一种基于RNN的城市轨道交通列车速度与客流量的预测方法技术

本发明专利技术公开了一种基于RNN的城市轨道交通列车速度与客流量的预测方法，首先，采集列车各部件的电压和电流以及地铁线路已知的坡道和弯道、地铁站点数据，对采集数据进行预处理操作；其次，根据列车车组运行信息和采集到的信息计算得到不同区间的功率数据；用K

【技术实现步骤摘要】
一种基于RNN的城市轨道交通列车速度与客流量的预测方法


[0001]本专利技术涉及城市轨道交通
，尤其是涉及一种基于RNN的城市轨道交通列车速度与客流量的预测方法。

技术介绍

[0002]随着我国经济的快速发展以及城市化的进程不断加快，城市人口急剧增加，人们对城市交通的需求量也不断提升。城市轨道交通作为一种新型交通方式，因具有运输量大、准点率高、安全可靠、节能环保等优点，逐渐成为人们出行的首要选择。在城市轨道交通快速发展的同时，为了提升城市轨道交通列车运行过程中的准时性和安全性，实现精准停车，需要对列车运行过程中的速度曲线进行跟踪预测，已经成为轨道交通领域研究的热点之一。
[0003]现有的地铁列车的速度跟踪预测的研究仍存在一定的问题，存在以下不足：
[0004](1)现有的地铁列车仿真大多是对列车进行动力学建模，利用启发式算法求解出列车关键点位置和加速度，利用列车运动学模型得到速度曲线，但是这种获取列车关键点数据的方法生成过程比较复杂，难以进行精确建模，使得现有模型可能无法对列车进行准确的跟踪预测工作；
[0005](2)现有地铁列车跟踪预测方法多是基于传感器信息融合技术进行采样，可能存在通用性不强、需要增加设备等问题，而采用二阶贝塞尔曲线对车载速度曲线进行计算等数学方法尚未在运营线路上实施，普适性尚待验证；
[0006](3)现有的基于时间序列的长短期记忆网络的列车功率在线滚动预测方法，在研究当中并未考虑客流量对研究结果的影响，因此较少考虑地铁公司的运营管理要求以及乘客的旅行体验，导致得出的优化方案缺乏实用价值。

技术实现思路

[0007]为了解决
技术介绍
中存在的缺陷，本专利技术提出一种基于RNN的城市轨道交通列车速度与客流量的预测方法，采用循环神经网络RNN(RecurrentNeural Network)的方法，并利用了无线采样、实时计算与预测相结合的思路，具有直接运用到地铁列车运行的实际现场进行速度跟踪预测的潜力，能够精确、可靠且科学地预测出列车速度。
[0008]本专利技术为解决上述技术问题采用以下技术方案：
[0009]一种基于RNN的城市轨道交通列车速度与客流量的预测方法，包括以下步骤：
[0010]步骤1：基于安装于列车底部的数据采集系统，利用电流传感器，对地铁列车的牵引电流、辅变电流以及制动电阻电流进行实时的数据采集并发送至服务器端存储；分别对列车进行空载、载客、前后双车、多车等在线测试；
[0011]步骤2：通过列车的牵引变流器电流、辅助变流器电流以及受电弓处接触网电压数据，再根据列车车组运行信息，对列车各个区间内的瞬时功率进行计算；
[0012]步骤3：使用K
‑
means聚类分析模型对区间进行分类，将计算出的各个区间内的列
车瞬时功率作为输入量，使用列车行驶区间编号作为分类标签，通过调节网络参数取值，基于K
‑
means聚类分析进行网络训练得到区间分类模型，将同一区间的功率信息、电流信息、线路信息和客流信息保存为样本数据集并进行编号，并使用反馈校正法对异常区间进行校正；
[0013]步骤4：基于同一区间内保存的样本数据集，以瞬时功率、电流信息、线路信息为输入，列车客流量、速度作为输出，建立循环神经网络模型，实现基于循环神经网络的列车速度曲线实时跟踪预测。
[0014]进一步的，步骤1所述的数据采集系统安装于列车底部，系统采用电磁感应原理进行采样，采用无线方式进行传输，为减小数据受网络波动、列车运行状况的环境影响，进行预处理过程的操作包括剔除列车出库、入库、停站、折返等无效数据，对功率数据采用均值平滑处理和归一化操作。
[0015]进一步的，步骤2所述的列车瞬时功率计算，具体包括：
[0016]根据所研究列车的运行信息，确定该列车的瞬时功率计算式；若实测数据对象为n
dr
节动车加n
aux
节拖车的车辆编组列车，则瞬时功率p(t)为：
[0017]p(t)＝u(t)
×
(n
dr
i
dr
(t)
‑
n
aux
i
aux
(t))
[0018]式中，n
dr
为列车上的牵引变压器数量，i
dr
为牵引变流器电流，n
aux
为列车上的辅助变压器数量，i
aux
为辅助变流器电流，u为受电弓电压。
[0019]进一步的，步骤3所述的K
‑
means聚类分析区间分类模型，具体包括：
[0020]首先对功率曲线进行特征提取，创建一定的起始质心，计算每个质心与数据点的距离，对其进行分配到最近的簇，利用各区间的编号作为分类标签，对分类模型进行训练，得到区间分类模型。
[0021]进一步的，步骤4所述循环神经网络，利用K
‑
means聚类分析分类模型对列车当前行驶区间进行识别后，针对线路上各个区间，将功率曲线、坡道信息、弯道信息作为网络的输入，以列车速度和客流量作为输出，建立起循环神经网络模型，并进行误差反向传播，对模型进行训练，进而对列车速度进行跟踪预测；步骤4的具体步骤如下：
[0022]步骤41：确定循环神经网络结构的输入层节点数、隐藏层节点数、循环神经网络的层数、激活函数、学习率、优化器、损失函数、迭代次数和批尺寸等可调整参数，权重和偏置参数在选定网络结构和其他超参数后网络自动更新；
[0023]步骤42：在生成样本数据集时，将当前时刻设为中心，采用滑动窗口的方式选择数据点作为输入；再加上坡道、弯道数据作为输入向量，以当前时刻速度值、客流值为输出；采用基于Adam优化器的循环神经网络，其输入层节点为滑动窗口维度加上2，有两个隐藏层，隐藏层节点均为128，循环神经网络的层数设置为2，激活函数为Leaky
‑
ReLu函数；
[0024]步骤43：将经过预处理的功率曲线、制动电流信息、坡道、弯道数据和客流信息输入到所建立的预测模型中，对循环神经网络模型进行训练，训练时的损失函数在迭代过程中逐渐减小，模型参数最终收敛到稳定值。
[0025]进一步的，在针对整条地铁线路进行列车速度跟踪预测时，需要对不同算法的跟踪预测结果进行比较分析，若跟踪预测误差达到要求，则输出最终速度的跟踪预测结果曲线。
[0026]本专利技术采用以上技术方案与现有技术相比，具有以下有益效果：
[0027](1)本专利技术使用神经网络，对不同区间运行时间下列车运行能耗进行预测基于的是数据采集板系统所采集测得的列车运行数据，利用了无线采样、实时计算与预测相结合的思路，具有直接运用到地铁列车运行的实际现场进行速度跟踪预测的潜力，且跟踪预测的误差较小；
[0028](2)本专利技术将基于K
‑
means聚类分析的区间分类算法引入到对列车速度进行跟踪预测的步骤当中，将对列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RNN的城市轨道交通列车速度与客流量的预测方法，其特征在于，包括以下步骤：步骤1：基于安装于列车底部的数据采集系统，利用电流传感器，对地铁列车的牵引电流、辅变电流以及制动电阻电流进行实时的数据采集并发送至服务器端存储；分别对列车进行空载、载客、前后双车、多车等在线测试；步骤2：通过列车的牵引变流器电流、辅助变流器电流以及受电弓处接触网电压数据，再根据列车车组运行信息，对列车各个区间内的瞬时功率进行计算；步骤3：使用K
‑
means聚类分析模型对区间进行分类，将计算出的各个区间内的列车瞬时功率作为输入量，使用列车行驶区间编号作为分类标签，通过调节网络参数取值，基于K
‑
means聚类分析进行网络训练得到区间分类模型，将同一区间的功率信息、电流信息、线路信息和客流信息保存为样本数据集并进行编号，并使用反馈校正法对异常区间进行校正；步骤4：基于同一区间内保存的样本数据集，以瞬时功率、电流信息、线路信息为输入，列车客流量、速度作为输出，建立循环神经网络RNN模型，实现基于循环神经网络RNN的列车速度曲线实时跟踪预测。2.根据权利要求1所述的一种基于RNN的城市轨道交通列车速度与客流量的预测方法，其特征在于，步骤1所述的数据采集系统安装于列车底部，采用电磁感应原理进行采样，采用无线方式进行传输，为减小数据受网络波动、列车运行状况的环境影响，进行预处理过程的操作包括剔除列车出库、入库、停站、折返等无效数据，对功率数据采用均值平滑处理和归一化操作。3.根据权利要求1所述的一种基于RNN的城市轨道交通列车速度与客流量的预测方法，其特征在于，步骤2所述的对列车各个区间内的瞬时功率进行计算，具体包括：根据所研究列车的运行信息，确定该列车的瞬时功率计算式；若实测数据对象为n
dr
节动车加n
aux
节拖车的车辆编组列车，则瞬时功率p(t)为：p(t)＝u(t)
×
(n
dr
i
dr
(t)
‑
n
aux
i
aux
(t))式中，n
dr
为列车上的牵引变压器数量，i

【专利技术属性】
技术研发人员：胡文斌，秦建楠，徐立，刘俊杰，钱程，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：