[发明专利]基于特征选择和机器学习的轨道机车节能优化操纵方法

说明书

本发明涉及一种基于特征选择和机器学习的轨道机车节能优化操纵方法，其特征在于具体包括以下步骤：步骤1、完成数据的收集与预处理，得到标准的数据集；步骤2、利用特征选择的算法对步骤1中的预处理之后的数据集进行特征的选择；步骤3、利用步骤2中特征选择后新的标准数据集，分别对速度变化模式预测模型及档位变化模式预测模型进行训练；步骤4、进行分类预测。本发明通过特征选择和机器学习的手段，简化轨道机车节能优化操纵问题的处理过程，减小求解过程中对人工分析和领域知识的依赖，在较短时间内得到轨道机车节能优化操纵序列，并能够得到更加节油的操纵序列。

技术领域

本发明涉及一种轨道机车操纵技术，尤其涉及一种基于特征选择和机器学习的轨道机车节能优化操纵方法。

背景技术

轨道机车节能优化操纵是为了能够在一定的牵引机车、车辆、线路等硬件环境和既定的运行图、列车编组计划等运营管理状况下，来改进机车的操纵方法以实现列车的节能运行。轨道机车在运行过程中会受到坡度、限速、隧道、弯道等多个外部环境约束条件，机车的节能优化操纵往往也会有多个需要优化的目标，如油耗、列车时刻表约束的到站时间、运行平稳性等，这些外界因素和自身因素的干扰，使得轨道机车的操纵驾驶有很大的复杂性和不确定性，所以机车的节能操纵实时优化控制是一个多目标、多约束、高非线性的复杂操纵序列优化问题。

在解决这类复杂操纵序列优化问题中常见的有三类方法：数值搜索、解析求解、启发式操纵规则设计。数值搜索：通过数值搜索算法对操纵序列进行寻优搜索从而得到优化的档位操纵序列，常见的算法有遗传算法、群搜索算法、动态规划等，这种方式耗时长，且短时间内无法收敛到最优结果，不适合在线优化控制系统。解析求解：基于领域知识对操纵控制过程中不同状况下的关键转换点根据解析公式求解来得到最终的优化操纵序列，这种方式主要缺陷是转换点的解析公式推导过程复杂，较难处理多约束条件。启发式策略设计：考虑诸多复杂因素，人工通过现有领域的一些操作规范等启发式的进行机车控制策略设计，然后通过不同的路况信息和机车信息进行策略匹配，来自动控制机车运行，该种方式会过多的引入人工的分析与设计，极大的降低了策略设计的效率，而且同时由于人思考范围有限，无法覆盖所有可能的情况，这势必会导致部分优化解遗漏。为了克服以上方法的缺点和不足，本发明提出一种基于特征选择和机器学习的轨道机车节能优化操纵的解决方法。

发明内容

本发明的目的是提供一种基于特征选择和机器学习的轨道机车节能优化操纵方法，最终得到可以控制机车运行的具有时间属性的离散档位序列集合，机车可以按照这些档位序列集合行驶运行。

本发明的技术方案是提供一种基于特征选择和机器学习的轨道机车节能优化操纵方法，其特征在于具体包括以下步骤：

步骤1、完成数据的收集与预处理，得到标准的数据集，为后续步骤准备数据的输入，此步骤分为数据的收集和预处理两个步骤，数据收集是从机车上相关的监控记录设备上获取原始数据，数据的预处理是针对从记录仪器上获取的原始数据进行数据的预处理，将预处理之后的数据集结果存储在文本文件中，预处理之后得到供后续步骤使用的标准数据集；

步骤2、利用特征选择的算法对步骤1中的预处理之后的数据集进行特征的选择，将无效特征和噪声特征去除，得到数据集的最佳特征列表，并将经过特征选择之后的数据集重新保存为新的标准数据集，存储在文本文件中；

步骤3、利用步骤2中特征选择后新的标准数据集，分别对速度变化模式预测模型及档位变化模式预测模型进行训练；

步骤4、进行分类预测，当有新的数据需要进行预测时，首先将数据根据步骤1进行处理，其次将数据的特征按照步骤2中最佳特征列表进行处理，然后分别利用步骤3中得到的速度变化模式预测模型和档位变化模式预测模型对速度变化模式和档位变化模式进行预测，最终得到完整的档位操作序列。