[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

说明书

本发明提出了一种基于学习的列车运行参考曲线动态生成方法。基于条件GAN的概念，提出了基于时间戳条件生成对抗网络的数据生成方法，通过设计生成器和判别器，学习数据和时间戳之间的隐藏关系，从而生成不规则采样的新数据。在此基础上，考虑列车实际运行数据集中包含时间序列和非时间序列不同属性数据的特点，利用深度学习方法，构建参考曲线混合学习模型，对列车未来时间段内的目标运行曲线进行预测，从而实现目标运行曲线的动态生成。本发明增加了大量的数据样本点，极大的丰富了原始数据量，便于提高算法精度。生成的列车运行参考曲线既可以用于既有列车自动驾驶系统中，也可以适用于下一代列车自主驾驶系统，具有广阔的应用价值。

技术领域

本发明涉及一种基于学习的列车运行参考曲线动态生成方法。

背景技术

在过去的几十年里，人们对列车自动驾驶的研究给予了极大的关注。人工智能和通信技术的快速发展使自动驾驶列车有可能进入广泛的交通应用。在现有的列车自动控制系统中，列车的运行参考曲线通常是离线计算得到的，并且提前存储在车载计算机中。在实际运行过程中，人工驾驶员根据实时的线路状况选择合适的参考运行曲线，在当前位置和目标位置之间产生一个可行的轨迹。列车自动驾驶功能将此运行参考曲线作为跟踪目标实现列车的自动控制。考虑到列车运行环境的动态变化，如何适应复杂的外部环境以及高速度、高密度运行的特点，根据列车的动态运行生成相应的运行参考曲线成为一项具有挑战性的任务。在既有文献中，列车自动驾驶参考运行曲线的生成方法一般可以分为三类。第一类是基于搜索的轨迹规划算法。如采用增量搜索算法来计算列车的目标曲线。第二类方法利用概率模型来处理规划范围内的不确定性。第三类利用机器学习算法实现基于观测数据的动态曲线生成。

随着人工智能技术的广泛应用，基于学习的解决方案由于其在处理复杂环境中的良好表现而变得备受关注。但是学习算法需要大量的数据进行训练，才能保证预测的准确性。然而，在实践中，要获得列车的历史运行数据往往是不可行的，而且成本很高。由于数据的私密性和安全性，原始数据由各个车载设备供应商保存，很少在不同的研究机构之间共享。因此克服样本量不足的难题，设计高精度的列车参考曲线预测算法，实现列车自动驾驶运行参考曲线的动态是亟待解决的问题。

发明内容

为了应对传统深度学习中因数据量不足而严重降低预测性能的问题，本发明提出了一种基于生成对抗网络(Generative Adversarial Network，GAN)的数据生成方案，以生成与原有数据样本具有相同分布的数据样本。在此基础上，考虑列车实际运行数据集中包含时间序列和非时间序列不同属性数据的特点，构建了一个混合学习模型，对列车未来时间段内的目标运行曲线进行预测，从而实现目标运行曲线的动态生成。

本发明提出了一种基于学习的列车运行参考曲线动态生成方法。基于条件GAN的概念，提出了基于时间戳条件生成对抗网络(Time Stamp Conditional GenerativeAdversarial Network，TSCGAN)的数据生成方法，通过设计生成器(Generator，G)和判别器(Discriminator，D)，学习数据和时间戳之间的隐藏关系，从而生成不规则采样的新数据。在此基础上，考虑列车实际运行数据集中包含时间序列和非时间序列不同属性数据的特点，利用深度学习方法，构建参考曲线混合学习(Hybrid Reference TrajectoryLearning，HRTL)模型，对列车未来时间段内的目标运行曲线进行预测，从而实现目标运行曲线的动态生成。

一种基于学习的列车运行参考曲线动态生成方法，具体步骤如下所示：

S1：初始化TSCGAN模型中生成器的神经网络权重参数θ_g和判别器的神经网络权重参数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；