新建线路列车自动驾驶决策模型的构建方法技术

本发明专利技术提供了一种新建线路列车自动驾驶决策模型的构建方法，其特征在于：包括全局服务器、分组控制模块和N个运营商服务器；所述构建方法包括：分组控制模块将N个运营商服务器分为M个训练组，各个训练组内的运营商服务器同步训练，各个训练组异步地上传模型参数到全局服务器进行加权聚合，对全局深度学习模型的模型参数进行迭代更新，以获取新建线路的列车自动驾驶决策模型。采用本申请所述的方法，能充分利用各个地铁集团或运营商的经验数据，减少数据资源浪费，提高新建线路决策模型的搭建效率，降低成本，同时降低列车的运行能耗。同时降低列车的运行能耗。

【技术实现步骤摘要】
新建线路列车自动驾驶决策模型的构建方法


[0001]本专利技术涉及交通运输
，特别是一种新建线路列车自动驾驶决策模型的构建方法。

技术介绍

[0002]截至2021年12月31日，我国共有51个城市开通运营城市轨道交通线路269条，运营里程8708公里，车站5216座，实际开行列车3120万列次。随着各大城市地铁的快速发展以及开通线路的不断增多，在各个地铁集团的车辆运行域、管理域都积累了大量的数据。例如在自动售检票线网管理中心系统积累了大量客流数据，以及与客流相关的行车、气象等数据；控制车辆运行的驾驶数据；管理域一体化平台历年来所积累的数据等。
[0003]对于车辆自动驾驶数据而言，现有的数据仓库是彼此独立的信息系统。这个数据孤岛和数据碎片化问题，不仅出现在各个地铁集团之间，即使对同一地铁集团内的不同线路之间驾驶数据集成也面临着困难。地铁集团之间、集团内部不同线路之间，没有采用可靠的数据共享方案，来实现列车运行数据的共享，数据未发挥应有作用，造成了列车运营数据价值的严重浪费。另一方面，对某一地铁集团而言，每次开通新建设的线路都要单独搭建系统接入车辆驾驶数据，这将导致建设与运维成本的升高，资源利用率低下，而且，仅仅靠某个地铁集团本身积累的数据有限，搭建的列车自动驾驶决策模型的处理精度不高，节能效果等不理想。
[0004]在数据智能时代，数据成为新的生产资料，其价值与日俱增，亟待有效的方法对各个集团的车辆驾驶数据信息资源、技术架构进行集约化管理，从而满足各地铁集团的多个新建线路初期、近期及远期的车辆节能驾驶发展需求。

技术实现思路

[0005]针对
技术介绍
的问题，本专利技术提供一种新建线路列车自动驾驶决策模型的构建方法，以解决现有技术中新建线路列车自动驾驶决策模型搭建效率差地、成本高、资源利用率低下、效果差的问题。
[0006]为实现本专利技术的目的，本专利技术提供了一种新建线路列车自动驾驶决策模型的构建方法，其创新点在于：包括全局服务器、分组控制模块和N个运营商服务器；所述运营商服务器上存储有对应运营线路的多个列车自动驾驶曲线样本；
[0007]所述构建方法包括：
[0008]设某条新建线路包括多个站点，每相邻两个站点之间的路段记为一个子线路，将其中任意一个子线路记为子线路L，子线路L的线路信息包括线路长度和编组类型，所述编组类型包括列车型号和车厢数量；
[0009]一)全局服务器将子线路L的线路信息下发给各个运营商服务器；
[0010]二)根据收到的子线路L的线路信息，各个运营商服务器均按方法一获取对应的可用样本数据集；
[0011]三)然后各个运营商服务器均将对应的可用样本数据集的数据量信息发送给分组控制模块；
[0012]所述可用样本数据集的数据量为该可用样本数据集所辖的列车自动驾驶曲线样本的个数；
[0013]四)分组控制模块按方法二对N个运营商服务器进行分组，得到M个训练组；
[0014]五)全局服务器通过分组控制模块按方法三控制M个训练组进行深度学习模型训练，得到子线路L对应的列车自动驾驶决策模型；
[0015]所述方法一包括：
[0016]1)从多个列车自动驾驶曲线样本中选择多个同等编组样本组成备选样本集；
[0017]所述同等编组样本为：采用与子线路L相同编组类型的列车运行得到的列车自动驾驶曲线样本；
[0018]2)然后从所述备选样本集中筛选出多个近似路段样本组成初筛样本数据集；
[0019]所述近似路段样本为：路段长度与子线路L的路段长度偏差在
±
5％以内的子线路上采集的列车自动驾驶曲线样本；
[0020]3)对初筛样本数据集所辖的各个列车自动驾驶曲线样本进行能耗计算，然后按能耗从小到大的顺序对初筛样本数据集所辖的全部列车自动驾驶曲线样本进行排序，选取排在前10％的列车自动驾驶曲线样本组成可用样本数据集；
[0021]所述方法二包括：
[0022]根据可用样本数据集的数据量由小到大的顺序对N个运营商服务器进行排序，按从前向后的顺序对全部运营商服务器进行分组，得到M个训练组；其中，前M
‑
1个训练组所辖的运营商服务器个数均为Q个，第M个训练组所辖的运营商服务器个数小于或等于Q个；其中训练组个数M或单个训练组所辖运营商服务器个数Q为设定值；
[0023]所述方法三包括：
[0024]全局服务器构建一个全局深度学习模型，各个运营商服务器均构建一个局部深度学习模型；
[0025]全局服务器向分组控制模块下达训练指令；
[0026]然后分组控制模块控制各个训练组均按方法四获取各自对应的加权聚合参数组，每次产生一个新的加权聚合参数组，分组控制模块即将新产生的加权聚合参数组数据上传给全局服务器；
[0027]全局服务器每收到一个新的加权聚合参数组数据，即利用新收到的加权聚合参数组数据通过加权聚合的方式对全局深度学习模型的模型参数进行迭代更新；当全局深度学习模型的模型参数迭代更新n次后程序结束，程序结束后得到的全局深度学习模型即为列车自动驾驶决策模型；其中，全局深度学习模型迭代更新次数n为设定值；
[0028]所述方法四包括：
[0029]对于单个训练组来说，
[0030]a)所辖每个运营商服务器均利用可用样本数据集对对应的局部深度学习模型进行训练，以对局部深度学习模型的模型参数进行更新；
[0031]b)当训练组所辖的每个运营商服务器的局部深度学习模型均完成本轮模型参数更新后，分组控制模块对训练组所辖的全部运营商服务器的局部深度学习模型的模型参数
取算数平均值得到综合局部模型参数；然后分组控制模块利用模糊推理算法，根据以下模糊推理表获取训练组的权重系数；将训练组的综合局部模型参数和权重系数的组合记为训练组的加权聚合参数组；
[0032]c)分组控制模块将训练组当前的加权聚合参数组数据上传给全局服务器；
[0033]然后返回步骤a)；
[0034]所述模糊推理表为：
[0035][0036]{S，M，L，VL}为输入量训练组训练时间的模糊论域，其中，S表示短，M表示适中，L表示较长，VL表示很长；
[0037]{NA，MA，QA，VA}为输入量训练组测试精度的模糊论域，其中，NA表示不精确，MA表示精度适中，QA表示较为精确，VA表示非常精确；
[0038]{VS，S，M，QB，B，VB}为输出量训练组权重系数的模糊论域，其中，VS表示很小，S表示小，M表示适中，QB较大，B表示大，VB表示很大。
[0039]作为优化，所述列车自动驾驶曲线样本中提取的用于局部深度学习模型训练的输入特征向量包括：列车当前所处的位置、列车工况转换点的位置、列车在某位置点之前的历史平均速度、列车在当前采样点的运行速度、列车在某位置点所处坡度值、列车在该点所处坡度段起始位置、列车在该点所处坡度段的终止位置、列车在该点距当前坡度段结束的剩余长度、列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新建线路列车自动驾驶决策模型的构建方法，其特征在于：包括全局服务器、分组控制模块和N个运营商服务器；所述运营商服务器上存储有对应运营线路的多个列车自动驾驶曲线样本；所述构建方法包括：设某条新建线路包括多个站点，每相邻两个站点之间的路段记为一个子线路，将其中任意一个子线路记为子线路L，子线路L的线路信息包括线路长度和编组类型，所述编组类型包括列车型号和车厢数量；一)全局服务器将子线路L的线路信息下发给各个运营商服务器；二)根据收到的子线路L的线路信息，各个运营商服务器均按方法一获取对应的可用样本数据集；三)然后各个运营商服务器均将对应的可用样本数据集的数据量信息发送给分组控制模块；所述可用样本数据集的数据量为该可用样本数据集所辖的列车自动驾驶曲线样本的个数；四)分组控制模块按方法二对N个运营商服务器进行分组，得到M个训练组；五)全局服务器通过分组控制模块按方法三控制M个训练组进行深度学习模型训练，得到子线路L对应的列车自动驾驶决策模型；所述方法一包括：1)从多个列车自动驾驶曲线样本中选择多个同等编组样本组成备选样本集；所述同等编组样本为：采用与子线路L相同编组类型的列车运行得到的列车自动驾驶曲线样本；2)然后从所述备选样本集中筛选出多个近似路段样本组成初筛样本数据集；所述近似路段样本为：路段长度与子线路L的路段长度偏差在
±
5％以内的子线路上采集的列车自动驾驶曲线样本；3)对初筛样本数据集所辖的各个列车自动驾驶曲线样本进行能耗计算，然后按能耗从小到大的顺序对初筛样本数据集所辖的全部列车自动驾驶曲线样本进行排序，选取排在前10％的列车自动驾驶曲线样本组成可用样本数据集；所述方法二包括：根据可用样本数据集的数据量由小到大的顺序对N个运营商服务器进行排序，按从前向后的顺序对全部运营商服务器进行分组，得到M个训练组；其中，前M
‑
1个训练组所辖的运营商服务器个数均为Q个，第M个训练组所辖的运营商服务器个数小于或等于Q个；其中训练组个数M或单个训练组所辖运营商服务器个数Q为设定值；所述方法三包括：全局服务器构建一个全局深度学习模型，各个运营商服务器均构建一个局部深度学习模型；全局服务器向分组控制模块下达训练指令；然后分组控制模块控制各个训练组均按方法四获取各自对应的加权聚合参数组，每次产生一个新的加权聚合...

【专利技术属性】
技术研发人员：徐凯，张皓桐，吴仕勋，蓝章礼，杨建喜，许仕壮，孟倩倩，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：