[发明专利]一种基于高阶相关学习的机车节能优化自动驾驶方法

说明书

本发明提供了一种基于高阶相关学习的机车节能优化自动驾驶方法，本发明首先对司机的实际驾驶数据进行经验梳理以及预处理，然后构建一个特征组来描述机车的驾驶状态，再基于由构建的特征组描述的司机实际驾驶数据作为训练数据构建超图，并通过归纳学习过程获取超图模型，所构建的超图模型可用于实时生成驾驶操作，最后通过不断的强化更新，即通过迭代训练的方式使得通过学习获得的超图模型更加准确。由于超图模型的训练不受到时间因素的限制，因此超图模型的学习拥有更好的优化空间，且机车运行过程中应用超图模型获取机车运行操纵档位时能够取得较好的节能效果。同时，将机车在线操纵运行结果作为数据输入，使得超图模型能够不断进行调整和优化。

技术领域

本发明涉及机车运行优化操纵技术，尤其涉及一种基于高阶相关学习的机车节能优化自动驾驶方法。

背景技术

铁路机车运行控制是一个典型的多目标、多约束、非线性的复杂实时变化过程。因此针对铁路机车的运行操纵问题是一个非线性有约束的动态优化问题。

现有工程领域应用中，复杂操纵序列优化的解决方案主要有数值搜索，解析求解和启发式策略设计三大类。

上述数值搜索方法即通过数值搜索算法对操纵序列进行寻优搜索从而得到优化的操纵序列。常见的算法有遗传算法、群搜索算法、动态规划等，这种方式耗时长，且短时间内无法收敛到最优结果，不适合在线控制系统优化。

上述解析求解方法即基于领域知识对操纵控制过程中不同状况下的关键转换点根据解析公式求解来得到最终的优化操纵序列。这种方式主要缺陷是转换点的解析公式推导过程复杂，较难处理多约束条件。

上述启发式策略设计即考虑诸多复杂因素，人工通过现有领域的一些操纵规范等启发式的进行策略设计。该种方式过多的引入人工的分析与设计，极大的降低了策略设计的效率，同时由于人思考范围有限，无法覆盖所有可能的情况，这势必会导致部分优化解遗漏。

通过上述分析可以看出，上述几种解决方案较难同时满足复杂操纵序列优化问题对计算效率和优化效果的需求。

发明内容

本发明的目的是提供一种基于高阶相关学习的机车节能优化自动驾驶方法，以便获得更好地控制和节能效果。

本发明通过如下技术方案实现：

一种基于高阶相关学习的机车节能优化自动驾驶方法，其特征在于，所述的方法包括：

步骤1)、获取司机对机车的实际驾驶数据和运行数据，并对实际驾驶数据和运行数据进行预处理；

步骤2)、确定影响机车油耗的因素，基于各因素的重要性提取与机车运行相关的特征组；

步骤3)、基于由构建的特征组描述的司机实际驾驶数据作为训练数据构建超图，并基于构建的超图训练学习模型，在训练过程中对训练数据进行标准化，调整所述特征组中至少部分特征的参数，同时通过迭代更新的方式训练学习模型；

步骤4)、将当前运行状态下的由特征组描述的机车数据输入训练好的学习模型，基于所述学习模型获得相应驾驶策略。

在一种优选实现方式中，所述预处理包括将机车运行数据中的坡度值进行分类合并。

在另一种优选实现方式中，影响机车油耗的因素至少包括：机车属性、线路特征和机车运行信息。

在一种优选实现方式中，所构建的超图定义为g＝(V,ε,w)，其中V是超图中顶点的集合，ε是超图中边的集合，w是超图中所有边的权重的集合，

构建超图的过程包括：将每一条训练数据视为一个顶点，通过对所有的训练数据进行聚类，每一个聚类为一条边。

在一种优选实现方式中，所述方法还包括，将超图表示成|V|×|ε|的关联矩阵。