[发明专利]基于跨线路复合型迁移学习的列车定位方法

说明书

本发明提供了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：利用成熟线路A作为源域训练出的已有深度学习模型，通过模型参数迁移和统计特征变化法迁移后得到线路B这个目标域的可用目标域深度学习模型，通过可用目标域深度学习模型对线路B上运营的列车进行定位。采用本发明所述的列车定位方法，能快速为新的列车运行线路训练和验证得到用于列车定位的深度学习模型，且通过上述方法还能提高模型对列车定位位置的输出精度，从而提高列车的定位准确性和稳定性。

技术领域

本发明涉及交通运输技术领域，特别是一种基于跨线路复合型迁移学习的列车定位方法。

背景技术

列车定位技术是列车自动驾驶系统(ATO)的基础和关键技术，传统的列车定位技术可归纳为四大方面：基于速度传感器、卫星导航、地图匹配以及多源信息融合的列车定位技术。随着人工智能技术的发展，基于机器学习方式的列车自动定位技术应运而生，列车在某条较为成熟的线路运行过程中将会产生并积累大量的行车数据，如列车位置、自动驾驶速度曲线、坡度、道岔等，这些行车数据可从列车运行监控装置LKJ和列车控制与管理系统TCMS设备上获得，通过这些大数据，可训练出用于该线路列车定位的深度学习模型，而利用该深度学习模型即可对该线路上运行的列车进行定位预测。

对于某一成熟的列车运行线路而言，由于已经积累了大量的行车数据，比较容易训练出用于列车定位的深度学习模型，采用该方法得到的列车定位精度较高，具备有效性和可靠性。但是对于刚开通时间不长，累积的行车数据量不够充足的线路来说，由于数据不充足，带标签的数据量少，采用上述小样本训练得到的深度学习模型存在过拟合和泛化能力弱的问题，用上述深度学习模型来进行列车定位，定位精度低，甚至完全无法使用。

发明内容

针对背景技术的问题，本发明提供一种基于跨线路复合型迁移学习的列车定位方法，以解决现有技术中由于线路行车数据积累不足，无法在线路上采用深度学习模型对列车定位的问题。

为实现本发明的目的，本发明提供了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)。