基于机器学习的列车自动驾驶系统精准停车方法及装置与流程

本发明实施例涉及智能控制技术领域，具体为一种基于机器学习的列车自动驾驶系统精准停车方法及装置。

背景技术：

列车自动驾驶系统(automatictrainoperation,ato)是列车自动控制系统(automatictraincontrol，atc)的重要子系统，它完成列车车门开关的控制功能以及自动速度调整包括牵引、巡航、惰行、制动和停车的控制，实现正线、折返线及出入段(场)线运行的自动控制，实现区间运行时间的调整控制。ato系统是提高运输效率的一个关键环节，通过实施ato系统，可以改善城市轨道交通的运输组织管理，为旅客提供更舒适的乘坐感受，能够达到系统设计的最佳运输效率以及减轻司乘人员的劳动强度，更利于保障安全和提高效率。

车载ato系统通过安装在站台区域内、预定位置的定位设备(twc环线、应答器)来调整列车定位，实现精准停车。其中，twc(traintowaysidecommunicationsystem)为车地通信系统。ato模式下列车停车精度应满足±0.3m，根据停车站台的位置、车辆运行方向及停车精度，在atp的保护下自动地对相应站台侧的车门、站台门进行开关控制。ato系统针对精准停车的算法对于列车能够安全可靠运行，以及实现atc系统的需求功能具有重要的作用。目前列车自动驾驶系统(ato)的精准停车算法主要应用控制过程是，在列车防护系统(automatictrainprotection，atp)的推荐速度防护下，将ato的命令速度作为目标输入，将测速测距模块(sdu)的速度与距离作为反馈，运用模糊pid控制算法进行列车运行级位的输出控制，从而实现站间与站台的列车平稳运行；最后根据站台校位交叉点(如twc)的位置校位，确定准确的列车当前位置，通过站台限速点与停车点的位置距离，拟合出站台上的推荐速度曲线，根据给定推荐速度与列车速度反馈的速度误差，运用模糊pid控车算法得到列车输出级位，最终达到精准停车的功能实现。

基于目前的ato系统的精准停车逻辑，其主要的技术缺陷是不具有列车的普适性，对于单列车具有稳定列车参数、良好的列车性能的前提下，具有良好的停车效果，且能精确停稳，但是针对两辆列车间参数有差距，例如：ato施加制动或牵引后车辆速度变化的响应时间、ato施加制动级位至速度为0的平均加速度、ato施加牵引级位至速度平滑的平均加速度、车辆开始制动至速度为0的平均加速度、车辆开始牵引至速度平滑的平均加速度、电制动与空气制动转换时间、速传模块的灵敏度等参数，若上述参数有差距，那么就会导致ato无法有效的实现精准停车，从而列车过标或欠标，影响屏蔽门的打开、乘客的乘坐、司机的工作量，致使研发人员需要根据每辆车的性能参数与列车参数，去调节ato在停车过程中的动力学参数，例如：上下行平移停车点、站台制动减速度，模块函数隶属表等参数，增加了工作人员的工作量与现场的调试时间，从而浪费资源。

技术实现要素：

为解决现有技术中停车控制调试复杂、不具普适性的问题，本发明实施例提供一种基于机器学习的列车自动驾驶系统精准停车方法及装置。

第一方面，本发明实施例提供一种基于机器学习的列车自动驾驶系统精准停车方法，该方法包括：获取与精准停车强相关的实时信息参数；根据所述与精准停车强相关的实时信息参数分别得到输入变量参数和输出变量参数；其中，所述输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数；所述输出变量参数是停车误差参数；分别建立以各个所述输入变量参数为自变量，以停车误差为因变量的回归预测模型，所述回归预测模型包括修正变量；通过机器学习多次迭代训练，得到所述回归预测模型的值与所述输出变量参数误差最小的所述修正变量的取值，进而得到优化的所述回归预测模型；计算所述优化的所述回归预测模型取值为0时的所述输入变量参数，利用计算得到的所述输入变量参数更新所述输入变量参数，并利用更新的所述输入变量参数进行停车控制，进而实现精准停车。

第二方面，本发明实施例提供一种基于机器学习的列车自动驾驶系统精准停车装置，该装置包括：数据获取模块，具体用于获取与精准停车强相关的实时信息参数；变量确定模块，具体用于根据所述与精准停车强相关的实时信息参数分别得到输入变量参数和输出变量参数；其中，所述输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数；所述输出变量参数是停车误差参数；模型建立模块，具体用于分别建立以各个所述输入变量参数为自变量，以停车误差为因变量的回归预测模型，所述回归预测模型包括修正变量；迭代优化模块，具体用于通过机器学习多次迭代训练，得到所述回归预测模型的值与所述输出变量参数误差最小的所述修正变量的取值，进而得到优化的所述回归预测模型；停车控制模块，具体用于计算所述优化的所述回归预测模型取值为0时的所述输入变量参数，利用计算得到的所述输入变量参数更新所述输入变量参数，并利用更新的所述输入变量参数进行停车控制，进而实现精准停车。

第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：获取与精准停车强相关的实时信息参数；根据所述与精准停车强相关的实时信息参数分别得到输入变量参数和输出变量参数；其中，所述输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数；所述输出变量参数是停车误差参数；分别建立以各个所述输入变量参数为自变量，以停车误差为因变量的回归预测模型，所述回归预测模型包括修正变量；通过机器学习多次迭代训练，得到所述回归预测模型的值与所述输出变量参数误差最小的所述修正变量的取值，进而得到优化的所述回归预测模型；计算所述优化的所述回归预测模型取值为0时的所述输入变量参数，利用计算得到的所述输入变量参数更新所述输入变量参数，并利用更新的所述输入变量参数进行停车控制，进而实现精准停车。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下方法：获取与精准停车强相关的实时信息参数；根据所述与精准停车强相关的实时信息参数分别得到输入变量参数和输出变量参数；其中，所述输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数；所述输出变量参数是停车误差参数；分别建立以各个所述输入变量参数为自变量，以停车误差为因变量的回归预测模型，所述回归预测模型包括修正变量；通过机器学习多次迭代训练，得到所述回归预测模型的值与所述输出变量参数误差最小的所述修正变量的取值，进而得到优化的所述回归预测模型；计算所述优化的所述回归预测模型取值为0时的所述输入变量参数，利用计算得到的所述输入变量参数更新所述输入变量参数，并利用更新的所述输入变量参数进行停车控制，进而实现精准停车。

本发明实施例通过基于大数据的预测回归分析方法，实现了与精准停车强相关的实时信息参数的实数值预测，并自主优化ato系统中的停车控制参数，从而实现精准停车；对于列车具有普适性，应用范围广，减少了调试的时间与工作量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于机器学习的列车自动驾驶系统精准停车方法流程图；

图2为本发明实施例提供的基于机器学习的列车自动驾驶系统精准停车装置结构示意图；

图3为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的基于机器学习的列车自动驾驶系统精准停车方法流程图。如图1所示，所述方法包括：

步骤101、获取与精准停车强相关的实时信息参数；

ato系统从atc系统中记录板的信息数据中提取与精准停车强相关的实时信息参数，所述记录板的信息数据包括列车首端和尾端车载记录的列车实时信息参数；atc系统中的记录板，功能是为了记录列车运行过程中的运行数据，例如当前列车位于哪条轨道、当前列车的速度、位置、上下行、下一站、ato系统、人机系统、atp系统等各信号子系统相互的交互信息等数据信息。从对于精准停车具有强相关的实时信息参数中进行选择作为机器学习中回归算法的训练集。

步骤102、根据所述与精准停车强相关的实时信息参数分别得到输入变量参数和输出变量参数；其中，所述输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数；所述输出变量参数是停车误差参数；

对所述与精准停车强相关的实时信息参数，即机器学习中回归算法的训练集进行分类，或根据所述与精准停车强相关的实时信息参数进行计算，分别得到输入变量参数和输出变量参数。所述输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数，如列车的进站速度；所述输出变量参数是停车误差参数，如ato停车误差、atp停车误差或实际停车误差。

其中，所述输入变量参数为一个或多个，所述输出变量参数为一个。

步骤103、分别建立以各个所述输入变量参数为自变量，以停车误差为因变量的回归预测模型，所述回归预测模型包括修正变量；

所述输入变量参数的回归预测模型是指以停车误差作为因变量、分别以各个所述输入变量参数作为自变量，得到的回归预测模型。

所述回归预测模型包括修正变量，用来作为寻优变量，以确定回归曲线。

步骤104、通过机器学习多次迭代训练，得到所述回归预测模型的值与所述输出变量参数误差最小的所述修正变量的取值，进而得到优化的所述回归预测模型；

利用所述机器学习中回归算法的训练集进行机器学习，通过多次迭代训练，得到使得预测误差最小的所述修正变量的取值，所述预测误差最小即预测值与实际值误差最小，也即回归预测模型的值与所述输出变量参数误差最小；根据得到的预测误差最小的所述修正变量的取值确定优化的所述回归预测模型，即此时所述回归预测模型的表达式使得预测误差最小。

步骤105、计算所述优化的所述回归预测模型取值为0时的所述输入变量参数，利用计算得到的所述输入变量参数更新所述输入变量参数，并利用更新的所述输入变量参数进行停车控制，进而实现精准停车。

根据所述优化的所述回归预测模型计算所述输入变量参数，因为输出变量参数是停车误差参数，因此令所述输出变量参数取值为0，反推计算所述输入变量参数，则在计算所得的所述输入变量参数的控制下将会使停车误差为0。因此，利用计算得到的所述输入变量参数更新所述输入变量参数，将更新的所述输入变量参数作为返回值进行存储，如存储入ato系统的eeprom存储区，利用所述更新的所述输入变量参数对列车进行控制，进而实现精准停车。

在更新的所述输入变量参数对列车的控制下，会得到新的输出变量参数。将更新的所述输入变量参数及所述得到的新的输出变量参数加入到机器学习的训练集。列车在调试阶段在正线上运行，在保证车辆性能不变的前提下，ato根据车辆多次停车的数据，就会在eeprom区，更新存储下多次的停车过程中的输入变量参数，ato调用机器学习得到的所述输入变量参数，对列车进行停车控制，最终达到最贴合实际停车点的停车过程，从而最终实现高精准停车。

基于机器学习算法的列车自动驾驶系统ato的精准停车算法，通过根据预测得到的输入变量参数进行停车控制，能够做到每次训练后都能将停车误差减小，从而得到一种逐次进步的效果，减少ato系统研发人员更改参数的工作量，将列车调试精准停车的过程优化为一种自主行为，列车在轨道中进行多次运行调试后就会自然精确停稳；同时后续随着列车车轮的磨损，轮净值的减少，列车停准也在逐步的训练，因此不需要研发人员根据现场数据人为修改停车控制参数，ato系统会通过机器学习算法根据所述输入变量参数自主更新停车控制参数。所述停车控制参数可以包括所述输入变量参数。

本发明实施例通过基于大数据的预测回归分析方法，实现了与精准停车强相关的实时信息参数的实数值预测，并自主优化ato系统中的停车控制参数，从而实现精准停车；对于列车具有普适性，应用范围广，减少了调试的时间与工作量。

进一步地，基于上述实施例，所述分别得到输入变量参数和输出变量参数具体包括：得到所述输入变量参数，所述输入变量参数包括进站速度、过最后一个校位交叉点时的速度、电空转换延迟时间以及上下行平移停车点的数据参数；得到所述输出变量参数，所述输出变量参数为ato停车误差。

输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数，从所述与精准停车强相关的实时信息参数中选择具有非强耦合关系的所述实时信息参数作为所述输入变量参数，以减少各个所述输入变量参数对停车控制的相互影响。本发明实施例选择进站速度、过最后一个校位交叉点时的速度、电空转换延迟时间以及上下行平移停车点的数据参数作为所述输入变量参数。

所述输出变量参数是停车误差参数。由于ato停车误差与实际停车误差之间差别很小，且ato停车误差从记录板数据中可以直接获得，因此本发明实施例选择ato停车误差作为所述输出变量参数。

在上述实施例的基础上，本发明实施例通过确定所述输入变量参数和所述输出变量参数，为通过机器学习进行停车控制提供了前提，提高了停车控制的可靠性。

进一步地，基于上述实施例，所述分别建立以各个所述输入变量参数为自变量，以停车误差为因变量的回归预测模型具体包括：分别获取以各个所述输入变量参数为自变量，以所述停车误差为因变量的停车过程中的经验公式模型；其中，根据车辆方提供的列车的数学模型或ato系统的数据预处理与分析得到所述经验公式模型；根据所述经验公式模型和预设修正函数得到所述预测回归模型。

可以根据车辆方提供的列车的数学模型分别得到以各个所述输入变量参数为自变量，以所述停车误差为因变量的停车过程中的经验公式模型；还可以根据ato系统的数据预处理与分析分别得到以各个所述输入变量参数为自变量，以所述停车误差为因变量的停车过程中的经验公式模型；所述数据预处理与分析包括进行机器学习。

根据所述经验公式模型和预设修正函数得到所述预测回归模型，所述预测回归模型为所述经验公式模型和预设修正函数之和。

在上述实施例的基础上，本发明实施例通过提供基于经验公式模型和预设修正函数的预测回归模型，提高了精准停车的可靠性。

进一步地，基于上述实施例，所述根据所述经验公式模型和预设修正函数得到所述预测回归模型还包括：获取所述预设修正函数，所述预设修正函数的表达式为：

δh^*(x)＝αx+β

其中，δh^*(x)为所述预设修正函数；x为所述输入变量参数；α、β为所述修正变量。

所述修正函数引入了修正变量α和β，以通过迭代得到优化的回归曲线。

以所述输入变量参数为过最后一个校位交叉点时列车的速度，所述输出变量参数为ato停车误差为例，对本发明实施例基于机器学习的列车自动驾驶系统精准停车方法中的预测回归过程作详细说明。

假设以过最后一个校位交叉点时列车的速度为自变量，以停车误差为因变量的经验公式模型为h^*(x)，则过最后一个校位交叉点时列车的速度的预测回归模型为：

y＝h(x)＝h^*(x)+ah^*(x)

其中，y为停车误差；x为过最后一个校位交叉点时列车的速度；h(x)为以过最后一个校位交叉点时列车的速度为自变量，以停车误差为因变量的预测回归模型；h^*(x)为以过最后一个校位交叉点时列车的速度为自变量，以停车误差为因变量的经验公式模型；δh^*(x)为修正函数。

通过ato系统进行数据的整理，以及多次迭代运行实验，可以得到某一辆车的所述输入变量参数x为过最后一个校位交叉点时列车的速度，所述输出变量参数为停车误差时的经验公式模型为：

h^*(x)＝1.25x²-2.5

因此，所述以过最后一个校位交叉点时列车的速度为自变量，以停车误差为因变量的预测回归模型为：

y＝h(x)＝h^*(x)+δh^*(x)＝1.25x²-2.5+αx+β

给定一个训练集，目的就是为了h(x)的值更接近所述输出变量参数y^*(本实施例中为ato停车误差，可代表实际每次停车误差，不一定为0)，为了达到最优的拟合效果，即运用最小二乘法得到一个代价函数

所述代价函数前面乘上的1/2是为了求导的时候，使常数系数消失。用所述代价函数来描述将假设模型预测值h(x)与对应的实际停车误差的y^*值得到最优的接近程度，通过机器学习中多次迭代训练自学习，在j(α,β)最小时得到参数α和β，进而得到准确的y＝h(x)＝h^*(x)+δh^*(x)假设模型，当h(x)(停车误差)＝0时，就会得到最优的所述输入变量参数x。

因此，当所述输入变量参数为过最后一个校位交叉点时列车的速度时，代价函数的表达式为：

通过最小二乘法可以得到j(α,β)值为最小(假设模型最符合实际停车误差)值时的α,β的值，从而代入y＝h(x)＝1.25x²-2.5+αx+β中，进而得到最贴近实际的假设模型。

令y＝1.25x²-2.5+αx+β＝0，从而得到停车误差为0时的x值，即得到停车误差为0时的优化的所述过最后一个校位交叉点时列车的速度。将得到的优化的所述过最后一个校位交叉点时列车的速度存储在ato系统的eeprom存储区，以备ato进行调用进行停车控制。

同理，可以分别得到输入特征参数为进站速度、电空转换延迟时间以及上下行平移停车点的数据参数时的优化值，进而将各输入特征参数的优化值存储在ato系统的eeprom存储区；以备ato进行调用进行停车控制，实现精准停车。

需要注意的是，输入特征参数不同，其对应的经验公式模型不同，因此所得的回归预测模型也不同。

在上述实施例的基础上，本发明实施例通过给出线性的预测函数，提高了精准停车的准确性。

图2为本发明实施例提供的基于机器学习的列车自动驾驶系统精准停车装置结构示意图。如图2所示，所述装置包括数据获取模块10、变量确定模块20、模型建立模块30、迭代优化模块40和停车控制模块50，其中：

数据获取模块10具体用于获取与精准停车强相关的实时信息参数；

数据获取模块10从atc系统中记录板的信息数据中提取与精准停车强相关的实时信息参数，所述记录板的信息数据包括列车首端和尾端车载记录的列车实时信息参数。从对于精准停车具有强相关的实时信息参数中进行选择作为机器学习中回归算法的训练集。

变量确定模块20具体用于根据所述与精准停车强相关的实时信息参数分别得到输入变量参数和输出变量参数；其中，所述输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数；所述输出变量参数是停车误差参数；

变量确定模块20对所述与精准停车强相关的实时信息参数，即机器学习中回归算法的训练集进行分类，或根据所述与精准停车强相关的实时信息参数进行计算，分别得到输入变量参数和输出变量参数。所述输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数；所述输出变量参数是停车误差参数，如实际停车误差。其中，所述输入变量参数为一个或多个，所述输出变量参数为一个。

模型建立模块30具体用于分别建立以各个所述输入变量参数为自变量，以停车误差为因变量的回归预测模型，所述回归预测模型包括修正变量；

所述输入变量参数的回归预测模型是指以停车误差作为因变量、分别以各个所述输入变量参数作为自变量，得到的回归预测模型。所述回归预测模型包括修正变量，用来作为寻优变量，以确定回归曲线。

迭代优化模块40具体用于通过机器学习多次迭代训练，得到所述回归预测模型的值与所述输出变量参数误差最小的所述修正变量的取值，进而得到优化的所述回归预测模型；

迭代优化模块40利用所述机器学习中回归算法的训练集进行机器学习，通过多次迭代训练，得到使得预测误差最小的所述修正变量的取值；根据得到的预测误差最小的所述修正变量的取值确定优化的所述回归预测模型，即此时所述回归预测模型的表达式使得预测误差最小。

停车控制模块50具体用于计算所述优化的所述回归预测模型取值为0时的所述输入变量参数，利用计算得到的所述输入变量参数更新所述输入变量参数，并利用更新的所述输入变量参数进行停车控制，进而实现精准停车；

停车控制模块50根据所述优化的所述回归预测模型计算所述输入变量参数，因为输出变量参数是停车误差参数，因此令所述输出变量参数取值为0，反推计算所述输入变量参数，则在计算所得的所述输入变量参数的控制下将会使停车误差为0。因此，利用计算得到的所述输入变量参数更新所述输入变量参数，将更新的所述输入变量参数最为返回值进行存储，利用所述更新的所述输入变量参数对列车进行控制，进而实现精准停车。

在更新的所述输入变量参数对列车的控制下，会得到新的输出变量参数。将更新的所述输入变量参数及所述得到的新的输出变量参数加入到机器学习的训练集。ato调用机器学习得到的多次停车过程中的所述输入变量参数，对列车进行停车控制，最终达到最贴合实际停车点的停车过程，从而最终实现高精准停车。

本发明实施例通过基于大数据的预测回归分析方法，实现了与精准停车强相关的实时信息参数的实数值预测，并自主优化ato系统中的停车控制参数，从而实现精准停车；对于列车具有普适性，应用范围广，减少了调试的时间与工作量。

进一步地，基于上述实施例，所述变量确定模块20还用于：得到所述输入变量参数，所述输入变量参数包括进站速度、过最后一个校位交叉点时的速度、电空转换延迟时间以及上下行平移停车点的数据参数；得到所述输出变量参数，所述输出变量参数为ato停车误差。

输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数，从所述与精准停车强相关的实时信息参数中选择具有非强耦合关系的所述实时信息参数作为所述输入变量参数，以减少各个所述输入变量参数对停车控制的相互影响。本发明实施例选择进站速度、过最后一个校位交叉点时的速度、电空转换延迟时间以及上下行平移停车点的数据参数作为所述输入变量参数。

所述输出变量参数是停车误差参数。由于ato停车误差与实际停车误差之间差别很小，且ato停车误差从记录板数据中可以直接获得，因此本发明实施例选择ato停车误差作为所述输出变量参数。

在上述实施例的基础上，本发明实施例通过确定所述输入变量参数和所述输出变量参数，为通过机器学习进行停车控制提供了前提，提高了停车控制的可靠性。

进一步地，基于上述实施例，所述模型建立模块30还用于：分别获取以各个所述输入变量参数为自变量，以所述停车误差为因变量的停车过程中的经验公式模型；其中，根据车辆方提供的列车的数学模型或ato系统的数据预处理与分析得到所述经验公式模型；根据所述经验公式模型和预设修正函数得到所述预测回归模型。

模型建立模块30可以根据车辆方提供的列车的数学模型分别得到以各个所述输入变量参数为自变量，以所述停车误差为因变量的停车过程中的经验公式模型；模型建立模块30还可以根据ato系统的数据预处理与分析分别得到以各个所述输入变量参数为自变量，以所述停车误差为因变量的停车过程中的经验公式模型；所述数据预处理与分析包括进行机器学习。

模型建立模块30根据所述经验公式模型和预设修正函数得到所述预测回归模型，所述预测回归模型为所述经验公式模型和预设修正函数之和。

在上述实施例的基础上，本发明实施例通过提供基于经验公式模型和预设修正函数的预测回归模型，提高了精准停车的可靠性。

进一步地，基于上述实施例，所述模型建立模块30还用于：获取所述预设修正函数，所述预设修正函数的表达式为：

δh^*(x)＝αx+β

其中，δh^*(x)为所述预设修正函数；x为所述输入变量参数；α、β为所述修正变量。

所述预测回归模型为所述经验公式模型和预设修正函数之和，所述修正函数引入了修正变量α和β，以通过迭代得到优化的回归曲线。

迭代优化模块40通过利用最小二乘法引入一个代价函数，获取到使得预测回归模型的预测值与ato停车误差差别最小时的修正变量α和β，从而得到优化的所述回归预测模型。

停车控制模块50分别将以各个输入变量参数为自变量，停车误差为因变量的所述回归预测模型，即停车误差取值为0，进而反推获得各个优化的所述输入变量参数。ato调用所述各个优化的所述输入变量参数进行停车控制，从而实现精准停车。

在上述实施例的基础上，本发明实施例通过给出线性的预测函数，提高了精准停车的准确性。

本发明实施例提供的装置是用于上述方法的，具体功能可参照上述方法流程，此处不再赘述。

图3为本发明实施例提供的电子设备的结构示意图。如图3所示，电子设备1包括处理器301、存储器302和总线303。其中，所述处理器301和所述存储器302通过所述总线303完成相互间的通信；所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取与精准停车强相关的实时信息参数；根据所述与精准停车强相关的实时信息参数分别得到输入变量参数和输出变量参数；其中，所述输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数；所述输出变量参数是停车误差参数；分别建立以各个所述输入变量参数为自变量，以停车误差为因变量的回归预测模型，所述回归预测模型包括修正变量；通过机器学习多次迭代训练，得到所述回归预测模型的值与所述输出变量参数误差最小的所述修正变量的取值，进而得到优化的所述回归预测模型；计算所述优化的所述回归预测模型取值为0时的所述输入变量参数，利用计算得到的所述输入变量参数更新所述输入变量参数，并利用更新的所述输入变量参数进行停车控制，进而实现精准停车。

本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取与精准停车强相关的实时信息参数；根据所述与精准停车强相关的实时信息参数分别得到输入变量参数和输出变量参数；其中，所述输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数；所述输出变量参数是停车误差参数；分别建立以各个所述输入变量参数为自变量，以停车误差为因变量的回归预测模型，所述回归预测模型包括修正变量；通过机器学习多次迭代训练，得到所述回归预测模型的值与所述输出变量参数误差最小的所述修正变量的取值，进而得到优化的所述回归预测模型；计算所述优化的所述回归预测模型取值为0时的所述输入变量参数，利用计算得到的所述输入变量参数更新所述输入变量参数，并利用更新的所述输入变量参数进行停车控制，进而实现精准停车。

本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取与精准停车强相关的实时信息参数；根据所述与精准停车强相关的实时信息参数分别得到输入变量参数和输出变量参数；其中，所述输入变量参数是影响停车误差的所述与精准停车强相关的实时信息参数；所述输出变量参数是停车误差参数；分别建立以各个所述输入变量参数为自变量，以停车误差为因变量的回归预测模型，所述回归预测模型包括修正变量；通过机器学习多次迭代训练，得到所述回归预测模型的值与所述输出变量参数误差最小的所述修正变量的取值，进而得到优化的所述回归预测模型；计算所述优化的所述回归预测模型取值为0时的所述输入变量参数，利用计算得到的所述输入变量参数更新所述输入变量参数，并利用更新的所述输入变量参数进行停车控制，进而实现精准停车。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。