一种基于图注意力模型的高速列车轴温长时预测方法技术

本发明专利技术公开了属于数据挖掘技术领域的一种基于图注意力模型的高速列车轴温长时预测方法，该方法首先从高速列车的转向架上采集传感器数据，使用嵌入式架构融合GAT模型和门限循环GRU模型构建GRGAT框架，用于对时空预测进行聚合；使用图注意力网络GAT模型和生成对抗网络GAN模型，分析列车运行周期性变化的特点，使用GAN网络构建时间条件序列对历史轴温信息进行融合，得到高速列车轴温长时预测的GA

【技术实现步骤摘要】
一种基于图注意力模型的高速列车轴温长时预测方法


[0001]本专利技术属于数据挖掘
，特别涉及一种基于图注意力模型的高速列车 轴温长时预测方法。

技术介绍

[0002]目前绝大多数关于轴温进行预测的模型都是短时预测模型，虽然能够取得不 错的效果，但是受限于预测模型感知范围，一般仅预测1小时之内的轴温变化情 况。这对于处理列车紧急故障而言已经有足够的时间，但是对于超过1天的列车 长时轴温预测没有过多的研究。
[0003]实际上，长时轴温预测在列车状态评估和日常维护中具有十分重要的作用。 例如，列车转向架作为机械部件，随着列车的运行，转向架也在不断地磨损。如 果可以提前预测转向架运行1天甚至是1周的状态变化情况，可以帮助列车管理 与维护人员提前对可能出现故障的部件进行检修和维护。此外，随着我国高速铁 路的发展，长时列车逐渐普遍。在高速列车实际开行计划中，有超过15h运行的 高速列车，而如何对长时轴温数据进行合理建模是一个亟待解决的难题。
[0004]随着移动互联网的发展和车载设备的更新迭代，轴温检测不再局限于人工巡 检方式，以传感器检测系统和大数据平台为依托的实时检测技术逐渐成为主流的 轴温检测手段。与此同时，列车运行信息也有了爆炸式增长。海量的列车实时检 测数据为轴温预测的研究提供了坚实的数据基础。受益于列车轴温数据的扩增， 基于数据驱动的机器学习模型可以更加有效地挖掘列车轴温数据中隐含的时间 特征和空间特征，在处理系统级别的轴温数据时，显示出比仿真等传统方法更强 大的潜力。

技术实现思路

[0005]本专利技术的目的是提出一种基于图注意力模型的高速列车轴温长时预测方法， 其特征在于，包括以下步骤：
[0006]步骤1、从高速列车的转向架上采集传感器数据，对传感器数据进行清洗、 去噪处理，使用皮尔森相关系数对转向架上的传感器进行特征筛选，得到与轴温 变化最相关的传感器数据；
[0007]步骤2、构建轴温信息图结构；
[0008]步骤3、获取步骤1的时间序列数据和步骤2的图结构，使用GRU(门限循 环单元)模型有效提取高速列车轴温的时序特征，使用GAT(图注意力网络)模 型有效提取列车转向架图结构的空间特征；结合GRU模型和GAT模型，使用GAT 单元代替GRU内部原有的线性连接层，从而构建可以融合列车轴温的时空信息的 GRGAT单元；
[0009]步骤4、基于生成对抗网络构建生成器和判别器，其中生成器和判别器都包 括了编码操作和解码操作；
[0010]步骤5、基于生产对抗网络和GRGAT单元构建高速列车轴温长时预测 GA
‑
GRGAT模
型；并基于Pytorch深度学习框架融合列车轴温的时空信息的GRGAT 单元的GA
‑
GRGAT模型训练；
[0011]步骤6：使用高速列车真实在途运行数据带入GA
‑
GRGAT模型，得到轴温的长 时预测值。
[0012]所述步骤2中图结构定义如下所示：
[0013][0014]其中Graph代表一个网络，V是网络中的一组顶点，E是网络Graph中的一组 边，并且e
ij
表示从节点v
i
到v
j
的方向；此外，W是网络Graph中的一组权重，w
ij
表 示从节点v
i
到v
j
的权重。
[0015]所述步骤3具体按以下步骤实施：
[0016]步骤31，将t时刻的轴温数据输入X
t
和t
‑
1时刻的隐藏层输出h
t
‑1横向拼接得 到更新门Z
t
＝[h
t
‑1||X
t
]，将GRU模型原有的线性重置门r
t
和更新门z
t
使用两个不同 的K层GAT网络替代；具体公式如下所示：
[0017]r
t
＝σ(GAT
rK
(Z
t
))
[0018]z
t
＝σ(GAT
zK
(Z
t
))
[0019]其中σ(
·
)为sigmoid激活函数；
[0020]步骤,32：将t
‑
1时刻的隐藏层输出h
t
‑1与t时刻的重置门r
t
相乘，然后和t时刻 的轴温数据X
t
输入，横向拼接得到Z
′
t
＝[r
t
*h
t
‑1||X
t
]，将GRU模型原有的线性单元 GAT
xK
使用一个K层GAT网络替代，从而计算t时刻的隐藏层h
t
输出；公式如下所 示：
[0021]h
t
＝(1
‑
z
t
)
⊙
h
t
‑1+z
t
⊙
(tanh(σ(GAT
xK
(Z
′
t
))))。
[0022]所述步骤3中GAT模型，定义t时刻输入GAT模型的列车轴温数据为列车转向架图结构的邻接矩阵A∈R
n
×
n
，n为列车转向架图结构的顶点数量，p为 输入列车轴温属性的维度，为可学习参数，q为输出的列车轴温的特征维 度，节点i的重构向量如下所示
[0023][0024]其中，LeakyReLU(w
T
[Wx
i
||Wx
j
])为激活函数，exp(LeakyReLU(w
T
[Wx
i
||Wx
j
])) 为指数操作，时刻i和时刻j的轴温为x
i
和x
j
，节点i和节点j的一阶领域为和 学习参数为W，训练参数为w。
[0025]所述步骤4具体按以下步骤实施：
[0026]步骤41，生成器构建
[0027](1)编码器输入阶段，在该阶段首先将t时刻输入的列车转向架时序特征C
t
， 通过
f
MLP
映射为C
′
t
∈R
n
×1，然后将列车轴温数据X
t
和时序特征C
′
t
进行拼接，拼接的 结果作为GRGAT单元的输入；
[0028](2)解码器生成阶段，首先将C
t
按照Step 1的方法通过f
MLP
映射为C
′
t
∈R
n
×1， 然后将t
‑
1时刻由Step 1输出的数据和C
′
t
进行拼接，拼接的结果作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图注意力模型的高速列车轴温长时预测方法，其特征在于，包括以下步骤：步骤1、从高速列车的转向架上采集传感器数据，对传感器数据进行清洗、去噪处理，使用皮尔森相关系数对转向架上的传感器进行特征筛选，得到与轴温变化最相关的传感器数据；步骤2、构建轴温信息图结构；步骤3、获取步骤1的时间序列数据和步骤2的图结构，使用GRU(门限循环单元)模型有效提取高速列车轴温的时序特征，使用GAT(图注意力网络)模型有效提取列车转向架图结构的空间特征；结合GRU模型和GAT模型，使用GAT单元代替GRU内部原有的线性连接层，从而构建可以融合列车轴温的时空信息的GRGAT单元；步骤4、基于生成对抗网络构建生成器和判别器，其中生成器和判别器都包括了编码操作和解码操作；步骤5、基于生产对抗网络和GRGAT单元构建高速列车轴温长时预测GA
‑
GRGAT模型；并基于Pytorch深度学习框架融合列车轴温的时空信息的GRGAT单元的GA
‑
GRGAT模型训练；步骤6：使用高速列车真实在途运行数据带入GA
‑
GRGAT模型，得到轴温的长时预测值。2.根据权利要求1所述的基于图注意力模型的高速列车轴温长时预测方法，其特征在于，所述步骤2中图结构定义如下，：其中D代表一个网络，V是网络中的一组顶点，E是网络D中的一组边，并且e
ij
表示从节点v
i
到v
j
的方向；此外，W是网络D中的一组权重，w
ij
表示从节点v
i
到v
j
的权重。3.根据权利要求1所述的基于图注意力模型的高速列车轴温长时预测方法，其特征在于，所述步骤3具体按以下步骤实施：步骤31，将t时刻的轴温数据输入X
t
和t
‑
1时刻的隐藏层输出h
t
‑1横向拼接得到更新门Z
t
＝[h
t
‑1||X
t
]，将GRU模型原有的线性重置门r
t
和更新门z
t
使用两个不同的K层GAT网络替代；具体公式如下所示：具体公式如下所示：其中σ(
·
)为sigmoid激活函数；步骤,32：将t
‑
1时刻的隐藏层输出h
t
‑1与t时刻的重置门r
t
相乘，然后和t时刻的轴温数据X
t
输入，横向拼接得到Z
′
t
＝[r
t
*h
t
‑1||X
t
]，将GRU模型原有的线性单元使用一个K层GAT网络替代，从而计算t时刻的隐藏层h
t
输出；公式如下所示：4.根据权利要求1所述的基于图注意力模型的高速列车轴温长时预测方法，其特征在
于，所述步骤3中GAT模型，定义t时刻输入GAT模型的列车轴温数据为列车转向架图结构的邻接矩阵A∈R
n
×
n
，n为列车转向架图结构的顶点数量，p为输入列车轴温属性的维度，为可学习参数，q为输出的列车轴温的特征维度，节点i的重构向量如下所示其中，LeakyReLU(w
T
[Wx
i
||Wx
j
])为激活函数，exp(LeakyReLU(w
T
[Wx
i
||Wx
j
]))为指数操作，...

【专利技术属性】
技术研发人员：董宏辉，满洁，贾利民，秦勇，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：