[发明专利]基于BP神经网络的地铁列车ATO速度曲线预测方法

权利要求书

1.一种基于BP神经网络的地铁列车ATO速度曲线预测方法，其特征在于，包括以下步骤：

步骤1：基于列车ATO驾驶策略，建立列车运行影响因素评估体系，体系中包括对影响因素重要度排序，确定样本数据；

步骤2：基于步骤1中影响因素重要度排序的结果，建立地铁列车ATO速度曲线综合预测的BP神经网络模型，模型中包括BP神经网络模型的输入特征变量，BP神经网络模型的输出目标向量；

步骤3：确定BP神经网络模型的隐含层单元数的取值边界，设置BP神经网络模型的学习率，对BP神经网络模型的参数进行初始化；

步骤4：将步骤1中的样本数据进行归一化处理；

步骤5：确定训练样本与检验样本，分别输入到BP神经网络模型中进行学习训练与精确性检验；

步骤6：利用步骤5中BP神经网络模型，进行地铁列车ATO速度曲线预测。

2.根据权利要求1所述的基于BP神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤1中所述的列车ATO驾驶策略，包括列车加速策略、巡航策略、惰行策略和制动策略。

3.根据权利要求1所述的基于BP神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤1所述的建立列车运行影响因素评估体系，具体如下：

步骤1.1：选取加速区、巡航区、惰行区、制动区的ATO速度曲线对应的加速度值作为参考数列Y＝{y(k)|k＝1,2,∧,n}，其中Y为一组加速度值y(k)的集合，k值为加速度值的样本编号，Λ为省略号，n为加速度值的样本的容量；

选取包括区间长度、区间运行时间、区间坡道值、区间弯道值、区间ATP限速值和载客量的影响因素作为比较数列X＝{X_i(k)|k＝1,2,3,∧,n},i＝0,1,2,∧,m；其中X为种类编号为i的影响因素值X_i(k)的集合，k值为影响因素值的样本编号，Λ为省略号，n为影响因素值的样本的容量，i值为影响因素种类编号，m为影响因素种类的容量；

步骤1.2：对ATO速度曲线与各影响因素进行无量纲化：

其中，为种类编号为i的影响因素值X_i(k)和的平均值，x_i(k)则是编号为i的影响因素值X_i(k)进行无量纲化得到的值，且0＜x_i(k)＜1；

步骤1.3：计算各影响因素与ATO速度曲线的关联系数：

Δ_i(k)＝|y(k)-x_i(k)|

其中，为在种类编号i、样本编号为k的|y(k)-x_i(k)|一组绝对值中求出的最小值，为在种类编号i、样本编号为k的|y(k)-x_i(k)|一组绝对值中求出的最大值；ρ∈(0,∞)称为分辨系数，ξ_i(k)为种类编号i、样本编号为k的影响因素与ATO速度曲线加速度的关联系数值；

步骤1.4：计算各影响因素与ATO速度曲线的关联度r_i：

步骤1.5：按关联度数值大小，对各个影响因素的重要度进行排序。

4.根据权利要求3所述的基于BP神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤1.5所述的按关联度数值大小，对各个影响因素的重要度进行排序，具体如下：

根据影响因素对列车运行生成ATO速度曲线的影响程度的大小，按照影响度递减的方式进行依次排序。

5.根据权利要求3所述的基于BP神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤1中所述的样本数据，包括线路总长、各区间长度、ATP速度值、线路坡道值、线路弯道值、各区间实际运行时间、各区间载客量。

6.根据权利要求1所述的基于BP神经网络的地铁列车ATO速度曲线预测方法，其特征在于，步骤2中所述的BP神经网络模型，包括三层结构，即输入层、隐含层和输出层，且隐含层层数为2。