基于SA-GRU的高速列车节能驾驶策略

基于sa-gru的高速列车节能驾驶策略
技术领域
1.本发明属于轨道交通、神经网络技术领域，具体涉及一种基于sa-gru的高速列车节能驾驶策略的研究。


背景技术：

2.近年来，我国高速铁路得到了很快的发展，高速铁路的开通运营不仅促进了我国社会经济的发展，而且作为国内中短途出行时的交通方式，可以节约在旅途中的大量时间，成为绝大多数人的最佳选择。在促进国家经济发展的同时，高速铁路在节能减排方面也产生了很好的示范效应，具体体现为：首先，它提升了铁路电气化水平，优化了铁路节能结构，实现了大面积“以电代油”，降低了对石油的依赖；其次，高速铁路技术有力的提升了铁路行业的节能减排效应，形成了绿色环保的交通大动脉。但是随着高速铁路运行里程和行车密度的增大，牵引供电系统用电量逐年增加，高铁的节能降耗成为人们关注的热点。高铁相对其他交通出行方式最显著的优势之一就是极少延误能够正点到站，这就要求在列车运行过程中进行速度的规划和控制。因此保障高速列车系统安全可靠准时的前提下，开展以降低高速列车运营能耗水平为目的的关键理论技术与方法研究具有重要现实意义。现有的节能方法主要集中于车体本身、轨道路线以及列车驾驶策略方面的优化研究，除列车驾驶策略外，剩下两种投入成本高，对驾驶策略的优化成为一种高效、低成本的方法。


技术实现要素：

3.本发明的目的是提供基于sa-gru的高速列车节能驾驶策略，解决了高速列车在运行过程中由于操作不当产生过多能耗的问题。
4.本发明所采用的技术方案是，基于sa-gru的高速列车节能驾驶策略，步骤1、对列车从首发站到终点站运行过程中产生的运行数据，使用插值法、卡方检验方法对运行时间、速度、车厢电气柜温度、变压器温度、驱动侧轴温度、齿轮温度、轴温、转速、风管温度以及制动手柄级位一系列单个特征进行数据预处理；
5.步骤2、通过12种不同类别制动手柄级位将数据分为12类，并将每一类制动手柄级位映射为0-11的数字作为标签，去除数量过少的类别为紧急制动手柄级位的数据，也就是标签为11的数据，对剩下的列车运行时数据，标签为0-10，使用欠采样法进行构造均衡数据集操作，得到每一种类别数量相同的均衡数据集；
6.步骤3、将步骤2中的均衡数据集进行多重特征选择，去除对制动手柄级位操作无影响或影响较小的特征，经过多重选择之后得到的均衡数据集中的数据只包含与制动手柄级位相关性大的三十四个特征，此均衡数据集将作为训练集；
7.步骤4、将步骤3中经过多重特征选择之后的训练集中除制动手柄级位之外的数据作为sa-gru分类模型的输入，制动手柄级位作为输出，对sa-gru分类模型进行训练；
8.步骤5、从步骤1中经过预处理之后的全部数据中根据速度变化选取一段路线作为测试集，根据数据集中所记录的由始发站到终点站的牵引用电能耗计算差值得出本段路中
原有制动策略下的牵引用电能量j，并记录；然后根据初始运行时数据中的运行工况分别计算每一种标签下加速、匀速、减速所占百分比，记为p
i，0
，p
i，1
，p
i，2
；
9.步骤6、将测试集经过多重特征选择，输入训练好的sa-gru模型得到初始制动策略b，由于只有在加速和匀速阶段会消耗电能，减速阶段不消耗电能，因此通过步骤5中的百分比以及sa-gru模型得到的策略b中每种制动手柄级位标签的数量可以得到耗能标签数量l；最后根据预测得到的初始制动策略b和由初始运行时数据计算得到的各制动手柄级位平均每秒带来的能耗增加值计算出在策略b下的牵引用电能量q；
10.步骤7、将步骤5和步骤6中两者的牵引用电能量进行对比分析，调整网络模型，寻求最佳节能策略。
11.本发明的特点还在于，
12.步骤1具体如下：
13.步骤1.1：把获取到的列车从首发站到终点站运行过程中产生的数据即运行时数据中剔除运行过程中不会发生任何变化的属性，即与列车驾驶能耗无关，不仅对分类模型训练无效，更会对模型的训练起到干扰作用的数据去除；
14.步骤1.2：根据每一个属性与制动手柄级位的关系进行卡方检验操作，卡方检验的值表示每一个属性与制动手柄级位之间的关联性程度，将卡方值得分最高的47个特征保留；
15.步骤1.3：对获取到的运行数据中的缺失值进行插值填补操作，使用缺失值处上下两个时间戳的值进行求均值操作，得到的值即填补作为缺失值，此时得到最终的包含47个特征的完整数据；
16.步骤2具体如下：
17.步骤2.1：根据制动手柄级位将运行时数据进行分类，制动手柄级位的值是几个离散量：{eb，rel，1a，1b，2，3，4，5，6，7，8，oc}，eb为紧急制动位，用标签0表示；rel为运转位，即牵引位，用标签1表示；常用制动位1a，1b，2，3，4，5，6，7，8分别用2，3，4，5，6，7，8，9，10表示，oc为忽略乘客激活紧急制动位，用标签11表示，由此将制动手柄级位映射为：{0，1，2，3，4，5，6，7，8，9，10，11}，共十二类；
18.步骤2.2：对制动手柄级位为11的数据代表乘客激活紧急制动位类别剔除；使用欠采样方法，从制动手柄级位标签为1-10的数据中随机抽取60组数据，共得到660条数据；
19.步骤3具体如下：
20.步骤3使用多重特征选择对数据特征属性进行选择，分别使用传统特征选择方法和xgboost进行特征选择，其中传统特征选择方法使用方差法和互信息法，具体如下：
21.步骤3.1：基于方差进行特征选择：对步骤1.3中的47个特征进行特征选择，留下方差大的k个特征，其中1≤k≤47；计算单个特征和制动手柄级位标签的线性回归测试的f值，调整所要选择的特征数量，根据评分标准从高到低依次进行特征选择，k值为35；
22.步骤3.2：基于互信息的特征选择：将步骤1单个特征与制动手柄级位的互信息值降序排列后，选取k个特征继续操作，1≤k≤47，k值为35；
23.步骤3.3：将步骤3.1和步骤3.2中的两个特征选择方法选择出来的特征进行合并，两者合并之后得到k1个特征属性；
24.步骤3.4、将步骤3.3得到的k1个特征属性进行编码，每个编码对应一个特征属性，
特征属性编码范围为1-k1，编码0为制动手柄级位标签，使用xgboost在数据集上进行特征选择，将每个特征属性和制动手柄级位的相关重要性做排序，最终选出重要性高的34个特征作为最终训练集的特征属性。
25.步骤4具体如下：
26.将步骤3得到的均衡数据集作为训练集输入sa-gru分类模型进行训练，sa-gru分类模型由三层构成：第一层为gru层，这一层使用门控机制控制输入、记忆等信息，并在当前时间步做出预测；第二层是全连接层，这一层将n个(-∞， ∞)实数映射为k个(-∞， ∞)的实数；第三层是softmax层，将k个(-∞， ∞)的实数映射为k个(0，1)的实数，同时保证它们之和为1；
27.步骤4.1、将步骤3中得到的最终数据作为sa-gru分类模型的输入数据，其参数设定如下：输入维度input_size为35，输出维度output_size为1，隐层维度hidden_size为35，一次训练所抓取的数据样本数量batch_size为30，sa-gru的层数为2，在上述结构下的gru中进行训练；
28.gru包括重置门、更新门、候选隐藏状态和隐藏状态；
29.相关参数计算和更新过程如式(2)-(5)：
30.r
t
＝σ(i
twir
h
t-1whr
br)
ꢀꢀ
(2)
31.z
t
＝σ(i
twiz
h
t-1whz
bz)
ꢀꢀ
(3)
[0032][0033][0034]
其中，隐藏单元个数为h，时间步t的输入为i
t
∈ri×d，i
×
d表示输入向量维度，上一个时间步t-1的隐藏状态为h
t-1
∈ri×h，w
ir
，w
iz
，w
ih
∈rd×h和w
hr
，w
hz
，w
hh
∈rh×h表示权重参数矩阵，br，bz，bh∈ri×h是偏差参数，σ表示sigmoid激活函数，
⊙
表示做按元素乘法，r
t
，z
t
，h
t
分别表示重置门、更新门、候选隐藏状态和隐藏状态的输出；
[0035]
步骤4.2、将步骤3选出的34个特征经过双向gru处理作为全连接层的输入，全连接层使用relu作为激活函数，并且加入dropout机制，在训练过程中，为了防止过拟合，将全连接层中的神经网络单元按照0.5的概率将其暂时从网络中丢弃，使其不工作，避免模型过度学习某些特征，具体如式(6)：
[0036][0037]
将wj视为第j类特征的权重，即每维特征的重要程度对最终分数的影响程度，bj为偏置项，通过对特征加权求和得到每个类别的分数zj；zj值中有0.5的概率被丢弃，不会被继续传输；
[0038]
步骤4.3、最后通过softmax分类器获得不同制动手柄级位标签的概率分布具体如式(7)：
[0039][0040]
其中，x为全连接层的输入，wn×k为权重，b为偏置项，softmax的计算方式如式(8)，式(9)：
[0041][0042]
拆成每个标签类别对应的概率如下：
[0043][0044]
概率最大的表示的标签类别即为接下来要进行的制动操作。
[0045]
步骤5具体如下：
[0046]
先选取一条路线作测试，选取的路线要求在初始运行时数据的记录中，原有制动手柄级位包含十一个不同类别，然后进行原有运行时数据牵引用电能耗的计算，具体计算过程如下：
[0047]
选取路线的电能耗在起始位置的值为j1，在终点位置的值为j2，则在这条路线上的总能耗为j，表达式如式(10)：
[0048]
j＝j
2-j1ꢀꢀ
(10)
[0049]
其中，除牵引手柄以外，同一制动手柄级位可分为三种运行情况：加速，匀速，减速；根据速度以及加速度变化统计同一制动手柄加速、匀速、减速三种运行情况下的数量，根据统计数量计算每一种运行情况所占百分比，加速、匀速、减速三种情况百分比分别记为p
i，0
，p
i，1
，p
i，2
，i表示制动手柄级位标签，取值为0，1，2，......，10。
[0050]
步骤6具体如下：
[0051]
将选取的路线作为测试集进行预测，测试集需要经过多重特征选择，然后输入训练好的sa-gru模型，得到预测出的制动策略后进行能耗的计算，具体过程如下：
[0052]
步骤6.1、将测试路线数据经过方差法、互信息法得到三十七个特征，再经过xgboost进行特征选择得到三十四个特征，将含有三十四个特征的数据输入训练好的sa-gru模型中得到预测制动策略；
[0053]
步骤6.2、统计每一类型制动手柄级位的数量，分别用b0，b1，...，b
10
表示，计算每一类型制动手柄级位不同运行情况的数量，得到11种制动手柄级位中消耗电能的制动手柄级位数量l，如式(11)所示：
[0054]
l＝(p
0，0
p
0，1
)
×
b0 b1 (p
2，0
p
2，1
)
×
b2
…
(p
10，0
p
10，1
)
×b10
ꢀꢀ
(11)
[0055]
由于手柄级位为1时为牵引，此时只会消耗电能来加速，故无需区分b1中是否分为加速，匀速，减速的情况；
[0056]
步骤6.3、将步骤6.2最终得到的每一类型的制动手柄级位不同运行情况的数量进行能耗的计算，首先借助excel软件在初始运行时数据中计算每一种标签的瞬时能耗，然后将每一种制动手柄级位下瞬时能耗相加，将得到的和除以每一种制动手柄级位的数量，得到每一制动手柄级位的平均能耗增加值，将每一制动手柄级位的平均能耗增加值分别表示为：q0，q1，...，q
10
；则最终sa-gru分类模型预测出的模型策略所需能耗可表示为式(12)：
[0057]
q＝q0(p
0，0
p
0，1
)
×
b0 q1b1 q0(p
2，0
p
2，1
)
×
b2
…
q
10
(p
10，0
p
10，1
)
×b10
ꢀꢀ
(12)。
[0058]
步骤7具体如下：
[0059]
步骤7.1、由步骤5和步骤6可以得到初始运行时数据中测试集的电能耗，即j，经过sa-gru分类模型制定出的操作策略b下能耗为q，二者的关系有如下两种：
[0060][0061]
步骤7.2、若能耗关系为j＞q，则将策略判定为初始节能策略b；在实际运行过程中，需将列车加速达到接近限速，再执行初始节能策略b，若列车速度变为0为止还未能到达终点站，则增加列车的匀速运行时间，使高速列车在速度变为0时刚好等于测试路线长度，这么做的目的是为了满足实际情况中列车的准点性；
[0062]
步骤7.3、若能耗关系为j≤q，要通过调整训练次数，batch_size以及利用模拟退火算法对学习率进行调整，以此达到能耗关系为j＞q，以此得到节能策略；模拟退火算法将学习率以每50次训练缩小0.1的趋势对模型进行训练。
[0063]
本发明中的xgboost表示的是极端梯度增强算法。
[0064]
本发明的有益效果是：
[0065]
1：本发明将高速列车节能问题转化为对制动手柄级位的分类操作，即将数值计算问题转化为多分类问题研究。
[0066]
2：本发明将sa-gru模型应用于高速列车节能驾驶策略的预测中，由于gru相对于lstm来说少了一个门函数，所以在参数的数量上少于lstm，则gru的训练速度更快，在数据不多的时候gru比lstm性能更好，可以更快的得到最佳节能策略。
[0067]
3：本发明在gru模型中加入模拟退火算法思想，构成gru变体sa-gru，并且使用adadelta和adam两个优化器对模型的参数进行优化，用模拟退火算法思想对两个优化器中的学习率进行随训练次数的改变，以追求最优节能驾驶策略。
附图说明
[0068]
图1是本发明基于sa-gru的高速列车节能驾驶策略的总体流程图；
[0069]
图2是本发明基于sa-gru的高速列车节能驾驶策略的数据处理流程图；
[0070]
图3是本发明基于sa-gru的高速列车节能驾驶策略的分类模型原理图；
[0071]
具体实施过程
[0072]
本发明的基于sa-gru的高速列车节能驾驶策略，如图1所示，具体方法是先把列车从首发站到终点站运行过程中产生的数据，如运行时间、速度、车厢电气柜温度、变压器温度、驱动侧轴温度、齿轮温度、轴温、转速、风管温度以及制动手柄级位等一系列属性用插值法、卡方检验等方法进行数据预处理得到列车运行时数据集；然后使用欠采样法利用列车运行时数据集构造均衡数据集；再使用多重特征选择对所构造的均衡数据集进行特征选择，得到与制动手柄级位相关性大的特征，即最终sa-gru模型输入特征，包括速度、加速度、到站距离等；将模型输入特征输入sa-gru模型进行训练，最后用训练好的sa-gru模型对测试路线数据进行制动手柄级位预测，得到预测手柄级位，即运行时操作策略；根据预测出的策略计算能耗，与测试集路线中的初始能耗对比看是否节能，若能耗减少，则得到节能策略，否则，调整模型重新进行预测；结合图2-3具体如下：
[0073]
步骤1是对所记录的从首发站到终点站的初始数据进行处理，包含去除无关属性，卡方检验和插值填补三步，具体操作如下：
[0074]
步骤1.1、首先对运行时数据进行去除无关属性操作，由于原始数据的记录为高速列车全部属性，含有多个无用属性，如车列次，车厢号等，无用属性在高速列车运行前后数
据不会发生任何变化，对列车运行能耗计算无太大意义，故需去除；
[0075]
步骤1.2、去除无关属性后进行卡方检验操作，卡方检验是用途较广的假设检验方法。针对两个定性变量之间的关系，对分类资料进行统计推断，这里指的是是每个属性和制动手柄级位之间的关系。在spss软件中使用交叉表对经过步骤1.1之后的数据进行统计，得到每一个属性相对于制动手柄级位的卡方值，将卡方值高的47个特征属性作为后续继续使用的特征数据；
[0076]
步骤1.3、由于数据中会存在一些缺失值，本数据中主要包括记录缺失的情况，其对数据分析会有较大影响，导致结果不确定性更加显著，故选择插值法补齐缺失数据，本发明中选择均值插补法进行缺失数据补齐，对缺失数据的上下时间点的同一属性值进行均值计算，得到的值即为缺失值；如式(1)所示：
[0077][0078]
其中di代表要对高速列车第d个属性的第i行空缺进行填补，由其上下两个时间序列的平均值表示，即d
i-1
，d
i 1
。
[0079]
步骤2是在对数据进行预处理后，对数据进行欠采样操作，得到含有制动手柄级位均衡的数据集，防止因为数据不均衡导致分类误差增大的问题出现。具体操作如下：
[0080]
步骤2.1、根据制动手柄级位将运行时数据进行分类。制动手柄级位的值是几个离散量：{eb，rel，1a，1b，2，3，4，5，6，7，8，oc}，eb为紧急制动位，用标签0表示，rel为运转位，即牵引位，用标签1表示，常用制动位为：1a，1b，2，3，4，5，6，7，8，在本发明中分别用2，3，4，5，6，7，8，9，10表示，oc为忽略乘客激活紧急制动位，用标签11表示，由此将制动手柄级位映射为：{0，1，2，3，4，5，6，7，8，9，10，11}，由此将数据分为十二类。由于本发明为能耗相关，故这里涉及在运行状态时数据；
[0081]
步骤2.2、数据的每个类别不均衡，不均衡数据集会导致分类器训练误差较大，故采用欠采样以最少的数据为准，对别的数据进行欠采样。由于制动手柄级位为11的数据代表乘客激活紧急制动位，由于此类数据量过少，对于模型训练无贡献，故将此类别剔除。对制动级位为0的数据在数据预处理过程中剔除了11条数据，最终以60条数据作为少数数据集，使用欠采样方法对制动手柄级位从1到10的多数数据随机抽取样本，每一制动手柄级位抽取60条数据，最终得到训练集为660条数据的均衡数据集。
[0082]
步骤3是一个多重特征选择的过程，本研究使用了三种特征选择方法对步骤2得到的均衡数据集依次进行特征选择，三种特征选择方法分别为方差法，互信息法以及xgboost特征选择法，经过特征选择法之后得到的数据会作为对sa-gru模型进行训练，具体操作如下：
[0083]
步骤3.1、基于方差进行特征选择，本质是通过特征本身的方差来筛选特征的类。比如一个特征本身的方差很小，就表示样本在这个特征上基本没有差异，可能特征中的大多数值都一样，甚至整个特征的取值都相同，那这个特征对于样本区分没有什么作用。所以无论接下来的特征工程要做什么，都要优先消除方差为0或方差过小的特征。在步骤2得到的训练集中，有47个特征，从47个特征进行特征选择，留下方差大的k(1≤k≤47)个特征，达到减少特征数量和降维的目的，使模型泛化能力更强，减少过拟合。计算单个特征和制动手柄级位标签的线性回归测试的f值，调整所要选择的特征数量，根据评分标准从高到低依次
进行特征选择，本发明中选择k的值为35；
[0084]
步骤3.2、互信息法是实际做单特征选择的时候，把某个特征是否出现和分类是否正确这两个事件放在一起计算，把得分较高的特征进行保留。基于互信息的特征选择，使用离散的特征集或者连续的特征集，计算各个特征集与制动手柄级位标签的互信息值(也是信息增益值)，根据互信息的值降序排列后，留下信息增益值大的k(1≤k≤47)个特征，完成特征的选择，本发明中的k值选为35；
[0085]
步骤3.3、将步骤3.1和步骤3.2中的两个特征选择方法选择出来的特征进行合并，两者合并之后得到38个特征属性；
[0086]
步骤3.4、将步骤3.3得到的38个特征属性进行编码，每个编码对应一个特征属性，特征属性编码范围为1-38，编码0为制动手柄级位标签，使用xgboost在数据集上进行特征选择，将每个特征属性和制动手柄级位的相关重要性做排序，最终选出包含速度，加速度，到站距离，环境温度，齿轮温度，牵引用电能量等34个特征作为最终训练集的特征属性。
[0087]
步骤4将步骤3得到的数据作为训练集用本发明中的sa-gru分类模型进行训练，这个分类模型由三层构成：第一层为gru层，这一层使用门控机制控制输入、记忆等信息，并在当前时间步做出预测。第二层是全连接层，这一层将n个(-∞， ∞)的实数映射为k个(-∞， ∞)的实数；第三层是softmax层，将k个(-∞， ∞)的实数映射为k个(0，1)的实数(概率)，同时保证它们之和为1；
[0088]
步骤4.1、将步骤3中得到的最终数据作为sa-gru分类模型的输入数据，其参数设定如下：输入维度input_size为35，输出维度output_size为1，隐层维度hidden_size为35，一次训练所抓取的数据样本数量batch_size为30，sa-gru的层数为2，在上述结构下的gru中进行训练。
[0089]
gru包括重置门、更新门、候选隐藏状态和隐藏状态等部分。
[0090]
相关参数计算和更新过程如式(2)-(5)：
[0091]rt
＝σ(i
twir
h
t-1whr
br)
ꢀꢀ
(2)
[0092]zt
＝σ(i
twiz
h
t-1whz
bz)
ꢀꢀ
(3)
[0093][0094][0095]
其中，假设隐藏单元个数为h，时间步t的输入为i
t
∈ri×d(i
×
d表示输入向量维度)，上一个时间步t-1的隐藏状态为h
t-1
∈ri×h，w
ir
，w
iz
，w
ih
∈rd×h和w
hr
，w
hz
，w
hh
∈rh×h表示权重参数矩阵，br，bz，bh∈ri×h是偏差参数，σ表示sigmoid激活函数，
⊙
表示做按元素乘法，r
t
，z
t
，h
t
分别表示重置门、更新门、候选隐藏状态和隐藏状态的输出。重置门控制上一时间步的隐藏状态如何流入当前时间步的候选隐藏状态，有助于捕捉文本序列中的短期依赖关系。更新门控制隐藏状态应该如何被包含有当前时间步信息的候选隐藏状态更新，有助于列车在行驶过程中捕捉短期的操作手柄级位关系。本发明使用gru的变体双向gru，双向gru每个时间步隐藏状态的输出由当前时间步前向隐藏状态和后向隐藏状态拼接而成，因此其受到前后两个方向信息传递的共同影响，包含的信息更丰富。
[0096]
步骤4.2、将步骤3选出的34个特征经过双向gru处理作为全连接层的输入，用x1，x2，...，xn表示，为了更快计算，全连接层使用relu作为激活函数，并且加入dropout机制，在
训练过程中，对于神经网络单元按照0.5的概率将其暂时从网络中丢弃，使其不工作，这样做的目的是为了防止训练出的模型过拟合，提高模型的泛化能力。具体如式(6)：
[0097][0098]
将wj视为第j类特征的权重，即每维特征的重要程度对最终分数的影响程度，bj为偏置项，通过对特征加权求和得到每个类别的分数zj；
[0099]
步骤4.3、最后通过softmax分类器获得分类结果，即在不同制动手柄级位分类标签上的概率分布，具体如式(7)：
[0100][0101]
其中，x为全连接层的输入，wn×k为权重，b为偏置项，为softmax的输出概率，softmax的计算方式如式(8)，式(9)：
[0102][0103]
若拆成每个标签类别的概率如下：
[0104][0105]
概率最大的表示的标签类别即为接下来要进行的制动操作。
[0106]
步骤5需要先选取一条路线作测试，选取的路线需要包含十一个不同类别的制动手柄级位，然后进行原有运行时数据牵引用电能耗的计算，具体计算过程如下：
[0107]
假设选取路线的电能耗在起始位置的值为j1，在终点位置的值为j2，假设这条路线上的总能耗为j，表达式如式(10)：
[0108]
j＝j
2-j1ꢀꢀ
(10)
[0109]
其中，除牵引手柄以外，同一制动手柄级位可分为三种运行情况：加速，匀速，减速。加速阶段需要施加过多的牵引力使得高速列车的车速到达一定速度，此时牵引用电能耗最多，匀速阶段高速列车需要克服空气阻力和车身摩擦力保持速度不变，此时牵引用电能耗次之，制动阶段不需要消耗电能，此时牵引用电能耗为0。
[0110]
根据速度以及加速度变化统计同一制动手柄加速、匀速、减速三种运行情况下的数量，根据统计数量计算每一种运行情况所占百分比，加速、匀速、减速三种情况百分比分别记为p
i，0
，p
i，1
，p
i，2
，i表示制动手柄级位标签，取值为0，1，2，......，10。
[0111]
步骤6将选取的路线作为测试集进行预测，测试集需要经过多重特征选择，然后输入训练好的sa-gru模型，得到预测出的制动策略后进行能耗的计算，具体过程如下：
[0112]
步骤6.1、将测试路线数据经过方差法、互信息法得到三十七个特征，再经过xgboost进行特征选择得到三十四个特征，将含有三十四个特征的数据输入训练好的sa-gru模型中得到预测制动策略；
[0113]
步骤6.2、统计每一类型制动手柄级位的数量，分别用b0，b1，...，b
10
表示，计算每一类型制动手柄级位不同运行情况的数量，得到11种制动手柄级位中消耗电能的制动手柄级位数量l，如式(11)所示：
[0114]
l＝(p
0，0
p
0，1
)
×
b0 b1 (p
2，0
p
2，1
)
×
b2
…
(p
10，0
p
10，1
)
×b10
ꢀꢀ
(11)
[0115]
由于手柄级位为1时为牵引，此时只会消耗电能来加速，故无需区分b1中是否分为加速，匀速，减速的情况；
[0116]
步骤6.3、将步骤6.2最终得到的每一类型的制动手柄级位不同运行情况的数量进行能耗的计算。首先借助excel软件在初始运行时数据中计算每一种标签的瞬时能耗，然后将每一种制动手柄级位下瞬时能耗相加，将得到的和除以每一种制动手柄级位的数量，得到每一制动手柄级位的平均能耗增加值，将每一制动手柄级位的平均能耗增加值分别表示为：q0，q1，...，q
10
，则最终分类模型预测出的模型策略所需能耗可表示为式(12)：
[0117]
q＝q0(p
0，0
p
0，1
)
×
b0 q1b1 q0(p
2，0
p
2，1
)
×
b2
…
q
10
(p
10，0
p
10，1
)
×b10
ꢀꢀ
(12)
[0118]
步骤7是把步骤5和步骤6中两者的牵引用电能量进行对比分析，根据结果反馈，利用模拟退火算法思想，调整网络模型，以修改为最适合的模型，寻求最佳节能策略。具体步骤如下：
[0119]
步骤7.1、由步骤5和步骤6可以得到初始运行时数据中测试集的电能耗，即j，经过sa-gru分类模型
[0120]
制定出的操作策略b下能耗为q，二者的关系有如下两种：
[0121][0122]
步骤7.2、若能耗关系为j＞q，则将策略判定为初始节能策略b。在实际运行过程中，需将列车加速达到接近限速，再执行初始节能策略b，若列车速度变为0为止还未能到达终点站，则增加列车的匀速运行时间，使高速列车在速度变为0时刚好等于测试路线长度，这么做的目的是为了满足实际情况中列车的准点性；
[0123]
步骤7.3、若能耗关系为j≤q，要通过调整训练次数，batch_size以及利用模拟退火算法对学习率进行调整，以此达到能耗关系为j＞q，以此得到节能策略。模拟退火算法是一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。本发明指的是利用模拟退火算法将学习率以每50次训练缩小0.1的趋势对模型进行训练。