【技术实现步骤摘要】
本专利技术涉及轨道交通，尤其涉及一种轮径值预测方法、装置、电子设备及存储介质。
技术介绍
1、目前在城市地铁中，通常采用速度传感器和应答器组合定位方式来进行列车定位，并通过里程计来计算列车的累计走行距离，但由于列车轮径磨损的影响，使得列车存在定位误差，且该误差随列车走行会不断累积。虽采用密集布置应答器的方式可以使得列车的定位精度有效提高，但是会增加建设和维护的成本，也不利于线路配置的更新。
2、轮径值是列车用于定位、电机转速与线速度的计算、力与力矩转换的重要参数。当轮径值设置的误差过大或出现错误时，会对牵引、制动系统及恒速控制造成一定的影响。在列车运行过程中，轮径值的偏差会导致列车自动防护子系统(automatic trainprotection，atp)通过速度传感器和软件逻辑计算出的运行速度、行驶距离与实际的运行速度、行驶距离存在差异，从而导致列车无法精确定位。
3、现有技术中提供的一种方法是基于多传感器信息融合的轨道交通列车轮径校正方法，该方法在各传感器均工作正常时，通过多传感器信息滤波融合得到列车轮径值的最优估计，并完成轮径校正。
4、然而，该方法当传感器出现问题时，导致轮径值计算中断，轮径校正不成功，采用默认数据，并且仅依靠传感器自身无法消除各种外部随机干扰和测量噪声对测量结果的影响，将导致路径值计算精度不准确，从而发生列车计算位置、速度不准确，导致列车在运行过程中，不断牵引制动，不再采用同样的加速度平稳运行，从而影响乘客体验及列车牵引磨耗。
技术实现思路
1、本专利技术提供一种轮径值预测方法、装置、电子设备及存储介质，用以解决现有技术中存在的缺陷。
2、本专利技术提供一种轮径值预测方法，包括：
3、获取目标列车在历史路段的轮径值序列；
4、将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值；
5、其中，所述预测模型基于样本列车在样本行驶路径上各路段的样本轮径值，对初始模型进行训练得到，所述初始模型基于机器学习的趋势预测算法构建，所述初始模型的超参数的取值基于如下步骤确定：
6、选取所述样本轮径值中的预设数量个目标样本轮径值，并基于所述超参数构建目标模型；
7、以所述超参数为自变量，以所述目标模型从所述目标样本轮径值中获取的信息量为因变量，构建目标函数；
8、求解使所述目标函数的因变量取值最大的自变量取值作为所述超参数的取值。
9、根据本专利技术提供的一种轮径值预测方法，所述轮径值序列中的初始轮径值基于所述目标列车在起始路段通过轮径校正应答器时所述轮径校正应答器确定。
10、根据本专利技术提供的一种轮径值预测方法，所述样本轮径值基于如下步骤确定：
11、基于设置于所述样本行驶路径上各路段的轮径校正应答器，确定各路段的初始样本轮径值；
12、对所述初始样本轮径值中的异常值和缺失值进行填补，确定所述样本轮径值。
13、根据本专利技术提供的一种轮径值预测方法，所述异常值基于盒式图判断得到。
14、根据本专利技术提供的一种轮径值预测方法，所述预测模型为自注意力模型。
15、根据本专利技术提供的一种轮径值预测方法，将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值，包括：
16、将所述轮径值序列输入至所述自注意力模型的编码模块，得到所述编码模块输出的特征表示序列；
17、将所述特征表示序列输入至所述自注意力模型的解码模块，得到所述解码模块输出的所述目标列车在当前路段的轮径值。
18、本专利技术还提供一种轮径值预测装置，包括：
19、获取模块，用于获取目标列车在历史路段的轮径值序列；
20、预测模块，用于将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值；
21、其中，所述预测模型基于样本列车在样本行驶路径上各路段的样本轮径值，对初始模型进行训练得到，所述初始模型基于机器学习的趋势预测算法构建，所述初始模型的超参数的取值基于如下步骤确定：
22、选取所述样本轮径值中的预设数量个目标样本轮径值，并基于所述超参数构建目标模型；
23、以所述超参数为自变量，以所述目标模型从所述目标样本轮径值中获取的信息量为因变量，构建目标函数；
24、求解使所述目标函数的因变量取值最大的自变量取值作为所述超参数的取值。
25、根据本专利技术提供的一种轮径值预测装置，所述轮径值序列中的初始轮径值基于所述目标列车在起始路段通过轮径校正应答器时所述轮径校正应答器确定。
26、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述的轮径值预测方法。
27、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的轮径值预测方法。
28、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的轮径值预测方法。
29、本专利技术提供的轮径值预测方法、装置、电子设备及存储介质，该方法首先获取目标列车在历史路段的轮径值序列；然后将轮径值序列输入至预测模型，得到预测模型输出的目标列车在当前路段的轮径值。该方法利用预测模型，可以对每一路段的轮径值进行迭代预测，进而实现轮径值的动态预测，不需要在列车经过轮径校正应答器之后才进行轮径值预测，可以提前预测目标列车在当前区段的轮径值，提高轮径值预测效率，提升列车在下一区段使用轮径值的及时性和准确性。该方法中初始模型利用基于机器学习的趋势预测算法构建，可以保证预测模型具有预测目标列车在当前区段的轮径值的能力。同时，该方法给出了初始模型的超参数的取值的确定步骤，使得确定出的超参数的取值为最优取值，如此可以提升预测模型的预测性能。该方法即使在列车行驶路径上的传感器出现问题时，也不会导致轮径值计算过程的中断，并且可以消除各种外部随机干扰和测量噪声对测量结果的影响，使得到的轮径值更加准确，精度更高，从而为列车位置、速度的准确计算提供保障，使列车在运行过程中，降低牵引制动的频率，可以采用同样的加速度平稳运行，提升乘客体验，减少列车牵引磨耗。此外，该方法由于轮径值的准确计算，可以降低对列车定位产生的误差，降低该误差随列车走行的不断累积。
本文档来自技高网...【技术保护点】
1.一种轮径值预测方法，其特征在于，包括：
2.根据权利要求1所述的轮径值预测方法，其特征在于，所述轮径值序列中的初始轮径值基于所述目标列车在起始路段通过轮径校正应答器时所述轮径校正应答器确定。
3.根据权利要求1所述的轮径值预测方法，其特征在于，所述样本轮径值基于如下步骤确定：
4.根据权利要求3所述的轮径值预测方法，其特征在于，所述异常值基于盒式图判断得到。
5.根据权利要求1-4中任一项所述的轮径值预测方法，其特征在于，所述预测模型为自注意力模型。
6.根据权利要求5所述的轮径值预测方法，其特征在于，将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值，包括：
7.一种轮径值预测装置，其特征在于，包括：
8.根据权利要求7所述的轮径值预测装置，其特征在于，所述轮径值序列中的初始轮径值基于所述目标列车在起始路段通过轮径校正应答器时所述轮径校正应答器确定。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的轮径值预测方法。
...【技术特征摘要】
1.一种轮径值预测方法，其特征在于，包括：
2.根据权利要求1所述的轮径值预测方法，其特征在于，所述轮径值序列中的初始轮径值基于所述目标列车在起始路段通过轮径校正应答器时所述轮径校正应答器确定。
3.根据权利要求1所述的轮径值预测方法，其特征在于，所述样本轮径值基于如下步骤确定：
4.根据权利要求3所述的轮径值预测方法，其特征在于，所述异常值基于盒式图判断得到。
5.根据权利要求1-4中任一项所述的轮径值预测方法，其特征在于，所述预测模型为自注意力模型。
6.根据权利要求5所述的轮径值预测方法，其特征在于，将所述轮径值序列输入至预测模型，得到所述预测模型输...
【专利技术属性】
技术研发人员：张辉，吴正中，郝耕华，邓能文，王晓东，武涛，张兵兵，
申请(专利权)人：北京城建智控科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。