[发明专利]基于跨线路复合型迁移学习的列车定位方法

权利要求书

1.一种基于跨线路复合型迁移学习的列车定位方法，其特征在于：所述列车定位方法包括：

设列车运营线路有两条：线路A和线路B；所述线路A积累了足够多的行车数据用于通过建立深度学习模型来实现线路A上运行的列车定位，所述线路B积累的行车数据不足以用于通过建立深度学习模型来实现线路B上运行的列车定位；采用以下方法建立可用深度目标域学习模型，通过可用深度目标域学习模型对线路B上运营的列车进行定位：

将从线路A积累的行车数据的集合记为源域数据集，将所述源域数据集划分为源域训练集和源域验证集，提取源域数据集中的列车运行动态特征、线路特征和列车属性特征作为输入特征，将列车定位位置特征作为输出特征；将从线路B积累的行车数据的集合记为目标域数据集，将所述目标域数据集划分为目标域训练集和目标域验证集，提取目标域数据集中的列车运行动态特征、线路特征和列车属性特征作为输入特征，将列车定位位置特征作为输出特征；

1)利用源域训练集对深度学习模型进行训练，然后利用源域验证集对深度学习模型进行验证，得到源域深度学习模型；

2)冻结所述源域深度学习模型的部分浅层子模型，然后利用所述目标域训练集中的带标签数据微调源域深度学习模型中未冻结子模型的权值和阀值得到目标域深度学习模型；

3)利用MK-MMD对目标域深度学习模型进行领域自适应处理，将通过领域自适应处理后的目标域深度学习模型记为有效目标域深度学习模型；

4)利用目标域验证集中的样本数据对有效目标域深度学习模型进行验证，如果验证通过，即将有效目标域深度学习模型作为可用目标域深度学习模型；否则，返回步骤2)。

2.如权利要求1所述的基于跨线路复合型迁移学习的列车定位方法，其特征在于：利用皮尔逊相关性分析技术对从源域数据集中提取的列车运行动态特征、线路特征和列车属性特征进行筛选，利用筛选后的特征作为输入特征用于深度学习模型训练或验证；利用皮尔逊相关性分析技术对从目标域数据集中提取的列车运行动态特征、线路特征和列车属性特征进行筛选，利用筛选后的特征作为输入特征用于深度学习模型训练或验证。

3.如权利要求1或2所述的基于跨线路复合型迁移学习的列车定位方法，其特征在于：所述列车运行动态特征包括前一采样点速度、当前采样点速度、前一采样点平均速度、当前档位信息和列车行驶时间；所述线路特征包括前一采样点位置平均坡度、前一采样点位置坡度平均速度、前一采样点位置坡度和前一采样点位置坡度剩余长度；所述列车属性特征包括列车重量。