005]本专利技术的目的是提供基于单元与多元融合预测模型的高速列车节能驾驶策略，解决了高速列车在运行过程中由于操作不当产生过多能耗的问题。
[0006]本专利技术所采用的技术方案是，基于单元与多元融合预测模型的高速列车节能驾驶策略，具体操作步骤如下：
[0007]步骤1、根据操作手柄级位将运行时数据根据操作手柄级位的不同进行分类，分为12类，所述运行时数据包括运行时间、速度、温度；在使用数据的过程中，将忽略乘客激活紧急操作位这一类数据去除，将剩余的数据中操作手柄级位标签分别记为0
‑
10，使用欠采样方法，对每一类数据进行欠采样操作，得到每一类别数量相等的均衡数据集；
[0008]步骤2、对步骤2中得到的均衡数据集使用基于极端梯度提升算法的包裹式特征选择方法进行特征选择，最终得到三十七个与操作手柄级位相关的特征，此均衡数据集将作为训练集；
[0009]步骤3、将步骤2所述训练集作为单元与多元融合预测模型的输入，对单元与多元融合预测模型进行训练，得到在不同操作手柄级位的分类结果；
[0010]步骤4、先选取一条路线作测试，选取的路线要求在初始运行时数据的记录中，原有操作手柄级位包含十一个不同类别，根据初始运行时数据中记录的能耗数值进行原有运行时数据牵引用电能耗的计算；
[0011]步骤5、将测试集经过特征选择之后输入训练好的单元与多元融合预测模型中得到初始驾驶操作策略Y，最后根据预测得到的初始操作策略Y和由初始运行时数据计算得到的各操作手柄级位平均每秒带来的能耗增加值计算出在策略Y下的牵引用电能量Q
′
；
[0012]步骤6、将步骤4与步骤5中得到的牵引用电能量对比，调整网络模型，寻求最佳运行策略；
[0013]本专利技术的特点还在于，
[0014]步骤1具体如下：
[0015]步骤1.1：根据制动手柄级位将运行时数据进行分类，制动手柄级位的值是几个离散量：{EB,REL,1A,1B,2,3,4,5,6,7,8,OC}，EB为紧急制动位，用标签0表示；REL为运转位，即牵引位，用标签1表示；常用制动位1A,1B,2,3,4,5,6,7,8分别用2，3，4，5，6，7，8，9，10表示,OC为忽略乘客激活紧急制动位，用标签11表示，由此将制动手柄级位映射为：{0,1,2,3,4,5,6,7,8,9,10,11}，共十二类；
[0016]步骤1.2：对制动手柄级位为11的数据代表乘客激活紧急制动位类别剔除；使用欠采样方法，从制动手柄级位标签为1
‑
10的数据中随机抽取60组数据，共得到660条数据。
[0017]步骤2具体如下：
[0018]步骤2.1：使用基于极端梯度提升算法的包裹式特征选择算法对均衡数据集进行特征选择操作，根据特征的重要性度量过滤零重要度的特征；
[0019]步骤2.2：利用构建的树模型结构，对非零重要度特征进行排序，最终数据中保留三十七个非零重要度特征作为训练集中的特征。
[0020]步骤3所述单元与多元融合预测模型中的单元模型为ARIMA模型，多元模型为GRU模型，运用Boosting思想，采用瀑布融合法，将ARIMA模型和GRU模型串联形成单元与多元融合预测模型；将训练集中除操作手柄级位以外的特征，即速度、加速度，轴承温度属性作为输入，使用ARIMA模型进行初始预测，得到操作手柄级位预测结果，并将所得到的预测结果与训练集中原有操作手柄级位对比得到残差，将残差作为新的特征，与训练集组合作为输入使用GRU模型重新对操作手柄级位进行预测；具体如下：
[0021]步骤3.1：运用Boosting思想，采用瀑布融合法，将ARIMA模型和GRU模型串联，构造单元与多元融合预测模型；
[0022]步骤3.2：将训练集中除操作手柄级位以外的特征，即时间、速度、轴承温度输入单元与多元融合预测模型的ARIMA模块，使用ARIMA模块对操作手柄级位做初步预测；将得到的操作手柄级位与训练集中的操作手柄级位作对比得到残差，将残差与训练集中除操作手柄级位外的剩余特征重新组合为一个新的输入数据集；
[0023]步骤3.3：将步骤3.2中得到的新的输入数据集输入到单元与多元融合预测模型的GRU模块做离散值预测，通过Softmax分类器获得分类结果，即不同操作手柄级位的分类结果。
[0024]所述GRU模型由三层构成：第一层为gru层，这一层使用门控机制控制输入、记忆等信息，并在当前时间步做出预测；第二层是全连接层，这一层将n个(
‑
∞,+∞)实数映射为K个(
‑
∞,+∞)的实数；第三层是softmax层，将K个(
‑
∞,+∞)的实数映射为K个(0,1)的实数，同时保证它们之和为1。
[0025]步骤4具体如下：
[0026]从运行时数据中选取一路线作为测试路线，该路线要求包括十一种不同类别的操作手柄级位。根据开始与结束时间点的牵引用电能耗差计算在这条路线上的总牵引用电能耗Q,并分别计算每一种标签下的牵引、巡航、制动三种状态所占百分比，分别记为a
i,0
,a
i,1
,a
i,2
，i表示不同标签的类别，i表示操作手柄级位标签，取值为0，1，2，
……
，10。
[0027]步骤5具体如下：
[0028]步骤5.1：将测试路线数据通过基于梯度提升算法的包裹式特征选择算法对数据中的特征进行选择得到三十七个特征，将含有三十七个特征的数据输入训练好本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于单元与多元融合预测模型的高速列车节能驾驶策略，其特征在于，具体操作步骤如下：步骤1、根据操作手柄级位将运行时数据根据操作手柄级位的不同进行分类，分为12类，所述运行时数据包括运行时间、速度、温度；在使用数据的过程中，将忽略乘客激活紧急操作位这一类数据去除，将剩余的数据中操作手柄级位标签分别记为0
‑
10，使用欠采样方法，对每一类数据进行欠采样操作，得到每一类别数量相等的均衡数据集；步骤2、对步骤2中得到的均衡数据集使用基于极端梯度提升算法的包裹式特征选择方法进行特征选择，最终得到三十七个与操作手柄级位相关的特征，此均衡数据集将作为训练集；步骤3、将步骤2所述训练集作为单元与多元融合预测模型的输入，对单元与多元融合预测模型进行训练，得到在不同操作手柄级位的分类结果；步骤4、先选取一条路线作测试，选取的路线要求在初始运行时数据的记录中，原有操作手柄级位包含十一个不同类别，根据初始运行时数据中记录的能耗数值进行原有运行时数据牵引用电能耗的计算；步骤5、将测试集经过特征选择之后输入训练好的单元与多元融合预测模型中得到初始驾驶操作策略Y，最后根据预测得到的初始操作策略Y和由初始运行时数据计算得到的各操作手柄级位平均每秒带来的能耗增加值计算出在策略Y下的牵引用电能量Q
′
。步骤6、将步骤4与步骤5中得到的牵引用电能量对比，调整网络模型，寻求最佳运行策略。2.根据权利要求1所述的基于单元与多元融合预测模型的高速列车节能驾驶策略，其特征在于，步骤1具体如下：步骤1.1：根据制动手柄级位将运行时数据进行分类，制动手柄级位的值是几个离散量：{EB,REL,1A,1B,2,3,4,5,6,7,8,OC}，EB为紧急制动位，用标签0表示；REL为运转位，即牵引位，用标签1表示；常用制动位1A,1B,2,3,4,5,6,7,8分别用2，3，4，5，6，7，8，9，10表示,OC为忽略乘客激活紧急制动位，用标签11表示，由此将制动手柄级位映射为：{0,1,2,3,4,5,6,7,8,9,10,11}，共十二类；步骤1.2：对制动手柄级位为11的数据代表乘客激活紧急制动位类别剔除；使用欠采样方法，从制动手柄级位标签为1
‑
10的数据中随机抽取60组数据，共得到660条数据。3.根据权利要求2所述的基于单元与多元融合预测模型的高速列车节能驾驶策略，其特征在于，步骤2具体如下：步骤2.1：使用基于极端梯度提升算法的包裹式特征选择算法对均衡数据集进行特征选择操作，根据特征的重要性度量过滤零重要度的特征；步骤2.2：利用构建的树模型结构，对非零重要度特征进行排序，最终数据中保留三十七个非零重要度特征作为训练集中的特征。4.根据权利要求3所述的基于单元与多元融合预测模型的高速列车节能驾驶策略，其特征在于，步骤3所述单元与多元融合预测模型中的单元模型为ARIMA模型，多元模型为GRU模型，运用Boosting思想，采用瀑布融合法，将ARIMA模型和GRU模型串联形成单元与多元融合预测模型；将训练集中除操作手柄级位以外的特征，即速度、加速度，轴承温度属性作为输入，使用ARIMA模型进行初始预测，得到操作手柄级位预测结果，并将所得到的预测结果
与训练集中原有操作手柄级位对比得到残差，将残差作为新的特征，与训练集组合作为输入使用GRU模型重新对操作手柄级位进行预测；具体如下：步骤3.1：运用Boosting思想，采用瀑布融合法，将ARIMA模型和GRU模型串联，构造单元与多元融合预测模型；步骤3.2：将训练集中除操作手柄级位以外的特征...

【专利技术属性】
技术研发人员：马维纲，鲍金花，黑新宏，王周恺，谢国，戴岳，王芝洋，刘一龙，贾乔，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：