[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

说明书

本发明公开了一种基于BP神经网络的地铁列车ATO速度曲线预测方法。该方法步骤如下：基于列车ATO驾驶策略，建立列车运行影响因素评估体系，确定样本数据；基于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，并确定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；将样本数据进行归一化处理，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；利用训练好的BP神经网络模型，进行地铁列车ATO速度曲线预测。本发明能够实现综合节能降耗和运营智能优化管理的目标，实时性好且简单易行。

技术领域

本发明涉及城市地铁列车ATO自动驾驶技术领域，特别是一种基于BP神经网络的地铁列车ATO速度曲线预测方法。

背景技术

作为地铁列车自动控制系统(Automatic Train Control，简称ATC)的一个重要子系统，自动驾驶系统(Automatic Train Operation，简称ATO)通过控制列车的牵引和制动系统来代替人工驾驶。其主要依据区间固定线路条件、计划运行时间以及区间上运行的实际条件和客观情况，生成目标速度曲线，列车根据目标速度曲线实时计算所需的牵引或制动力的大小，通过列车接口电路，完成列车的加速或减速作业。ATO速度曲线不仅综合体现了列车停车精确性指标、准时性指标、节能性指标和舒适性指标，而且也是列车自动运行的依据。

研究ATO自动驾驶机理并预测生成不同场景下的ATO速度曲线，在了解掌握ATO控制机理，提高列车运行效率、调整列车的运行速度、车站定点停车、增强计划运行图的鲁棒性和列车节能运行等方面可以发挥巨大作用。但是，地铁列车ATO自动驾驶由于具有非线性且受线路车辆自身等多种因素影响的特性，目前还未有针对地铁列车ATO速度曲线进行相对应预测的关键技术，并且当要对列车自动驾驶与牵引节能展开研究时，往往要受到列车ATO控制系统封闭性的限制。

发明内容

本发明的目的在于提供一种能够实现综合节能降耗和运营智能优化管理，并且易于推广实施的基于BP神经网络的地铁列车ATO速度曲线预测方法。

实现本发明目的的技术解决方案为：一种基于BP神经网络的地铁列车ATO速度曲线预测方法，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。

进一步地，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。

进一步地，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；