[发明专利]基于RBF神经网络的地铁列车ATO速度曲线预测方法

权利要求书

1.一种基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，包括以下步骤：

步骤1：基于列车ATO自动驾驶策略，建立列车运行速度影响因素评估体系，对各影响因素进行重要度排序，并选取训练和预测的样本数据；具体如下：

步骤1.1：选取牵引区、巡航区、惰行区、制动区的ATO速度曲线对应的加速度值作为参考数列Y＝{y(k)|k＝1,2,K,n}，其中Y为一组加速度值y(k)的集合，k值为加速度值的样本编号，n为加速度值的样本的容量；

选取影响因素作为比较数列X＝{X_i(k)|k＝1,2,K,n},i＝1,2,K,m；其中X为种类编号为i的影响因素值X_i(k)的集合，k值为影响因素值的样本编号，n为影响因素值的样本的容量，i值为影响因素种类编号，m为影响因素种类的容量；

步骤1.2：对ATO速度曲线与各影响因素进行无量纲化：

其中，x_i(k)则是编号为i的影响因素值X_i(k)进行无量纲化得到的值，且0＜x_i(k)＜1；

步骤1.3：计算各影响因素与ATO速度曲线的关联系数：

Δ_i(k)＝|y(k)-x_i(k)|

其中，min_imin_k|y(k)-x_i(k)|为在种类编号i、样本编号为k的一组绝对值|y(k)-x_i(k)|中求出的最小值，max_imax_k|y(k)-x_i(k)|为在种类编号i、样本编号为k的一组绝对值|y(k)-x_i(k)|中求出的最大值；p∈(0,∞)称为分辨系数，ξ_i(k)为种类编号i、样本编号为k的影响因素与ATO速度曲线加速度的关联系数值；

步骤1.4：计算各影响因素与ATO速度曲线的关联度r_i：

步骤1.5：按关联度数值大小，对各个影响因素的重要度进行排序；

步骤2：基于步骤1中影响因素重要度排序的结果，确定RBF神经网络预测模型的网络输入向量和预测模型的网络输出向量，建立地铁列车ATO速度曲线综合预测的RBF神经网络预测模型；

步骤3：确定RBF神经网络预测模型隐含层结构，并对RBF神经网络预测模型的网络参数进行初始化；

步骤4：将步骤1中的样本数据进行归一化处理；

步骤5：将步骤4中归一化之后的训练样本与检验样本，分别输入到RBF神经网络预测模型中进行学习训练与精确性检验；

步骤6：利用步骤5中RBF神经网络预测模型，进行地铁列车ATO速度曲线预测。

2.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤1中所述的列车ATO自动驾驶策略，包括列车牵引策略、巡航策略、惰行策略和制动策略。

3.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤1.5所述的按关联度数值大小，对各个影响因素的重要度进行排序，具体如下：

根据影响因素对列车运行生成ATO速度曲线的影响程度的大小，按照影响度递减的方式进行依次排序。

4.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤1中所述的样本数据，包括线路总长、各区间长度、ATP速度值、线路坡道值、线路弯道值、各区间已实际运行时间、各区间车重。

5.根据权利要求1所述的基于RBF神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤2中所述的RBF神经网络预测模型的网络输入向量，包括区间已运行时间、区间长度、区间ATP限速值、坡道值、弯道值、列车重量；所述的RBF神经网络预测模型的网络输出向量，包括当前时刻的ATO速度值。