[发明专利]基于深度神经网络结构模型的轨道列车运行状态预测方法

权利要求书

1.一种基于深度神经网络结构模型的轨道列车运行状态预测方法，其特征在于，包括：

获取轨道列车运行状态的实时数据，对所述的数据进行预处理，包括：

按照一定的时间间隔采集轨道列车运行状态的实时数据，并建立如下式(1)所示的以时间为轴的数据集：

X_t＝{x_data_1，x_data_2，x_data_3}_t (1)

其中，t表示采样时间，每个采样时间点包括：目标距离x_data_1，车辆速度x_data_2，PID控制器期望输出的加速度x_data_3；

根据预处理后的数据维度和数据集大小，建立深度神经网络结构模型，包括：

(1)建立深度神经网络结构，包括：

首先设置深度神经网络的输入序列为X_t-N，X_t-N+1...X_t-1，考虑到每个采样点包括目标距离、车辆速度和期望加速度三个维度，每个采样点的各个维度对应一个网络输入层节点，可知网络的输入层共包含(N-1)*3个节点，其中，X_t-N，X_t-N+1...X_t-1分别为列车在时间点t-N，t-N+1，...t-1的运行状态；

然后设置2-4层隐含层，每一层分别包括4-12个神经网络节点；

最后设置神经网络的输出层包括两个节点，分别代表模型预测的列车速度与位置；

(2)设置激活函数，以建立每一层神经网络之间的连接关系；

(3)定义损失函数；

将预处理后的数据划分为训练数据集和验证数据集，通过所述的训练数据集和验证数据集对所述的深度神经网络结构模型进行训练和验证；

通过验证后的深度神经网络结构模型对轨道交通列车进行在线预测。

2.根据权利要求1所述的方法，其特征在于，所述的对所述的数据进行预处理，包括：利用插值的方法去除所述的数据集中的坏点，然后对数据集中的目标距离、车辆速度和期望输出加速度进行正则化处理。

3.根据权利要求1所述的方法，其特征在于，所述的设置激活函数，以建立每一层神经网络之间的连接关系，包括：

设置如下式(2)所示的sigmoid函数为激活函数：

其中，σ(x)表示sigmoid函数，x表示激活函数的输入，e表示对数自然常数。

4.根据权利要求1所述的方法，其特征在于，所述的定义损失函数，包括：根据最小二乘法定义损失函数如下式(3)所示：

其中，N代表训练数据集合，|N|表示训练数据集的大小，Y(X)表示深度神经网络模型的预测结果，表示训练数据集对应的期望值。

5.根据权利要求4所述的方法，其特征在于，所述的将预处理后的数据划分为训练数据集和验证数据集，训练数据集对深度神经网络进行训练，最后通过验证数据集验证训练的效果，如果损失函数小于一定阈值则停止训练；否则继续训练。

6.根据权利要求1所述的方法，其特征在于，所述的通过所述的训练数据集和验证数据集对所述的深度神经网络结构模型进行训练和验证，包括：

采用交替方向乘子法对所述的深度神经网络结构模型进行训练，并设置深度神经网络结构模型的学习率为0.001。