Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于知识数据协同驱动的列车到达晚点预测方法及其应用 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:中国铁道科学研究院集团有限公司通信信号研究所;中国国家铁路集团有限公司;中国铁道科学研究院集团有限公司

摘要:基于知识数据协同驱动的列车到达晚点预测方法,包括如下步骤:根据区间临时限速下的列车运行约束、工况转换关系和列车的动力学模型构建列车运行态势推演模型,得到模型仿真的不同限速条件下的列车晚点时间;将模型得到的晚点数据与列车原始数据相结合得到增强数据;构建基于数据驱动的列车晚点预测模型,将增强后的数据作为神经网络的输入,利用深度学习的方式预测列车在目标站的到达晚点时间。本发明通过模型推演得到的列车晚点时间融合到历史运行数据中实现数据增强,解决了小样本情况下对稀疏值预测精度不高的问题,对于我国目前准点率较高、大晚点情况较少和线路及车辆参数已知的情况下的高铁晚点预测有一定的参考价值。

主权项:1.基于知识数据协同驱动的列车到达晚点预测方法,其特征为:步骤S100:根据区间临时限速下的列车运行约束、工况转换关系和列车的动力学模型构建列车运行态势推演模型,得到模型仿真的不同限速条件下的列车晚点时间;步骤S110:将列车的质量、长度和线路坡度、总长度和区间最高限制速度输入列车动力学模型,按照距离步长的方法,得到列车在各处的加速度、速度、通过时间,形成列车的仿真运行曲线,得到正常运行状态下的列车的仿真运行时间;步骤S120:设置各种可能的限速区间起点、终点和限置速度,得到不同限速条件下的列车仿真运行时间;步骤S130:根据正常状态下运行时间和限速条件下列车仿真运行时间的差值,得到不同限速条件下列车的仿真晚点时间;所述加速度的计算: (1)式中,和分别为列车在位置和处的加速度,单位为ms2;m为列车质量,单位为kg;k为回转系数,表明列车运行时水平偏移对加速度的影响,列车允许的最大加速度,单位为ms2;为列车允许的最大冲击率,单位为ms3;为列车在前一距离间隔的运行时间,单位为s;为列车在位置处所受合力,单位为N,其计算公式如下: (2)式中,,,,分别为列车在位置i+1处的受到的牵引力、制动力、基本阻力和坡道阻力;和与列车所处的工况有关,当,列车在最大牵引工况;当,时列车在最大制动工况;,时,列车在惰行工况;当与取某个常数使得时,列车在巡航工况;速度计算: (3)式中,和分别为列车在位置和处的速度,单位为ms;为列车在位置处的限速值,单位为ms;是列车在位置和之间的走行距离;通过时间点计算: (4)式中,是列车到达位置的时刻,是列车到达位置的时刻,单位为s;和分别为列车在位置和处的速度,单位为ms;为列车在位置处的加速度,单位为ms2;步骤S200:将模型得到的晚点数据与列车原始数据相结合得到增强数据;步骤S210:将所述模型仿真得到的列车晚点时间按照真实晚点数据分布的情况进行了筛选,只保留在真实最大晚点范围内的仿真数据,并对各站晚点情况均相同的仿真数据进行了均值替代以减少冗余;步骤S220:将模型得到的晚点数据按照不同的比例与列车原始数据进行结合,构建不同的增强数据;步骤S300:构建基于数据驱动的列车晚点预测模型,将增强后的数据作为神经网络的输入,利用深度学习的方式预测列车在目标站的到达晚点时间;步骤S310:融合CNN、Bi-LSTM和注意力机制构建神经网络模型CBLA-net用于列车晚点预测;Bi-LSTM由前向LSTM和后向LSTM组合而成;LSTM由内存单元和控制门组成,使网络能够更好地捕捉和记住列车特征序列中的长期依赖性;根据其功能分为三个主要部分:输入门、遗忘门和输出门,式5-10描述了LSTM的工作原理: (5) (6) (7) (8) (9) (10)式5-10中,当前时间步中要处理的列车特征信息是保留的历史信息和更新的输入信息的加权组合,权重为和;其中,是遗忘门的输出,其控制应该保留的历史列车信息,取值范围从0到1,0表示完全遗忘,1表示完全保留;是输入门的输出,其控制被更新到模型中的输入信息;最后,是输出门的输出,控制将传递到下一个时间步的列车特征信息;,,和都是过去时间步信息和当前输入信息的函数,、、和分别是遗忘门、输入门、候选记忆单元和输出门的偏置项,、、和分别是遗忘门、输入门、候选记忆单元和输出门的权重矩阵;步骤S320:确定神经网络的输入结构:选取办理旅客作业较多的站点为目标预测站点;使用一趟列车在目标站点前序所有站的到达晚点时间作为特征输入;步骤S330:选择不同融合比例的增强数据作为训练集,并对列车原始数据按月份随机抽取15%作为测试集,使用不同增强数据构建的训练集进行模型训练,并在同一测试集下比较预测效果;步骤S340:计算不同融合比例的训练集的在不同晚点情况下的预测性能,用平均绝对误差MAE和均方根误差RMSE表示。

全文数据:

权利要求:

百度查询: 中国铁道科学研究院集团有限公司通信信号研究所 中国国家铁路集团有限公司 中国铁道科学研究院集团有限公司 基于知识数据协同驱动的列车到达晚点预测方法及其应用

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。