[發明專利]少樣本元提升學習的列車運動狀態估計方法

有效

• 申請號: 202110617467.0
• 申請日: 2021-05-28
• 公開（公告）號: CN113255225B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 羅森林;崔成鋼;劉曉雙;潘麗敏
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及少樣本元提升學習的列車運動狀態估計方法，屬于計算機與信息科學技術領域。主要為解決現有的列車運動狀態建模方法無論是物理模型或是機器學習模型，均存在高成本建模問題，難以針對特定列車實現模型在線持續自適應以精確仿真，存在系統性仿真誤差，而且難以滿足列車自動駕駛系統的實時仿真等應用需求問題。本發明首先基于元數據采用元梯度提升學習算法建立模型，然后面向新任務，基于少量數據采用任務梯度提升學習算法，完成任務模型學習，實現對新列車的快速低成本精確仿真。結果表明本發明能較為準確的估計的列車運動狀態，既減少了模型的訓練成本，又提高了列車運動狀態估計的精確度。

技術領域

本發明涉及少樣本元提升學習的列車運動狀態估計方法，屬于計算機與信息科學技術領域。

背景技術

列車運動狀態估計可面向行駛中的真實列車或是仿真環境下的模擬列車，基于特定控制指令序列，完成對其速度、位置等指標的估計或預測，是列車自動駕駛系統建立并運行的基礎。運動狀態估計一般為連續的時間序列估計，例如對位于起始點速度為零的列車進行模擬，逐周期傳入控制指令，對其加速、巡航、減速等全過程進行仿真，直至該列車到達終點附近且速度為零。單周期內，估計模型的輸入可包括位置、速度、控車級位，輸出則一般為加速度，并由輸出推算下一周期的輸入位置與速度。而在計算過程中，根據建模方法的不同，可能需提供電子地圖、速度與阻力對應表、級位與力對應表等輔助數據資源。

針對列車運動狀態建模的方法大致可分為兩種類型，其一是采用傳統列車物理模型，基于運動學組成，在抽樣時刻從力的合成角度計算列車加速度，由此推算速度變化、位置變化等；其二則是利用機器學習方法，基于列車運行數據，構建狀態影響變量與狀態之間的映射函數，由此估計狀態變化。

1.采用傳統列車物理模型

傳統列車物理模型，在進行首輛列車動力學調試后，利用獲取到的首車動力學數據，主要包括某一時刻的列車狀態，例如位置、速度、坡度以及當前時刻的控制命令等，以單質點模型建模為主，結合經驗阻力公式添加簡化后的空氣及軌道阻力，聯合其它可分析的環境因素進行計算，從而推算得到列車在某一時刻的運動參數，例如測量或由推算得到的對應控車級位與速度的牽引力、制動力以及阻力，或是依據列車質量等數據換算后得到的加速度組成成分，在獲取運動參數之后推算下一周期的速度及位置則可以對列車進行運動狀態的估計，從而模擬列車運動過程。

2.數據驅動的機器學習方法

數據驅動的列車狀態建模的原理是利用真實列車的運行數據，建立模式識別模型，通過大量的列車運行數據挖掘仿真模型。該仿真模型同樣面向單周期的狀態估計，其輸入輸出基本與物理模型相似，但是輸入中由測量或推算得到的力將由模型進行聯合學習，直接由控車級位與速度估計合成力或是加速度。由此可見，數據驅動方法的最大優勢是跳過了人工對這些力值或參數的測量過程，具備了自動獲取參數或模式的能力，克服了顯示建模的復雜性，降低了各種近似假設產生的誤差。

2.1線性回歸方法(linear regression-based model，LRM)

線性回歸方法基于最小二乘回歸，利用真實運行數據，自函數集F(v,s,c)中選擇最佳的映射函數f，擬合輸入速度、位置及控制命令映射與輸出間的線性關系。該映射模式在實際驗證中具備一定效果，較為適用于城市軌道交通等列車速度較低且阻力與速度呈現近線性關系的環境中。

2.2非線性回歸方法(nonlinear regression-based model，NRM)