本发明涉及计算机,尤其涉及一种基于自动化机器学习的车辆运行能耗建模辅助方法。
背景技术:
1、随着物联网、可穿戴电子设备、社交网络以及移动互联网的普及和应用,人们正以前所未有的速度产生大数据,大数据建模技术也在金融、制造业、航空航天、电网等众多行业取得了广泛而成功的应用,在轨道交通领域的应用也正方兴未艾。
2、当前,在轨道交通领域,大数据模型的作用也迅速引起国内外产业界和学术界的重视。轨道交通的线路、设备、车辆在其设计、制造、运营、服役、维护等全生命周期的各个环节中均产生了海量的大数据。这些轨道交通大数据经过分析处理,建立轨道交通数据模型,发掘出其中蕴含的知识,又反过来满足轨道交通系统在设计优化、运营管理优化、能量管理优化、个性化状态修等业务的实际需求。例如中国铁路物资集团有限公司提出钢轨全寿命周期管理理念,引入大数据处理、廓形设计、预打磨等技术手段开发全寿命管理信息系统。
3、轨道列车的运行能耗建模,是轨道列车智能化运维的重要一环。受成本和功率等级的限制,无线传能有轨电车同样需要配备储能装置实现削峰填谷,而为了满足车辆动力需求,储能装置需要进行匹配设计。而这样的过程需要获取一些轨道列车运行过程中的机理参数,最典型的就是车辆的牵引制动力。
技术实现思路
1、为解决上述技术问题,本发明提供了一种基于自动化机器学习的车辆运行能耗建模辅助方法,对于难以实时监测的列车牵引制动力,使用自动机器学习框架fetch,结合核心特征变量进行建模预测。
2、一种基于自动化机器学习的车辆运行能耗建模辅助方法,所述方法包括:
3、(1)获取在轨车辆的运行数据,具体为线路条件数据:坡度、曲线、车站位置、客流预测,列车性能数据:最大载客量、车重、最大加速度、最大减速度;以及列车运行数据:平均速度、总能耗、系统数据:储能系统、供电系统、牵引系统;
4、(2)针对获取的轨道交通车辆运行结构化数据,选择核心特征变量对应的列;
5、(3)确定输入输出,输入为:电网状态,线路状态,列车速度,列车位置,当前站,下一站,起始站,终点站;输出为牵引制动力;
6、(4)将数据输入自动化机器学习框架,自动进行结构化数据特征选择和构造,构造对预测目标解释性最强的特征;
7、(5)使用自动化机器学习框架自带的下游机器学习算法,结合步骤(4)构造对预测目标解释性最强的特征进行建模,预测目标输出。
8、进一步地,所述步骤(2)中,核心特征变量包括坡度、曲线、车站位置、客流预测、最大载客量、车重、最大加速度、最大减速度、平均速度、总能耗、储能系统、供电系统、牵引系统。
9、进一步地,所述步骤(4)中的自动化机器学习框架为fetch框架,该框架基于强化学习算法,能够自动构建出一套针对输入结构化数据的特征工程方案,用于后续的机器学习建模。
10、进一步地,所述fetch框架选用头数量为6的多头注意力层,在多头注意力层中,v,q,k的矩阵的维度都为32,自注意力层输出维度为128,前馈神经网络的输出维度为64;进行不高于300次迭代的强化学习,每次迭代在采样每一阶特征要进行并行的12次采样,最高采样到二阶特征;在自动特征工程训练中,下游机器学习模型迭代50次;在最后对自动特征工程选择出的特征处理方法处理后的特征评估时,其迭代为2000次。
11、进一步地,所述步骤(5)中,使用的机器学习算法为长短期记忆网络lstm模型。
12、本发明还提供了一种基于自动化机器学习的车辆运行能耗建模辅助装置,该装置包括:
13、获取数据模块:获取在轨车辆的运行数据,具体为线路条件数据:坡度、曲线、车站位置、客流预测,列车性能数据:最大载客量、车重、最大加速度、最大减速度;以及列车运行数据:平均速度、总能耗、系统数据:储能系统、供电系统、牵引系统;
14、选择变量模块:针对获取的轨道交通车辆运行结构化数据,选择核心特征变量对应的列;
15、输入输出模块:确定输入输出,输入为:电网状态,线路状态,列车速度,列车位置,当前站,下一站,起始站,终点站;输出为牵引制动力;
16、构造模块:将数据输入自动化机器学习框架,自动进行结构化数据特征选择和构造,构造对预测目标解释性最强的特征;
17、预测模块:使用自动化机器学习框架自带的下游机器学习算法,结合构造对预测目标解释性最强的特征进行建模,预测目标输出。
18、本发明的有益效果如下:
19、本发明中检测偶发敏感词方法是数据驱动型,在智能设备快速发展的背景下,数据收集方便、及时。同时,本方法不需要大量的复杂机器学习建模流程,使用的fetch自动机器学习框架能够自动对结构化的轨道车辆运行参数数据进行特征提取、模型构建。本方法通过对轨道列车的牵引制动力进行建模,从而辅助整个轨道交通车辆车载系统的能耗建模和储能系统优化设计,比较大的实际应用价值和现实意义。本方法是基于列车运行参数的历史情况来自动进行建模的,因此随着历史数据的不断更迭,能够具备演变能力,使之更稳定、更真实地预测当前轨道交通车辆系统的运行状况。
20、本发明围绕轨道交通车辆车载运行系统,利用其运行参数结构化数据,通过自动化的机器学习方法来进行建模。由于速度快,敏感度高,因此本发明能够对轨道交通车辆运行能耗建模提供技术支持。
1.一种基于自动化机器学习的车辆运行能耗建模辅助方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于自动化机器学习的车辆运行能耗建模辅助方法,其特征在于,所述步骤(2)中,核心特征变量包括坡度、曲线、车站位置、客流预测、最大载客量、车重、最大加速度、最大减速度、平均速度、总能耗、储能系统、供电系统、牵引系统。
3.根据权利要求1所述的一种基于自动化机器学习的车辆运行能耗建模辅助方法,其特征在于,所述步骤(4)中的自动化机器学习框架为fetch框架,该框架基于强化学习算法,能够自动构建出一套针对输入结构化数据的特征工程方案,用于后续的机器学习建模。
4.根据权利要求3所述的一种基于自动化机器学习的车辆运行能耗建模辅助方法,其特征在于,所述fetch框架选用头数量为6的多头注意力层,在多头注意力层中,v,q,k的矩阵的维度都为32,自注意力层输出维度为128,前馈神经网络的输出维度为64;进行不高于300次迭代的强化学习,每次迭代在采样每一阶特征要进行并行的12次采样,最高采样到二阶特征;在自动特征工程训练中,下游机器学习模型迭代50次;在最后对自动特征工程选择出的特征处理方法处理后的特征评估时,其迭代为2000次。
5.根据权利要求1所述的一种基于自动化机器学习的车辆运行能耗建模辅助方法,其特征在于,所述步骤(5)中,使用的机器学习算法为长短期记忆网络lstm模型。
6.一种基于自动化机器学习的车辆运行能耗建模辅助装置,其特征在于,该装置包括: