一种列车运行状态预测方法、模型的训练方法和装置与流程

本文涉及轨道交通，尤指一种列车运行状态预测方法、模型的训练方法和装置。

背景技术：

1、高速铁路具有速度快、线路长、环境复杂等特点，对列车运行安全性、准时性、高效性提出了更为严格的要求。预测列车未来的运行状态可为列车自动驾驶系统(automatictrain operation, ato)提供监测速度防护曲线、预测到站时间等决策的依据，进而实时调整控车策略，保证列车安全准时到达车站。

2、目前列车运行状态预测模型大多采用传统的动力学方程实现，需要根据现场运行环境对参数进行动态调整，难以实现长距离精准预测。同时现有的传统数据驱动动力学模型没有考虑控制指令的时滞对列车运行状态的影响，导致状态预测具有滞后性。随着传感器、大数据、人工智能技术的发展，研究一种基于新一代信息技术的考虑控制指令时滞的列车运行状态预测模型已成为高速列车智能化发展的重要趋势。

技术实现思路

1、本技术实施例提供了一种列车运行状态预测方法、模型的训练方法和装置，能够提高列车运行状态预测的准确度。

2、在本技术的一个实施例中，提供了一种列车运行状态预测方法，包括：

3、获取列车的第一历史状态数据和第一历史控制指令的时间序列；

4、利用预先建立的列车运行状态预测模型，根据所述列车的第一历史状态数据和第一历史控制指令的时间序列，对所述列车的运行状态进行预测；

5、其中，所述列车运行状态预测模型用于：对于所述第一历史状态数据的时间序列中的每一个状态数据，分别确定所述状态数据的状态特征，以及第一历史控制指令的时间序列中与所述状态数据相对应的控制指令的指令特征，将所述状态特征和所述指令特征拼接后加入增强特征时间序列；将所述增强特征时间序列输入所述列车运行状态预测模型中的时间序列预测子模型，得到所述列车的运行状态预测结果。

6、一种示例性实施例中，所述列车的状态数据包括以下一种或多种：列车速度、列车位置增量。

7、一种示例性实施例中，所述对于所述第一历史状态数据的时间序列中的每一个状态数据，分别确定所述状态数据的状态特征，以及第一历史控制指令的时间序列中与所述状态数据相对应的控制指令的指令特征，包括：

8、使用所述列车运行状态预测模型中的状态特征提取子模型对所述状态数据进行处理，得到所述状态数据的状态特征；

9、获取所述第一历史控制指令的时间序列中，所述状态数据对应时刻以及之前连续m个控制指令，作为控制指令向量；将所述控制指令向量输入所述列车运行状态预测模型中的时滞特征提取子模型，得到与所述状态数据相对应的控制指令的指令特征；

10、其中，m为控制指令的步长；所述m个控制指令的总时长大于控制指令的时延时间。

11、一种示例性实施例中，所述状态特征提取子模型包括第一激活函数、第一全连接网络和第二全连接网络；

12、所述使用所述列车运行状态预测模型中的状态特征提取子模型对所述状态数据进行处理，得到所述状态数据的状态特征，包括：

13、采用所述第一全连接网络对所述状态数据进行处理，并将处理结果输入所述第一激活函数，得到第一特征向量；

14、将所述第一特征向量输入所述第二全连接网络，得到第二特征向量；对所述第二特征向量进行层归一化处理，得到所述状态数据的状态特征。

15、一种示例性实施例中，所述时滞特征提取子模型包括第二激活函数、第三激活函数、第四激活函数、第三全连接网络、第四全连接网络；

16、所述将所述控制指令向量输入所述列车运行状态预测模型中的时滞特征提取子模型，得到与所述状态数据相对应的控制指令的指令特征，包括：

17、使用所述第三全连接网络对所述控制指令向量进行处理，并将处理结果输入所述第二激活函数，得到第三特征向量；采用所述第四全连接网络对所述第三特征向量进行处理，将处理结果输入所述第三激活函数，得到第四特征向量；

18、将所述第四特征向量与所述控制指令向量进行叠加，对叠加结果进行层归一化处理，得到第五特征向量；

19、将所述第五特征向量输入所述第四激活函数得到第六特征向量，对所述第六特征向量与所述控制指令向量的向量积进行层归一化处理，得到所述指令特征。

20、一种示例性实施例中，所述时间序列预测子模型包括循环神经网络，所述循环神经网络包括以下任意一种：lstm网络、rnn网络或者gru网络；

21、所述将所述增强特征时间序列输入所述列车运行状态预测模型中的时间序列预测子模型，得到所述列车的运行状态预测结果，包括：

22、将所述增强特征时间序列输入所述循环神经网络，获得所述增强特征时间序列中每一个增强特征向量所对应的隐藏状态；

23、根据注意力机制，对获得的每一个增强特征向量所对应的隐藏状态进行处理，得到更新的隐藏状态；将所述更新的隐藏状态作为所述循环神经网络的最终隐藏状态，并根据所述循环神经网络的最终隐藏状态，确定所述列车的运行状态预测结果。

24、一种示例性实施例中，所述根据注意力机制，对获得的每一个增强特征向量所对应的隐藏状态进行处理，得到更新的隐藏状态，包括：

25、将所述每一个增强特征向量所对应的隐藏状态组成隐藏状态向量；利用所述时间序列预测子模型中的注意力网络对所述隐藏状态向量进行处理，并将处理结果输入时间序列预测子模型中的第五激活函数，得到第一权重系数向量；其中，所述第一权重系数向量中的元素与所述每一个增强特征向量所对应的隐藏状态一一对应；

26、对所述每一个增强特征向量所对应的隐藏状态，分别按照所述第一权重系数向量中对应的元素进行加权求和，得到所述更新的隐藏状态。

27、在本技术的又一个实施例中，提供了一种列车运行状态预测模型的训练方法，包括：

28、获取列车的第二历史状态数据和第二历史控制指令的时间序列；

29、对所述列车的第二历史状态数据和第二历史控制指令的时间序列进行如下处理，直到所得到的列车运行状态预测结果满足预设条件：

30、根据所述列车在第一时段内的历史状态数据和历史控制指令子序列，利用所述列车运行状态预测模型对所述列车在所述第一时段下一时刻的运行状态进行预测，得到列车的运行状态预测结果；

31、根据所述列车的运行状态预测结果，以及所述第二列车的历史状态数据时间序列中，所述第一时段下一时刻的历史状态数据，对所述列车运行状态预测模型进行参数优化；

32、其中，所述列车运行状态预测模型用于：对于所述历史状态数据子序列中的每一个状态数据，分别确定所述状态数据的状态特征，以及历史控制指令子序列中与所述状态数据相对应的控制指令的指令特征，将所述状态特征和所述指令特征拼接后加入增强特征时间序列；将所述增强特征时间序列输入所述列车运行状态预测模型中的时间序列预测子模型，得到所述列车的运行状态预测结果。

33、在本技术的又一个实施例中，提供了一种列车运行状态预测装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的列车运行状态预测方法。

34、在本技术的又一个实施例中，提供了一种列车运行状态预测模型的训练装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的列车运行状态预测模型的训练方法。

35、通过本技术实施例提供的技术方案，能够提高列车运行状态预测的准确度。

36、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。