СПОСОБ, СИСТЕМА И НОСИТЕЛЬ ХРАНЕНИЯ ДЛЯ ВЫЧИСЛЕНИЯ ДЛИТЕЛЬНОСТИ ПРОХОЖДЕНИЯ ПОЕЗДА ЧЕРЕЗ ТОННЕЛЬ Российский патент 2022 года по МПК G06V10/72 G06F17/18 

ОБЛАСТЬ ТЕХНИКИ

Настоящее изобретение относится к области обучения искусственного интеллекта и, более конкретно, к способу, системе и носителю хранения для вычисления длительности прохождения поезда через тоннель.

ПРЕДШЕСТВУЮЩИЙ УРОВЕНЬ ТЕХНИКИ

Улучшение для пассажиров опыта использования пассажирских поездов в ходе путешествия благоприятствует повышению конкурентоспособности высокоскоростного железнодорожного пассажирского транспорта. Всеобъемлющие информационные подсказки способствуют тому, чтобы позволять пассажирам быстро воспринимать текущий статус функционирования поезда и улучшать опыт пассажиров. В настоящее время, оперативная информация в поезде включает в себя температуру, скорость поезда и т.д., но в ней отсутствуют релевантные информационные подсказки для специальных условий, таких как прохождение поезда через тоннель.

После того как поезд входит в тоннель, передаваемая информация может быть потеряна, так что пассажиры, в эпоху Интернета, оказываются не у дел, и ощущение комфорта у пассажиров быстро снижается. Кроме того, темное герметичное окружение в тоннеле, дискомфорт в барабанной перепонке, вызванный ухудшающейся ситуацией герметичного окружения поезда, и неизвестная длина тоннеля вызывают заметное чувство тревожности. По этой причине, разрабатываются эффективные и точные методы позиционирования для длительностей прохождения тоннеля, чтобы своевременно информировать пассажиров о времени, в течение которого им нужно будет ждать прохождения тоннеля, что является очень важным для улучшения опыта пассажиров. Сущностью вычисления длительности прохождения тоннеля поездов является точное позиционирование поезда в тоннеле. Обычными способами позиционирования поезда являются следующие:

1. Тип позиционирования на основе Beidou/GPS; спутниковое позиционирование Beidou может обеспечивать информацию всестороннего, всепогодного и круглосуточного позиционирования, но не пригодно для позиционирования поезда в тоннеле.

2. Использование беспроводных базовых станций; беспроводные станции на обоих концах тоннеля обеспечивают информацию о поезде, что эффективно сокращает использование путевого оборудования вдоль линии, но не пригодно для позиционирования поезда в тоннеле.

3. Использование ответчиков; множество единиц путевого оборудования расположено вдоль железнодорожного пути, и соответствующее бортовое оборудование установлено на поезде, что имеет лучшую точность, но затраты на разработку и затраты на техническое обслуживание очень велики, так что практическая польза невелика.

Краткое описание сущности изобретения

Техническая задача, решаемая настоящим изобретением, заключается в том, чтобы обеспечить, в ответ на недостатки предшествующего уровня техники, способ, систему и носитель хранения для вычисления длительности прохождения поезда через тоннель так, чтобы реализовать интеллектуальное восприятие дистанции между поездом в тоннеле и выходом из тоннеля, и точно оценить время движения поезда в тоннеле.

Для того чтобы решить вышеуказанную техническую задачу, техническое решение, принятое настоящим изобретением, заключается в следующем: способ для вычисления длительности прохождения поезда через тоннель, причем оставшаяся длительность, за которую поезд проходит через данный тоннель, оценивается с использованием следующего уравнения: t=O(i)/f_Hz(O(i)-O(i-1)); причем значение пути в милях от текущего положения поезда до выхода тоннеля составляет O(i)= O^M(i)+ε(i); O(i-1) представляет собой значение пути в милях от последнего положения текущего положения поезда до выхода тоннеля; O^M(i) представляет собой положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок, которое получают после вычисления корреляций между изображениями признаков текущего положения и изображениями в библиотеке объединенных шаблонов типовых выборок, изображение признаков текущего положения получают путем реконструкции фазового пространства и комбинации цветового пространства RGB полученных последовательностей метеорологических параметров точек выборок в головной части и хвостовой части поезда в текущем положении и метеорологических параметров с периодом времени перед текущим положением, и изображения шаблонов в библиотеке объединенных шаблонов типовых выборок представляют собой цветные изображения относительно изменения метеорологических параметров в головной части и хвостовой части поезда, и метеорологические параметры в головной части и хвостовой части поезда получают путем реконструкции фазового пространства типовых выборок каждой категории групп тоннелей; типовые выборки каждой категории групп тоннелей относятся к выборкам, полученным путем классификации метеорологических параметров в соответствии с географическим положением тоннеля и метеорологическими условиями внутри и вне тоннеля и дополнительной классификации классифицируемых однородных выборок в области; ε(i) представляет собой ошибку компенсации, полученную путем ввода метеорологических параметров, полученных во время функционирования поезда, в модель компенсации ошибки предсказания пути в милях тоннеля, и модель компенсации ошибки предсказания пути в милях тоннеля относится к модели, полученной обучением машины опорных векторов наименьших квадратов с использованием данных однородных групп тоннелей, с последовательностью температуры, последовательностью влажности и последовательностью воздушного давления в качестве входа и ошибкой предсказания объединенной модели сопоставления цветов RGB в качестве выхода; и f_Hz представляет собой частоту обновления положения.

Настоящее изобретение реализует интеллектуальное восприятие расстояния между поездом в тоннеле и выходом тоннеля с использованием технологии анализа больших данных искусственного интеллекта через данные последовательности температуры, последовательности влажности и последовательности воздушного давления на обоих концах поезда, и настоящее изобретение не требует никакого путевого оборудования, так что затраты являются низкими, а практическая полезность высокой.

Конкретный процесс определения окончательного выходного значения O(i) расстояния между текущим положением поезда и выходом тоннеля включает в себя:

1) получение метеорологических параметров тоннеля, чтобы создать базу данных метеорологических параметров тоннеля;

2) классифицирование, на основе базы данных метеорологических параметров тоннеля, метеорологических параметров в базе данных метеорологических параметров тоннеля в соответствии с географическим положением тоннеля и метеорологическими условиями внутри и вне тоннеля, чтобы получить однородные выборки в области так, чтобы реализовать классификацию групп тоннелей со сходными атрибутами;

3) дополнительное классифицирование однородных выборок в области, чтобы получить типовые выборки каждой категории групп тоннелей;

4) выполнение реконструкции фазового пространства на типовых выборках каждой категории групп тоннелей, чтобы получить цветные изображения относительно изменения барометрических и метеорологических параметров в головной части и хвостовой части поезда, то есть, изображения шаблонов; причем изображения шаблонов, соответствующие всем типовым выборкам, составляют библиотеку объединенных шаблонов типовых выборок;

5) сбор точек выборок в головной части и хвостовой части поезда в текущем положении и последовательностей выборок с периодом времени перед текущим положением соответственно, и выполнение реконструкции фазового пространства и комбинации цветового пространства RGB, чтобы создать изображения {c_h, c_f} признаков текущего положения; вычисление корреляций между изображениями признаков текущего положения и изображениями шаблонов в библиотеке объединенных шаблонов типовых выборок, чтобы определить положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок;

6) обучение машины опорных векторов наименьших квадратов с использованием данных однородных групп тоннелей, с последовательностью температуры, последовательностью влажности и последовательностью воздушного давления в качестве входа и ошибкой предсказания положения наилучшего совпадения в качестве выхода, чтобы установить модель компенсации ошибки предсказания пути в милях тоннеля; и

7) получение метеорологических параметров во время функционирования поезда в реальном времени и получение окончательного значения пути в милях до выхода тоннеля с использованием модели компенсации ошибки предсказания пути в милях тоннеля, то есть, получение O(i).

Способ согласно настоящему изобретение может полностью использовать изменения метеорологических параметров в тоннеле, чтобы реализовать интеллектуальное восприятие в положении поезда, не требует путевого оборудования и поэтому имеет преимущества в простоте и практической полезности.

Конкретный процесс реализации этапа 2) включает в себя:

1) классифицирование групп тоннелей на N категорий в соответствии с географическим положением выборок тоннелей; и

2) получение распределений средних температур в пределах T min перед входом поезда в тоннель в течение одного года в данной области, аппроксимации распределений средних температур в тоннеле данной области с использованием гауссовой функции распределения, разделение аппроксимированных распределений средних температур на K равных участков в соответствии с вероятностью, определение выборок температуры, которые принадлежат тому же самому участку, как однородных выборок температуры в данной области, и определение последовательности температуры, последовательности влажности и последовательности воздушного давления, соответствующих однородным выборкам температуры, как однородных выборок.

Настоящее изобретение использует географическое положение, чтобы приближенно классифицировать тоннели, и затем использует метеорологические параметры, чтобы точно классифицировать тоннели в той же самой области, тем самым гарантируя надежность выборок шаблонов.

Конкретный процесс реализации этапа 3) включает в себя:

1) создание модели авторегрессионного интегрированного скользящего среднего для каждой временной последовательности однородных выборок в данной области, и извлечение характеристических величин каждой временной последовательности, то есть, параметров авторегрессионных членов, интегрированных членов и членов скользящей регрессии каждой временной последовательности; причем все характеристические величины однородных выборок в области составляют характеристическую матрицу A; причем временные последовательности включают в себя последовательность температуры, последовательность влажности и последовательность воздушного давления;

2) сокращение размеров характеристической матрицы A, и выбор М основных компонентов с наибольшим вкладом, чтобы характеризовать информацию исходной характеристической матрицы, получая, таким образом, преобразованную матрицу A';

3) определение функции ядра k=αk_rbf+βk_linear+(1-α-β)k_laplace; причем k_rbf представляет собой радиально-базисную функцию ядра, k_linear представляет собой линейное ядро, и k_laplace представляет собой функцию ядра Лапласа; определение произвольным образом начальных значений коэффициентов α, β и числа n₀ категорий функции ядра, причем α, β∈[0, 1], и n₀ представляет собой положительное целое меньше, чем 30;

4) отображение характеристических значений в матрице A' на характеристическое пространство, соответствующее функции ядра k, чтобы получить новую характеристическую матрицу A", в соответствии с начальным числом n₀ категорий, использование характеристических величин в A" в качестве входа, чтобы группировать в кластер характеристические величины в A" посредством алгоритма кластеризации k-средних, чтобы классифицировать однородные выборки в области в n категорий, причем каждая категория выборок образует кластер выборок; вычисление целевой функции оптимизации fitness = , причем avg(C_i) представляет собой среднее расстояние выборок в кластере C_i выборок, avg(C_j) представляет собой среднее расстояние выборок в кластере C_j выборок, и d_cen(C_i, C_j) представляет собой расстояние между центральными точками кластера C_i выборок и кластера C_j выборок;

5) обновление, в соответствии с текущим значением целевой функции оптимизации fitness, значений α, β и n₀ посредством оптимизации по алгоритму “серого волка”;

6) повторение этапа 4) и этапа 5), пока не будет достигнуто установленное число m=100 оптимизаций, причем значения α, β и n₀ в это время представляют собой окончательно оптимизированные значения параметров, и результаты кластеризации при окончательно оптимизированных значениях параметров представляют собой окончательные результаты кластеризации; и

7) классифицирование однородных выборок в данной области в E кластеров выборок в соответствии с окончательными результатами кластеризации, и получение центра кластера каждого кластера выборок и исходной временной последовательности { } (i=0, 1, 2…P, n=0, 1, 2…E), соответствующей Р выборкам, ближайшим к центру кластера, при этом соответствует последовательности температуры, полученной в головной части поезда, последовательности влажности, полученной в головной части поезда, последовательности воздушного давления, полученной в головной части поезда, последовательности температуры, полученной в хвостовой части поезда, последовательности влажности, полученной в хвостовой части поезда, и последовательности воздушного давления, полученной в хвостовой части поезда, соответственно; и определение исходной временной последовательности, соответствующей (P+1) выборкам, как типовой выборки текущей категории групп тоннелей.

Настоящее изобретение определяет типовые выборки посредством адаптивного способа и оптимизирует пространство отображения признаков и параметры кластеризации признаков, что является выгодным в получении более репрезентативных типовых выборок и гарантирует эффективность шаблонов.

Конкретный процесс реализации этапа 5) включает в себя:

1) определение текущих точек выборок и предыдущих G точек выборок в последовательности температуры, последовательности влажности и последовательности воздушного давления головной части и хвостовой части поезда в текущем положении;

2) выполнение реконструкции фазового пространства с помощью способа координат задержки, чтобы получить шесть двумерных матриц реконструкции, представляющих характеристики изменения температуры, влажности и воздушного давления в головной части и хвостовой части поезда, разделение шести матриц на матрицы, соответствующие головной части поезда, и матрицы, соответствующие хвостовой части поезда, и комбинирование шести матриц в соответствии с цветовым пространством RGB, чтобы сформировать изображения {c_h, c_f} признаков текущего положения;

3) выполнение операции свертки на изображениях признаков текущего положения и изображениях в библиотеке объединенных шаблонов типовых выборок, чтобы получить множество одномерных последовательностей;

4) сортировку элементов во всех одномерных последовательностях от больших до малых, чтобы определить L наибольших элементов как элементы-кандидаты, причем положения, соответствующие элементам-кандидатам перед сортировкой, представляют собой положения-кандидаты, и значения пути в милях до выхода тоннеля, соответствующие положениям-кандидатам, представляют собой s_j (j=1, 2...L); и

5) усреднение значений пути в милях до выхода тоннеля, соответствующих положениям-кандидатам, причем среднее значение представляет собой положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок.

Настоящее изобретение преобразует одномерные временные последовательности в двумерные изображения путем реконструкции фазового пространства, что является выгодным в поиске детальной информации во временных последовательностях, и является выгодным для точного совпадения с шаблонами во множестве временных последовательностей.

Конкретный процесс реализации этапа 6) включает в себя:

1) определение входных выборок I=(T_h, H_h, P_h, T_f, H_f, P_f), причем T_h=(t₁, t₂…t_G) представляет собой последовательность температуры текущих точек выборок и G предыдущих точек выборок в головной части поезда в тоннеле, H_h представляет собой последовательность влажности в головной части поезда с длиной G, P_h представляет собой последовательность воздушного давления в головной части поезда с длиной G, T_f представляет собой последовательность температуры в хвостовой части поезда с длиной G, H_f представляет собой последовательность влажности в хвостовой части поезда с длиной G, и P_f представляет собой последовательность воздушного давления в хвостовой части поезда с длиной G; определение выходных выборок как значений ε ошибки пути в милях, соответствующих текущему положению; причем комбинации Y ={I, ε} входных выборок и выходных выборок составляют выборки моделирования;

2) классифицирование выборок моделирования набор обучения и набор валидации;

3) выполнение двоичного кодирования на признаке каждой размерности во входных выборках I, причем, когда кодовое значение, соответствующее признаку некоторой размерности, равно 1, признак выбирается как входная переменная машины опорных векторов наименьших квадратов; когда кодовое значение, соответствующее признаку некоторой размерности, равно 0, признак этой размерности отбрасывается;

4) обновление входных выборок на основе кодовых значений текущих признаков, чтобы получить обновленный набор обучения и набор валидации, и обучение машины опорных векторов наименьших квадратов данными обновленного набора обучения; ввод данных обновленного набора валидации в обученную машину опорных векторов наименьших квадратов, чтобы получить выходную последовательность машины опорных векторов наименьших квадратов, причем k=1, 2..., N₁, и N₁ представляет собой число пар выборок в наборе валидации; и

5) повторение этапа 3) и этапа 4), чтобы определить входные признаки и машину опорных векторов наименьших квадратов, которые минимизируют целевую функцию оптимизации , то есть получение оптимальных входных признаков и оптимальной машины опорных векторов наименьших квадратов, причем оптимальная машина опорных векторов наименьших квадратов представляет собой модель компенсации ошибки предсказания пути в милях; причем представляет собой действительное выходное значение в наборе валидации.

Настоящее изобретение устанавливает модель коррекции ошибки с помощью получения данных, которые являются выгодными для снижения ошибки, вызванной отклонением шаблонов и действительных значений, и дополнительно повышает точность предсказания пути в милях.

Конкретный процесс реализации этапа 7) включает в себя:

1) получение данных распределения средних температур в пределах T min перед входом поезда в тоннель, получение последовательностей температуры и последовательностей влажности в головной части и хвостовой части поезда в текущем положении, получение выходного значения совпадения с шаблоном O^M(i), и получение выходного результата ошибки компенсации ε(i) с использованием модели компенсации ошибки предсказания пути в милях тоннеля; и

2) получение значения пути в милях от текущего положения поезда до выхода тоннеля с помощью с помощью следующего уравнения: O(i)=O^M(i)+ε(i).

Настоящее изобретение вычисляет путь в милях тоннеля посредством комбинации приближенного предсказания совпадения с шаблоном и компенсации коррекции ошибки, что является выгодным для повышения точности вычисления пути в милях.

Настоящее изобретение дополнительно обеспечивает систему для вычисления длительности прохождения поезда через тоннель, включающую в себя:

модуль получения положения наилучшего совпадения, сконфигурированный, чтобы вычислять корреляции между изображениями признаков текущего положения и шаблонами в библиотеке объединенных шаблонов типовых выборок, получать положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок; при этом изображения признаков текущего положения получают путем реконструкции фазового пространства и комбинации цветового пространства RGB полученных последовательностей метеорологических параметров точек выборок в головной части и хвостовой части поезда в текущем положении и метеорологических параметров с периодом времени перед текущим положением, изображения шаблонов в библиотеке объединенных шаблонов типовых выборок представляют собой цветные изображения относительно изменения метеорологических параметров в головной части и хвостовой части поезда, и метеорологические параметры в головной части и хвостовой части поезда получают путем реконструкции фазового пространства типовых выборок каждой категории групп тоннелей, и типовые выборки каждой категории групп тоннелей относятся к выборкам, полученным путем классификации метеорологических параметров в соответствии с географическим положением тоннеля и метеорологическими условиями внутри и вне тоннеля и дополнительной классификации классифицируемых однородных выборок в области;

модель компенсации ошибки предсказания пути в милях тоннеля, полученную обучением машины опорных векторов наименьших квадратов с использованием данных однородных групп тоннелей, с последовательностью температуры, последовательностью влажности и последовательностью воздушного давления в качестве входа и ошибкой предсказания положения наилучшего совпадения в качестве выхода, причем выход этой модели представляет собой ошибку компенсации ε(i); и

модуль вычисления оставшейся длительности, сконфигурированный, чтобы оценивать оставшуюся длительность t, которую поезд проходит в данном тоннеле, в соответствии со следующим уравнением: t=O(i)/(f_Hz(O(i)-O(i-1))); причем O(i)=O^M(i)+ ε(i), и O(i-1) представляет собой значение пути в милях от предыдущего положения относительно текущего положения поезда до выхода тоннеля; O^M(i) представляет собой положение наилучшего совпадения; и f_Hz представляет собой частоту обновления положения поезда.

Модуль получения положения наилучшего совпадения включает в себя:

блок получения данных, сконфигурированный, чтобы определять текущие точки выборок и предыдущие G точки выборок в последовательности температуры, последовательности влажности и последовательности воздушного давления головной части и хвостовой части поезда в текущем положении;

блок вычисления изображения признаков, сконфигурированный, чтобы выполнять реконструкцию фазового пространства с помощью способа координат задержки, чтобы получать шесть двумерных матриц реконструкции, представляющих характеристики изменения температуры, влажности и воздушного давления в головной части и хвостовой части поезда, разделять шесть матриц на матрицы, соответствующие головной части поезда, и матрицы, соответствующие хвостовой части поезда, комбинировать шесть матриц в соответствии с цветовым пространством RGB, чтобы сформировать изображения {c_h, c_f} признаков текущего положения;

блок свертки, сконфигурированный, чтобы выполнять операцию свертки на изображениях признаков текущего положения и изображениях в библиотеке объединенных шаблонов типовых выборок, чтобы получить множество одномерных последовательностей;

блок сортировки, сконфигурированный, чтобы сортировать элементы во всех одномерных последовательностях от больших до малых, чтобы определить L наибольших элементов как элементы-кандидаты, причем положения, соответствующие элементам-кандидатам перед сортировкой, представляют собой положения-кандидаты, и значения пути в милях до выхода тоннеля, соответствующие положениям-кандидатам, представляют собой s_j (j=1, 2...L); и

блок вывода, сконфигурированный, чтобы усреднять значения пути в милях до выхода тоннеля, соответствующие положениям-кандидатам, причем среднее значение представляет собой положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок.

Процесс обучения модели компенсации ошибки предсказания пути в милях тоннеля согласно настоящему изобретению включает в себя:

1) определение входных выборок I=(T_h, H_h, P_h, T_f, H_f, P_f), причем T_h=(t₁, t₂…t_G) представляет собой последовательность температуры текущих точек выборок и G предыдущих точек выборок в головной части поезда в тоннеле, H_h представляет собой последовательность влажности в головной части поезда с длиной G, P_h представляет собой последовательность воздушного давления в головной части поезда с длиной G, T_f представляет собой последовательность температуры в хвостовой части поезда с длиной G, H_f представляет собой последовательность влажности в хвостовой части поезда с длиной G, и P_f представляет собой последовательность воздушного давления в хвостовой части с длиной G; определение выходных выборок как значений ε ошибки пути в милях, соответствующих текущему положению; причем комбинации Y ={I, ε} входных выборок и выходных выборок составляют выборки моделирования;

2) классифицирование выборок моделирования в набор обучения и набор валидации;

3) выполнение двоичного кодирования на признаке каждой размерности во входных выборках I, причем, когда кодовое значение, соответствующее признаку некоторой размерности, равно 1, признак выбирается как входная переменная машины опорных векторов наименьших квадратов; когда кодовое значение, соответствующее признаку некоторой размерности, равно 0, признак этой размерности отбрасывается;

4) обновление входных выборок на основе кодовых значений текущих признаков, чтобы получить обновленный набор обучения и набор валидации, и обучение машины опорных векторов наименьших квадратов данными обновленного набора обучения; ввод данных обновленного набора валидации в обученную машину опорных векторов наименьших квадратов, чтобы получить выходную последовательность машины опорных векторов наименьших квадратов, причем k=1, 2..., N₁ и N₁ представляет собой число пар выборок в наборе валидации; и

5) повторение этапа 3) и этапа 4), чтобы определить входные признаки и машину опорных векторов наименьших квадратов, которые минимизируют целевую функцию оптимизации , то есть получение оптимальных входных признаков и оптимальной машины опорных векторов наименьших квадратов, причем оптимальная машина опорных векторов наименьших квадратов представляет собой модель компенсации ошибки предсказания пути в милях; причем представляет собой действительное выходное значение в наборе валидации.

В качестве соответствующей изобретению концепции, настоящее изобретение дополнительно обеспечивает считываемый компьютером носитель хранения, хранящий программу; и программа сконфигурирована, чтобы исполнять этапы способа в соответствии с настоящим изобретением.

По сравнению с предшествующим уровнем техники, настоящее изобретение имеет следующие полезные результаты:

1. Настоящее изобретение использует технологию анализа больших данных искусственного интеллекта, чтобы полностью исследовать потенциальные закономерности изменений барометрических и метеорологических параметров в тоннеле с изменением глубины тоннеля. Через данные последовательности температуры, последовательности влажности и последовательности воздушного давления, полученные на обоих концах поезда, реализуется интеллектуальное восприятие расстояния между поездом в тоннеле и выходом тоннеля, и на этой основе реализуется эффективная оценка времени пребывания поезда в тоннеле.

2. Настоящее изобретение может обеспечивать пассажиров точными информационными указаниями (такими как температура, влажность и оставшееся время пребывания в тоннеле), что является полезным для улучшения опыта пассажиров.

3. После того как моделирование завершено, требуются только установленные на поезде датчики температуры, влажности и воздушного давления, чтобы получать входные данные, без путевого оборудования, так что настоящее изобретение имеет большое значение содействия развитию.

Краткое описание чертежей

Фиг. 1 представляет собой основную блок-схему последовательности действий согласно настоящему изобретению;

Фиг. 2 представляет собой схематичную диаграмму реконструкции фазового пространства и сопоставления объединенных шаблонов RGB в соответствии с настоящим изобретением.

ПОДРОБНОЕ описание вариантов осуществления

Как показано на фиг. 1, конкретные этапы варианта осуществления 1 настоящего изобретения являются следующими:

Этап 1: Получение барометрических и метеорологических параметров тоннеля и создание базы данных барометрических и метеорологических параметров тоннеля.

Бортовые датчики, распределенные на обоих концах поезда, получают, в реальном времени, последовательности температуры, влажности и воздушного давления, когда поезд проходит тоннель, и устройства-ответчики, заранее установленные в тоннеле и на поезде, получают временные последовательности пути в милях поезда в тоннеле, с частотой дискретизации 10 Гц. Средние значения температуры и влажности, полученные при T min перед входом поезда в тоннель, используются как оцененные значения локальной средней температуры и влажности. Последовательность температуры, последовательность влажности и последовательность воздушного давления, полученные датчиками на обоих концах поезда, когда поезд проходит через тоннель в одно время, и оцененные значения, полученные перед входом в тоннель, средней температуры и средней влажности области, где расположен тоннель, образуют набор выборок метеорологических параметров тоннеля. Выборки метеорологических параметров тоннеля, полученные во время функционирования всех поездов в данной области за один год, образуют базу данных метеорологических параметров тоннеля. Диапазон значений T составляет [10, 20], и T=10 в настоящем изобретении.

Этап 2: Классификация барометрических и метеорологических параметров групп тоннелей.

Метеорологические параметры в базе данных классифицируются на основе базы данных метеорологических параметров тоннеля в соответствии с географическим положением тоннеля и метеорологическими условиями внутри и вне тоннеля, чтобы реализовать классификацию групп тоннелей со сходными атрибутами. Конкретный процесс реализации заключается в следующем:

Этап A1: Группы тоннелей классифицируются в 7 категорий в соответствии с классификацией климатических характеристик Китая посредством архитектурного зонирования Китая и в соответствии с географическим положением выборок тоннелей в базе данных метеорологических параметров тоннелей.

Этап A2: Получают распределения средних температур за T min перед входом поезда в тоннель в течение одного года в данной области, и распределения средних температур аппроксимируют с помощью гауссовой функции распределения. Распределения средних температур делят на 10 равных участков в соответствии с вероятностью, выборки температуры, которые принадлежат тому же самому участку, определяются как однородные выборки температуры в данной области, и последовательность температуры, последовательность влажности и последовательность воздушного давления, соответствующие однородным выборкам температуры, определяются как однородные выборки.

Этап 3: Представление однородных выборок и типовых выборок в области.

Каждая однородная выборка в области, которая получена на основе приближенной классификации на категории групп тоннелей и посредством ввода набора атрибутов, классифицируется дополнительно. Более конкретно, этот процесс включает в себя следующие подэтапы:

Этап B1: Извлекают характеристики изменения последовательностей температуры, влажности и воздушного давления в однородных выборках, когда поезд проходит через тоннель. Конкретный этап включает в себя моделирование модели авторегрессионного интегрированного скользящего среднего (ARIMA) для каждой временной последовательности, и извлечение параметров авторегрессионных членов, интегрированных членов и членов скользящей регрессии каждой последовательности. Более конкретно, 6 временных последовательностей могут быть получены, когда поезд проходит через тоннель в одно время, тогда характеристическая величина, извлеченная, когда поезд проходит через тоннель в одно время, может быть выражена как α=(p₁, d₁, q₁, p₂, d₂, q₂, …, p₆, d₆, q₆), где p₁ представляет авторегрессионные члены во временной последовательности 1, d₁ представляет интегрированные члены во временной последовательности 1, и q₁ представляет члены скользящей регрессии во временной последовательности 1. Все характеристические величины однородной выборки в области образуют характеристическую матрицу A.

Этап B2: Выполняют ограничение размерности посредством анализа основных компонентов (PCA) на характеристической матрице A, образованной характеристическими величинами однородной выборки в области. Выбирают 5 основных компонентов с наибольшим вкладом, чтобы характеризовать информацию исходной характеристической матрицы A, и получают преобразованную матрицу A'.

Этап B3: Функция ядра определяется как:

k=αk_rbf+βk_linear+(1-α-β)k_laplace (1)

В этом уравнении, k_rbf представляет собой радиально-базисную функцию ядра, k_linear представляет собой линейное ядро, и k_laplace представляет собой функцию ядра Лапласа. Характеристические значения в матрице A' отображаются на характеристическое пространство, соответствующее функции ядра k.

Этап В4: Определяют оптимизированные объекты, то есть, коэффициенты α, β и число категорий функции ядра оптимизируются посредством оптимизации по алгоритму “серого волка” (GWO), причем α, β∈[0, 1], и число категорий представляет собой положительное целое меньше, чем 20.

Этап B5: Целевая функция оптимизации определяется как:

fitness = (2)

В этом уравнении, avg(C_i) представляет собой среднее расстояние выборок в кластере C_i, и d_cen(C_i, C_j) представляет собой расстояние между центральными точками кластера C_i и кластера C_j .

Этап B6: Характеристики после сокращения размерности группируются в кластеры в соответствии с установленными выше параметрами посредством алгоритма кластеризации k-средних, оптимизированного посредством оптимизации по алгоритму “серого волка”. Получают центры кластера каждого кластера выборок и исходную временную последовательность { } (i=0, 1, 2, …, 5) соответствующую 5 выборкам, ближайшим к центру кластера. соответствует последовательности температуры, полученной в головной части поезда, последовательности влажности, полученной в головной части поезда, последовательности воздушного давления, полученной в головной части поезда, последовательности температуры, полученной в хвостовой части поезда, последовательности влажности, полученной в хвостовой части поезда, и последовательности воздушного давления, полученной в хвостовой части поезда.

Этап 4: Создание библиотеки объединенных шаблонов типовых выборок.

Выполняется реконструкция фазового пространства на типовой выборке, время задержки устанавливается в 1, длина окна устанавливается в 5, реконструкция фазового пространства выполняется на последовательностях температуры, влажности и воздушного давления с помощью способа координат задержки, чтобы получить три двумерные матрицы реконструкции, представляющие характеристики изменения температуры, влажности и воздушного давления в головной части поезда, и три двумерные матрицы реконструкции, представляющие характеристики изменения температуры, влажности и воздушного давления в хвостовой части поезда, соответствующие три матрицы комбинируются в соответствии с цветовым пространством RGB, чтобы сформировать цветные изображения, представляющие характеристики изменения барометрических и метеорологических параметров в головной части или хвостовой части поезда, и цветные изображения являются изображениями шаблона {h_i, f_i} (i=0, 1, 2…5).

Этап 5: Обучение модели объединенного сопоставления цветов RGB шаблонов (как показано на фиг. 2).

Метеорологические данные точек выборок в головной части и хвостовой части поезда в текущем положении и последовательности метеорологических выборок на период времени впереди получают соответственно, и выполняют реконструкцию фазового пространства и комбинацию цветового пространства RGB, чтобы создать изображения {c_h, c_f} признаков текущего положения. Корреляции между модулем признаков текущего положения и изображениями в библиотеке шаблонов вычисляются, чтобы определить положение наилучшего совпадения для текущего положения в библиотеке шаблонов. Этот процесс включает в себя следующие этапы:

Этап C1: Получают релевантные метеорологические данные текущих точек выборок в последовательностях температуры, влажности и воздушного давления в головной части и хвостовой части поезда в текущем положении и предыдущих 19 точек выборок.

Этап C2: Время задержки установлено в 1, длина окна установлена в 5, реконструкция фазового пространства выполняется с помощью способа координат задержки, чтобы получить шесть двумерных матриц реконструкции, представляющих характеристики изменения температуры, влажности и воздушного давления в головной части и хвостовой части поезда, шесть матриц делятся на матрицы, соответствующие головной части поезда, и матрицы, соответствующие хвостовой части поезда, и шесть матриц комбинируются в соответствии с цветовым пространством RGB, чтобы сформировать изображения {c_h, c_f} признаков текущего положения.

Этап C3: Выполняется операция свертки g_i=h_iΥc_h+f_iΥc_f (i=0, 1, 2…5) на изображениях признаков текущего положения и изображениях в библиотеке шаблонов, причем каждое g_i является одномерной последовательностью.

Этап C4: Элементы во всех последовательностях g_i сортируются от больших до малых, чтобы определить 5 наибольших элементов как элементы-кандидаты, причем положения, соответствующие элементам-кандидатам перед сортировкой, являются положениями-кандидатами, и значения пути в милях до выхода тоннеля, соответствующие положениям-кандидатам, представляют собой s_j (j=1, 2…5).

Этап C5: Значения пути в милях до выхода тоннеля, соответствующие положениям-кандидатам, усредняются, причем среднее значение является текущим выходным значением совпадения с шаблоном, то есть, формула вычисления выходного значения совпадения с шаблоном имеет вид:

Этап 6: Установление объединенной модели компенсации ошибки совпадения с шаблоном.

Машина опорных векторов наименьших квадратов (LSSVM) обучается с использованием данных однородных групп тоннелей, с последовательностью температуры, последовательностью влажности и последовательностью воздушного давления в качестве входа и ошибкой предсказания модели совпадения с шаблоном в качестве выхода, чтобы установить модель компенсации ошибки предсказания пути в милях тоннеля. Этот процесс включает в себя следующие этапы:

Этап D1: Определяются обучающие выборки, и определяются входные выборки I=(T_h, H_h, P_h, T_f, H_f, P_f) , причем T_h=(t₁, t₂…, t₁₉, t₂₀) является последовательностью температуры текущих точек выборок и 19 предыдущих точек выборок в головной части поезда в тоннеле. Аналогично, H_h представляет собой последовательность влажности в головной части поезда с длиной 20, P_h представляет собой последовательность воздушного давления в головной части поезда с длиной 20, T_f представляет собой последовательность температуры в хвостовой части поезда с длиной 20, H_f представляет собой последовательность влажности в хвостовой части поезда с длиной 20, и P_f представляет собой последовательность воздушного давления в хвостовой части поезда с длиной 20. Выходные выборки являются значениями ε ошибки пути в милях, соответствующей текущему положению. Входные и выходные комбинации Y ={I, ε} составляют выборки моделирования. Для каждой однородной группы тоннелей, 3000 выборок выбираются, чтобы установить модель компенсации ошибки предсказания пути в милях.

Этап D2: Выборки моделирования классифицируются в набор обучения и набор валидации. Путем произвольного взятия выборок без замены, 70% из 3000 пар выборок среди выборок моделирования выбираются в качестве набора обучения и 30% в качестве набора валидации.

Этап D3: Определяются объекты оптимизации, и инициализируются значения оптимизации. Входные признаки модели оптимизируются посредством двоичного алгоритма оптимизатора “муравьиного льва”, то есть, двоичное кодирование выполняется на признаке каждой размерности во входных выборках I. Когда кодовое значение, соответствующее признаку некоторой размерности, равно 1, признак выбирается как входная переменная модели LSSVM. Когда кодовое значение, соответствующее признаку некоторой размерности, равно 0, признак этой размерности отбрасывается. 60 размерных признаков произвольным образом инициализируются и кодируются как 0 или 1.

Этап D4: Определяется целевая функция оптимизации. Входные признаки определяются на основе кодовых значений текущих признаков, и модель LSSVM обучается данными набора обучения. Данные набора валидации вводятся в обученную модель LSSVM, чтобы получить выходную последовательность модели (k=1, 2…900). Целевая функция оптимизации определяется как:

В уравнении, , (k=1, 2…900) представляет собой действительное выходное значение набора валидации.

Этап D5: Выводится оптимизированная модель предсказания. Итерационные операции оптимизации выполняются посредством двоичного алгоритма “муравьиного льва”, чтобы определить оптимальные входные признаки и модель LSSVM, модель LSSVM представляет собой модель компенсации ошибки предсказания пути в милях LSSVM.

Этап 7: Получение тестовых данных и вызов модели предсказания пути в милях

Во время функционирования поезда, получают барометрические и метеорологические параметры реального времени, чтобы сформировать изображения признаков текущего статуса, выполняется поиск и сопоставление шаблонов трехмерного изображения; и определяются входные переменные компенсации ошибки и модель компенсации ошибки. Выход совпадения с шаблоном объединяется с выходом компенсации ошибки, чтобы получить окончательное значение пути в милях до выхода тоннеля. Этот процесс включает в себя следующие этапы:

Этап E1: Получают распределение средней температуры в пределах T min перед входом поезда в тоннель. Определяется категория выборки текущего статуса (то есть, метеорологические параметры текущего положения поезда). Получают текущую последовательность температуры и текущую последовательность влажности с помощью датчиков температуры и влажности, установленных в головной части и хвостовой части поезда.

Этап E2: Соответствующую библиотеку шаблонов извлекают в соответствии с категорией выборки, определенной в соответствии с текущей средней температурой, текущего статуса.

Этап E3: Определяют положение наилучшего совпадения в библиотеке шаблонов со ссылкой на процесс на этапе 3, и выводят выходные значения совпадения с шаблоном O^M(i) текущих точек выборок.

Этап E4: Получают входные вектора I модели текущего статуса со ссылкой на процесс C1 на этапе 6 и подставляют в обучаемую модель LSSVM, чтобы получить выходные результаты ε(i) ошибки компенсации.

Этап E5: Объединяют выходные значения совпадения трехмерных шаблонов и выходные значения модели LSSVM, чтобы получить окончательное выходное значение расстояния между текущим положением и выходом тоннеля:

Этап 8: Вычисление предсказанной оставшейся длительности до выхода тоннеля

Оставшаяся длительность, за которую поезд проходит через данный тоннель, может оцениваться в соответствии со следующим уравнением:

В уравнении, f_Hz представляет собой частоту обновления положения, и f_Hz=50 Гц в настоящем изобретении.

В соответствии со способом в варианте осуществления 1, вариант осуществления 2 настоящего изобретения обеспечивает систему для вычисления длительности прохождения поезда через тоннель, включающую в себя:

модуль получения положения наилучшего совпадения, сконфигурированный, чтобы вычислять корреляции между изображениями признаков текущего положения и шаблонами в библиотеке объединенных шаблонов типовых выборок, чтобы получать положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок; причем изображения признаков текущего положения получают путем реконструкции фазового пространства и комбинации цветового пространства RGB полученных последовательностей метеорологических параметров точек выборок в головной части и хвостовой части поезда в текущем положении и метеорологических параметров с периодом времени перед текущим положением, изображения шаблонов в библиотеке объединенных шаблонов типовых выборок представляют собой цветные изображения относительно изменения метеорологических параметров в головной части и хвостовой части поезда, и метеорологические параметры в головной части и хвостовой части поезда получают путем реконструкции фазового пространства типовых выборок каждой категории групп тоннелей, и типовые выборки каждой категории групп тоннелей относятся к выборкам, полученным путем классификации метеорологических параметров в соответствии с географическим положением тоннеля и метеорологическими условиями внутри и вне тоннеля и дополнительной классификации классифицируемых однородных выборок в области;

модель компенсации ошибки предсказания пути в милях тоннеля, полученную обучением машины опорных векторов наименьших квадратов с использованием данных однородных групп тоннелей, с последовательностью температуры, последовательностью влажности и последовательностью воздушного давления в качестве входа и ошибкой предсказания положения наилучшего совпадения в качестве выхода, причем выход этой модели представляет собой ошибку компенсации ε(i); и

модуль вычисления оставшейся длительности, сконфигурированный, чтобы оценивать оставшуюся длительность t, которую поезд проходит в данном тоннеле, в соответствии со следующим уравнением: t=O(i)/f_Hz(O(i)-O(i-1))); причем O(i)=O^M(i)+ ε(i), и O(i-1) представляет собой значение пути в милях от предыдущего положения относительно текущего положения поезда до выхода тоннеля; O^M(i) представляет собой положение наилучшего совпадения; f_Hz представляет собой частоту обновления положения поезда.

Модуль получения положения наилучшего совпадения включает в себя:

блок получения данных, сконфигурированный, чтобы определять текущие точки выборок и предыдущие G точки выборок в последовательности температуры, последовательности влажности и последовательности воздушного давления головной части и хвостовой части поезда в текущем положении;

блок вычисления изображения признаков, сконфигурированный, чтобы выполнять реконструкцию фазового пространства с помощью способа координат задержки, чтобы получать шесть двумерных матриц реконструкции, представляющих характеристики изменения температуры, влажности и воздушного давления в головной части и хвостовой части поезда, разделять шесть матриц на матрицы, соответствующие головной части поезда, и матрицы, соответствующие хвостовой части поезда, и комбинировать шесть матриц головной части и хвостовой части поезда в соответствии с цветовым пространством RGB, чтобы сформировать изображения {c_h, c_f} признаков текущего положения;

блок свертки, сконфигурированный, чтобы выполнять операцию свертки на изображениях признаков текущего положения и изображениях в библиотеке объединенных шаблонов типовых выборок, чтобы получить множество одномерных последовательностей;

блок сортировки, сконфигурированный, чтобы сортировать элементы во всех одномерных последовательностях от больших до малых, чтобы определить L наибольших элементов как элементы-кандидаты, причем положения, соответствующие элементам-кандидатам перед сортировкой, представляют собой положения-кандидаты, и значения пути в милях до выхода тоннеля, соответствующие положениям-кандидатам, представляют собой s_j (j=1, 2...L); и

блок вывода, сконфигурированный, чтобы усреднять значения пути в милях до выхода тоннеля, соответствующие положениям-кандидатам, причем среднее значение представляет собой положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок.

Блок получения данных в этом варианте осуществления включает в себя различные датчики, установленные в головной части и хвостовой части поезда, такие как датчики температуры, датчики влажности и датчики воздушного давления.

Процесс обучения модели компенсации ошибки предсказания пути в милях тоннеля включает в себя следующее:

1) Определяются входные выборки I=(T_h, H_h, P_h, T_f, H_f, P_f), причем T_h=(t₁, t₂…t_G) представляет собой последовательность температуры текущих точек выборок и G предыдущих точек выборок в головной части поезда в тоннеле, H_h представляет собой последовательность влажности в головной части поезда с длиной G, P_h представляет собой последовательность воздушного давления в головной части поезда с длиной G, T_f представляет собой последовательность температуры в хвостовой части поезда с длиной G, H_f представляет собой последовательность влажности в хвостовой части поезда с длиной G, и P_f представляет собой последовательность воздушного давления в хвостовой части поезда с длиной G; определяются выходные выборки как значения ε ошибки пути в милях, соответствующие текущему положению; и комбинации Y ={I, ε} входных выборок и выходных выборок составляют выборки моделирования;

2) Выборки моделирования классифицируются в набор обучения и набор валидации;

3) Выполняется двоичное кодирование на признаке каждой размерности во входных выборках I, причем, когда кодовое значение, соответствующее признаку некоторой размерности, равно 1, признак выбирается как входная переменная машины опорных векторов наименьших квадратов; когда кодовое значение, соответствующее признаку некоторой размерности, равно 0, признак этой размерности отбрасывается;

4) Входные выборки обновляются на основе кодовых значений текущих признаков, чтобы получить обновленный набор обучения и набор валидации, и машина опорных векторов наименьших квадратов обучается данными обновленного набора обучения; данные обновленного набора валидации вводятся в обученную машину опорных векторов наименьших квадратов, чтобы получить выходную последовательность машины опорных векторов наименьших квадратов, причем k=1, 2..., N₁ и N₁ представляет собой число пар выборок в наборе валидации;

5) Этап 3) и этап 4) повторяются, чтобы определить входные признаки и машину опорных векторов наименьших квадратов, которые минимизируют целевую функцию оптимизации , то есть получают оптимальные входные признаки и оптимальную машину опорных векторов наименьших квадратов, причем оптимальная машина опорных векторов наименьших квадратов представляет собой модель компенсации ошибки предсказания пути в милях; причем представляет собой действительное выходное значение в наборе валидации.

Вариант осуществления 3 настоящего изобретения обеспечивает считываемый компьютером носитель хранения, хранящий программу; и программа сконфигурирована, чтобы исполнять этапы способа в соответствии с вариантом осуществления 1 настоящего изобретения.

Изобретение относится к вычислительной технике, а именно к определению времени прохождения поезда через тоннель. Технический результат заключается в повышении точности определения времени движения поезда в тоннеле. Описан способ для вычисления длительности прохождения поезда через тоннель, при этом бортовые датчики температуры, влажности и воздушного давления, установленные на обоих концах поезда, получают последовательности барометрических и метеорологических параметров, когда поезд проходит через тоннель, и заранее установленные устройства-ответчики получают временные последовательности пути в милях от текущего положения до выхода тоннеля, чтобы создать базу данных метеорологических параметров тоннеля. Барометрические и метеорологические параметры тоннеля в базе данных классифицируются посредством архитектурного зонирования и модели распределения средних температур и осуществляют сопоставление типовых последовательностей каждой категории, которые извлекаются для формирования объединенной модели сопоставления шаблонов цветного изображения RGB. 3 н. и 7 з.п. ф-лы, 2 ил.

1. Способ для вычисления длительности прохождения поезда через тоннель, причем оставшаяся длительность, за которую поезд проходит через данный тоннель, оценивается с использованием следующего уравнения: t=O(i)/f_Hz(O(i)-O(i-1)); причем значение пути в милях от текущего положения поезда до выхода тоннеля составляет O(i)= O^M(i)+ε(i); O(i-1) представляет собой значение пути в милях от последнего положения текущего положения поезда до выхода тоннеля; O^M(i) представляет собой положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок, которое получают после вычисления корреляций между изображениями признаков текущего положения и изображениями в библиотеке объединенных шаблонов типовых выборок; изображения признаков текущего положения получают путем реконструкции фазового пространства и комбинации цветового пространства RGB полученных последовательностей метеорологических параметров точек выборок в головной части и хвостовой части поезда в текущем положении и метеорологических параметров с периодом времени перед текущим положением; изображения шаблонов в библиотеке объединенных шаблонов типовых выборок представляют собой цветные изображения относительно изменения метеорологических параметров в головной части и хвостовой части поезда; метеорологические параметры в головной части и хвостовой части поезда получают путем реконструкции фазового пространства типовых выборок каждой категории групп тоннелей; типовые выборки каждой категории групп тоннелей относятся к выборкам, полученным путем классификации метеорологических параметров в соответствии с географическим положением тоннеля и метеорологическими условиями внутри и вне тоннеля и дополнительной классификации классифицируемых однородных выборок в области; ε(i) представляет собой ошибку компенсации, полученную путем ввода метеорологических параметров, полученных во время функционирования поезда, в модель компенсации ошибки предсказания пути в милях тоннеля, и модель компенсации ошибки предсказания пути в милях тоннеля относится к модели, полученной обучением машины опорных векторов наименьших квадратов с использованием данных однородных групп тоннелей, с последовательностью температуры, последовательностью влажности и последовательностью воздушного давления в качестве входа и ошибкой предсказания объединенной модели сопоставления цветов RGB в качестве выхода; и f_Hz представляет собой частоту обновления положения; и метеорологические параметры относятся к последовательности температуры, соответствующей головной части поезда, последовательности влажности, соответствующей головной части поезда, последовательности воздушного давления, соответствующей головной части поезда, последовательности температуры, соответствующей хвостовой части поезда, последовательности влажности, соответствующей хвостовой части поезда, последовательности воздушного давления, соответствующей хвостовой части поезда.

2. Способ для вычисления длительности прохождения поезда через тоннель по п. 1, причем конкретный процесс определения значения O(i) пути в милях от текущего положения поезда до выхода тоннеля содержит:

1) получение метеорологических параметров тоннеля, чтобы создать базу данных метеорологических параметров тоннеля;

2) классифицирование, на основе базы данных метеорологических параметров тоннеля, метеорологических параметров в базе данных метеорологических параметров тоннеля в соответствии с географическим положением тоннеля и метеорологическими условиями внутри и вне тоннеля, чтобы получить однородные выборки в области так, чтобы реализовать классификацию групп тоннелей со сходными атрибутами;

3) дополнительное классифицирование однородных выборок в области, чтобы получить типовые выборки каждой категории групп тоннелей;

4) выполнение реконструкции фазового пространства на типовых выборках каждой категории групп тоннелей, чтобы получить цветные изображения относительно изменения барометрических и метеорологических параметров в головной части и хвостовой части поезда, то есть изображения шаблонов; причем изображения шаблонов, соответствующие всем типовым выборкам, составляют библиотеку объединенных шаблонов типовых выборок;

5) сбор точек выборок в головной части и хвостовой части поезда в текущем положении и последовательностей выборок с периодом времени перед текущим положением соответственно, и выполнение реконструкции фазового пространства и комбинации цветового пространства RGB, чтобы создать изображения признаков текущего положения {c_h, c_f}; вычисление корреляций между изображениями признаков текущего положения и изображениями шаблонов в библиотеке объединенных шаблонов типовых выборок, чтобы определить положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок;

6) обучение машины опорных векторов наименьших квадратов с использованием данных однородных групп тоннелей, с последовательностью температуры, последовательностью влажности и последовательностью воздушного давления в качестве входа и ошибкой предсказания положения наилучшего совпадения в качестве выхода, чтобы установить модель компенсации ошибки предсказания пути в милях тоннеля; и

7) получение метеорологических параметров во время функционирования поезда в реальном времени и получение окончательного значения пути в милях до выхода тоннеля с использованием модели компенсации ошибки предсказания пути в милях тоннеля, то есть получение O(i).

3. Способ для вычисления длительности прохождения поезда через тоннель по п. 2, причем конкретный процесс реализации этапа 2) содержит:

1) классифицирование групп тоннелей в N категорий в соответствии с географическим положением выборок тоннелей; и

2) получение распределений средних температур в пределах T min перед входом поезда в тоннель в течение одного года в данной области, аппроксимацию распределений средних температур в тоннеле данной области с использованием гауссовой функции распределения, разделение аппроксимированных распределений средних температур на K равных участков в соответствии с вероятностью, определение выборок температуры, которые принадлежат тому же самому участку, как однородных выборок температуры в данной области, и определение последовательности температуры, последовательности влажности и последовательности воздушного давления, соответствующих однородным выборкам температуры, как однородных выборок; причем T является установленным временем.

4. Способ для вычисления длительности прохождения поезда через тоннель по любому одному из пп. 1-3, причем конкретный процесс реализации этапа 3) содержит:

1) создание модели авторегрессионного интегрированного скользящего среднего для каждой временной последовательности однородных выборок в данной области и извлечение характеристических величин каждой временной последовательности, то есть, параметров авторегрессионных членов, интегрированных членов и членов скользящей регрессии каждой временной последовательности; причем все характеристические величины однородных выборок в области составляют характеристическую матрицу A; причем временные последовательности содержат последовательность температуры, последовательность влажности и последовательность воздушного давления;

2) сокращение размеров характеристической матрицы A и выбор М основных компонентов с наибольшим вкладом, чтобы характеризовать информацию исходной характеристической матрицы, получая, таким образом, преобразованную матрицу A';

3) определение функции ядра k=αk_rbf+βk_linear+(1-α-β)k_laplace; причем k_rbf представляет собой радиально-базисную функцию ядра, k_linear представляет собой линейное ядро, и k_laplace представляет собой функцию ядра Лапласа; определение произвольным образом начальных значений коэффициентов α, β и числа n₀ категорий функции ядра, причем α, β∈[0, 1], и n₀ представляет собой положительное целое число меньше чем 30;

4) отображение характеристических значений в матрице A' на характеристическое пространство, соответствующее функции ядра k, чтобы получить новую характеристическую матрицу A"; в соответствии с начальным числом n₀ категорий, использование характеристических величин в A" в качестве входа, чтобы группировать в кластер характеристические величины в A" посредством алгоритма кластеризации k-средних, то есть чтобы классифицировать однородные выборки в области в n категорий, причем каждая категория выборок образует кластер выборок; вычисление целевой функции оптимизации fitness = , причем avg(C_i) представляет собой среднее расстояние выборок в кластере C_i выборок, avg(C_j) представляет собой среднее расстояние выборок в кластере C_j выборок и d_cen(C_i, C_j) представляет собой расстояние между центральными точками кластера C_i выборок и кластера C_j выборок;

5) обновление, в соответствии с текущим значением целевой функции оптимизации fitness, значений α, β и n₀ посредством оптимизации по алгоритму «серого волка»;

6) повторение этапа 4) и этапа 5), пока не будет достигнуто установленное число m=100 оптимизаций, причем α, β и n₀ в это время представляют собой окончательно оптимизированные значения параметров, и результаты кластеризации при окончательно оптимизированных значениях параметров представляют собой окончательные результаты кластеризации; и

7) классифицирование однородных выборок в данной области в E кластеров выборок в соответствии с окончательными результатами кластеризации; и получение центра кластера каждого кластера выборок и исходной временной последовательности { } (i=0, 1, 2…P, n=0, 1, 2…E), соответствующей Р выборкам, ближайшим к центру кластера, при этом соответствует последовательности температуры, полученной в головной части поезда, последовательности влажности, полученной в головной части поезда, последовательности воздушного давления, полученной в головной части поезда, последовательности температуры, полученной в хвостовой части поезда, последовательности влажности, полученной в хвостовой части поезда, и последовательности воздушного давления, полученной в хвостовой части поезда, соответственно; и определение исходной временной последовательности, соответствующей (P+1) выборкам, как типовой выборки текущей категории групп тоннелей.

5. Способ для вычисления длительности прохождения поезда через тоннель по любому одному из пп. 1-4, причем конкретный процесс реализации этапа 5) содержит:

1) определение текущих точек выборок и предыдущих G точек выборок в последовательности температуры, последовательности влажности и последовательности воздушного давления головной части и хвостовой части поезда в текущем положении;

2) выполнение реконструкции фазового пространства с помощью способа координат задержки, чтобы получить шесть двумерных матриц реконструкции, представляющих характеристики изменения температуры, влажности и воздушного давления в головной части и хвостовой части поезда; разделение шести матриц на матрицы, соответствующие головной части поезда, и матрицы, соответствующие хвостовой части поезда, и комбинирование шести матриц в соответствии с цветовым пространством RGB, чтобы сформировать изображения {c_h, c_f} признаков текущего положения;

3) выполнение операции свертки на изображениях признаков текущего положения и изображениях в библиотеке объединенных шаблонов типовых выборок, чтобы получить множество одномерных последовательностей;

4) сортировку элементов во всех одномерных последовательностях от больших до малых, чтобы определить L наибольших элементов как элементы-кандидаты, причем положения, соответствующие элементам-кандидатам перед сортировкой, представляют собой положения-кандидаты, и значения пути в милях до выхода тоннеля, соответствующие положениям-кандидатам, представляют собой s_j (j=1, 2...L); и

5) усреднение значений пути в милях до выхода тоннеля, соответствующих положениям-кандидатам, причем среднее значение представляет собой положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок.

6. Способ для вычисления длительности прохождения поезда через тоннель по любому одному из пп. 1-5, причем конкретный процесс реализации этапа 6) содержит:

1) определение входных выборок I=(T_h, H_h, P_h, T_f, H_f, P_f), причем T_h=(t₁, t₂…t_G) представляет собой последовательность температуры текущих точек выборок и G предыдущих точек выборок в головной части поезда в тоннеле, H_h представляет собой последовательность влажности в головной части поезда с длиной G, P_h представляет собой последовательность воздушного давления в головной части поезда с длиной G, T_f представляет собой последовательность температуры в хвостовой части поезда с длиной G, H_f представляет собой последовательность влажности в хвостовой части поезда с длиной G, и P_f представляет собой последовательность воздушного давления в хвостовой части поезда с длиной G; определение выходных выборок как значений ε ошибки пути в милях, соответствующих текущему положению; причем комбинации Y ={I, ε} входных выборок и выходных выборок составляют выборки моделирования;

2) классифицирование выборок моделирования в набор обучения и набор валидации;

3) выполнение двоичного кодирования на признаке каждой размерности во входных выборках I; причем, когда кодовое значение, соответствующее признаку некоторой размерности, равно 1, признак выбирается как входная переменная машины опорных векторов наименьших квадратов; когда кодовое значение, соответствующее признаку некоторой размерности, равно 0, признак этой размерности отбрасывается;

4) обновление входных выборок на основе кодовых значений текущих признаков, чтобы получить обновленные набор обучения и набор валидации; и обучение машины опорных векторов наименьших квадратов данными обновленного набора обучения; ввод данных обновленного набора валидации в обученную машину опорных векторов наименьших квадратов, чтобы получить выходную последовательность машины опорных векторов наименьших квадратов, причем k=1, 2..., N₁, и N₁ представляет собой число пар выборок в наборе валидации; и

5) повторение этапа 3) и этапа 4), чтобы определить входные признаки и машину опорных векторов наименьших квадратов, которые минимизируют целевую функцию оптимизации , то есть получение оптимальных входных признаков и оптимальной машины опорных векторов наименьших квадратов, причем оптимальная машина опорных векторов наименьших квадратов представляет собой модель компенсации ошибки предсказания пути в милях; причем представляет собой действительное выходное значение в наборе валидации.

7. Способ для вычисления длительности прохождения поезда через тоннель по любому одному из пп. 1-6, причем конкретный процесс реализации этапа 7) содержит:

1) получение данных распределения средних температур в пределах T min перед входом поезда в тоннель; получение последовательностей температуры и последовательностей влажности в головной части и хвостовой части поезда в текущем положении; получение выходного значения O^M(i) совпадения с шаблоном; и получение выходного результата ε(i) ошибки компенсации с использованием модели компенсации ошибки предсказания пути в милях тоннеля; и

2) получение значения пути в милях от текущего положения поезда до выхода тоннеля с помощью с помощью следующего уравнения: O(i)=O^M(i)+ε(i).

8. Система для вычисления длительности прохождения поезда через тоннель, содержащая:

модуль получения положения наилучшего совпадения, сконфигурированный, чтобы вычислять корреляции между изображениями признаков текущего положения и шаблонами в библиотеке объединенных шаблонов типовых выборок, чтобы получать положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок; при этом изображения признаков текущего положения получают путем реконструкции фазового пространства и комбинации цветового пространства RGB полученных последовательностей метеорологических параметров точек выборок в головной части и хвостовой части поезда в текущем положении и метеорологических параметров с периодом времени перед текущим положением; изображения шаблонов в библиотеке объединенных шаблонов типовых выборок представляют собой цветные изображения относительно изменения метеорологических параметров в головной части и хвостовой части поезда, и метеорологические параметры в головной части и хвостовой части поезда получают путем реконструкции фазового пространства типовых выборок каждой категории групп тоннелей; и типовые выборки каждой категории групп тоннелей относятся к выборкам, полученным путем классификации метеорологических параметров в соответствии с географическим положением тоннеля и метеорологическими условиями внутри и вне тоннеля и дополнительной классификации классифицируемых однородных выборок в области;

модель компенсации ошибки предсказания пути в милях тоннеля, полученную обучением машины опорных векторов наименьших квадратов с использованием данных однородных групп тоннелей с последовательностью температуры, последовательностью влажности и последовательностью воздушного давления в качестве входа и ошибкой предсказания положения наилучшего совпадения в качестве выхода, причем выход этой модели представляет собой ошибку ε(i) компенсации; и

модуль вычисления оставшейся длительности, сконфигурированный, чтобы оценивать оставшуюся длительность t, которую поезд проходит через данный тоннель, в соответствии со следующим уравнением: t=O(i)/(f_Hz(O(i)-O(i-1))); причем O(i)=O^M(i)+ε(i), и O(i-1) представляет собой значение пути в милях от предыдущего положения относительно текущего положения поезда до выхода тоннеля; O^M(i) представляет собой положение наилучшего совпадения; и f_Hz представляет собой частоту обновления положения поезда.

9. Система по п. 8, причем модуль получения положения наилучшего совпадения содержит:

блок получения данных, сконфигурированный, чтобы определять текущие точки выборок и предыдущие G точки выборок в последовательности температуры, последовательности влажности и последовательности воздушного давления головной части и хвостовой части поезда в текущем положении;

блок вычисления изображения признаков, сконфигурированный, чтобы выполнять реконструкцию фазового пространства с помощью способа координат задержки, чтобы получить шесть двумерных матриц реконструкции, представляющих характеристики изменения температуры, влажности и воздушного давления в головной части и хвостовой части поезда; разделять шесть матриц на матрицы, соответствующие головной части поезда, и матрицы, соответствующие хвостовой части поезда, комбинировать шесть матриц в соответствии с цветовым пространством RGB, чтобы сформировать изображения {c_h, c_f} признаков текущего положения;

блок свертки, сконфигурированный, чтобы выполнять операцию свертки на изображениях признаков текущего положения и изображениях в библиотеке объединенных шаблонов типовых выборок, чтобы получать множество одномерных последовательностей;

блок сортировки, сконфигурированный, чтобы сортировать элементы во всех одномерных последовательностях от больших до малых, чтобы определять L наибольших элементов как элементы-кандидаты, причем положения, соответствующие элементам-кандидатам перед сортировкой, представляют собой положения-кандидаты, и значения пути в милях до выхода тоннеля, соответствующие положениям-кандидатам, представляют собой s_j (j=1, 2...L); и

блок вывода, сконфигурированный, чтобы усреднять значения пути в милях до выхода тоннеля, соответствующие положениям-кандидатам, причем среднее значение представляет собой положение наилучшего совпадения текущего положения в библиотеке объединенных шаблонов типовых выборок;

причем, предпочтительно, процесс обучения модели компенсации ошибки предсказания пути в милях тоннеля согласно настоящему изобретению содержит:

1) определение входных выборок I=(T_h, H_h, P_h, T_f, H_f, P_f), причем T_h=(t₁, t₂…t_G) представляет собой последовательность температуры текущих точек выборок и G предыдущих точек выборок в головной части поезда в тоннеле, H_h представляет собой последовательность влажности в головной части поезда с длиной G, P_h представляет собой последовательность воздушного давления в головной части поезда с длиной G, T_f представляет собой последовательность температуры в хвостовой части поезда с длиной G, H_f представляет собой последовательность влажности в хвостовой части поезда с длиной G, и P_f представляет собой последовательность воздушного давления в хвостовой части поезда с длиной G; определение выходных выборок как значений ε ошибки пути в милях, соответствующих текущему положению; причем комбинации Y ={I, ε} входных выборок и выходных выборок составляют выборки моделирования;

2) классифицирование выборок моделирования в набор обучения и набор валидации;

3) выполнение двоичного кодирования на признаке каждой размерности во входных выборках I, причем, когда кодовое значение, соответствующее признаку некоторой размерности, равно 1, признак выбирается как входная переменная машины опорных векторов наименьших квадратов; когда кодовое значение, соответствующее признаку некоторой размерности, равно 0, признак этой размерности отбрасывается;

4) обновление входных выборок на основе кодовых значений текущих признаков, чтобы получить обновленные набор обучения и набор валидации, и обучение машины опорных векторов наименьших квадратов данными обновленного набора обучения; ввод данных обновленного набора валидации в обученную машину опорных векторов наименьших квадратов, чтобы получить выходную последовательность машины опорных векторов наименьших квадратов, причем k=1, 2,..., N₁, и N₁ представляет собой число пар выборок в наборе валидации; и

5) повторение этапа 3) и этапа 4), чтобы определить входные признаки и машину опорных векторов наименьших квадратов, которые минимизируют целевую функцию оптимизации , то есть получение оптимальных входных признаков и оптимальной машины опорных векторов наименьших квадратов, причем оптимальная машина опорных векторов наименьших квадратов представляет собой модель компенсации ошибки предсказания пути в милях, причем представляет собой действительное выходное значение в наборе валидации.

10. Считываемый компьютером носитель хранения, хранящий программу, причем программа сконфигурирована, чтобы исполнять этапы способа по любому одному из пп. 1-7.