[发明专利]一种基于机器学习的坡度处理方法、装置及系统

权利要求书

1.一种基于机器学习的坡度处理方法，其特征在于，包括：

接收车载ATO设备发送的坡度处理数据，所述坡度处理数据包括输出级位、列车位置和列车坡度信息；所述输出级位与所述列车位置对应；由所述列车坡度信息获取坡度区，根据预设周期内接收的一段坡度区的所述坡度处理数据得到数据对象，所述数据对象包括所述输出级位、所述列车位置和评价参数，所述评价参数用来评价坡度处理的性能；所述评价参数为级位变化率、级位变动幅度或由级位变化率和级位变动幅度得到的统计值，或者根据速度振幅、速度振荡周期、级位变化率和级位变动幅度得到所述评价参数；

通过机器学习聚类算法将所述数据对象进行分组，根据所述评价参数找到坡度处理性能最好的一组所述数据对象，根据所述坡度处理性能最好的一组所述数据对象得到控制级位；

将所述控制级位和所述控制级位的预设权重发送给所述车载ATO设备，用于车载ATO设备进行加权计算得到最终的所述输出级位。

2.根据权利要求1所述的方法，其特征在于，所述坡度处理数据还包括列车实际速度和列车推荐速度，所述根据速度振幅、速度振荡周期、级位变化率和级位变动幅度得到所述评价参数包括：

根据所述列车实际速度和所述列车推荐速度得到速度振幅和速度振荡周期；

根据所述输出级位得到级位变化率和级位变动幅度；

根据所述速度振幅、所述速度振荡周期、所述级位变化率和所述级位变动幅度得到所述评价参数。

3.根据权利要求1或2所述的方法，其特征在于，所述坡度处理数据还包括列车运行等级，所述方法还包括：

将所述数据对象根据分类条件分为不同的类别，以通过所述机器学习聚类算法对分类后的所述数据对象进行分组，所述分类条件包括天气状况和/或所述列车运行等级。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

将所述数据对象或分类后的所述数据对象存入数据库，在所述通过机器学习聚类算法将所述数据对象进行分组之前，从数据库中提取所述数据对象。

5.根据权利要求4所述的方法，其特征在于，所述机器学习聚类算法为K-MEANS算法，通过所述K-MEANS算法将所述数据对象进行分组具体包括：

步骤101、对从数据库中提取的同类n个所述数据对象任意选择k个所述数据对象作为中心对象；

步骤102、根据所述数据对象的所述评价参数计算每个所述数据对象与所述中心对象的距离，并根据最小距离对所述数据对象进行聚类，分为k组；

步骤103、重新计算每组所述数据对象的所述评价参数的均值，作为新的中心对象的评价参数；

步骤104、计算测度函数，当所述测度函数收敛时算法终止；否则，返回步骤102。

6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：根据对所述数据对象进行机器学习的总时长或总数据量得到所述预设权重，所述总时长越长或所述总数据量越大，则所述预设权重越大。

7.一种基于机器学习的坡度处理装置，其特征在于，包括：

数据预处理单元，具体用于：接收车载ATO设备发送的坡度处理数据，所述坡度处理数据包括输出级位、列车位置和列车坡度信息；所述输出级位与所述列车位置对应；由所述列车坡度信息获取坡度区，根据预设周期内接收的一段坡度区的所述坡度处理数据得到数据对象，所述数据对象包括所述输出级位、所述列车位置和评价参数，所述评价参数用来评价坡度处理的性能；所述评价参数为级位变化率、级位变动幅度或由级位变化率和级位变动幅度得到的统计值，或者根据速度振幅、速度振荡周期、级位变化率和级位变动幅度得到所述评价参数；

机器学习单元，具体用于：通过机器学习聚类算法将所述数据对象进行分组，根据所述评价参数找到坡度处理性能最好的一组所述数据对象，根据所述坡度处理性能最好的一组所述数据对象得到控制级位；

坡度处理控制单元，具体用于：将所述控制级位和所述控制级位的预设权重发送给所述车载ATO设备，用于车载ATO设备进行加权计算得到最终的所述输出级位。