CN113806857A - 一种基于变分图自编码器的高速列车节能制动方法 - Google Patents

Abstract

本发明公开了一种基于变分图自编码器的高速列车节能制动方法，具体为：根据高速列车真实运行下司机制动操作与牵引能源消耗问题的描述，建立隐式图，从而得到高速列车节能制动的多分类图结构模型；对高速列车控制***获取的人工驾驶真实数据进行预处理；模型训练集和验证集的选取与构建；制动分类模型训练求解及策略的调整。本发明的方法能够根据高速列车的运行状态确定制动施加时间和具体操作的制动手柄类型，优化司机的制动手柄控制操作从而达到节能的目标，并填补了图神经网络相关方法在高速列车优化控制中的空缺。

Description

一种基于变分图自编码器的高速列车节能制动方法

技术领域

本发明属于高速列车优化控制技术领域，具体涉及一种基于变分图自编码器的高速列车节能制动方法。

背景技术

高效智能化的高速列车控制方法使司机面临复杂运营环境或突发事件时能够做出更加准确的判断，保证了列车运行安全的同时提高了牵引效率，能够解决目前轨道交通日益发展引起的巨大能源消耗问题。

高速列车的节能运行本质是一个优化控制问题，针对前期动力学控制模型难以准确描述列车运行过程中复杂特征的缺陷，国内外学者开始将现代智能控制方法应用到列车运行控制领域中，到目前为止，常见研究方法主要总结为极大值原理、动态规划、遗传算法、粒子群算法以及人工神经网络算法等。基于图神经网络的算法应用在交通领域主要解决城市交通网络中交通流的预测问题，高速列车行驶轨迹路线单一且驾驶数据样本之间无明显图结构，因此图的相关算法很少应用于高速列车相关问题处理。

发明内容

本发明的目的是提供一种基于变分图自编码器的高速列车节能制动方法，使用变分图自编码器求解得到初始制动策略，不断调整牵引、巡航时间使高速列车在符合实际运行规律前提下，能够节能运行。

本发明所采用的技术方案是，一种基于变分图自编码器的高速列车节能制动方法，具体按照以下步骤实施：

步骤1，根据高速列车真实运行下司机制动操作与牵引能源消耗问题的描述，建立隐式图，从而得到高速列车节能制动的多分类图结构模型；

步骤2、对高速列车控制***获取的人工驾驶真实数据进行预处理；

步骤3、模型训练集和验证集的选取与构建；

步骤4，制动分类模型训练求解及策略的调整。

本发明的特点还在于，

步骤1中，具体为：

步骤1.1，司机制动操作的决策问题描述如式(1)和式(2)所示：

y_B＝q(S_t) (1)；

S_nt＝y_B(S_t) (2)；

其中，S_t代表在决策t时刻的列车运行状态，q(.)将列车状态映射到司机可能执行的制动操作y_B，y_B(.)为司机施加操作使当前的运行状态由S_t变为S_nt；

将出现次数最少的y_B值定义为少数数据集P0，其余定义为多数数据集P_i,i＝1,2,…，11，总称为数据集；

步骤1.2，根据高速列车运行过程中所受合力与牵引能耗之间的关系，得到列车每一时刻能源消耗情况的标签L_e，如式(3)所示：

其中，Δ为高速列车所受合力的矢量；

步骤1.3，根据步骤1.1和步骤1.2的描述，将高速列车的制动操作与运行状况建模成图G＝(V,E,F)；

其中，节点V表示高速列车运行状态的集合；节点内包含体现高速列车运行状态的属性F＝{L_e,f₂,…,f_m}，属性数量为m，包含节能标签L_e；边集E包含方向信息，由表示S_t的节点指向表示S_nt的节点，表示某时刻施加或执行的具体制动操作y_B使列车运行状态由S_t变为S_nt。

步骤2中，具体按照以下步骤实施：

步骤2.1，从获取的高速列车人工驾驶原始数据中，剔除运行过程中值不会发生任何变化的属性，得到去除了静态属性的数据集；数据集包括少数数据集和多数数据集；

步骤2.2，对去除了静态属性的数据集使用卡方检验进行高速列车特征选择降维，根据得出的卡方得分判断特征与预测结果的相关性，选择h个得分最高的特征为后续训练的最佳特征，得到降维后的数据集；如式(4)所示；

其中，CHI(x,y)代表属性x和属性y之间相关性的卡方检验得分，y代表静态属性数据集中的司机制动手柄级位，x代表其他属性；R代表数据集中各属性值的变化与不同制动手柄级位出现次数的概率真实统计；T代表假设属性处于不同值下各制动手柄数量占比一样的理论值；

步骤2.3，对降维后的数据集中存在空缺的地方进行插值填补，得到无空缺值的数据集；如式(5)所示；

其中，r_n代表要对高速列车第r个属性的第n行空缺进行填补的值，由其上下各两个时间序列该属性的平均值表示，即r_n-2、r_n-1、r_n+1和r_n+2；

步骤2.4，在无空缺值的数据集中，增加高速列车单位时间区间行驶距离和站间累计行驶距离两个属性，得到属性完整的高速列车驾驶数据；如式(6)及式(7)所示；

其中，V₀代表t时刻的初始速度，a代表t时刻的加速度。S₁代表单位时间行驶距离，S₂代表站间累计行驶距离；

步骤2.5，对属性完整的高速列车驾驶数据进行处理，得到经过预处理的高速列车人工驾驶数据；

将属性完整的高速列车驾驶数据中唯一属性时间戳出现一次以上的多余数据删除，每个时间戳下只保留一条有效数据，得到经过冗余处理的数据集；采用基于KNN分类方法对经过冗余处理的少数数据集中的噪声进行滤波，从少数数据集和多数数据集中随机选取等量高速列车运行数据作为已知类别的样本；依次选择少数数据集中的高速列车数据作为未知类别的样本，使用欧式距离计算未知样本与已知类别中每一个样本的相似性，如式(8)所示；

其中，

代表未知样本x_i和已知样本x_j之间的欧式距离，r代表第r个属性；

找出k个与未知样本相似度较高的样本，将该未知样本的类别判定为这k个样本中类别出现次数最多的一类；使用五折交叉验证法确定k值的选择，选择返回交叉验证后平均准确率较高的k值。确定k之后，比较该值下原高速列车驾驶数据中的实际值与预测值是否一致，不一致将该条数据从少数数据集中剔除，得到经过滤波处理的少数数据集。

步骤3中，具体按照以下步骤实施：

步骤3.1，使用欠采样算法，从步骤2预处理后的高速列车行驶多数数据集中随机抽取样本，来构建样本数量均衡的训练集，使每类抽取的样本数量满足式(9)；

|P_il_e1l_e2|＝|P0|/|L_e|² (9)；

其中，P_il_e1l_e2为司机在当前节能标签为l_e1时，施加或维持第i类制动手柄使列车节能标签变为l_e2；

步骤3.2，根据步骤3.1中当前高速列车S_t状态下的节能标签l_e1的值，将高速列车的制动问题分为三个视角进行，每个视角抽象出一个图，表示为步骤1.3中定义的形式；代表当前高速列车运行S_t状态下的节点表示在图中心，对训练集中每个视角下每种制动手柄下节能标签可能发生的所有转变情况进行统计，将所有运行下一状态S_nt可能发生的情况表示在中心节点周围；

步骤3.3，从步骤2预处理后的高速列车行驶数据中，选取一段包含所有制动等级操作的线路作为仿真实验数据。

步骤4中，具体按照以下步骤实施：

步骤4.1，构建由编码器和解码器组成的变分图自编码器，第一层为共享的GCN，第二层由并行的GCN_μ和GCN_σ组成；使用多个并行的变分图自编码器对步骤3.1中定义每个视角下的高速列车制动关系图分别进行重构；

设某视角下有f个节点，每个节点包含m个列车运行属性，所有的属性表示为f×m的属性信息特征矩阵X；当前列车状态S_t表示的节点与所有下一时刻列车状态S_nt表示的节点均有连边，表示司机执行了操作，有连边的节点之间连边关系值为1；否则连边关系值为0，所有的连边关系构成了一个f×f的邻接矩阵A；

将每个视角下图的特征矩阵X和邻接矩阵A分别输入到各自的变分图自编码器；计算目标分布的均值和方差，利用图卷积网络得到目标的高斯分布，如式(10)所示；

μ＝GCN_μ(X,A)

logσ＝GCN_σ(X,A) (10)；

通过GCN学习均值向量μ和协方差矩阵σ，其中，GCN_μ和GCN_σ中第一层参数W₀共享，第二层参数W₁不共享；

采用重参数化对均值和方差进行采样操作，通过均值和方差确定输入的后验分布，得到潜在向量Z，如式(11)所示；

q(z_i|X,A)＝N(z_i|μ_i,diag(σ_i ²)) (11)；

其中，z_i为潜在向量Z中的元素，q(Z|X,A)为得到的后验分布；利用隐变量的内积重构邻接矩阵，重构通过计算点与点之间存在边的概率实现，如式(12)所示；最终得到高速列车驾驶节能制动的重构图；

p(A_ij＝1|z_i,z_j)＝σ(z_i ^Tz_j) (12)；

p(A|Z)为计算概率的过程；p(A_ij＝1|z_i,z_j)从编码器获取的分布中采样得到的潜在变量内积作为解码器，其中A_ij是A的元素，σ(.)是Sigmoid激活函数；

步骤4.2，使用训练集的高速列车制动信息对步骤4.1得到的所有变分图自编码器的重构图和最终的预测结果进行监督训练；使用Adam优化器以0.01的学习率训练300次迭代；

步骤4.3，模型验证及策略调整；

根据验证路段每一时刻的高速列车的节能制动标签，将其依次带入到相应视角下的重构图中，判断图中每一条边执行的可能性，选择最有可能执行的一条边所代表的制动操作为当前司机最有可能执行的操作；从而确定它最有可能到达的节点，即下一时刻的节能状况。

本发明的有益效果是，本发明将高速列车的制动问题抽象为多分类问题，使用复杂的流程处理原始人工驾驶数据，对处理过后的数据进行双重均衡技巧抽取训练集，平衡类之间样本数量不均衡训练带来的负面影响，之后建立隐式图结构，将高速列车的制动策略问题转换为有向图的链路预测问题，使用变分图自编码器求解得到智能化的初始制动策略，不断调整牵引、巡航时间使高速列车运行节能的同时，也符合实际运行规则。

附图说明

图1是本发明一种基于变分图自编码器的高速列车节能制动方法的流程图；

图2是本发明一种基于变分图自编码器的高速列车节能制动方法中高速列车制动问题简化抽象图；

图3是本发明一种基于变分图自编码器的高速列车节能制动方法中数据预处理流程图；

图4是本发明方法的中心节点节能标签为a的高速列车制动图；

图5是本发明方法的中心节点节能标签为b的高速列车制动图；

图6是本发明方法的中心节点节能标签为c的高速列车制动图；

图7是本发明一种基于变分图自编码器的高速列车节能制动方法中变分图自编码器结构图；

图8是本发明方法中模型AUC值变化图；

图9是本发明方法中模型loss值变化图；

图10是本发明方法中优化策略运行仿真图；

图11是本发明方法中总能耗和运行路程关系对比图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于变分图自编码器的高速列车节能制动方法，如图1所示，具体按照以下步骤实施：

步骤1，根据高速列车真实运行下司机制动操作与牵引能源消耗问题的描述，建立隐式图，从而得到高速列车节能制动的多分类图结构模型，具体为：

步骤1.1，司机制动操作的决策问题描述如式(1)和式(2)所示：

y_B＝q(S_t) (1)；

S_nt＝y_B(S_t) (2)；

其中，S_t代表在决策t时刻的列车运行状态，由列车运行过程中各属性综合反映，q(.)将列车状态映射到司机可能执行的制动操作y_B，其值为特定的几个离散量，y_B∈{OC,REL,1A,1B,2,3,4,5,6,7,8,EB}，y_B(.)为司机施加操作使当前的运行状态由S_t变为S_nt；

通过学习实际驾驶数据得到智能的制动施加策略的过程可以被认为是要解决一个多分类问题，即判断要执行具体哪一个y_B值。将出现次数最少的y_B值定义为少数数据集P0，其余定义为多数数据集P_i,i＝1,2,…，11，总体称为数据集；

步骤1.2，根据高速列车运行过程中所受合力与牵引能耗之间的关系，得到列车每一时刻能源消耗情况的标签L_e，如式(3)所示：

其中，Δ为高速列车所受合力的矢量；当Δ<0时阻力大于牵引力，列车处于惰行状态，能耗不增加，L_e定义为a；当Δ＝0时阻力等于牵引力，列车处于巡航状态，能耗增加不多，L_e定义为b；当Δ>0时阻力小于牵引力，列车处于其它运行情况，能耗增加较多，L_e定义为c。

根据此处定义，高速列车运行过程中，当节能标签L_e值为a时牵引能耗消耗最少，其次是b，最后是c。

步骤1.3，根据步骤1.1和步骤1.2的描述，将高速列车的制动操作与运行状况建模成图G＝(V,E,F)；

其中，节点V表示高速列车运行状态的集合；节点内包含体现高速列车运行状态的属性F＝{L_e,f₂,…,f_m}，属性数量为m，包含节能标签L_e；边集E包含方向信息，由表示S_t的节点指向表示S_nt的节点，表示某时刻施加或执行的具体制动操作y_B使列车运行状态由S_t变为S_nt；

为简化图结构，将当前列车运行状况S_t下，相同L_e值的情况表示在一个出发节点内；执行同一个操作到达下一运行状况S_nt，下一时刻相同L_e值的情况表示在同一个节点内。

根据以上描述，问题描述的简化图如2所示。根据列车运行状态推测最有可能的操作类型，问题转化为了有向图的链路预测问题，预测节点之间某类链接发生的可能性。

步骤2、对高速列车控制***获取的人工驾驶真实数据进行预处理，预处理流程如图3所示，具体按照以下步骤实施：

步骤2.1，从获取的高速列车人工驾驶原始数据中，剔除运行过程中值不会发生任何变化的属性，得到去除了静态属性的数据集；数据集包括少数数据集和多数数据集；

步骤2.2，对去除了静态属性的数据集使用卡方检验进行高速列车特征选择降维，根据得出的卡方得分判断特征与预测结果的相关性，选择h个得分最高的特征为后续训练的最佳特征，得到降维后的数据集；如式(4)所示；

其中，CHI(x,y)代表属性x和属性y之间相关性的卡方检验得分，y代表静态属性数据集中的司机制动手柄级位，x代表其他属性；R代表数据集中各属性值的变化与不同制动手柄级位出现次数的概率真实统计；T代表假设属性处于不同值下各制动手柄数量占比一样的理论值；

步骤2.3，对降维后的数据集中存在空缺的地方进行插值填补，得到无空缺值的数据集；如式(5)所示；

其中，r_n代表要对高速列车第r个属性的第n行空缺进行填补的值，由其上下各两个时间序列该属性的平均值表示，即r_n-2、r_n-1、r_n+1和r_n+2；

步骤2.4，将高速列车运行区间按秒划分，近似将每秒运行看作匀变速或匀速运动，在无空缺值的数据集中，增加高速列车单位时间区间行驶距离和站间累计行驶距离两个属性，得到属性完整的高速列车驾驶数据；如式(6)及式(7)所示；

其中，V₀代表t时刻的初始速度，a代表t时刻的加速度。S₁代表单位时间行驶距离，S₂代表站间累计行驶距离；

步骤2.5，对属性完整的高速列车驾驶数据进行处理，得到经过预处理的高速列车人工驾驶数据；

将属性完整的高速列车驾驶数据中唯一属性时间戳出现一次以上的多余数据直接删除，每个时间戳下只保留一条有效数据，处理后得到经过冗余处理的数据集；采用基于KNN分类方法对经过冗余处理的少数数据集中的噪声进行滤波，从少数数据集和多数数据集中随机选取等量高速列车运行数据作为已知类别的样本；依次选择少数数据集中的高速列车数据作为未知类别的样本，使用欧式距离计算未知样本与已知类别中每一个样本的相似性，如式(8)所示；

其中，

代表未知样本x_i和已知样本x_j之间的欧式距离，r代表第r个属性；

找出k个与未知样本相似度较高的样本，将该未知样本的类别判定为这k个样本中类别出现次数最多的一类。使用五折交叉验证法确定k值的选择，选择返回交叉验证后平均准确率较高的k值。确定k之后，比较该值下原高速列车驾驶数据中的实际值与预测值是否一致，不一致将该条数据从少数数据集中剔除，得到经过滤波处理的少数数据集；

步骤3、模型训练集和验证集的选取与构建，具体按照以下步骤实施：

步骤3.1，使用欠采样算法，从步骤2预处理后的高速列车行驶多数数据集中随机抽取样本，来构建样本数量均衡的训练集，使每类抽取的样本数量满足式(9)；

|P_il_e1l_e2|＝|P0|/|L_e|² (9)；

其中，P_il_e1l_e2为司机在当前节能标签为l_e1时，施加或维持第i类制动手柄使列车节能标签变为l_e2，且l_e1、l_e2∈L_e，P0为已经经过滤波处理的少数数据集，此步骤在保证多数数据集每一类所包含的样本数量与少数数据集包含样本数量一致的前提下，进一步使在该类下不同节能标签相互转换的数量也保持一致。

步骤3.2，根据步骤3.1中当前高速列车S_t状态下的节能标签l_e1的值，将高速列车的制动问题分为三个视角进行，每个视角抽象出一个图，表示为步骤1.3中定义的形式；代表当前高速列车运行S_t状态下的节点表示在图中心，对训练集中每个视角下每种制动手柄下节能标签可能发生的所有转变情况进行统计，将所有运行下一状态S_nt可能发生的情况表示在中心节点周围；得到所有视角下的具体图如4-6所示。

步骤3.3，验证路段从步骤2预处理后的高速列车行驶数据中，选取一段包含所有制动等级操作的线路作为仿真实验数据，以验证本发明提出的优化控制方法的有效性；

步骤4，制动分类模型训练求解及策略的调整，具体按照以下步骤实施：

步骤4.1，构建由编码器和解码器组成的变分图自编码器，如图7所示，第一层为共享的GCN，第二层由并行的GCN_μ和GCN_σ组成。使用多个并行的变分图自编码器对步骤3.1中定义每个视角下的高速列车制动关系图分别进行重构；

假设某视角下有f个节点，每个节点包含m个列车运行属性，所有的属性表示为f×m的属性信息特征矩阵X。当前列车状态S_t表示的节点与所有下一时刻列车状态S_nt表示的节点均有连边，表示司机执行了操作，有连边的节点之间连边关系值为1，；否则连边关系值为0，所有的连边关系构成了一个f×f的邻接矩阵A。

将每个视角下图的特征矩阵X和邻接矩阵A分别输入到各自的变分图自编码器。假设高速列车的节能制动模型目标为高斯分布，计算目标分布的均值和方差，利用图卷积网络得到目标的高斯分布，如式(10)所示；

μ＝GCN_μ(X,A)

logσ＝GCN_σ(X,A) (10)；

通过GCN学习均值向量μ和协方差矩阵σ，其中，GCN_μ和GCN_σ中第一层参数W₀共享，第二层参数W₁不共享。

采用重参数化技巧对均值和方差进行采样操作，通过均值和方差确定输入的后验分布，得到潜在向量Z，如式(11)所示；

q(z_i|X,A)＝N(z_i|μ_i,diag(σ_i ²)) (11)；

其中，z_i为潜在向量Z中的元素，q(Z|X,A)为得到的后验分布。利用隐变量的内积重构邻接矩阵，重构通过计算点与点之间存在边的概率实现，如式(12)所示；最终得到高速列车驾驶节能制动的重构图；

p(A_ij＝1|z_i,z_j)＝σ(z_i ^Tz_j) (12)；

p(A|Z)为计算概率的过程；p(A_ij＝1|z_i,z_j)从编码器获取的分布中采样得到的潜在变量内积作为解码器，其中A_ij是A的元素，σ(.)是Sigmoid激活函数。

步骤4.2，使用训练集的高速列车制动信息对步骤4.1得到的所有变分图自编码器的重构图和最终的预测结果进行监督训练；使用Adam优化器以0.01的学习率训练300次迭代；

损失函数需要判断重构图与原始图的相似程度以及GCN计算的分布与标准高斯分布的相似程度，分别由交叉熵和KL散度来衡量，模型的损失定义如式(13)所示；

其中：E代表交叉熵，KL代表KL散度。

步骤4.3，模型验证及策略调整

根据验证路段每一时刻的高速列车的节能制动标签，将其依次带入到相应视角下的重构图中，判断图中每一条边执行的可能性，选择最有可能执行的一条边所代表的制动操作为当前司机最有可能执行的操作；从而确定它最有可能到达的节点，即下一时刻的节能状况。

验证路段求解得到的所有制动分类的结果构成了初始的制动策略；为符合实际运行情况，先使列车加速达到接近限速时，再执行该策略。如果到列车速度变为0为止还未行驶够距离，增加列车的巡航时间，使其维持一段速度稳定运行，行驶距离刚好等于路线长度，以满足列车停车的准确性。

对比本发明方法中的模型性能评估及节能性检验；分别采用AUC(ROC曲线下面积)和loss(损失值)评估分类模型的性能以及预测结果与实际情况差距的直接体现。图8展示了模型AUC(ROC曲线下面积)随迭代次数增加的变化情况，图中AUC值趋于0.9，验证模型分类效果良好。图9展示了模型loss随迭代次数增加的变化情况，最终loss趋于稳定，验证了模型的有效性。模拟高速列车使用求解得到的制动策略全程运行情况，在运行过程中速度变化较为平滑且没有出现超速情况即可判断为安全，如图10所示，图中仿真的高速列车由起点出发，行驶到两万多米时速度达到接近限速，并以接近限速的速度持续巡航至行驶到七万多米，随后开始减速。与原始真实的运行曲线相比，优化制动策略使高速列车运行速度的变化更加平滑，且保证列车全程在限速范围内运行，验证了本发明列车行驶的安全性。

在计算具体的牵引能耗时，高速列车牵引能耗与制动手柄的关系是分段函数。结合手柄是否切换、速度所处区间及速度变化情况综合考虑，统计每种情况下能源消耗大小，使得出具体的分段函数更为准确，能耗仿真如图11所示，图中高速列车行驶三万米后，优化策略的节能性开始体现，验证了本发明列车行驶的节能性。

Claims (5)

1.一种基于变分图自编码器的高速列车节能制动方法，其特征在于，具体按照以下步骤实施：

步骤1，根据高速列车真实运行下司机制动操作与牵引能源消耗问题的描述，建立隐式图，从而得到高速列车节能制动的多分类图结构模型；

步骤2、对高速列车控制***获取的人工驾驶真实数据进行预处理；

步骤3、模型训练集和验证集的选取与构建；

步骤4，对步骤3的模型训练求解及策略的调整。

2.根据权利要求1所述的一种基于变分图自编码器的高速列车节能制动方法，其特征在于，所述步骤1中，具体为：

步骤1.1，司机制动操作的决策问题描述如式(1)和式(2)所不：

y_B＝q(S_t) (1)；

S_nt＝y_B(S_t) (2)；

其中，S_t代表在决策t时刻的列车运行状态，q(.)将列车状态映射到司机可能执行的制动操作y_B，y_B(.)为司机施加操作使当前的运行状态由S_t变为S_nt；

将出现次数最少的y_B值定义为少数数据集P0，其余定义为多数数据集P_i，i＝1，2，…，11，总称为数据集；

步骤1.2，根据高速列车运行过程中所受合力与牵引能耗之间的关系，得到列车每一时刻能源消耗情况的标签L_e，如式(3)所示：

其中，Δ为高速列车所受合力的矢量；

步骤1.3，根据步骤1.1和步骤1.2的描述，将高速列车的制动操作与运行状况建模成图G＝(V，E，F)；

其中，节点V表示高速列车运行状态的集合；节点内包含体现高速列车运行状态的属性F＝{L_e，f₂，...，f_m}，属性数量为m，包含节能标签L_e；边集E包含方向信息，由表示S_t的节点指向表示S_nt的节点，表示某时刻施加或执行的具体制动操作y_B使列车运行状态由S_t变为S_nt。

3.根据权利要求2所述的一种基于变分图自编码器的高速列车节能制动方法，其特征在于，所述步骤2中，具体按照以下步骤实施：

步骤2.1，从获取的高速列车人工驾驶原始数据中，剔除运行过程中值不会发生任何变化的属性，得到去除了静态属性的数据集；数据集包括少数数据集和多数数据集；

步骤2.2，对去除了静态属性的数据集使用卡方检验进行高速列车特征选择降维，根据得出的卡方得分判断特征与预测结果的相关性，选择h个得分最高的特征为后续训练的最佳特征，得到降维后的数据集；如式(4)所示；

其中，CHI(x，y)代表属性x和属性y之间相关性的卡方检验得分，y代表静态属性数据集中的司机制动手柄级位，x代表其他属性；R代表数据集中各属性值的变化与不同制动手柄级位出现次数的概率真实统计；T代表假设属性处于不同值下各制动手柄数量占比一样的理论值；

步骤2.3，对降维后的数据集中存在空缺的地方进行插值填补，得到无空缺值的数据集；如式(5)所示；

其中，r_n代表要对高速列车第r个属性的第n行空缺进行填补的值，由其上下各两个时间序列该属性的平均值表示，即r_n-2、r_n-1、r_n+1和r_n+2；

步骤2.4，在无空缺值的数据集中，增加高速列车单位时间区间行驶距离和站间累计行驶距离两个属性，得到属性完整的高速列车驾驶数据；如式(6)及式(7)所示；

其中，V₀代表t时刻的初始速度，a代表t时刻的加速度。S₁代表单位时间行驶距离，S₂代表站间累计行驶距离；

步骤2.5，对属性完整的高速列车驾驶数据进行处理，得到经过预处理的高速列车人工驾驶数据；

将属性完整的高速列车驾驶数据中唯一属性时间戳出现一次以上的多余数据删除，每个时间戳下只保留一条有效数据，得到经过冗余处理的数据集；采用基于KNN分类方法对经过冗余处理的少数数据集中的噪声进行滤波，从少数数据集和多数数据集中随机选取等量高速列车运行数据作为已知类别的样本；依次选择少数数据集中的高速列车数据作为未知类别的样本，使用欧式距离计算未知样本与已知类别中每一个样本的相似性，如式(8)所示；

其中，

代表未知样本x_i和已知样本x_j之间的欧式距离，r代表第r个属性；

找出k个与未知样本相似度较高的样本，将该未知样本的类别判定为这k个样本中类别出现次数最多的一类；使用五折交叉验证法确定k值的选择，选择返回交叉验证后平均准确率较高的k值。确定k之后，比较该值下原高速列车驾驶数据中的实际值与预测值是否一致，不一致将该条数据从少数数据集中剔除，得到经过滤波处理的少数数据集。

4.根据权利要求3所述的一种基于变分图自编码器的高速列车节能制动方法，其特征在于，所述步骤3中，具体按照以下步骤实施：

步骤3.1，使用欠采样算法，从步骤2预处理后的高速列车行驶多数数据集中随机抽取样本，来构建样本数量均衡的训练集，使每类抽取的样本数量满足式(9)；

|P_il_e1l_e2|＝|P0|/|L_e|² (9)；

其中，P_il_e1l_e2为司机在当前节能标签为l_e1时，施加或维持第i类制动手柄使列车节能标签变为l_e2；

步骤3.2，根据步骤3.1中当前高速列车S_t状态下的节能标签l_e1的值，将高速列车的制动问题分为三个视角进行，每个视角抽象出一个图，表示为步骤1.3中定义的形式；代表当前高速列车运行S_t状态下的节点表示在图中心，对训练集中每个视角下每种制动手柄下节能标签可能发生的所有转变情况进行统计，将所有运行下一状态S_nt可能发生的情况表示在中心节点周围；

步骤3.3，从步骤2预处理后的高速列车行驶数据中，选取一段包含所有制动等级操作的线路作为仿真实验数据。

5.根据权利要求4所述的一种基于变分图自编码器的高速列车节能制动方法，其特征在于，所述步骤4中，具体按照以下步骤实施：

步骤4.1，构建由编码器和解码器组成的变分图自编码器，第一层为共享的GCN，第二层由并行的GCN_u和GCN_σ组成；使用多个并行的变分图自编码器对步骤3.1中定义每个视角下的高速列车制动关系图分别进行重构；

设某视角下有f个节点，每个节点包含m个列车运行属性，所有的属性表示为f×m的属性信息特征矩阵X；当前列车状态S_t表示的节点与所有下一时刻列车状态S_nt表示的节点均有连边，表示司机执行了操作，有连边的节点之间连边关系值为1；否则连边关系值为0，所有的连边关系构成了一个f×f的邻接矩阵A；

将每个视角下图的特征矩阵X和邻接矩阵A分别输入到各自的变分图自编码器；计算目标分布的均值和方差，利用图卷积网络得到目标的高斯分布，如式(10)所示；

μ＝GCN_μ(X，A)

logσ＝GCN_σ(X，A) (10)；

通过GCN学习均值向量μ和协方差矩阵σ，其中，GCN_μ和GCN_σ中第一层参数W₀共享，第二层参数W₁不共享；

采用重参数化对均值和方差进行采样操作，通过均值和方差确定输入的后验分布，得到潜在向量Z，如式(11)所示；

q(z_i|X，A)＝N(z_i|μ_i，diag(σ²)) (11)；

其中，z_i为潜在向量Z中的元素，q(Z|X，A)为得到的后验分布；利用隐变量的内积重构邻接矩阵，重构通过计算点与点之间存在边的概率实现，如式(12)所示；最终得到高速列车驾驶节能制动的重构图；

p(A_ij＝1|z_i，z_j)＝σ(z_i ^Tz_j) (12)；

p(A|Z)为计算概率的过程；p(A_ij＝1|z_i，z_j)从编码器获取的分布中采样得到的潜在变量内积作为解码器，其中A_ij是A的元素，σ(.)是Sigmoid激活函数；

步骤4.2，使用训练集的高速列车制动信息对步骤4.1得到的所有变分图自编码器的重构图和最终的预测结果进行监督训练；使用Adam优化器以0.01的学习率训练300次迭代；

步骤4.3，模型验证及策略调整；

根据验证路段每一时刻的高速列车的节能制动标签，将其依次带入到相应视角下的重构图中，判断图中每一条边执行的可能性，选择最有可能执行的一条边所代表的制动操作为当前司机最有可能执行的操作；从而确定它最有可能到达的节点，即下一时刻的节能状况。

Images