(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110617467.0 (22)申请日 2021.05.28 (65)同一申请的已公布的文献号 申请公布号 CN 113255225 A (43)申请公布日 2021.08.13 (73)专利权人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 罗森林　崔成钢　刘晓双　潘丽敏　 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) 审查员 张镭 (54)发明名称 少样本元提升学习的列车运动状态估计方 法 (57)摘要 本发明涉及少样本元提升学习的列车运动 状态估计方法， 属于计算机与信息科学技术领 域。 主要为解决现有的列车运动状态建模方法无 论是物理模 型或是机器学习模型， 均存在高成本 建模问题， 难以针对特定列车实现模 型在线持续 自适应以精确仿真， 存在系统性仿真误差， 而且 难以满足列车自动驾驶系统的实时仿真等应用 需求问题。 本发 明首先基于元数据采用元梯度提 升学习算法建立模型， 然后面向新任务， 基于少 量数据采用任务梯度提升学习算法， 完成任务模 型学习， 实现对新列车的快速低成本精确仿真。 结果表明本发明能较为准确的估计的列车运动 状态， 既减少了模型的训练成本， 又提高了列车 运动状态估计的精确度。 权利要求书1页 说明书5页 附图3页 CN 113255225 B 2022.09.20 CN 113255225 B 1.少样本元提升学习的列车运动状态估计方法， 其特 征在于所述方法包括如下步骤： 步骤1， 处 理列车运行初始数据， 划分为元 数据集； 步骤2， 初始化一组由弱 学习器构成的列车运动状态估计元模型Fm， 采用元梯度提升学 习算法， 分两个 阶段进行迭代更新； 在预判阶段， 基于元训练数据 面向所述元模型 Fm计算伪残差： 建立一组弱学习器g拟合rsupport， 并对所 述元模型Fm进行增量更新， 建立预判模型G， 其中 表示所述元模型Fm经过损失函数计算 后的梯度， 为所述元模型Fm使用元训练数据 面向不同类型任务的目 标损失函数； 在更新阶段， 基于元测试数据 面向预判模型G计算伪残差： 建立一组弱学习器f拟合rquery， 并对所述元模型Fm进行增量更新， 建立新 的元模型Fm+1， 其中 表示预判模型G经过损失函数计算后的梯度， 为预判模型 G使用元测试数据 面向不同类型任务的目标损失函数； 循环迭代两个阶段， 更新所述 元模型Fm； 步骤3， 基于1或2站少量运行数据， 在步骤2所得元模型Fm的基础上， 采用任务梯度提升 学习算法， 保持与 所述元模型Fm预判阶段相同的超参数， 快速对所述元模型Fm进行微调， 建 立精确列车状态仿真集成模型； 步骤4， 根据精确列车状态仿真集成模型结果， 输出列车运行状态变量， 估计列车运动 状态。 2.根据权利要求1所述的少 样本元提升学习的列 车运动状态估计方法， 其特征在于： 步 骤2中提出 的元梯度提升学习算法使用了伪残差思想， 即每次迭代时弱学习器拟合的伪残 差不是模型损失函数在当前任务上的误差值， 而是未来新任务经过新任务学习后的误差 值。权　利　要　求　书 1/1 页 2 CN 113255225 B 2少样本元提升学习的列车运动状态估计方 法 技术领域 [0001]本发明涉及少样本元提升学习的列车运动状态估计方法， 属于计算机与信息科学 技术领域。 背景技术 [0002]列车运动状态估计可面向行驶中的真实列车或是仿真环境下的模拟列车， 基于特 定控制指 令序列， 完成对其速度、 位置等指标的估计或预测， 是列车自动 驾驶系统建立并运 行的基础。 运动状态估计一般为连续的时间序列估计， 例如对位于起始点速度为零的列车 进行模拟， 逐周期传 入控制指 令， 对其加速、 巡航、 减速等全过程进 行仿真， 直至该列车到达 终点附近且速度为零。 单周期内， 估计模 型的输入 可包括位置、 速度、 控 车级位， 输出则一般 为加速度， 并由输出推算下一周期的输入位置与速度。 而在计算过程中， 根据建模方法的不 同， 可能需提供电子地图、 速度与阻力对应表、 级位与力对应表等辅助数据资源。 [0003]针对列车运动状态建模的方法大致可分为两种类型， 其一是采用传统列车物理模 型， 基于运动学组成， 在抽样时刻从力的合成角度计算列车加速度， 由此推算速度变化、 位 置变化等； 其二则是利用机器学习方法， 基于列车运行数据， 构建状态影响变量与状态之间 的映射函数， 由此估计 状态变化。 [0004]1.采用传统列车物理模型 [0005]传统列车物理模型， 在进行首辆列车动力学调试后， 利用获取到的首车动力学数 据， 主要包括某一时刻的列车状态， 例如位置、 速度、 坡度以及当前时刻的控制命令等， 以单 质点模型建模为主， 结合经验阻力公式添加简化后的空气及轨道阻力， 联合其它 可分析的 环境因素进行计算， 从而推算得到列车在某一时刻的运动参数， 例如测 量或由推算得到的 对应控车级位与速度的牵引力、 制动力以及阻力， 或是依据列车质量等数据换算后得到的 加速度组成成分， 在获取运动参数之后推算下一周期的速度及位置则可以对列车进行运动 状态的估计， 从而模拟列车运动过程。 [0006]2.数据驱动的机器学习方法 [0007]数据驱动的列车状态建模的原理是利用真实列车的运行数据， 建立模式识别模 型， 通过大量的列车运行数据挖掘仿真模型。 该仿 真模型同样面向单周期的状态估计， 其输 入输出基本与物理模型相似， 但是输入中由测 量或推算得到的力将由模型进行联合学习， 直接由控车级位与速度估计合成力或是加速度。 由此可见， 数据驱动方法的最大优势是跳 过了人工对这些力值或参数 的测量过程， 具备了自动 获取参数或模式的能力， 克服了显示 建模的复杂性， 降低了各种近似假设产生的误差 。 [0008]2.1线性回归方法(l inear regression‑based model， LRM) [0009]线性回归方法基于最小二乘回归， 利用真实运行数据， 自函数集F(v,s,c)中选择 最佳的映射函数f， 拟合输入速度、 位置及控制命令映射与输出间的线性关系。 该映射模式 在实际验证中具备一定效果， 较为适用于城市轨道交通等列车速度较低且阻力与速度呈现 近线性关系的环境中。说　明　书 1/5 页 3 CN 113255225 B 3