[发明专利]基于深度学习的货运列车最佳速度曲线动态规划逐次逼近方法

权利要求书

1.基于深度学习的货运列车最佳速度曲线动态规划逐次逼近方法，其特征在于：将货运列车在行驶过程中行驶的数学模型分为3类，精确化列车行驶过程中所需的加速度，在影响因素方面也能够得到简化；明确自动驾驶货运列车的目标函数和约束条件，建立货运列车自动驾驶控制的数学模型；基于深度学习的神经网络层，对影响因素和货运列车速度和加速度作为输入层和输出层，并建立速度和加速度的生成和学习模型；改进的wake-sleep算法分为两个部分，一个部分是学习过程，另外一个是生成过程。

2.根据权利要求1提到将货运列车在行驶过程中行驶的数学模型分为3类，主要包含平面行驶、下坡行驶和上坡行驶，将每一节车厢所受的阻力进行分析，确定克服阻力前进需要施加的牵引力大小，以及影响列车行驶的天气温度，环境和列车的货物重力，对货物列车前进中所受的外在因素进行分析，进一步精确化列车行驶过程中所需的加速度，在影响因素方面也能够得到简化。

3.根据权利要求1提到驾驶货运列车的目标函数和约束条件，建立货运列车自动驾驶控制的数学模型；要保证货运列车能够安全可靠的前进，除了影响列车前进的因素外，还需要考虑列车前进过程中铁道局对列车的速度限制，就需要添加额外的约束条件；其中，货运列车的目标函数，目标函数就是根据深度学习最终的结果，通过对货运列车行驶过程中历史数据的收集，通过深度学习生成自动驾驶货运列车的最佳的速度和加速，添加货运列车的约束条件，还需要添加货运列车在行驶过程中最大的路段速度，为货运列车前进的速度，为货运列车在某路段行驶的最大速度。

4.根据权利要求1提到深度学习的神经网络层，对影响因素和货运列车速度和加速度作为输入层和输出层，并建立速度和加速度的生成和学习模型；将影响因素和列车前进的速度与加速度作为深度学习的两个结果，其图示如图4所示，根据图中所隐藏的隐藏层，先基于基本的深度学习，隐藏层为两层，计算影响因素结果和列车行驶的速度与加速度关系系数。对影响因素和货运列车速度和加速度作为输入层和输出层，并建立速度和加速度的生成和学习模型，同时引入影响货运列车在行驶过程中速度的因素和输出的加速度与速度约束条件，供自动控制系统进行控制速度和加速度的改变，在神经网络层中由输入层输入影响因数和输出层输入加速度和速度，就可以得到神经网络中的隐藏层中系数；在实际应用中将影响因素输入输入层，通过隐藏层的系数处理，在输出层就可以得到与之匹配的加速度和速度。

5.根据权利要求1改进的算法分为两个部分，一个部分是学习过程，另外一个是生成过程；改进的算法分为两个部分，一个部分是学习过程，另外一个是生成过程，向控制系统中输入影响因素，存在与之匹配的信息时就直接输出响应的速度和加速度，这个过程就是生成过程；控制系统中不存在与之匹配的信息，就通过神经网络训练，改变影响因素不同的权重，训练出最优的目标结果和系数，就可以存入系统和输出控制；通过算法对货运列车影响因素和输出速度和加速度的之间系数、影响因素的特征值以及隐藏层的层数进行优化，输出最优的训练模型和最佳目标结果；货运列车在行驶过程中就可以将影响因素收集输入到控制系统，输出最佳的目标函数值，呈现一种最佳速度曲线动态规划。