[发明专利]一种基于学习的列车运行参考曲线动态生成方法

权利要求书

1.一种基于学习的列车运行参考曲线动态生成方法，其特征在于，包括如下步骤：

S1：初始化TSCGAN模型中生成器的权重参数θ_g和判别器的权重参数θ_d；

S2：初始化训练迭代数n₁，训练步数n₂，小批量训练样本数量ρ；更新生成器的权重参数θ_g和判别器的权重参数θ_d；

S3：利用更新后的θ_g和θ_d，通过TSCGAN模型生成M_g个样本数据集；

S4:若判别器能够区分出生成器生成的样本数据集与原始数据集，转至步骤S2；若判别器不能区分出生成器生成的样本数据集与原始数据集，则转至步骤S5；

S5：将生成的样本数据集与原始数据集相结合，并组成训练数据集D_train；样本的总数为M＝M_g+M₀，M₀是原始数据集的数量；

S6：初始化HRTL模型中的权重参数集W_L和W_F，W_L是长短时记忆网络的权重参数集，W_F是全连接网络的权重参数集；

S7：从训练数据集D_train中随机选择一批数据集；

S8：计算损失目标函数，并采用时间反向传播算法和自适应梯度算法更新HRTL模型参数W_L和W_F，使损失目标函数趋于最小，直到终止条件得到满足；

S9：保存使损失目标函数趋于最小的权重参数集W_L和W_F，并作为HRTL模型的参数；

S10：采集列车运行的实时状态数据；

S11：将采集到的列车的实时状态数据输入到HRTL模型中，得到预测的目标速度。

2.如权利要求1的基于学习的列车运行参考曲线动态生成方法，其特征在于，步骤S2中，更新生成器的权重参数θ_g和判别器的权重参数θ_d的步骤具体如下：

S21：为了训练判别器，从噪声分布p_z^(z)中采样ρ个噪声样本数据{z⁽¹⁾,...,z^(ρ)}，其中z⁽¹⁾,...,z^(ρ)是从噪声分布p_z^(z)中采样得到的第1至ρ个噪声样本数据；

S22：从实际数据分布p_r^(ξ)中采样ρ个实际样本数据{ξ⁽¹⁾,...,ξ^(ρ)}，其中ξ⁽¹⁾,...,ξ^(ρ)从实际数据分布p_r^(ξ)中采样得到的第1至ρ个实际样本数据；

S23：通过上升公式(1)的随机梯度来更新判别器的权重参数θ_d；

其中，指计算判别器的梯度；ξ⁽ⁱ⁾|t，z⁽ⁱ⁾|t分别代表添加时间戳t后的第i个实际样本和噪声样本；D，G分别代表判别器和生成器的输出函数；

S24：为了训练生成器，从噪声分布p_z^(z)中采样ρ′个噪声样本数据{z⁽¹⁾,...,z^(ρ′)}，其中z⁽¹⁾,...,z^(ρ′)是从噪声分布p_z^(z)中采样得到的第1至ρ′个噪声样本数据；

S25：通过下降公式(2)的随机梯度更新生成器的权重参数θ_g；

其中，指计算生成器的梯度。

3.如权利要求1的基于学习的列车运行参考曲线动态生成方法，其特征在于，损失目标函数如式(3)所示：

其中T代表预测的步长；y^j和分别代表第j个真实值与模型的预测值。

4.如权利要求1的基于学习的列车运行参考曲线动态生成方法，其特征在于，实时状态数据包括：列车位置、列车速度、相邻列车之间的间隔、相对于前一列车的速度和到下一个限速区的剩余距离、运行模式、控制手柄级位和限速值。