列车速度预测的方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种列车速度预测的方法、装置、电子设备及存储介质，涉及计算机技术领域。一种具体实现方案为：利用最大似然估计对列车运行状态数据进行分布拟合和上下界提取，优化列车运行状态数据；利用所述列车状态数据迭代训练列车速度预测神经网络模型的参数矩阵；基于所述参数矩阵，根据虚拟编组领航列车历史速度信息，计算虚拟编组领航列车在t+1时刻的速度信息；基于所述虚拟编组领航列车在t+1时刻的速度信息，通过计算相对制动距离和人工势场法，生成跟随列车在t+1时刻的速度信息。通过计算相对制动距离，构建基于该相对制动距离的人工势场法，生成跟随列车下一时刻的速度信息，进而提高虚拟编组车队的安全性，保障列车跟随过程中的跟随安全。过程中的跟随安全。过程中的跟随安全。

【技术实现步骤摘要】
列车速度预测的方法、装置、电子设备及存储介质


[0001]本公开涉及列车运行控制领域，具体而言，涉及一种列车速度预测的方法、装置、电子设备及存储介质。

技术介绍

[0002]列车运行控制系统作为安全苛求系统，对列车的定位精度以及定位可用性要求高。在地铁运行环境中，地铁列车运行时距、运行间隔较短。特别是在地铁的虚拟编组运行环境中，编组内前后列车间隔小于绝对制动距离(Absolute Braking Distance,ABD)，导致在列车实际运行过程中存在不安全的情况。因此，为提高线路利用率，基于移动闭塞方法，实现编组内相对制动距离的控制，在保障多列车运行安全的前提下，减少列车运行间距。
[0003]在相关技术中，传统的列车运行控制系统对未来时刻列车的速度信息的预测精度差，无法保障列车跟随过程中的跟随安全。

技术实现思路

[0004]本公开提供了一种列车速度预测的方法、装置、电子设备及存储介质。
[0005]根据本公开的一方面，提供了一种列车速度预测的方法，包括：
[0006]利用最大似然估计对列车运行状态数据进行分布拟合和上下界提取，优化列车运行状态数据；
[0007]利用所述列车状态数据迭代训练列车速度预测神经网络模型的参数矩阵；
[0008]基于所述参数矩阵，根据虚拟编组领航列车历史速度信息，计算虚拟编组领航列车在t+1时刻的速度信息；
[0009]基于所述虚拟编组领航列车在t+1时刻的速度信息，通过计算相对制动距离和人工势场法，生成跟随列车在t+1时刻的速度信息。
[0010]可选地，所述优化列车运行数据还包括：
[0011]对利用最大似然估计对列车运行状态数据进行分布拟合和上下界提取生成的原始列车运行数据进行清洗，生成清洗后的数据作为列车运行状态数据；
[0012]其中，所述列车运行状态数据包括以下一项或多项：
[0013]时间戳；
[0014]位移信息；
[0015]速度信息；
[0016]加速度信息；
[0017]输出电流信息；
[0018]所述分布拟合包括对列车速度求和与位移差值、列车运行状态下加速度值矩阵进行分布拟合；
[0019]所述数据清洗包括按照双侧α、β分位数所述数据清洗包括按照双侧α、β分位数
作为数据清洗上下界。
[0020]可选地，该方法还包括：
[0021]基于所述列车运行状态数据构建列车动力学模型，生成列车运行状态边界约束条件；所述列车运行状态边界约束条件用于对所述虚拟编组领航列车的速度信息进行约束。
[0022]可选地，利用所述列车状态数据迭代训练列车速度预测神经网络模型的参数矩阵包括：
[0023]构建基于长短记忆神经网络和深度神经网络结构的列车速度预测神经网络模型；
[0024]使用所述列车状态数据迭代训练出所述列车速度预测神经网络模型的参数矩阵；其中，所述参数矩阵至少包括权重系数矩阵和/或偏置项矩阵；
[0025]构建对所述参数矩阵的评价函数，选取评分较高的参数矩阵作为预设参数矩阵。
[0026]可选地，基于所述参数矩阵，根据虚拟编组领航列车历史速度信息，计算虚拟编组领航列车在t+1时刻的速度信息包括：
[0027]构建基于所述列车运行状态边界约束条件的映射函数；
[0028]利用所述映射函数根据虚拟编组领航列车历史速度信息，生成约束后的领航列车t+1时刻的速度信息作为虚拟编组领航列车在t+1时刻的速度信息。
[0029]根据本公开的再一方面，提供了一种基于神经网络的虚拟编组领航列车和跟随列车速度预测的装置，包括：
[0030]列车运行状态单元，用于利用最大似然估计对列车运行状态数据进行分布拟合和上下界提取，优化列车运行状态数据；
[0031]参数矩阵单元，用于利用所述列车状态数据迭代训练列车速度预测神经网络模型的参数矩阵；
[0032]速度计算单元，用于基于所述参数矩阵，根据虚拟编组领航列车历史速度信息，计算虚拟编组领航列车在t+1时刻的速度信息；
[0033]速度预测单元，用于基于所述虚拟编组领航列车在t+1时刻的速度信息，通过计算相对制动距离和人工势场法，生成跟随列车在t+1时刻的速度信息。
[0034]可选地，所述装置还包括：
[0035]约束单元，用于基于所述列车运行状态数据构建列车动力学模型，生成列车运行状态边界约束条件；所述列车运行状态边界约束条件用于对所述虚拟编组领航列车的速度信息进行约束。
[0036]根据本公开的又一方面，提供了一种电子设备，包括：
[0037]至少一个处理器；以及
[0038]与所述至少一个处理器通信连接的存储器；其中，
[0039]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。
[0040]根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。
[0041]根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，所述计算
机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。
[0042]本公开实施例提供的技术方案与现有技术相比具有如下优点：
[0043]本公开实施例的基于神经网络的虚拟编组领航列车和跟随列车速度预测方法，利用列车运行过程中实际获取的列车运行状态数据，按照列车动力学模型进行数据清洗并生成列车运行训练和测试数据集，接着构建基于上述数据集的长短记忆神经网络+深度神经网络结构的预测模型，通过对数据集的迭代训练出预测模型的参数矩阵，最后，基于领航列车的下一时刻速度信息与跟随列车当前时刻速度信息，通过计算相对制动距离，构建基于该相对制动距离的人工势场法，生成跟随列车下一时刻的速度信息，进而提高虚拟编组车队的安全性，保障列车跟随过程中的跟随安全。
附图说明
[0044]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
[0045]图1为根据本公开实施例的基于神经网络的虚拟编组领航列车和跟随列车速度预测方法的流程示意图；
[0046]图2是根据本公开另一实施例的基于神经网络的虚拟编组领航列车和跟随列车速度预测方法的流程示意图；
[0047]图3是根据本公开实施例的基于神经网络的虚拟编组领航列车和跟随列车速度预测装置的示意图；
[0048]图4是用来实现本公开实施例的基于神经网络的虚拟编组领航列车和跟随列车速度预测的电子设备的框图。
具体实施方式
[0049]以下结合附图对本公开的示范性实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种列车速度预测的方法，其特征在于，包括：利用最大似然估计对列车运行状态数据进行分布拟合和上下界提取，优化列车运行状态数据；利用所述列车状态数据迭代训练列车速度预测神经网络模型的参数矩阵；基于所述参数矩阵，根据虚拟编组领航列车历史速度信息，计算虚拟编组领航列车在t+1时刻的速度信息；基于所述虚拟编组领航列车在t+1时刻的速度信息，通过计算相对制动距离和人工势场法，生成跟随列车在t+1时刻的速度信息。2.根据权利要求1所述的列车速度预测的方法，其特征在于，所述优化列车运行数据还包括：对利用最大似然估计对列车运行状态数据进行分布拟合和上下界提取生成的原始列车运行数据进行清洗，生成清洗后的数据作为列车运行状态数据；其中，所述列车运行状态数据包括以下一项或多项：时间戳；位移信息；速度信息；加速度信息；输出电流信息；所述分布拟合包括对列车速度求和与位移差值、列车运行状态下加速度值矩阵进行分布拟合；所述数据清洗包括按照双侧α、β分位数所述数据清洗包括按照双侧α、β分位数作为数据清洗上下界。3.根据权利要求2所述的列车速度预测的方法，其特征在于，所述方法还包括：基于所述列车运行状态数据构建列车动力学模型，生成列车运行状态边界约束条件；所述列车运行状态边界约束条件用于对所述虚拟编组领航列车的速度信息进行约束。4.根据权利要求1或2所述的列车速度预测的方法，其特征在于，所述利用所述列车状态数据迭代训练列车速度预测神经网络模型的参数矩阵包括：构建基于长短记忆神经网络和深度神经网络结构的列车速度预测神经网络模型；使用所述列车状态数据迭代训练出所述列车速度预测神经网络模型的参数矩阵；其中，所述参数矩阵至少包括权重系数矩阵和/或偏置项矩阵；构建对所述参数矩阵的评价函数，选取评分较高的参数矩阵作为预设参数矩阵。5.根据权利要求3或4所述的列车速度预测的方法，其特征在于，所述基于所述...

【专利技术属性】
技术研发人员：陆德彪，卢嘉豪，蔡伯根，王剑，刘江，姜维，柴琳果，巴晓辉，李润梅，张勇，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：