CN107423761B - 基于特征选择和机器学习的轨道机车节能优化操纵方法 - Google Patents
基于特征选择和机器学习的轨道机车节能优化操纵方法 Download PDFInfo
- Publication number
- CN107423761B CN107423761B CN201710605526.6A CN201710605526A CN107423761B CN 107423761 B CN107423761 B CN 107423761B CN 201710605526 A CN201710605526 A CN 201710605526A CN 107423761 B CN107423761 B CN 107423761B
- Authority
- CN
- China
- Prior art keywords
- data
- speed change
- gear
- data set
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于特征选择和机器学习的轨道机车节能优化操纵方法,其特征在于具体包括以下步骤:步骤1、完成数据的收集与预处理,得到标准的数据集;步骤2、利用特征选择的算法对步骤1中的预处理之后的数据集进行特征的选择;步骤3、利用步骤2中特征选择后新的标准数据集,分别对速度变化模式预测模型及档位变化模式预测模型进行训练;步骤4、进行分类预测。本发明通过特征选择和机器学习的手段,简化轨道机车节能优化操纵问题的处理过程,减小求解过程中对人工分析和领域知识的依赖,在较短时间内得到轨道机车节能优化操纵序列,并能够得到更加节油的操纵序列。
Description
技术领域
本发明涉及一种轨道机车操纵技术,尤其涉及一种基于特征选择和机器学习的轨道机车节能优化操纵方法。
背景技术
轨道机车节能优化操纵是为了能够在一定的牵引机车、车辆、线路等硬件环境和既定的运行图、列车编组计划等运营管理状况下,来改进机车的操纵方法以实现列车的节能运行。轨道机车在运行过程中会受到坡度、限速、隧道、弯道等多个外部环境约束条件,机车的节能优化操纵往往也会有多个需要优化的目标,如油耗、列车时刻表约束的到站时间、运行平稳性等,这些外界因素和自身因素的干扰,使得轨道机车的操纵驾驶有很大的复杂性和不确定性,所以机车的节能操纵实时优化控制是一个多目标、多约束、高非线性的复杂操纵序列优化问题。
在解决这类复杂操纵序列优化问题中常见的有三类方法:数值搜索、解析求解、启发式操纵规则设计。数值搜索: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档位操纵序列,常见的算法有遗传算法、群搜索算法、动态规划等,这种方式耗时长,且短时间内无法收敛到最优结果,不适合在线优化控制***。解析求解: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,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: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机车控制策略设计,然后通过不同的路况信息和机车信息进行策略匹配,来自动控制机车运行,该种方式会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,而且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。为了克服以上方法的缺点和不足,本发明提出一种基于特征选择和机器学习的轨道机车节能优化操纵的解决方法。
发明内容
本发明的目的是提供一种基于特征选择和机器学习的轨道机车节能优化操纵方法,最终得到可以控制机车运行的具有时间属性的离散档位序列集合,机车可以按照这些档位序列集合行驶运行。
本发明的技术方案是提供一种基于特征选择和机器学习的轨道机车节能优化操纵方法,其特征在于具体包括以下步骤:
步骤1、完成数据的收集与预处理,得到标准的数据集,为后续步骤准备数据的输入,此步骤分为数据的收集和预处理两个步骤,数据收集是从机车上相关的监控记录设备上获取原始数据,数据的预处理是针对从记录仪器上获取的原始数据进行数据的预处理,将预处理之后的数据集结果存储在文本文件中,预处理之后得到供后续步骤使用的标准数据集;
步骤2、利用特征选择的算法对步骤1中的预处理之后的数据集进行特征的选择,将无效特征和噪声特征去除,得到数据集的最佳特征列表,并将经过特征选择之后的数据集重新保存为新的标准数据集,存储在文本文件中;
步骤3、利用步骤2中特征选择后新的标准数据集,分别对速度变化模式预测模型及档位变化模式预测模型进行训练;
步骤4、进行分类预测,当有新的数据需要进行预测时,首先将数据根据步骤1进行处理,其次将数据的特征按照步骤2中最佳特征列表进行处理,然后分别利用步骤3中得到的速度变化模式预测模型和档位变化模式预测模型对速度变化模式和档位变化模式进行预测,最终得到完整的档位操作序列。
本发明的有益效果在于:通过特征选择和机器学习的手段,简化轨道机车节能优化操纵问题的处理过程,减小求解过程中对人工分析和领域知识的依赖,在较短时间内得到轨道机车节能优化操纵序列,并能够得到更加节油的操纵序列。
附图说明
图1是本发明所述基于特征选择和机器学习的轨道机车节能优化操纵方法流程图;
图2是在某一坡段类型下速度变化模式示意图;
图3是在某一坡段类型下某一速度变化类型下档位变化模式示意图
具体实施方式
以下结合附图1-3对本发明的技术方案进行详细说明。
如图1所示,该实施例提供了一种基于特征选择和机器学习的轨道机车节能优化操纵的方法,具体包括以下步骤:
步骤1、完成数据的收集与预处理,得到标准的数据集,为后续步骤准备数据的输入,此步骤分为数据的收集和预处理两个步骤,数据收集是从机车上相关的监控记录设备上获取原始数据,数据的预处理是针对从记录仪器上获取的原始数据进行数据的预处理,将预处理之后的数据集结果存储在文本文件中,预处理之后得到供后续步骤使用的标准数据集;
步骤1.1、从机车上相关的记录设备上获取原始数据
一般现代轨道机车在运行中都会有相关的设备监控记录机车的整个运行过程中的状态。该实施例中所提出的数据收集,主要是指从轨道机车的监控记录设备上收集相关的日志数据。该实施例所提出的轨道机车节能优化操纵方法主要是为了解决轨道机车的节能操纵,为了达到节能的目的,我们在数据的收集过程中会选取较为节油的机车操纵日志数据,这里节油的评估指标为油耗,评估的数据来自于机车油耗记录设备或铁路局统计的油耗,根据线路信息和机车信息的不同,选取相同机车信息相同线路下油耗最小的若干条数据记录作为我们原始的样本数据,原始样本数据包括线路数据、机车操纵日志数据等。
步骤1.2、将步骤1.1中得到的原始数据进行数据预处理操作,步骤1.1中得到的原始数据包含运行的线路数据和机车操纵日志数据,我们分别对这两类数据进行预处理操作,处理后得到标准的数据集。
a.对运行的线路数据进行预处理操作。本发明中提出的对运行的线路数据进行预处理操作,包括加算坡段计算、线路分段、短分段合并三个部分。第一步进行加算坡段计算,加算坡段过程是线路信息中的坡度、线路曲线、隧道三种线路信息叠加所产生的坡度该实施例中所处理的线路(由于机车运行在轨道上会有多种外界因素影响机车的运行,单独去考虑每一种外界因素,不利于我们处理分析问题,所以加算坡段过程就是将最重要的三种环境因素:坡度、线路曲线、隧道进行加算,最终得到一个能代表线路每一段环境因素叠加后的坡段类型的实值);第二步进行线路分段,线路分段是根据所在线路加算坡度的不同,对线路进行分类,并经过一些相同坡段合并处理之后得到具有坡段类型标识的分段数据(线路分段的原因在于机车在不同类型的坡度情况下,其驾驶的档位操纵规律不同,在相同近似的坡度范围内,其驾驶档位操纵规律基本一致,因此可以对具有相同或相近的道路坡段情况进行机器学习预测模型的训练并利用训练好的模型进行预测应用,针对以上特点,将一条距离较长的完整线路根据坡度情况拆分为不同坡段类型的集合,并以分段为训练及预测数据集的单位很有必要);第三步进行短分段合并,在线路分段的过程中,除了考虑线路本身的坡度之外,还需要考虑每种坡段类型的长度,对于一些坡段长度较短的坡段类型,由于其对机车的影响较小,需要进行一些合并操作(首先合并连续的一些短段,然后合并相同的坡段类型)。
b.对机车操纵日志数据进行预处理操作。完成了线路数据的预处理操作,可以得到机车的运行线路是若干个有序的坡段组合,对于每个坡段,机车在某一坡段内的速度变化情况是我们需要预测的,同时在某一坡段内引起某一种速度变化的档位情况也是我们需要预测的信息。为了能够准确的从机车操纵日志数据中得到速度变化和档位变化组合的信息,需要结合线路分段步骤中的线路分段信息来对机车操纵日志数据进行预处理操作。本发明中提出的对机车操纵日志数据进行预处理一共有四个部分:第一步对机车操纵日志数据中有效信息进行提取,最终提取出的有效信息数据中包含连续公里标、机车速度和档位信息;第二步对机车运行速度曲线中连续相同速度进行合并(由于在机车操纵日志中记录的是机车每秒的运行速度,而机车在运行过程中速度变化一般为若干秒变换一次,因此在提取的数据中会出现相同的速度连续出现很多次的情况,这会对后续的档位操作序列的提取出现干扰,因此需要将该连续的速度进行合并,并记录速度所运行的时间);第三步以线路分段为单位,针对某种坡段类型,遍历该坡段中的速度,找出速度变化的组合,并同时根据公里标信息,计算出速度变化组合中每一种速度变化类型(加速、匀速、减速)区间所占坡段长度的比例,如图2所示,图中坡段的速度变化组合为:加速-减速-匀速-加速,每一种速度变化类型区间所占坡段长度的比例分别为:10%、37%、40%、13%;第四步进一步根据上一步得到的速度变化组合,以速度变化(加速、匀速、减速)区间为单位,分别遍历每个区间中的档位变化组合,同时根据公里标信息,计算出档位变化组合中每一个档位区间所占速度变化区间长度的比例,如图3所示,图中分别对每个速度变化区间进行了档位组合信息的提取和长度占比的计算。
完成了数据的收集与预处理过程,得到用于后续步骤数据输入的标准数据集。这些数据集一共分为如下的4类:
●第一类数据:用于训练速度变化组合预测模型的数据集,这一部分会将速度变化组合作为每一个数据项的最后一列的类别标签;
●第二类数据:用于训练速度变化组合中某种速度变化区间所占坡段长度比例模型的数据集,这部分数据集除了包含与第一类数据相同的特性信息外,还会将速度变化组合以及前后坡段的速度变化组合作为特征,并会针对速度变化组合内的每种速度变化计算速度变化区间所占坡段长度比例作为每一个数据项最后一列的标签;
●第三类数据:用于训练档位组合预测模型的数据集,这部分数据集除了包含与第二类数据相同的特征信息外,还会将速度变化组合内的每种速度变化的距离占比作为特征,这一类数据以档位变化组合作为每一个数据项最后一列的类别标签;
●第四类数据:用于训练档位组合中某种档位区间所占速度变化区间长度比例模型的数据集,这部分数据集除了包含与第三类数据相同的特性信息外,还会将档位变化组合以及前后速度变化区间段的档位变化组合作为特征,并会针对档位变化组合内的每种档位计算档位区间所占速度变化区间长度比例作为每一个数据项最后一列的标签。
这些数据集的每个实例都是各个特征外加类别或实值的形式,如:[特征1,特征2,特征3,...,类别],[特征1,特征2,特征3,...,实值],分别代表在某些特征情况下实例属于某个类别或在某些特征情况下实例所对应的值。
步骤2、利用特征选择的算法对步骤1中的预处理之后的数据集进行特征的选择,将无效特征和噪声特征去除,得到数据集的最佳特征列表,并将经过特征选择之后的数据集重新保存为新的标准数据集,存储在文本文件中;
通过步骤1的数据收集与预处理后,得到了标准的数据集,这些数据集都是若干特征加上类别或实值的形式,将作为机器学习的训练数据输入,轨道机车节能优化控制是一个多约束、高非线性的复杂操纵序列优化问题,数据集的特征会有很多。在机器学习过程中一个重要的过程就是特征选择,特征选择的主要作用就是降维,降低计算的复杂性,摒弃那些可能存在的无效特征和噪声特征,这些无效特征和噪声特征除了增加计算量也有可能对机器学习模型训练算法造成干扰,影响训练精度。
本发明使用CFS(Correlation based Feature Selection)算法结合BestFirst(最佳优先)搜索算法进行特征选择。CFS算法根据特征子集中每一个特征的预测能力以及它们之间的关联性进行评估,评估每个特征的预测能力以及相互之间的冗余度,倾向于选择与类别特征相关度高,但是相互之间相关度低的那些特征。BestFirst是一种贪心的搜索策略,搜索时使用宽度优先搜索的扩展,基本思想是将节点按照距离目标的距离进行排序,再以节点的估计距离为标准选择待扩展的节点。本发明中使用过BestFirst搜索方法遍历特征集合空间来搜索好的特征子集,这个过程中使用CFS作为特征子集评估器来衡量特征的好坏,整个搜索过程直至达到了终止条件才结束,算法的输入为步骤1中标准数据集,算法的输出为CFS+BestFirst算法搜索出的最佳特征列表。
完成特征选择操作后,剔除步骤1标准数据集中的不在最佳特征列表中的特征,得到新的筛选特征后的四类数据集,将这些数据存储在新的文本文件中。
步骤3、利用步骤2中特征选择后新的标准数据集,分别对速度变化模式预测模型及档位变化模式预测模型进行训练;
其中速度变化模式预测需要先进行速度变化组合预测模型的训练然后进行速度变化组合中某种速度变化区间所占坡段长度比例模型的训练,档位变化模式预测需要先进行档位变化组合预测模型的训练然后进行档位组合中某种档位区间所占速度变化区间长度比例模型的训练。
速度变化模式预测模型训练和档位变化模式预测模型训练都分别使用了分类机器学习算法和回归机器学习算法。这一步骤会训练四个机器学习模型,分别保存在模型文件中。
步骤3.1、利用步骤2中产生的第一类新的标准数据集进行速度变化组合预测模型的训练
本发明中使用Random Forest(随机森林)分类机器学习算法进行此步骤中的模型训练。在机器学习中Random Forest(随机森林)是一个包含多个决策树的分类器,每个决策树之间都是没有关联的,分类器输出的类别是当有一个新的输入样本进入的时候,就让森林中的每一棵决策树分别进行一下判断,看看这个样本应该属于哪一类,然后看看哪一类被选择最多,就预测这个样本为那一类。训练模型的样本数据为步骤2中产生的第一类标准数据集,采用Random Forest分类算法进行模型的训练,最后训练的结果保存在模型文件1中。
步骤3.2、利用步骤2中产生的第二类新的标准数据集进行速度变化组合中某种速度变化区间所占坡段长度比例模型的训练
本发明中使用Bagging结合REPTree(A Decision Tree with Reduced ErrorPruning)算法作为回归机器学习算法进行此步骤中模型训练。Bagging是一种用来提高机器学习算法准确度的集成学习(ensemble learning)方法,Bagging也叫自举汇聚法(bootstrap aggregating),是一种在原始数据集上通过有放回抽样重新选出S个新数据集来训练分类器的集成技术,也就是说这些新数据集是允许重复的,使用这S个新数据集训练出来的多个分类器集合来对新样本进行分类,然后用多数投票或者对输出求均值的方法统计所有分类器的分类结果,结果最高的类别即为最终标签。REPTree基于信息增益作为决策树的分割原理,对数值属性进行一次排序,使用减少错误修剪生成决策树,最终在保证预测准确率的情况下避免过拟合。模型训练的样本数据为步骤2中产生的第二类标准数据集,采用Bagging+REPTree回归算法进行模型的训练,最后训练的结果保存在模型文件2中。
步骤3.3、利用步骤2中产生的第三类新的标准数据进行档位变化组合预测模型的训练
在档位变化组合预测模型的训练过程中,与步骤3.1相同,采用Random Forest分类算法进行模型的训练,训练模型的样本数据为步骤2中产生的第三类标准数据集,最后训练的结果保存在模型文件3中。
步骤3.4、利用步骤3中产生的第四类新的标准数据进行档位组合中某种档位区间所占速度变化区间长度比例模型的训练
对于档位组合中某种档位区间所占速度变化区间长度比例模型的训练,与步骤3.2相同,采用Bagging+REPTree回归算法进行模型的训练,训练模型的样本数据为步骤2中产生的第四类标准数据集,最后训练的结果保存在模型文件4中。
步骤4、分类预测阶段,当有新的数据需要我们进行预测时,首先将数据根据步骤1预处理操作进行处理,然后将数据的特征按照步骤2中最佳特征列表进行处理,最终数据将与训练数据的格式保持一致。然后分别利用步骤3中得到的速度变化模式预测模型和档位变化模式预测模型对速度变化模式和档位变化模式进行预测,最终得到完整的档位操作序列。
步骤4.1、将待预测数据进行预处理操作,处理为与训练数据格式一致的数据
机器学习预测过程中,待预测的数据格式与特征应该和训练数据保持一致,本发明中待预测数据的预处理按照步骤1中的预处理操作进行处理,然后将数据的特征按照步骤2中最佳特征列表进行处理,最终处理完的数据将与训练数据的格式保持一致。
步骤4.2、利用步骤3中训练完成的模型1和模型2,结合步骤4.1中处理后的待预测数据,对速度变化组合和速度变化组合中某种速度变化区间所占坡段长度比例进行预测
此步骤主要是预测速度变化模式,针对于步骤4.1中处理后的待预测数据,首先利用步骤3中训练好的模型1,预测出速度变化组合,然后根据这些预测出的速度变化组合,利用步骤3中训练好的模型2,对于速度变化组合中每一种速度变化区间预测速度变化区间所占坡段长度比例。
步骤4.3、利用步骤3中训练完成的模型3和模型4,结合步骤4.1中处理后的待预测数据和步骤4.2中已预测完毕的速度变化模式,对档位变化组合和档位组合中某种档位区间所占速度变化区间长度比例进行预测
此步骤主要是预测档位变化模式,针对于步骤4.1中处理后的待预测数据,并结合步骤4.3中预测出的速度变化组合中每一种速度变化区间所占坡段长度比例,首先利用步骤3中训练好的模型3,预测每一种速度变化区间中档位变化组合,然后根据这些预测出的档位变化组合,利用步骤3中训练好的模型4,对于每一个档位组合,预测每种档位所占的速度变化区间长度的比例。
分类预测阶段结束之后,通过简单的计算,可以得到某辆机车在某条线路上连续的档位序列,以及每个档位应该运行的距离。
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 (1)
1.一种基于特征选择和机器学习的轨道机车节能优化操纵方法,其特征在于具体包括以下步骤:
步骤1、完成数据的收集与预处理,得到标准的数据集,为后续步骤准备数据的输入,此步骤分为数据的收集和预处理两个步骤,数据收集是从机车上相关的监控记录设备上获取原始数据,数据的预处理是针对从记录仪器上获取的原始数据进行数据的预处理,将预处理之后的数据集结果存储在文本文件中,预处理之后得到供后续步骤使用的标准数据集;
步骤1.1、从机车上相关的记录设备上获取原始数据;
其中:原始数据是指从轨道机车的监控记录设备上收集相关的日志数据;原始数据的收集过程中会选取较为节油的机车操纵日志数据,节油的评估指标为油耗,评估的数据来自于机车油耗记录设备或铁路局统计的油耗,根据线路信息和机车信息的不同,选取相同机车信息相同线路下油耗最小的若干条数据作为原始数据;
步骤1.2、将步骤1.1中得到的原始数据进行数据预处理操作,步骤1.1中得到的原始数据包含运行的线路数据和机车操纵日志数据,分别对两类数据进行预处理操作,处理后得到标准的数据集;
数据集一共分为四类:
第一类数据:用于训练速度变化组合预测模型的数据集,这一部分会将速度变化组合作为每一个数据项的最后一列的类别标签;
第二类数据:用于训练速度变化组合中某种速度变化区间所占坡段长度比例模型的数据集,这部分数据集除了包含与第一类数据相同的特性信息外,还会将速度变化组合以及前后坡段的速度变化组合作为特征,并会针对速度变化组合内的每种速度变化计算速度变化区间所占坡段长度比例作为每一个数据项最后一列的标签;
第三类数据:用于训练档位组合预测模型的数据集,这部分数据集除了包含与第二类数据相同的特征信息外,还会将速度变化组合内的每种速度变化的距离占比作为特征,这一类数据以档位变化组合作为每一个数据项最后一列的类别标签;
第四类数据:用于训练档位组合中某种档位区间所占速度变化区间长度比例模型的数据集,这部分数据集除了包含与第三类数据相同的特性信息外,还会将档位变化组合以及前后速度变化区间段的档位变化组合作为特征,并会针对档位变化组合内的每种档位计算档位区间所占速度变化区间长度比例作为每一个数据项最后一列的标签;
步骤2、利用特征选择的算法对步骤1中的预处理之后的数据集进行特征的选择,将无效特征和噪声特征去除,得到数据集的最佳特征列表,并将经过特征选择之后的数据集重新保存为新的标准数据集,存储在文本文件中;
步骤3、利用步骤2中特征选择后新的标准数据集,分别对速度变化模式预测模型及档位变化模式预测模型进行训练;速度变化模式预测模型训练需要先进行速度变化组合预测模型的训练,然后进行速度变化组合中某种速度变化区间所占坡段长度比例模型的训练;档位变化模式预测模型的训练需要先进行档位变化组合预测模型的训练,然后进行档位组合中某种档位区间所占速度变化区间长度比例模型的训练;速度变化模式预测模型训练和档位变化模式预测模型训练都分别使用了分类机器学习算法和回归机器学习算法;
步骤3.1、利用步骤2中产生的第一类新的标准数据集进行速度变化组合预测模型的训练;
步骤3.2、利用步骤2中产生的第二类新的标准数据集进行速度变化组合中某种速度变化区间所占坡段长度比例模型的训练;
步骤3.3、利用步骤2中产生的第三类新的标准数据进行档位变化组合预测模型的训练;
步骤3.4、利用步骤3中产生的第四类新的标准数据进行档位组合中某种档位区间所占速度变化区间长度比例模型的训练;
步骤4、进行分类预测,当有新的数据需要进行预测时,首先将数据根据步骤1进行处理,其次将数据的特征按照步骤2中最佳特征列表进行处理,然后分别利用步骤3中得到的速度变化模式预测模型和档位变化模式预测模型对速度变化模式和档位变化模式进行预测,最终得到完整的档位操作序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710605526.6A CN107423761B (zh) | 2017-07-24 | 2017-07-24 | 基于特征选择和机器学习的轨道机车节能优化操纵方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710605526.6A CN107423761B (zh) | 2017-07-24 | 2017-07-24 | 基于特征选择和机器学习的轨道机车节能优化操纵方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423761A CN107423761A (zh) | 2017-12-01 |
CN107423761B true CN107423761B (zh) | 2021-01-26 |
Family
ID=60429999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710605526.6A Active CN107423761B (zh) | 2017-07-24 | 2017-07-24 | 基于特征选择和机器学习的轨道机车节能优化操纵方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423761B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110689140A (zh) * | 2019-09-27 | 2020-01-14 | 广东毓秀科技有限公司 | 一种通过大数据进行轨交报警数据智能管理的方法 |
CN111413974B (zh) * | 2020-03-30 | 2021-03-30 | 清华大学 | 一种基于学习采样式的汽车自动驾驶运动规划方法及*** |
CN113988687A (zh) * | 2021-11-05 | 2022-01-28 | 哈尔滨工程大学 | 一种核动力装置状态监测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7653471B2 (en) * | 2003-02-26 | 2010-01-26 | Ford Global Technologies, Llc | Active driven wheel lift identification for an automotive vehicle |
CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和*** |
CN106844621A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种轨道机车节能操纵实时优化控制策略库构建方法 |
CN106896723A (zh) * | 2017-03-31 | 2017-06-27 | 浙江大学 | 一种自行车的智能自动变速控制*** |
CN106934461A (zh) * | 2017-03-13 | 2017-07-07 | 清华大学 | 一种基于furia的机车智能操纵优化规则归纳方法 |
-
2017
- 2017-07-24 CN CN201710605526.6A patent/CN107423761B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7653471B2 (en) * | 2003-02-26 | 2010-01-26 | Ford Global Technologies, Llc | Active driven wheel lift identification for an automotive vehicle |
CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和*** |
CN106844621A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种轨道机车节能操纵实时优化控制策略库构建方法 |
CN106934461A (zh) * | 2017-03-13 | 2017-07-07 | 清华大学 | 一种基于furia的机车智能操纵优化规则归纳方法 |
CN106896723A (zh) * | 2017-03-31 | 2017-06-27 | 浙江大学 | 一种自行车的智能自动变速控制*** |
Also Published As
Publication number | Publication date |
---|---|
CN107423761A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423761B (zh) | 基于特征选择和机器学习的轨道机车节能优化操纵方法 | |
CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
CN104809180B (zh) | 基于无监督智能学习算法的非法运营车辆识别方法 | |
CN107563426B (zh) | 一种机车运行时序特征的学习方法 | |
JP7226855B2 (ja) | 列車がトンネルを通過する時間の計算方法、システム及び記憶媒体 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN111351499B (zh) | 路径识别方法、装置、计算机设备和计算机可读存储介质 | |
CN106844621B (zh) | 一种轨道机车节能操纵实时优化控制策略库构建方法 | |
CN113689594A (zh) | 一种新的汽车行驶工况构造方法 | |
CN114973657A (zh) | 基于轨迹数据的城市交通噪声污染分析与评估方法 | |
CN114140903A (zh) | 一种基于决策树生成规则的道路类型识别车载装置 | |
CN106202274A (zh) | 一种基于贝叶斯网络的缺陷数据自动文摘分类方法 | |
Xi et al. | A hierarchical ensemble learning framework for energy-efficient automatic train driving | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
CN113053135B (zh) | 一种全局车速预测方法与装置 | |
CN107274064A (zh) | 高速公路运行状况动态综合评价方法 | |
CN116578661A (zh) | 一种基于注意力机制的车辆轨迹时空重构方法及*** | |
CN106934461B (zh) | 一种基于furia的机车智能操纵优化规则归纳方法 | |
CN112101427B (zh) | 交通模式识别方法、设备及存储介质 | |
CN111626508B (zh) | 基于xgboost模型的轨道交通车载数据预测方法 | |
CN110738754B (zh) | 车辆运动学片段提取方法、车辆工况分析方法及相应装置 | |
Zhu et al. | Fault diagnosis of gearbox of wind turbine based on improved decision tree algorithm | |
CN112948752B (zh) | 一种针对列车长运动片段的典型工况构建方法 | |
Wu | Optimization technology of bus system based on big data | |
Li et al. | A GPS Trajectory Segmentation Method for Transportation Mode Inference |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |