CN106844949B - 一种用于实现机车节能操纵的双向lstm模型的训练方法 - Google Patents
一种用于实现机车节能操纵的双向lstm模型的训练方法 Download PDFInfo
- Publication number
- CN106844949B CN106844949B CN201710039035.XA CN201710039035A CN106844949B CN 106844949 B CN106844949 B CN 106844949B CN 201710039035 A CN201710039035 A CN 201710039035A CN 106844949 B CN106844949 B CN 106844949B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- locomotive
- training
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 90
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 239000000446 fuel Substances 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种用于实现机车节能操作的双向LSTM模型的训练方法。其步骤为:采集司机历史驾驶数据与机车运行监控日志,作为初始训练数据;对初始训练数据进行预处理,得到训练数据集和测试数据集;如果是初次训练,则直接初始化模型的各个参数,否则在上一次双向LSTM模型的基础上继续训练双向LSTM神经网络模型,并保存训练好的模型;应用训练过的模型对测试数据集做仿真测试,得到新的初始训练数据;将新的初始训练数据和上一训练阶段的训练数据一起作为初始训练数据。不断进行该步骤至模型收敛。本发明提出的特征设计方法、模型设计方法以及迭代训练方法能够充分利用数据信息,提升模型的档位预测能力。
Description
技术领域
本发明涉及铁路机车节能操纵领域,尤其涉及一种用于实现机车节能操纵的双向LSTM模型训练方法。
背景技术
机车运行控制***是一个典型的多目标、多约束、非线性的复杂控制***,需要保证可靠性、安全性、准时性以及节油性,所以机车节能操纵问题是一个非线性有约束的多目标动态优化问题。而该类问题由于在解决过程中需要考虑众多复杂的约束条件,整个优化的搜索空间非常大,是一个短时间内较难搜索到最优解的问题,对其研究的现实意义重大。
现有的机车节能操纵运行的优化方法可以分为数值搜索方法、解析求解方法和启发式策略设计方法。其中数值搜索指通过数值搜索算法对操纵序列进行寻优搜索从而得到优化的操纵序列,常见的算法有遗传算法、群搜索算法、动态规划等,但是这种方式耗时长,且很难收敛到最优结果;解析求解方法指基于领域知识对操纵控制过程中不同状况下的关键转换点根据解析公式求解来得到最终的优化操纵序列,但这种方式主要缺陷是转换点的解析公式推导过程复杂,较难处理多约束条件;启发式策略设计方法是指考虑诸多复杂因素,人工通过现有领域的一些操作规范等启发式的进行策略设计,该种方式过多的引入人工的分析与设计,极大的降低了策略设计的效率,同时由于人思考范围有限,无法覆盖所有可能的情况,这势必会导致部分优化解遗漏。所以,目前的解决方案均存在着各类弊端。
目前由于计算机计算能力的大幅度提升,深度学习技术被广泛应用于多种领域的复杂问题解决方案中,如图像识别、机器翻译、机器人控制、自动驾驶等。深度学习技术凭借其较强的复杂状态表征能力和复杂特征抽象能力,在以上这些领域均取得了比传统解决方法更显著的成效。所以,将深度学习技术应用于机车节能操纵的问题解决上,在突破现有方法的复杂人工设计、复杂公式推导的瓶颈方面具有重要的意义。
发明内容
本发明的目的是提供一种用于实现机车节能操纵的双向LSTM模型的训练方法。LSTM属于递归神经网络,特别在处理序列数据方面具有较好的效果。本发明设计了双向LSTM模型,该模型应用优秀人类司机的历史驾驶数据和机车行驶的路段信息数据等,进行机车行驶过程中的操纵档位预测,该档位的预测同时兼顾安全性(无超速风险等)、准时性以及节能性;为充分利用数据信息,本发明提出了时序特征(分为前向特征和后向特征)的提取方法,同时为有效提升模型的预测能力,本发明也提出了迭代训练双向LSTM模型的方法。
本发明通过如下技术方案实现:
一种用于实现机车节能操纵的双向LSTM模型的训练方法,包括下述步骤:(1)采集司机历史驾驶数据与机车运行监控日志,作为初始训练数据;(2)对初始训练数据进行预处理,得到训练数据集和测试数据集;(3)如果是初次训练,则直接初始化模型的各个参数,否则在上一次双向LSTM模型的基础上继续训练双向LSTM神经网络模型,并保存训练好的模型;(4)应用训练过的模型对测试数据集做仿真测试,得到新的初始训练数据;(5)将新的初始训练数据和上一训练阶段的训练数据一起作为初始训练数据。(6)不断迭代进行(1)~(5)步骤至模型收敛。
所述双向LSTM模型的训练过程,特征还在于,所述的初始训练数据进行预处理阶段分为两个阶段:(1)在数据满足安全性、准点性的基础上,用如下公式筛选出N条Ji(是第i个驾驶数据的单位车重油耗)较小的数据:
其中Ji是第i个驾驶数据的单位车重油耗,Ei是第i个驾驶数据的总油耗,Wi是第i个驾驶数据的总车重。
(2)在抽取的数据基础上,进一步抽取特征数据,形成训练数据集和测试数据集。本发明提出的特征数据分为前向特征数据和后向特征数据,前向特征数据指的是机车所处状态之前的历史行驶信息和道路信息,后向特征指机车行驶方向的道路信息。
所述双向LSTM模型的训练过程,特征还在于,所述的双向LSTM模型,其输入层中,特征数据分别按照时间点不同和地理位置不同进行输入,按时间点不同所对应的输入数据是前向特征数据,按地理位置不同输入的数据是后向特征数据。
所述的本发明提出的前向特征和后向特征,具体地,前向特征包括17个特征,分别为车重、车长、重车辆数、轻车辆数、当前坡段平均坡度、当前坡段总长度、当前坡段平均速度、当前位置的限速值、当前限速值的剩余长度、当前点处于的两个车站间的平均速度、当前位置距离下一车站距离、当前位置到达下一车站的剩余时间、当前档位、当前速度、当前位置点的坡度、当前速度与限速值的差值;后向特征包括8个特征,分别为当前坡段平均坡度、当前坡段总长度、当前坡段剩余长度、当前坡段平均速度、当前位置的限速值、当前位置距离下一车站的距离、当前位置点的坡度、当前机车的速度与抽取特征位置点限速的差值。
所述双向LSTM模型的训练过程,其特征还在于,所述的不断迭代过程也可以设置迭代固定的次数之后终止迭代,终止迭代后保存当前训练的模型作为最终模型。原始训练数据集的采集可以从铁路机车中的LKJ(列车运行控制记录装置)获得,具体包括机车属性,线路属性以及机车行驶日志。
采用上述技术方案的有益效果是:
(1)本发明设计了17个前向特征和8个后向特征,这些特征作为模型的输入特征数据,充分利用了数据信息。同时前向特征的设计考虑了时序性和物理位置特点,后向特征考虑了位置特点,进一步提升了模型对机车的状态表征能力,从而最终影响预测档位的准确性;
(2)本发明在现有LSTM模型的基础上,提出的双向LSTM模型和现有技术最大的区别在于输入层中将前向特征和后向特征分离开来分别输入。本问题中的前向特征和后向特征在特征数量以及特征意义上均有区别,所以这是根据本发明解决问题的特殊性而设计的结构,该结构的设计更适用于解决机车节能操纵的问题;
(3)本发明提出了迭代训练双向LSTM的步骤和方法,经过迭代训练后,模型的档位预测能力将进一步得到的提升,甚至得到比人类优秀司机更优化的操纵档位。
附图说明
图1为本发明的双向LSTM的训练过程;
图2为本发明的双向LSTM的网络结构;
图3为机车在某个特定线路上应用训练好的双向LSTM模型的仿真行驶流程图;
图4为本发明在特定路线下与人类优秀司机驾驶数据的对比图。
具体实施方式
为使本发明更为清晰,下面结合附图对本发明进行详细地说明。
如图1所示,本实施例提供一种基于双向LSTM的机车智能操纵方法,具体包括以下步骤:
步骤S101,采集司机历史驾驶数据与机车运行监控日志,作为初始训练数据。
铁路机车司机的历史驾驶数据和机车运行监控日志可以从铁路机车中的LKJ(列车运行控制记录装置)获得。针对一个特定的司机在特定的路线上的机车驾驶数据,应该收集的数据包括:机车属性,线路属性以及机车行驶日志。其中,机车属性包括车重、车长、重车辆数和轻车辆数;线路属性包括线路的坡度、限速信息、车站信息、两站之间的运行时间信息;机车行驶日志包括时间戳、行驶速度、机车行驶档位、耗油量记录等信息。收集到的数据构成初始训练数据。
步骤S102,对初始训练数据进行预处理,得到训练数据集和测试数据集。
原始训练数据中包含较多冗余信息,且数据格式不统一,不能直接作为训练数据,需要对原始训练数据进行预处理。预处理过程分为两个阶段,第一阶段为从原始训练数据中选取司机驾驶行为较好的数据集,选择标准为满足安全性、准点性的基础上,选择单位车重油耗较小的历史数据。其中安全性指行驶过程中无安全性问题出现,准点性指行驶过程中无误点的现象。以上两个指标可直接从机车行驶日志中获取。而单位车重油耗的计算公式如下:
其中Ji是第i个驾驶数据的单位车重油耗,Ei是第i个驾驶数据的总油耗,Wi是第i个驾驶数据的总车重。预处理第一阶段从原始训练数据中选取中Ji较小的前N个驾驶数据,舍弃其他数据。
第二阶段,继续对选出的驾驶数据进行预处理。根据双向LSTM模型处理序列数据的特点,本发明提出了针对机车智能操纵问题的时序特征提取方法。对于一个特定的机车行驶状态,设机车处于道路的kp公里标处,则提取的特征可分为两部分,分别是在该状态前(公里标小于kp)机车的行驶信息及道路信息和在该状态之后(公里标大于kp)的道路信息,在该实施例中分别称作前向特征和后向特征。在该阶段,根据时序特征提取方法,从原始数据中提取出相对应的数据,最终构成训练数据集和测试数据集。具体地,该实施例设计的前向特征包括17个特征,分别为车重、车长、重车辆数、轻车辆数、当前坡段平均坡度、当前坡段总长度、当前坡段平均速度、当前位置的限速值、当前限速值的剩余长度、当前点处于的两个车站间的平均速度、当前位置距离下一车站距离、当前位置到达下一车站的剩余时间、当前档位、当前速度、当前位置点的坡度、当前速度与限速值的差值;后向特征包括8个特征,分别为当前坡段平均坡度、当前坡段总长度、当前坡段剩余长度、当前坡段平均速度、当前位置的限速值、当前位置距离下一车站的距离、当前位置点的坡度、当前机车的速度与抽取特征位置点限速的差值。
本步骤通过以上阐述的两阶段预处理方法进行数据时序特征点提取,提取出的特征点数据分为训练数据集和测试数据集。
步骤S103,在modeli-1的基础上训练BLSTM神经网络模型,并保存训练好的模型为modeli。具体的,如果是初次训练,则直接初始化模型的各个参数,否则在上一次双向LSTM模型的基础上继续训练双向LSTM神经网络模型,并保存训练好的模型;
在本步骤中,根据步骤S102提取出的训练数据进行双向LSTM模型的训练。接下来首先介绍该实施例针对机车节能操纵问题提出的双向LSTM网络结构模型如下:
LSTM是一种递归神经网络,递归神经网络(RNN)是一类在隐藏单元上添加了自循环连接的网络结构,该网络结构适用于处理序列数据,特点在于可以将信息持久化,将以前的信息连接到当前的任务中来,增强数据的表征能力。但是RNN在处理长期依赖数据上具有梯度消失的问题,LSTM则是解决该问题的一种RNN变体。LSTM全称为长短期记忆网络,在RNN的基础上添加了记忆单元、遗忘门、输入门、输出门等单元,进一步提升其数据表征与分析能力。双向LSTM是在LSTM的基础上,考虑了序列数据上下文信息的网络结构,也称为BLSTM,该网络结构有两个独立的LSTM网络,分别处理不同的序列数据。BLSTM模型最早在2005年发表的论文“Framewise phoneme classification with bidirectional LSTM and otherneural network architectures”中由Alex Graves等人提出,但该实施例提出的解决机车节能操纵方法的双向LSTM的结构与原始BLSTM模型相比,在输入层的处理方案有所不同,具体结构如图2所示。
图2展示的是本实施例提出的双向LSTM的3个时间步的展开形式,整个网络结构分为输入层、前向层、后向层和输出层。其中输入层,按时间输入的是步骤S102中所述的前向特征信息,每个时间步按时间点输入该状态下的17维度前向特征,按地点输入的是步骤S102中所述的后向特征信息,每个时间步按位置点输入该位置下的8维度后向特征。其中输出层使用softmax函数作为激活函数,输入层输入一个机车状态对应的多个前向特征和后向特征后,输出层能够输出所预测的下一时刻的机车操纵档位,这个档位是该模型预测最优的档位。
以上是对该实施例提出的双向LSTM模型的介绍。在本步骤中,如果是对双向LSTM模型的首次训练,则随机初始化模型的参数,进行模型训练;如果不是首次训练,则模型的初始参数使用上一次训练结束时模型(即模型modeli-1)的参数。训练结束后保存模型为modeli。
步骤S104,应用模型modeli对测试数据集做仿真测试,得到新的初始训练数据。模型modeli即步骤S103训练结束后保存的模型。
本步骤中根据训练好的双向LSTM模型,对训练数据集进行仿真测试,在测试结束后将生成新的初始训练数据。仿真测试的流程如图3所示。即,首先根据该实施例设计的前向特征和后向特征,提取出测试机车当前状态下的特征数据;然后将提取的特征数据作为模型modeli的输入数据,并用该模型得出预测的档位;机车在仿真环境下,根据预测的档位行驶固定的单位时间T_step,进入下一个新的状态;如果机车已经仿真行驶到道路的终点,则结束仿真,否则继续进行仿真实验。
根据以上流程进行每个测试机车的仿真实验,仿真完全模拟真实环境下的机车行驶效果,所以,本步骤结束后能够得到和步骤S101中类似的原始训练数据。
步骤S105,将新的初始训练数据和上一训练阶段的训练数据一起作为初始训练数据。
步骤S104中仿真实验使用的模型是根据已有的训练数据训练得出的,应用该模型能够生成与优秀司机平均驾驶结果相似甚至更好的优化结果。所以为了进一步提升模型的档位预测效果,将仿真测试得到的数据与原始训练数据一起作为初始训练数据,并迭代进行后续的预处理与模型训练过程。
迭代进行步骤S102到S105的训练过程,直到模型提升效果不明显,即达到收敛时停止训练,并保存该阶段的模型作为最终模型。在整个过程中,迭代训练也可以根据迭代次数进行随时终止,并取上一次训练的结果作为最终模型。
以上所述是该实施例提出的基于双向LSTM模型的机车节能操纵方法及其训练过程。该实施例首先创新性的提出了从机车历史驾驶数据中提取时序特征(分为前向特征和后向特征),并按节油、安全、准时性等目标进行了数据预处理;然后提出应用双向LSTM模型进行档位的预测,具体实现时,在现有LSTM网络的基础上,有针对性的根据现有问题提出在网络结构的输入层进行前向特征和后向特征的分开输入,充分利用了机车历史驾驶数据、当前行驶状态和行驶前后方向的道路信息,这对档位的有效预测带来了帮助;同时,该实施例提出对所训练的双向LSTM模型进行迭代更新,这在一定程度上能够进一步提升模型的档位预测能力,甚至能够预测得到比优秀司机更为优化的档位操纵序列。
为了全面准确的评估本发明所提出方法的性能,选取真实路段(沈阳-丹东线的两个站点)和优秀司机驾驶数据进行模型训练结果的对比测试。本实验的机车车重为3070.00吨,车长为44.00米。对比结果如图4所示。图4中档位预测的曲线基本和优秀司机的驾驶档位变化曲线一致,统计的平均准确度为95.6%,说明该实施例提出的模型具备了人类优秀司机驾驶的水平;相对应的模型控制机车运行速度曲线与优秀司机驾驶曲线基本一致,而且特别值得注意的是,在412000公里标附件的低限速条件下,模型也有效的预测出了合适的操纵档位,机车运行速度也完全在安全范围内,未产生超速等风险情况。同时,统计得出该实施例提出的模型相对人类司机的普通驾驶,节油率在10%左右。综上所示,本发明提出的一种基于双向LSTM模型的机车节能操纵方法能充分利用机车历史数据和道路信息,并结合预处理得到的时序特征序列,能够预测出保证安全性、准时性以及节油性等多目标的操纵档位。基于真实路线和机车的实验测试,证明了本发明在保证可靠性和安全性的基础上,较人类司机在节省能耗方面更有优势。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述,本领域技术人员应该理解,上述实施例仅仅是对本发明的示意性实现方式的解释,并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案的等效变换、简单替换等显而易见的改变,均落在本发明保护范围之内。
Claims (5)
1.一种用于实现机车节能操纵的双向LSTM模型的训练方法,包括下述步骤包括下述步骤:
步骤101、采集司机历史驾驶数据与机车运行监控日志,作为初始训练数据;
步骤102、对初始训练数据进行预处理,得到训练数据集和测试数据集;
所述的初始训练数据进行预处理阶段分为两个阶段:
(1)在数据满足安全性、准点性的基础上,用如下公式筛选出N条Ji较小的数据:
其中:Ji是第i个驾驶数据的单位车重油耗,Ei是第i个驾驶数据的总油耗,Wi是第i个驾驶数据的总车重;
(2)在抽取的数据基础上,进一步抽取特征数据,形成训练数据集和测试数据集;特征数据分为前向特征数据和后向特征数据,前向特征数据指的是机车所处状态之前的历史行驶信息和道路信息,后向特征指机车行驶方向的道路信息;
步骤103、如果是初次训练,则直接初始化模型的各个参数,否则在上一次双向LSTM模型的基础上继续训练双向LSTM神经网络模型,并保存训练好的模型;
步骤104、应用训练过的模型对测试数据集做仿真测试,得到新的初始训练数据;
步骤105、将新的初始训练数据和上一训练阶段的训练数据一起作为初始训练数据;
步骤106、重复进行步骤1-步骤5,不断迭代至模型收敛。
2.根据权利要求1所述的用于实现机车节能操纵的双向LSTM模型的训练方法,其特征在于,所述的双向LSTM模型,其输入层中,特征数据分别按照时间点不同和地理位置不同进行输入,按时间点不同所对应的输入数据是前向特征数据,按地理位置不同输入的数据是后向特征数据。
3.根据权利要求1所述的用于实现机车节能操纵的双向LSTM模型的训练方法,其特征在于,
前向特征包括17个特征,分别为车重、车长、重车辆数、轻车辆数、当前坡段平均坡度、当前坡段总长度、当前坡段平均速度、当前位置的限速值、当前限速值的剩余长度、当前点处于的两个车站间的平均速度、当前位置距离下一车站距离、当前位置到达下一车站的剩余时间、当前档位、当前速度、当前位置点的坡度、当前速度与限速值的差值;
后向特征包括8个特征,分别为当前坡段平均坡度、当前坡段总长度、当前坡段剩余长度、当前坡段平均速度、当前位置的限速值、当前位置距离下一车站的距离、当前位置点的坡度、当前机车的速度与抽取特征位置点限速的差值。
4.根据权利要求1所述的用于实现机车节能操纵的双向LSTM模型的训练方法,其特征在于,所述的不断迭代过程也可以设置迭代固定的次数之后终止迭代,终止迭代后保存当前训练的模型作为最终模型。
5.根据权利要求1所述的用于实现机车节能操纵的双向LSTM模型的训练方法,其特征在于,原始训练数据集的采集可以从铁路机车中的列车运行控制记录装置获得,具体包括机车属性,线路属性以及机车行驶日志。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710039035.XA CN106844949B (zh) | 2017-01-18 | 2017-01-18 | 一种用于实现机车节能操纵的双向lstm模型的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710039035.XA CN106844949B (zh) | 2017-01-18 | 2017-01-18 | 一种用于实现机车节能操纵的双向lstm模型的训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106844949A CN106844949A (zh) | 2017-06-13 |
CN106844949B true CN106844949B (zh) | 2020-01-10 |
Family
ID=59124141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710039035.XA Active CN106844949B (zh) | 2017-01-18 | 2017-01-18 | 一种用于实现机车节能操纵的双向lstm模型的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106844949B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563426B (zh) * | 2017-08-25 | 2020-05-22 | 清华大学 | 一种机车运行时序特征的学习方法 |
CN109747655B (zh) * | 2017-11-07 | 2021-10-15 | 北京京东乾石科技有限公司 | 用于自动驾驶车辆的驾驶指令生成方法和装置 |
CN109918687B (zh) * | 2017-12-08 | 2021-01-15 | 通号城市轨道交通技术有限公司 | 一种基于机器学***台 |
CN108333959A (zh) * | 2018-03-09 | 2018-07-27 | 清华大学 | 一种基于卷积神经网络模型的机车节能操纵方法 |
EP3584748A1 (de) * | 2018-06-20 | 2019-12-25 | Siemens Aktiengesellschaft | Verfahren zur erzeugung eines testdatensatzes, verfahren zum testen, verfahren zum betreiben eines systems, vorrichtung, steuerungssystem, computerprogrammprodukt, computerlesbares medium, erzeugung und verwendung |
CN109033521B (zh) * | 2018-06-25 | 2021-04-20 | 中南大学 | 一种新建铁路限制坡度优化决策方法 |
CN109131452B (zh) * | 2018-08-14 | 2021-06-15 | 西安理工大学 | 一种基于长短时记忆网络的列车状态在线预测方法 |
CN109783843B (zh) * | 2018-12-05 | 2023-03-24 | 交控科技股份有限公司 | 基于lstm的仿真***车辆动力学模型速度预测方法 |
CN109636609A (zh) * | 2019-01-04 | 2019-04-16 | 广州市本真网络科技有限公司 | 基于双向长短时记忆模型的股票推荐方法及*** |
CN110148230B (zh) * | 2019-05-20 | 2021-05-25 | 兴民智通(武汉)汽车技术有限公司 | 一种基于lstm神经网络的整车载重预测方法 |
CN110658818B (zh) * | 2019-09-29 | 2020-08-21 | 浙江大学 | 面向新型供电列车的多目标优化智能运行控制预测方法 |
CN112698578B (zh) * | 2019-10-22 | 2023-11-14 | 北京车和家信息技术有限公司 | 一种自动驾驶模型的训练方法及相关设备 |
CN113485360B (zh) * | 2021-07-29 | 2023-05-19 | 福州大学 | 基于改进搜索算法的agv机器人路径规划方法及*** |
CN115182083B (zh) * | 2022-07-11 | 2023-06-16 | 浙江理工大学 | 一种织布机了机智能预测模型的构建方法和构建装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106794A (zh) * | 2013-01-11 | 2013-05-15 | 福建工程学院 | 一种基于浮动车技术的道路行车节能方法 |
CN103847749A (zh) * | 2014-03-27 | 2014-06-11 | 北京清软英泰信息技术有限公司 | 一种双层多目标优化铁路机车操纵序列生成方法 |
CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
CN103955135A (zh) * | 2014-05-16 | 2014-07-30 | 北京清软英泰信息技术有限公司 | 一种基于双层模式曲线的机车优化操纵序列计算方法 |
CN105892471A (zh) * | 2016-07-01 | 2016-08-24 | 北京智行者科技有限公司 | 汽车自动驾驶方法和装置 |
WO2016145379A1 (en) * | 2015-03-12 | 2016-09-15 | William Marsh Rice University | Automated Compilation of Probabilistic Task Description into Executable Neural Network Specification |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
CN106096729A (zh) * | 2016-06-06 | 2016-11-09 | 天津科技大学 | 一种面向大规模环境中复杂任务的深度策略学习方法 |
-
2017
- 2017-01-18 CN CN201710039035.XA patent/CN106844949B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106794A (zh) * | 2013-01-11 | 2013-05-15 | 福建工程学院 | 一种基于浮动车技术的道路行车节能方法 |
CN103847749A (zh) * | 2014-03-27 | 2014-06-11 | 北京清软英泰信息技术有限公司 | 一种双层多目标优化铁路机车操纵序列生成方法 |
CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
CN103955135A (zh) * | 2014-05-16 | 2014-07-30 | 北京清软英泰信息技术有限公司 | 一种基于双层模式曲线的机车优化操纵序列计算方法 |
WO2016145379A1 (en) * | 2015-03-12 | 2016-09-15 | William Marsh Rice University | Automated Compilation of Probabilistic Task Description into Executable Neural Network Specification |
CN106096729A (zh) * | 2016-06-06 | 2016-11-09 | 天津科技大学 | 一种面向大规模环境中复杂任务的深度策略学习方法 |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
CN105892471A (zh) * | 2016-07-01 | 2016-08-24 | 北京智行者科技有限公司 | 汽车自动驾驶方法和装置 |
Non-Patent Citations (2)
Title |
---|
Framewise phoneme classification with bidirectional LSTM and other neural network architectures;Alex Graves 等;《Neural Networks》;20051231;全文 * |
基于循环神经网络的轨迹位置预测技术研究;李幸超;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160715(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106844949A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106844949B (zh) | 一种用于实现机车节能操纵的双向lstm模型的训练方法 | |
CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断*** | |
CN109829577B (zh) | 基于深度神经网络结构模型的轨道列车运行状态预测方法 | |
CN110775065A (zh) | 一种基于工况识别的混合动力汽车电池寿命预测方法 | |
CN111267830B (zh) | 一种混合动力公交车能量管理方法、设备和存储介质 | |
Yin et al. | Data-driven models for train control dynamics in high-speed railways: LAG-LSTM for train trajectory prediction | |
Yan et al. | Hierarchical predictive energy management of fuel cell buses with launch control integrating traffic information | |
WO2019037557A1 (zh) | 一种机车运行时序特征学习方法 | |
CN112198799B (zh) | 一种基于深度学习的高速列车停车控制方法及*** | |
CN112949931B (zh) | 数据驱动和模型混合的充电站数据的预测方法和装置 | |
JP6576302B2 (ja) | ハイブリッド電気車両における1つまたは複数の動力源を選択する方法 | |
CN112991721A (zh) | 基于图卷积网络节点关联度的城市路网交通速度预测方法 | |
CN112686453A (zh) | 机车能耗智能预测方法及*** | |
CN103955135A (zh) | 一种基于双层模式曲线的机车优化操纵序列计算方法 | |
Yufang et al. | Prediction of vehicle energy consumption on a planned route based on speed features forecasting | |
Kabir | Vehicle speed prediction based on road status using machine learning | |
Huang et al. | Train driving data learning with S-CNN model for gear prediction and optimal driving | |
CN113806857A (zh) | 一种基于变分图自编码器的高速列车节能制动方法 | |
Zhang et al. | Short-term Traffic Flow Prediction With Residual Graph Attention Network. | |
CN116901981A (zh) | 一种在线自学习型的马尔可夫车辆速度预测方法 | |
CN113788007B (zh) | 一种分层式实时能量管理方法和*** | |
CN111626508B (zh) | 基于xgboost模型的轨道交通车载数据预测方法 | |
Feng et al. | A deep reinforcement learning method for freight train driving based on domain knowledge and mass estimation network | |
CN110658818B (zh) | 面向新型供电列车的多目标优化智能运行控制预测方法 | |
CN110646706B (zh) | 储能有轨电车超级电容充电装置差动保护故障检测方法、装置及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |