新建线路列车自动驾驶决策模型的构建方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116011545A(43)申请公布日2023.04.25(21)申请号202310001383.3(22)申请日2023.01.03(71)申请人重庆交通大学地址400074重庆市南岸区学府大道66号(72)发明人徐凯张皓桐吴仕勋蓝章礼杨建喜许仕壮孟倩倩(74)专利代理机构重庆乾乙律师事务所50235专利代理师侯懋琪李剑锋(51)Int.Cl.G06N3/08(2023.01)G06N5/048(2023.01)G06N3/043(2023.01)G06N3/0442(2023.01)G06N3/0464(2023.01)权利要求书2页说明书7页(54)发明名称新建线路列车自动驾驶决策模型的构建方法(57)摘要本发明提供了一种新建线路列车自动驾驶决策模型的构建方法，其特征在于：包括全局服务器、分组控制模块和N个运营商服务器；所述构建方法包括：分组控制模块将N个运营商服务器分为M个训练组，各个训练组内的运营商服务器同步训练，各个训练组异步地上传模型参数到全局服务器进行加权聚合，对全局深度学习模型的模型参数进行迭代更新，以获取新建线路的列车自动驾驶决策模型。采用本申请所述的方法，能充分利用各个地铁集团或运营商的经验数据，减少数据资源浪费，提高新建线路决策模型的搭建效率，降低成本，同时降低列车的运行能耗。CN116011545ACN116011545A权利要求书1/2页1.一种新建线路列车自动驾驶决策模型的构建方法，其特征在于：包括全局服务器、分组控制模块和N个运营商服务器；所述运营商服务器上存储有对应运营线路的多个列车自动驾驶曲线样本；所述构建方法包括：设某条新建线路包括多个站点，每相邻两个站点之间的路段记为一个子线路，将其中任意一个子线路记为子线路L，子线路L的线路信息包括线路长度和编组类型，所述编组类型包括列车型号和车厢数量；一)全局服务器将子线路L的线路信息下发给各个运营商服务器；二)根据收到的子线路L的线路信息，各个运营商服务器均按方法一获取对应的可用样本数据集；三)然后各个运营商服务器均将对应的可用样本数据集的数据量信息发送给分组控制模块；所述可用样本数据集的数据量为该可用样本数据集所辖的列车自动驾驶曲线样本的个数；四)分组控制模块按方法二对N个运营商服务器进行分组，得到M个训练组；五)全局服务器通过分组控制模块按方法三控制M个训练组进行深度学习模型训练，得到子线路L对应的列车自动驾驶决策模型；所述方法一包括：1)从多个列车自动驾驶曲线样本中选择多个同等编组样本组成备选样本集；所述同等编组样本为：采用与子线路L相同编组类型的列车运行得到的列车自动驾驶曲线样本；2)然后从所述备选样本集中筛选出多个近似路段样本组成初筛样本数据集；所述近似路段样本为：路段长度与子线路L的路段长度偏差在±5％以内的子线路上采集的列车自动驾驶曲线样本；3)对初筛样本数据集所辖的各个列车自动驾驶曲线样本进行能耗计算，然后按能耗从小到大的顺序对初筛样本数据集所辖的全部列车自动驾驶曲线样本进行排序，选取排在前10％的列车自动驾驶曲线样本组成可用样本数据集；所述方法二包括：根据可用样本数据集的数据量由小到大的顺序对N个运营商服务器进行排序，按从前向后的顺序对全部运营商服务器进行分组，得到M个训练组；其中，前M‑1个训练组所辖的运营商服务器个数均为Q个，第M个训练组所辖的运营商服务器个数小于或等于Q个；其中训练组个数M或单个训练组所辖运营商服务器个数Q为设定值；所述方法三包括：全局服务器构建一个全局深度学习模型，各个运营商服务器均构建一个局部深度学习模型；全局服务器向分组控制模块下达训练指令；然后分组控制模块控制各个训练组均按方法四获取各自对应的加权聚合参数组，每次产生一个新的加权聚合参数组，分组控制模块即将新产生的加权聚合参数组数据上传给全局服务器；2CN116011545A权利要求书2/2页全局服务器每收到一个新的加权聚合参数组数据，即利用新收到的加权聚合参数组数据通过加权聚合的方式对全局深度学习模型的模型参数进行迭代更新；当全局深度学习模型的模型参数迭代更新n次后程序结束；程序结束后得到的全局深度学习模型即为列车自动驾驶决策模型；其中，全局深度学习模型迭代更新次数n为设定值；所述方法四包括：对于单个训练组来说，a)所辖每个运营商服务器均利用可用样本数据集对对应的局部深度学习模型进行训练，以对局部深度学习模型的模型参数进行更新；b)当训练组所辖的每个运营商服务器的局部深度学习模型均完成本轮模型参数更新后，分组控制模块对训练组所辖的全部运营商服务器的局部深度学习模型的模型参数取算数平均值得到综合局部模型参数；然后分组控制模块利用模糊推理算法，根据以下模糊推理表获取训练组权重系数；将训练组的