System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及铁路运输,尤其涉及一种基于残差神经网络的调车作业分级评价方法和系统。
技术介绍
1、现有对调车计划优劣评判是由调度所管辖调车作业的人员主观决定,带有较强的人为经验因素,并且对于调车作业量大的车站,评价调车计划的优劣是一项繁重的工作,需要审核大量的调车计划。
2、现有技术中通过将调车计划通过现车分布快照的方式转换为一组二维矩阵,并将与编制调车计划相关的车辆属性信息映射为一组数字编码向量,从而将调车计划转换为一组可由卷积神经网络分类器处理的输入量,通过对基于卷积神经网络的分类器进行训练,可以得到优化后的参数,并实现对调车计划的自动评价分类工作。
3、但是这种方法中,需要对每一勾的调车计划都进行张量建模,导致训练模型的时候计算量非常巨大,勾计划越复杂,对应的计算复杂度就越高。在调车计划的评价中,最终的车辆分布结果是每一勾执行后的叠加结果,也是决定调车计划编制水平的重要因素,
技术实现思路
1、本专利技术目的在于提供一种基于残差神经网络的调车作业分级评价方法和系统,不仅降低精度损失,还提高了调车计划评价分类器评价的准确率。
2、为实现上述目的,本专利技术提供一种基于残差神经网络的调车作业分级评价方法,包括:
3、提取调车计划中调车作业执行前后的车辆信息,根据调车作业开始时的现车分布快照和调车作业结束时的现车分布快照,将所述车辆信息转换为三维矩阵;
4、基于卷积神经网络,将所述三维矩阵作为输入数据,构建调车计划评价分类
5、收集车站历史所有调车计划和对应的评分生成数据集,根据所述数据集对调车计划评价分类器进行训练;
6、利用训练后的调车计划评价分类器对新调车计划进行分类和评价,并实现所述调车计划评价分类器的调优。
7、进一步的,所述提取调车计划中调车作业执行前后的车辆信息,并转换为三维矩阵,包括:
8、将车辆特征属性转换为c*f维的矩阵;其中,c表示调车计划开始时所有车辆的数量,f表示车辆特征属性的个数;
9、基于c*f维的矩阵,将每个车辆特征属性进行独热码处理,使每个车辆特征属性生成c*d维的稀疏矩阵;其中,di表示第i个车辆特征属性的分类取值数量;
10、基于c*d维的稀疏矩阵,接入输入为d、输出为8的嵌入层进行降维,获得c*8维的车辆嵌入表示矩阵;其中,8表示车辆嵌入表达的维度;
11、根据调车作业开始时的现车分布快照和调车作业结束时的现车分布快照,将c个车辆8维的嵌入表达放在对应的车辆位置上,形成两个8通道的三维矩阵,分别对应调车作业开始时的车辆嵌入信息和调车作业结束时的车辆嵌入信息。
12、进一步的,在车辆特征属性转换为c*f维的矩阵过程中,加入车辆是甩车还是挂车、车辆是否终到本站、车辆是否中转三个特征属性;
13、其中,每个车辆特征属性在独热码中有对应的三种分类取值。
14、进一步的,所述基于卷积神经网络,将所述三维矩阵信息作为输入数据,构建调车计划评价分类器,包括:
15、将两个三维矩阵作为所述调车计划评价分类器的输入,两个三维矩阵分别经过四个串联的卷积块后,经过全局平均池化层和第一全连接层获得对应的输出向量;
16、对两个输出向量进行水平拼接后,通过第二全连接层和softmax函数的处理后输出,获得调车计划评价分类器;
17、其中,每个三维矩阵的维度为m*n*8;其中,m表示映射为二维矩阵的车辆矩阵的行数,n表示映射为二维矩阵的车辆矩阵的列数,8表示车辆嵌入表达的维度。
18、进一步的,所述收集车站历史所有调车计划和对应的评分生成数据集,根据所述数据集对调车计划评价分类器进行训练,包括:
19、收集车站历史所有调车计划后,收集每个调车计划对应的所有评分并取平均值,作为每个调车计划的真实评分;
20、将车站历史所有调车计划数据与对应的真实评分进行一一对应,生成数据集;
21、将所述数据集划分为训练集和测试集,利用所述训练集对调车计划评价分类器进行训练直至达到收敛目标,并将训练结果保存为模型文件。
22、进一步的,所述利用训练后的调车计划评价分类器对新调车计划进行分类和评价,并实现所述调车计划评价分类器的调优,包括:
23、利用训练后的调车计划评价分类器对新调车计划进行分类和评价,生成分类评价结果;对分类评价结果进行评估,将分类异常的调车计划数据存储至异常集中;
24、当异常集中积累到预定数量的分类异常数据后,对所述调车计划分类器进行持续性调优,直至所述调车计划分类器在对新调车计划进行分类和评价时,不再出现分类异常的情况为止;
25、其中,对训练后的调车计划分类器进行持续性调优,包括:
26、将所述异常集中的分类异常数据添加至所述数据集中,对所述调车计划分类器进行重复训练,以更新所述调车计划分类器的参数,并将更新后的参数配置到所述调车计划分类器中。
27、基于同一专利技术构思,本专利技术还提供一种基于残差神经网络的调车作业分级评价系统,包括转换单元、构建单元、训练单元和调优单元,
28、所述转换单元,用于提取调车计划中调车作业执行前后的车辆信息,根据调车作业开始时的现车分布快照和调车作业结束时的现车分布快照,转换为三维矩阵信息;
29、所述构建单元,用于基于卷积神经网络,将所述三维矩阵信息作为输入数据,构建调车计划评价分类器;
30、所述训练单元,用于收集车站历史所有调车计划和对应的评分生成数据集,根据所述数据集对调车计划评价分类器进行训练;
31、所述调优单元,用于利用训练后的调车计划评价分类器对新调车计划进行分类和评价,并实现所述调车计划评价分类器的调优。
32、基于同一专利技术构思,本专利技术实施例还提供一种电子设备,包括:存储器、处理器及存储于存储器上并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前述的一种基于残差神经网络的调车作业分级评价方法。
33、基于同一专利技术构思,本专利技术实施例还提供一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令执行时实现前述的一种基于残差神经网络的调车作业分级评价方法。
34、本专利技术的技术效果和优点:本专利技术提出了一种只基于车辆初始分布和调车计划执行后分布的调车计划分类评价方法,并且为了降低精度损失,在将车辆信息转换为向量信息的编码过程中,加入车辆是甩车还是挂车、车辆是否终到本站、车辆是否中转三个特征属性;在处理车辆特征属性过程中,进行独热码编码,解决了现有技术中直接使用序号对不同特征属性取值进行编码,而序号的代数运算值大小没有物理意义的弊端;并且将独热码编码通过嵌入层进行降维,解决独热码编码使车辆特征维度过高且稀疏的问题;
35、本专利技术不仅将现有技术中将一组调车勾计划(n勾计划)的执行结果转换成了n+1个5本文档来自技高网...
【技术保护点】
1.一种基于残差神经网络的调车作业分级评价方法,其特征在于,包括:
2.根据权利要求1所述的一种基于残差神经网络的调车作业分级评价方法,其特征在于,所述提取调车计划中调车作业执行前后的车辆信息,并转换为三维矩阵,包括:
3.根据权利要求2所述的一种基于残差神经网络的调车作业分级评价方法,其特征在于,
4.根据权利要求1或2所述的一种基于残差神经网络的调车作业分级评价方法,其特征在于,所述基于卷积神经网络,将所述三维矩阵信息作为输入数据,构建调车计划评价分类器,包括:
5.根据权利要求1所述的一种基于残差神经网络的调车作业分级评价方法,其特征在于,所述收集车站历史所有调车计划和对应的评分生成数据集,根据所述数据集对调车计划评价分类器进行训练,包括:
6.根据权利要求1或5所述的一种基于残差神经网络的调车作业分级评价方法,其特征在于,所述利用训练后的调车计划评价分类器对新调车计划进行分类和评价,并实现所述调车计划评价分类器的调优,包括:
7.一种基于残差神经网络的调车作业分级评价系统,其特征在于,包括转换单元、构
8.一种电子设备,其特征在于,包括:存储器、处理器及存储于存储器上并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权利要求1-6任一所述的一种基于残差神经网络的调车作业分级评价方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令执行时实现权利要求1-6任一所述的一种基于残差神经网络的调车作业分级评价方法。
...【技术特征摘要】
1.一种基于残差神经网络的调车作业分级评价方法,其特征在于,包括:
2.根据权利要求1所述的一种基于残差神经网络的调车作业分级评价方法,其特征在于,所述提取调车计划中调车作业执行前后的车辆信息,并转换为三维矩阵,包括:
3.根据权利要求2所述的一种基于残差神经网络的调车作业分级评价方法,其特征在于,
4.根据权利要求1或2所述的一种基于残差神经网络的调车作业分级评价方法,其特征在于,所述基于卷积神经网络,将所述三维矩阵信息作为输入数据,构建调车计划评价分类器,包括:
5.根据权利要求1所述的一种基于残差神经网络的调车作业分级评价方法,其特征在于,所述收集车站历史所有调车计划和对应的评分生成数据集,根据所述数据集对调车计划评价分类器进行训练,包括:
6...
【专利技术属性】
技术研发人员:丁辉,周瑾,张海山,刘子扬,刘永壮,马锐,王兴中,
申请(专利权)人:中国神华能源股份有限公司,
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。