[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

说明书

本发明提供了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，包括：获取轨道列车运行状态的实时数据，对数据进行预处理；根据预处理后的数据，建立深度神经网络结构模型；将预处理后的数据划分为训练数据集和验证数据集，通过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。本发明的方法在综合考虑车辆个体和运行环境差异因素的基础上，建立一种动力学模型，为列车在复杂环境下的运行提供有力支撑。

技术领域

本发明涉及轨道交通管理与控制技术领域，尤其涉及一种基于深度神经 网络结构模型的轨道列车运行状态预测方法。

背景技术

城市轨道交通具有节约土地、运量大、耗能少、快速、准时和环保等特点， 是资源节约型和环境友好型的交通方式。城市轨道交通不仅方便了市民的出 行，缓解了城市交通拥堵，而且也在一定程度上减小了能耗与城市碳排放压力， 并带动了沿线经济的发展。为了进一步满足社会经济发展的需要，缓解大城市 交通出行压力，我国正在大力发展城市轨道交通。

目前，国内90％以上的新建地铁线路都采用了ATO系统，因此列车自动驾 驶ATO系统在城市轨道交通中占有重要的地位。列车动力学模型对ATO系统的 运行精度和系统稳定性起着至关重要的作用。然而，现有技术中由于系统复 杂度高，列车动力学模型受到的影响因素也众多，例如轨道湿度、外界天气 和牵引/制动闸瓦损耗等。目前许多列车动力学模型仅采用简单的线性一阶控 制模型，不能准确的反映列车的模型参数变化。尤其是雨雪天气下，轮轨黏 着系数和其他相关参数的改变会导致列车动力学模型发生改变，列车对系统牵引制动参数更加敏感，而目前的列车ATO系统无法在线识别列车动力学模型 的变化，不能有效的适应列车在雨雪天气下的自动运行。因此，当前城市轨 道交通中，在遇到雨雪天气的情况下都会切换为人工驾驶模式，降低了系统 的运行效率。

目前，在实际应用中，列车的动力学模型是通过一种反馈调节的方法实 现对加速度和速度的跟踪控制，然而该模型中存在参数对个体和环境较为敏 感，易受到外面环境，如空气湿度和轮轨摩擦系数等因素影响。同时，由于 车辆个体和环境的差异使得模型参数的适应性较差，模型难以广泛的应用在 实际线路当中，在模型应用的过程中需要根据模型的个体进行大量测试和修 正才能有较好的表现。

因此，需要在综合考虑车辆个体和运行环境差异因素的基础上，建立一 种动力学模型，为列车在复杂环境下的运行提供有力支撑。

发明内容

本发明提供了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，为列车在复杂环境下的运行提供有力支撑。

为了实现上述目的，本发明采取了如下技术方案。

本发明提供了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；

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；

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。

优选地，获取轨道列车运行状态的实时数据，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。