[发明专利]基于深度学习的货运列车最佳速度曲线动态规划逐次逼近方法

说明书

本发明公开了一种基于深度学习的货运列车最佳速度曲线动态规划逐次逼近方法。首先对影响列车行驶的因素进行详细划分，进一步明确货运机车自动驾驶的目标函数和约束条件，构建货运机车自动驾驶的深度学习模型，基于wake‑sleep算法使货运列车的影响因素特征值和隐藏层神经元的层数最优，输入的影响因素的特征值最优，进一步使传递系数最优。在速度动态可变环境下自适应实现机车速度模糊控制快速跟踪，基于多次相同线路的运行经验数据积累，基于深度学习的货运列车最佳速度曲线动态规划逐次逼近方法，能够动态跟踪和预测货运列车速度。

技术领域

本发明关于货运机车自动驾驶领域，更准确的说是一种基于深度学习的货运列车最佳速度曲线动态规划逐次逼近方法。

背景技术

自动驾驶技术作为轨道交通智能化的前沿技术，已经在交通行业中得到充分关注，并且在轨道领域带来极大的技术变革。通过将司机的工作完全由自动化的、高度集中的控制系统替代，不仅可避免诸多人为操作的不利影响，而且降低了司机的劳动强度，提升了货运列车安全性和稳定性，并提高了列车的运营效率由于货运列车的运营环境复杂，货运列车车辆操控难度大。在货运机车领域，由于受货运机车控制复杂性和工况复杂等因素制约，暂时还没有完全实现自动驾驶，对其研究主要集中在优化操纵与辅助驾驶等方面。而且货运列车编组车辆数量多、载重大，导致其操控过程比较复杂，严重制约了其机车自动驾驶系统的研发。随着我国铁路货运需求的增加，为了进一步提升运输能力、降低物流成本，发展智能化货运列车，特别是货运列车自动驾驶系统方向。

在速度动态可变环境下自适应实现机车速度模糊控制快速跟踪，基于多次相同线路的运行经验数据积累，基于深度学习的货运列车最佳速度曲线动态规划逐次逼近方法，能够动态跟踪和预测货运列车速度。根据货运列车运行所处环境建立三种不同的运行模型，在非监督数据上建立多层神经网络的一个方法，具体分为两步：首先构建两层神经元，每次都是训练一个单层网络；当两层训练结束后，然后使用wake-sleep算法进行调优。使货运列车的影响因素特征值和隐藏层神经元的层数最优，输入的影响因素的特征值最优，进一步使传递系数最优，实现基于深度学习的货运列车自动驾驶技术。

发明内容

发明的内容是为了解决货运汽车能根据货运当时所处的环境、天气以及货运汽车自身的速度，基于深度学习预测货运汽车在接下来的时间段里货运列车速度的预测和基于深度学习货运列车动态速度规划预测，在保证货运列车安全可靠的情况下能够实现货运列车自动驾驶。

根据货运列车所处环境划分为三种不同平面的模型：货运列车在水平面上行驶、下坡行驶状态、下坡行驶状态，在每一个平面模型中存在直接前进和转弯前进。将货运列车每节车厢分为3种状态，能够简化货运列车整体影响因素，使列车的学习过程更简便，使预测过程更加简单。最终简化列车行驶的状态，增添约束条件，实现自动调整货运列车的速度，能够实现货运列车速度自调整和动态变化。

本发明提出将列车的阻力、环境温度、环境天气等因素视为影响列车前进的外在因素，货运列车需要考虑这些外在情况提供牵引力前进，通过对这些外在因素进行学习，那么根据不同的情况就可以给列车提供合适的牵引力。

为达到上述目的，本发明采用如下技术方案，包括以下步骤：

步骤1：根据货运列车在行驶过程中行驶的数学模型分为3类，精确化列车行驶过程中所需的加速度，在影响因素方面也能够得到简化；

步骤2：明确自动驾驶货运列车的目标函数和约束条件，建立货运列车自动驾驶控制的数学模型；

步骤3：基于深度学习的神经网络层，对影响因素和货运列车速度和加速度作为输入层和输出层，并建立速度和加速度的生成和学习模型；

步骤4：改进的wake-sleep算法分为两个部分，一个部分是学习过程，另外一个是生成过程。