CN109918687B - 一种基于机器学***台 - Google Patents
一种基于机器学***台 Download PDFInfo
- Publication number
- CN109918687B CN109918687B CN201711296331.4A CN201711296331A CN109918687B CN 109918687 B CN109918687 B CN 109918687B CN 201711296331 A CN201711296331 A CN 201711296331A CN 109918687 B CN109918687 B CN 109918687B
- Authority
- CN
- China
- Prior art keywords
- data information
- attribute data
- preset label
- preset
- train
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于机器学***台。其中，该方法包括：根据预设标签提取与所述预设标签相关的属性数据信息；根据所述属性数据信息标定所述预设标签；利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学***台上的模拟和试验；可减少列车现场监测监控的时间及人力消耗，并提高了整个测试过程中的效率和准确率。
Description
技术领域
本发明实施例涉及计算机仿真技术领域，具体为一种基于机器学***台。
背景技术
机器学习是一种使用计算机模拟人类行为，以获取新的知识和技能的学科，采用机器学习可自动地从数据中发现其中蕴含的价值，可将原始数据信息转化为人们可以利用的信息。在轨道交通中，开发一套***运用于列车运行，首要工作就是列车实时测试***的稳定性及可靠性，一般测试是列车无数次现场运行调试，记录板记录列车运行数据及状态，这种情况下，需要花费大量的时间和人力对列车进行实时监测监控。
在城市轨道交通中，现有技术是利用遗传算法对列车运行仿真。采用遗传算法时，可能会面临其编码的不规范和表示的不准确性，而且单一的遗传算法编码不能全面的将优化问题的约束表达出来。另一方面，遗传算法的效率比较低、易过早收敛，对算法的精度、可行度、计算复杂性等方面，没有有效的定量分析方法。
发明内容
为解决现有技术中列车仿真中存在的问题，本发明实施例提供一种基于机器学***台。
第一方面，本发明实施例提供一种基于机器学习的列车动力学仿真方法，该方法包括：根据预设标签提取属性数据信息，所述属性数据信息与所述预设标签相关；根据所述属性数据信息标定所述预设标签；利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学习，获取由所述属性数据信息得到所述预设标签的回归曲线；利用所述回归曲线，根据所述属性数据信息预测所述预设标签的值，实现虚拟列车的动力学仿真模拟。
第二方面，本发明实施例提供一种基于机器学***台，该仿真平台包括：属性数据信息获取模块，具体用于根据预设标签提取属性数据信息，所述属性数据信息与所述预设标签相关；预设标签标定模块，具体用于根据所述属性数据信息标定所述预设标签；机器学习模块，具体用于利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学习，获取由所述属性数据信息得到所述预设标签的回归曲线；仿真预测模块，具体用于利用所述回归曲线，根据所述属性数据信息预测所述预设标签的值，实现虚拟列车的动力学仿真模拟。
第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：根据预设标签提取属性数据信息，所述属性数据信息与所述预设标签相关；根据所述属性数据信息标定所述预设标签；利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学习，获取由所述属性数据信息得到所述预设标签的回归曲线；利用所述回归曲线，根据所述属性数据信息预测所述预设标签的值，实现虚拟列车的动力学仿真模拟。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下方法：根据预设标签提取属性数据信息，所述属性数据信息与所述预设标签相关；根据所述属性数据信息标定所述预设标签；利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学习，获取由所述属性数据信息得到所述预设标签的回归曲线；利用所述回归曲线，根据所述属性数据信息预测所述预设标签的值，实现虚拟列车的动力学仿真模拟。
本发明实施例通过机器学***台上的模拟和试验；可减少列车现场监测监控的时间及人力消耗，并提高了整个测试过程中的效率和准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于机器学习的列车动力学仿真方法流程图；
图2为本发明实施例提供的基于机器学***台结构示意图；
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的基于机器学习的列车动力学仿真方法流程图。如图1所示，所述方法包括：
步骤101、根据预设标签提取属性数据信息，所述属性数据信息与所述预设标签相关；
所述预设标签是指通过仿真要预测的参数。根据所述预设标签从列车的记录板数据中提取与所述预设标签相关的属性数据信息，所述与所述预设标签相关是指所述属性数据信息的值对所述预设标签的值有影响。
所述记录板数据为列车运行时列车首端和尾端车载记录的列车实时信息参数；可以将所述记录板数据全部存储在本地，以供仿真程序调用需要的属性数据信息；也可直接从所述记录板数据中提取仿真程序需要的属性数据信息，如所述与所述预设标签相关的属性数据信息。提取所述属性数据信息后，将提取的所述属性数据信息保存在本地或数据库以供仿真程序调用。
步骤102、根据所述属性数据信息标定所述预设标签；
所述属性数据信息是对所述预设标签的值具有影响的数据，根据列车的动力学模型或经验公式获取所述属性数据信息与所述预设标签的关系，进而根据所述属性数据信息标定所述预设标签，也即根据所述属性数据信息计算得到所述预设标签。
步骤103、利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学习，获取由所述属性数据信息得到所述预设标签的回归曲线；
支持向量回归算法(SVM)是一种有坚实理论基础的样本学习算法，它避开了复杂的演绎过程，实现了高效的从训练样本到预报样本的推理方式，SVR简化了通常的回归、预测问题，降低了海量数据处理的复杂性，大大提高了训练效率，优于遗传算法。
当所述属性数据信息为多维度时，以所述属性数据信息和所述预设标签为输入，以所述预设标签为输出，采用支持向量回归算法进行训练；其中，作为输入的所述属性数据信息和作为输出的所述预设标签，用来训练得到所述回归曲线；作为输入的所述预设标签用来监督机器学习训练过程，当拟合得到所述回归曲线的过程中，如果根据所述回归曲线得到的所述预设标签的预测值与实际的所述预设标签的值的差距超出预设阈值，则舍弃相应样本。
采用支持向量回归分析时，根据所述属性数据信息和所述预设标签的海量历史数据进行训练和拟合，获取由所述属性数据信息得到所述预设标签的回归曲线。
特别地，如果对任意周期内的所述属性数据信息或预设标签，当所述属性数据信息或预设标签为单维度时，以时间信息为输入，以所述属性数据信息或所述预设标签为输出，使用支持向量回归进行训练，可以得到所述属性数据信息或所述预设标签随时间变化的模型。
步骤104、利用所述回归曲线，根据所述属性数据信息预测所述预设标签的值，实现虚拟列车的动力学仿真模拟；
获取由所述属性数据信息得到所述预设标签的回归曲线后，对于新接收的所述属性数据信息，将所述属性数据信息代入所述回归曲线，可以实现预测所述预设标签的值，从而实现虚拟列车的动力学仿真模拟。
支持向量回归是一个监督学习的过程，根据历史数据组反复训练形成一个确切的训练模型，以便于后期已知某些属性数据信息，可直接利用该训练模型得到需求的预设标签，整个模型实现了列车的虚拟模拟，减少列车的实际测试量。
随着样本的不断积累，可对机器学习中的训练集进行更新，以实现对所述属性数据信息及所述预设标签的不断自学习，提高回归曲线的准确性。
本发明实施例通过机器学***台上的模拟和试验；可减少列车现场监测监控的时间及人力消耗，并提高了整个测试过程中的效率和准确率。
进一步地，基于上述实施例，在所述根据预设标签提取属性数据信息之前，所述方法还包括：设定所述预设标签，所述预设标签具体包括牵引***链路延时时间、制动***链路延时时间以及牵引力；确定所述属性数据信息，所述属性数据信息具体包括ATO速度、列车级位、列车距最近车站的距离、ATP速度、ATP限速、ATP报警、级位改变时间、ATO响应时间、ATO牵引加速度和ATO制动加速度。
设定预设标签，所述预设标签是仿真最后要进行预测的值。所述预设标签可以人为指定，如根据仿真目的指定所述预设标签。本发明实施例中所述预设标签具体包括牵引***链路延时时间、制动***链路延时时间以及牵引力，可以理解的，所述牵引***链路延时时间、制动***链路延时时间以及牵引力为列车运行中牵引***链路延时时间、制动***链路延时时间以及牵引力。
另外，也可通过利用热度图工具获取重要的标签，以实现对列车的动力学仿真。利用热度图可以为仿真过程的标签设定提供参考。经过多次试验测定，如本发明实施例中利用热度图可以获知通过选择的列车动力学参数中的强相关属性基本收敛到三个关键参数：牵引***链路延时时间、制动链路延时时间以及牵引力；故而后续步骤中选择该三个关键参数作为机器学习的标签。同时，如果经过反复的热度图分析，收敛结果表现出其他的突出关键参数，则此时经权衡应当修改标签。
根据预设标签确定所述属性数据信息，所述属性数据信息是与所述预设标签相关的、对所述预设标签的结果有影响的所述属性数据信息。本发明实施例中的三个标签中，牵引***链路延时时间和制动链路延时时间均可通过级位变化时的时间与相应的ATO速度开始改变的时间差的绝对值得到，牵引力可通过牵引力模型得到。对列车运行过程中的各个运行状态下所受力的研究分为牵引力、运行阻力、制动力三种；其中运行阻力和制动力影响整个列车运行过程中的牵引力大小。
在上述实施例的基础上，本发明实施例通过设定标签和与标签相关的属性数据信息，为进一步机器学习算法的实现提供了前提，提高了仿真的可靠性。
进一步地，基于上述实施例，在所述根据所述属性数据信息标定所述预设标签之前，所述方法还包括：对所述属性数据信息进行预处理与分析，具体包括：移除异常属性数据信息、对所述属性数据信息进行归一化处理以及获取所述属性数据信息的关联关系。
移除异常属性数据信息是指移除所述属性数据信息中的异常数据。移除异常属性数据信息是为了保证后续步骤中的数据可靠性，异常的数据会影响后续回归算法对回归模型的演绎；由于不同所述属性数据信息之间的数据尺度不同，为了保证多类所述属性数据信息在同一数据集合中做回归分析，需要进行归一化处理，否则会丢失尺度值较小的属性特征；获取所述属性数据信息的关联关系，可以为通过机器学习拟合回归曲线提供参考。
本发明实施例通过对属性数据信息进行预处理与分析，提高了样本数据的有效性，提高了曲线拟合的可靠性和准确性。
进一步地，基于上述实施例，所述对所述属性数据信息进行预处理与分析具体包括：采用箱线图判断所述异常属性数据信息，并且移除所述异常属性数据信息；然后利用min-max标准化算法或Z-score标准化算法对所述属性数据信息进行归一化处理；最后利用热度图对所述属性数据信息进行强相关分析。
采用箱线图判断所述异常属性数据信息，并且移除所述异常属性数据信息；由于不同所述异常属性数据信息之间的数据尺度不同，为了保证多类数据在同一数据集合中做回归分析，需要进行归一化处理，否则会丢失尺度值较小的属性特征，利用min-max标准化或Z-score标准化完成归一化处理，将所述异常属性数据信息转化成无量纲的0～1的值，以方便比较；最后利用热度图对所述属性数据信息进行强相关分析，找到强相关属性以进行进一步数据分析与处理。
仿真软件可由Python语言编写完成，在Windows 7***下由Python 2.7解释器运行，所述仿真软件可实现所述对所述属性数据信息进行预处理与分析的功能。
本发明实施例通过利用箱线图、归一化算法及热度图对属性数据信息进行预处理与分析，提高了样本数据的有效性，提高了曲线拟合的可靠性和准确性。
图2为本发明实施例提供的基于机器学***台结构示意图。如图2所示，所述仿真平台包括属性数据信息获取模块10、预设标签标定模块20、机器学习模块30和仿真预测模块40，其中：
属性数据信息获取模块10具体用于根据预设标签提取属性数据信息，所述属性数据信息与所述预设标签相关；
所述预设标签是指通过仿真要预测的参数。属性数据信息获取模块10根据所述预设标签从列车的记录板数据中提取与所述预设标签相关的属性数据信息，所述与所述预设标签相关是指所述属性数据信息的值对所述预设标签的值有影响。属性数据信息获取模块10提取所述属性数据信息后，将提取的所述属性数据信息保存在本地或数据库以供仿真程序调用。
预设标签标定模块20具体用于根据所述属性数据信息标定所述预设标签；
所述属性数据信息是对所述预设标签的值具有影响的数据，根据列车的动力学模型或经验公式获取所述属性数据信息与所述预设标签的关系，进而预设标签标定模块20根据所述属性数据信息标定所述预设标签，也即根据所述属性数据信息计算得到所述预设标签。
机器学习模块30具体用于利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学习，获取由所述属性数据信息得到所述预设标签的回归曲线；
当所述属性数据信息为多维度时，机器学习模块30以所述属性数据信息和所述预设标签为输入，以所述预设标签为输出，采用支持向量回归算法进行训练；其中，作为输入的所述属性数据信息和作为输出的所述预设标签，用来训练得到所述回归曲线；作为输入的所述预设标签用来监督机器学习训练过程，当拟合得到所述回归曲线的过程中，如果根据所述回归曲线得到的所述预设标签的预测值与实际的所述预设标签的值的差距超出预设阈值，则舍弃相应样本。
机器学习模块30采用支持向量回归分析时，根据所述属性数据信息和所述预设标签的海量历史数据进行训练和拟合，获取由所述属性数据信息得到所述预设标签的回归曲线。
仿真预测模块40具体用于利用所述回归曲线，根据所述属性数据信息预测所述预设标签的值，实现虚拟列车的动力学仿真模拟；
机器学习模块30获取由所述属性数据信息得到所述预设标签的回归曲线后，仿真预测模块40对于新接收的所述属性数据信息，将所述属性数据信息代入所述回归曲线，可以实现预测所述预设标签的值，从而实现虚拟列车的动力学仿真模拟。
本发明实施例通过机器学***台上的模拟和试验；可减少列车现场监测监控的时间及人力消耗，并提高了整个测试过程中的效率和准确率。
进一步地，基于上述实施例，所述仿真平台还包括：预设标签设定模块，具体用于设定所述预设标签，所述预设标签具体包括牵引***链路延时时间、制动***链路延时时间以及牵引力；属性数据信息确定模块，具体用于确定所述属性数据信息，所述属性数据信息具体包括ATO速度、列车级位、列车距最近车站的距离、ATP速度、ATP限速、ATP报警、级位改变时间、ATO响应时间、ATO牵引加速度和ATO制动加速度。
预设标签设定模块用来设定预设标签，所述预设标签是仿真最后要进行预测的值。所述预设标签可以人为指定，如根据仿真目的指定所述预设标签。另外，也可通过利用热度图工具获取重要的标签，以实现对列车的动力学仿真。
属性数据信息确定模块根据预设标签确定所述属性数据信息，所述属性数据信息是与所述预设标签相关的、对所述预设标签的结果有影响的所述属性数据信息。本发明实施例中的三个标签中，牵引***链路延时时间和制动链路延时时间均可通过级位变化时的时间与相应的ATO速度开始改变的时间差的绝对值得到，牵引力可通过牵引力模型得到。
在上述实施例的基础上，本发明实施例通过设定标签和与标签相关的属性数据信息，为进一步机器学习算法的实现提供了前提，提高了仿真的可靠性。
进一步地，基于上述实施例，所述仿真平台还包括：预处理与分析模块，具体用于对所述属性数据信息进行预处理与分析，包括：移除异常属性数据信息、对所述属性数据信息进行归一化处理以及获取所述属性数据信息的关联关系。
移除异常属性数据信息是指移除所述属性数据信息中的异常数据。移除异常属性数据信息是为了保证后续步骤中的数据可靠性，异常的数据会影响后续回归算法对回归模型的演绎；由于不同所述属性数据信息之间的数据尺度不同，为了保证多类所述属性数据信息在同一数据集合中做回归分析，需要进行归一化处理，否则会丢失尺度值较小的属性特征；获取所述属性数据信息的关联关系，可以为通过机器学习拟合回归曲线提供参考。
本发明实施例通过对属性数据信息进行预处理与分析，提高了样本数据的有效性，提高了曲线拟合的可靠性和准确性。
进一步地，基于上述实施例，所述预处理与分析模块具体用于：采用箱线图判断所述异常属性数据信息，并且移除所述异常属性数据信息；然后利用min-max标准化算法或Z-score标准化算法对所述属性数据信息进行归一化处理；最后利用热度图对所述属性数据信息进行强相关分析。
预处理与分析模块采用箱线图判断所述异常属性数据信息，并且所述异常属性数据信息；由于不同所述异常属性数据信息之间的数据尺度不同，为了保证多类数据在同一数据集合中做回归分析，需要进行归一化处理，否则会丢失尺度值较小的属性特征，利用min-max标准化或Z-score标准化完成归一化处理，将所述异常属性数据信息转化成无量纲的0～1的值，以方便比较；最后利用热度图对所述属性数据信息进行强相关分析，找到强相关属性以进行进一步数据分析与处理。
本发明实施例通过利用箱线图、归一化算法及热度图对属性数据信息进行预处理与分析，提高了样本数据的有效性，提高了曲线拟合的可靠性和准确性。
本发明实施例提供的设备是用于上述方法的，具体功能可参照上述方法流程，此处不再赘述。
图3为本发明实施例提供的电子设备的结构示意图。如图3所示，电子设备1包括处理器301、存储器302和总线303。其中，所述处理器301和所述存储器302通过所述总线303完成相互间的通信；所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：根据预设标签提取属性数据信息，所述属性数据信息与所述预设标签相关；根据所述属性数据信息标定所述预设标签；利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学习，获取由所述属性数据信息得到所述预设标签的回归曲线；利用所述回归曲线，根据所述属性数据信息预测所述预设标签的值，实现虚拟列车的动力学仿真模拟。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：根据预设标签提取属性数据信息，所述属性数据信息与所述预设标签相关；根据所述属性数据信息标定所述预设标签；利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学习，获取由所述属性数据信息得到所述预设标签的回归曲线；利用所述回归曲线，根据所述属性数据信息预测所述预设标签的值，实现虚拟列车的动力学仿真模拟。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：根据预设标签提取属性数据信息，所述属性数据信息与所述预设标签相关；根据所述属性数据信息标定所述预设标签；利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学习，获取由所述属性数据信息得到所述预设标签的回归曲线；利用所述回归曲线，根据所述属性数据信息预测所述预设标签的值，实现虚拟列车的动力学仿真模拟。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于机器学习的列车动力学仿真方法，其特征在于，包括：
设定预设标签，所述预设标签具体包括牵引***链路延时时间、制动***链路延时时间以及牵引力；确定属性数据信息，所述属性数据信息具体包括ATO速度、列车级位、列车距最近车站的距离、ATP速度、ATP限速、ATP报警、级位改变时间、ATO响应时间、ATO牵引加速度和ATO制动加速度；
根据预设标签提取属性数据信息，所述属性数据信息与所述预设标签相关；
根据所述属性数据信息标定所述预设标签；
利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学习，获取由所述属性数据信息得到所述预设标签的回归曲线；
利用所述回归曲线，根据所述属性数据信息预测所述预设标签的值，实现虚拟列车的动力学仿真模拟，所述预设标签是指通过仿真要预测的参数，所述属性数据信息是对所述预设标签的值具有影响的数据。
2.根据权利要求1所述的方法，其特征在于，在所述根据所述属性数据信息标定所述预设标签之前，所述方法还包括：
对所述属性数据信息进行预处理与分析，具体包括：移除异常属性数据信息、对所述属性数据信息进行归一化处理以及获取所述属性数据信息的关联关系。
3.根据权利要求2所述的方法，其特征在于，所述对所述属性数据信息进行预处理与分析具体包括：
采用箱线图判断所述异常属性数据信息，并且移除所述异常属性数据信息；然后利用min-max标准化算法或Z-score标准化算法对所述属性数据信息进行归一化处理；最后利用热度图对所述属性数据信息进行强相关分析。
4.一种基于机器学***台，其特征在于，包括：
预设标签设定模块，具体用于设定所述预设标签，所述预设标签具体包括牵引***链路延时时间、制动***链路延时时间以及牵引力；
属性数据信息确定模块，具体用于确定所述属性数据信息，所述属性数据信息具体包括ATO速度、列车级位、列车距最近车站的距离、ATP速度、ATP限速、ATP报警、级位改变时间、ATO响应时间、ATO牵引加速度和ATO制动加速度；
属性数据信息获取模块，具体还用于根据预设标签提取属性数据信息，所述属性数据信息与所述预设标签相关；
预设标签标定模块，具体用于根据所述属性数据信息标定所述预设标签；
机器学习模块，具体用于利用所述属性数据信息和所述预设标签作为训练集，基于支持向量回归算法进行监督学习，获取由所述属性数据信息得到所述预设标签的回归曲线；
仿真预测模块，具体用于利用所述回归曲线，根据所述属性数据信息预测所述预设标签的值，实现虚拟列车的动力学仿真模拟，所述预设标签是指通过仿真要预测的参数，所述属性数据信息是对所述预设标签的值具有影响的数据。
5.根据权利要求4所述的仿真平台，其特征在于，所述仿真平台还包括：
预处理与分析模块，具体用于对所述属性数据信息进行预处理与分析，包括：移除异常属性数据信息、对所述属性数据信息进行归一化处理以及获取所述属性数据信息的关联关系。
6.根据权利要求5所述的仿真平台，其特征在于，所述预处理与分析模块具体用于：
采用箱线图判断所述异常属性数据信息，并且移除所述异常属性数据信息；然后利用min-max标准化算法或Z-score标准化算法对所述属性数据信息进行归一化处理；最后利用热度图对所述属性数据信息进行强相关分析。
7.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至3任一所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711296331.4A CN109918687B (zh) | 2017-12-08 | 2017-12-08 | 一种基于机器学***台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711296331.4A CN109918687B (zh) | 2017-12-08 | 2017-12-08 | 一种基于机器学***台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109918687A CN109918687A (zh) | 2019-06-21 |
| CN109918687B true CN109918687B (zh) | 2021-01-15 |
Family
ID=66956659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711296331.4A Active CN109918687B (zh) | 2017-12-08 | 2017-12-08 | 一种基于机器学***台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109918687B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287450B (zh) * | 2019-07-09 | 2022-11-08 | 中车株洲电力机车研究所有限公司 | 列车传动控制单元特性曲线评估方法、装置、***及介质 |
| CN110513358B (zh) * | 2019-08-28 | 2021-02-05 | 上海华兴数字科技有限公司 | 负载油缸虚拟样机的仿真方法、***、设备及存储介质 |
| CN111325462A (zh) * | 2020-02-18 | 2020-06-23 | 中国铁道科学研究院集团有限公司 | 动车组辅助驾驶方法及*** |
| CN112733448B (zh) * | 2021-01-07 | 2023-03-03 | 北京理工大学 | 列车自动驾驶***参数自学习双q表联合代理建立方法 |
| CN113722991B (zh) * | 2021-08-24 | 2023-10-03 | 厦门大学 | 一种用于激光直接沉积仿真的热源参数反向识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105398438A (zh) * | 2015-11-24 | 2016-03-16 | 株洲南车时代电气股份有限公司 | 一种轨道交通列车牵引制动***及方法 |
| CN105404175A (zh) * | 2015-11-24 | 2016-03-16 | 北京交控科技股份有限公司 | 车载设备单机仿真*** |
| CN105404272A (zh) * | 2015-11-24 | 2016-03-16 | 北京交控科技股份有限公司 | 适用于全自动驾驶列车唤醒的自动动态测试方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392071B (zh) * | 2014-12-12 | 2017-09-29 | 北京交通大学 | 一种基于复杂网络的高速列车***安全评估方法 |
| CN104637334B (zh) * | 2015-02-10 | 2017-07-07 | 中山大学 | 一种公交车到站时间实时预测方法 |
| CN104765916B (zh) * | 2015-03-31 | 2018-01-19 | 成都天佑创软科技有限公司 | 一种高速列车动力学性能参数优化方法 |
| CN105760658B (zh) * | 2016-02-03 | 2018-09-28 | 华东交通大学 | 一种区间神经网络的高速列车噪声预测方法 |
| CN106202635B (zh) * | 2016-06-28 | 2019-04-26 | 西安理工大学 | 一种基于多元回归模型的高速列车动态轴温预测方法 |
| CN106444421B (zh) * | 2016-09-29 | 2019-06-25 | 南京理工大学 | 城市轨道交通车载牵引制动控制器***及其工作方法 |
| CN106777752B (zh) * | 2016-12-30 | 2019-04-02 | 华东交通大学 | 一种高速列车追踪运行曲线优化设定方法 |
| CN106844949B (zh) * | 2017-01-18 | 2020-01-10 | 清华大学 | 一种用于实现机车节能操纵的双向lstm模型的训练方法 |
| CN107423761B (zh) * | 2017-07-24 | 2021-01-26 | 清华大学 | 基于特征选择和机器学习的轨道机车节能优化操纵方法 |
-
2017
- 2017-12-08 CN CN201711296331.4A patent/CN109918687B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105398438A (zh) * | 2015-11-24 | 2016-03-16 | 株洲南车时代电气股份有限公司 | 一种轨道交通列车牵引制动***及方法 |
| CN105404175A (zh) * | 2015-11-24 | 2016-03-16 | 北京交控科技股份有限公司 | 车载设备单机仿真*** |
| CN105404272A (zh) * | 2015-11-24 | 2016-03-16 | 北京交控科技股份有限公司 | 适用于全自动驾驶列车唤醒的自动动态测试方法 |
Non-Patent Citations (1)
| Title |
|---|
| "预测控制在列车自动驾驶***中的应用研究";罗岩;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160715(第07期);C033-144 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109918687A (zh) | 2019-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109918687B (zh) | 一种基于机器学***台 | |
| CN109783843B (zh) | 基于lstm的仿真***车辆动力学模型速度预测方法 | |
| US10520947B2 (en) | Machine learning for event detection and classification in autonomous vehicles | |
| US11709979B1 (en) | Bridge damage identification method considering uncertainty | |
| Cardoso et al. | A robust methodology for modal parameters estimation applied to SHM | |
| Comanducci et al. | Structural health monitoring of suspension bridges with features affected by changing wind speed | |
| US10846194B1 (en) | Methods and systems for estimating process capacity | |
| CN110737732A (zh) | 一种机电设备故障预警方法 | |
| CN109800627A (zh) | 石油管道信号的异常检测方法及装置、设备及可读介质 | |
| EP3456673A1 (en) | Predictive elevator condition monitoring using qualitative and quantitative informations | |
| CN111915026A (zh) | 故障处理方法、装置、电子设备及存储介质 | |
| CN112687080B (zh) | 结合气象预警的地质灾害监测设备采集上报频率调整方法 | |
| CN112861706A (zh) | 一种道路状态的监测方法、装置、设备以及存储介质 | |
| CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
| WO2021189769A9 (zh) | 低负载信息预测方法、装置、计算机***及可读存储介质 | |
| CA3050952A1 (en) | Inspection risk estimation using historical inspection data | |
| CN108306997A (zh) | 域名解析监控方法及装置 | |
| Berkenstadt et al. | Queueing inference for process performance analysis with missing life-cycle data | |
| CN115757372A (zh) | 一种基于gru模型的数据缺失值填充方法及*** | |
| CN112346995B (zh) | 一种基于银行业的测试风险预估模型的构建方法及装置 | |
| CN115796001A (zh) | 一种基于seq2seq的数据缺失值预测方法及*** | |
| US20210271989A1 (en) | Method for predicting vessel density in a surveillance area | |
| CN114461499A (zh) | 异常信息检测模型的构建方法和灰度环境异常检测方法 | |
| CN113011748A (zh) | 推荐效果的评估方法、装置、电子设备及可读存储介质 | |
| CN115292146B (zh) | 一种***容量预估方法、***、设备及存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100070 12 / F, block a, yard 1, South Automobile Museum Road, Fengtai District, Beijing Applicant after: Tonghao Urban Rail Transit Technology Co., Ltd. Address before: 100073 11 Floor, Block D, No. 1 South Road, Fengtai Auto Museum, Beijing Applicant before: Beijing Tonghao National Railway Urban Rail Technology Co., Ltd. |
|
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ma Chong Inventor after: Wang Luyi Inventor after: Peng Chaoyang Inventor after: Zhao Anan Inventor after: Zhang Chen Inventor after: Tian Yuan Inventor before: Ma Chong Inventor before: Wang Luyi Inventor before: Han Huijie Inventor before: Peng Chaoyang Inventor before: Zhang Chen Inventor before: Zhao Anan |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |