(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111557513.9 (22)申请日 2021.12.19 (71)申请人 南京理工大 学 地址 210094 江苏省南京市孝陵卫20 0号 (72)发明人 胡文斌　孙泽洲　耿路　秦建楠　 (74)专利代理 机构 南京理工大 学专利中心 32203 代理人 王玮 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/30(2012.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 改进粒子群的BP网络的列车速度曲线预测 方法 (57)摘要 本发明公开了一种 改进粒子群的BP网络的 列车速度曲线预测方法， 采用数据降维算法， 建 立主成分分析模型， 确定列车ATO速度曲线的影 响因素； 将相应的影响因素作为改进粒子群算法 的BP神经网络的样本数据集， 根据影响 因素个数 确定改进粒子群算法的神经网络的输入参数设 置， 并通过仿真模拟设计最优的神经网络的隐藏 层的结构， 建立完整的改进粒子群算法的BP神经 网络神经网络模 型； 后续对数据集划分为样本数 据集和测试验证数据集， 将样 本数据集进行数据 归一化处理； 将样本数据集作为改进粒子群算法 的BP神经网络模型的输入， 进行样本数据学习训 练， 确定好改进粒子群算法的BP神经网络模型的 隐藏层的权重与阈值， 并利用测试数据集进行准 确性验证。 利用训练好的改进粒子群算法的BP神 经网络模型， 进行城轨列车ATO速度曲线预测。 本 发明方法实现了ATO速度曲线的预测， 为后续轨道交通列车能耗分析提供数据和理论支撑， 具有 较高的使用价 值和应用前 景。 权利要求书3页 说明书10页 附图3页 CN 114202128 A 2022.03.18 CN 114202128 A 1.一种改进粒子群的BP网络的列车速度曲线预测方法， 包括以下步骤： 步骤1： 利用主层次分析法， 在现有的影响列车速度曲线的因素中确定关键影响因素， 影响因素包含 区间运行时间、 区间长度、 区间弯道值、 区间坡道值、 区间ATP限速值、 列车重 量和区间客 流； 步骤2： 根据步骤1的关键影响因素， 确定改进粒子群算法的BP神经网络预测模型的网 络输入和预测模型的网络输出， 利用经验公式 确定网络模型的隐藏层， α取0 ～10之间的数； 步骤3： 选取关键影响因素制作成样本数据集合和测试数据集合， 建立城轨列车ATO速 度曲线综合预测的改进粒子群算法的BP神经网络模型； 步骤4： 初始化每个微粒的位置， 将神经网络权重， 阈值作为粒子位置纬度值， 并将步骤 3中的样本数据集和 测试数据集进行归一 化处理； 步骤5： 将步骤4中归一化之后的样本数据集， 输入到神经网络模型中， 通过计算至输出 层， 计算当前 粒子当前的适应度函数值； 步骤6： 判断初始粒子的适应度值是否满足迭代停止的要求， 如果满足则停止迭代， 如 果不满足， 则对微粒 的位置和速度进行更新； 计算得到局部最优粒子的位置和全局 最优粒 子的位置， 并将全局最优微粒的位置保存， 将位置维度值赋 给对应BP神经网络的参数w,b； 步骤7： 利用步骤5、 步骤6中改进粒子群算法的BP神经网络模型， 进行城轨列车ATO速度 曲线预测； 步骤8： 将步骤7输出的预测值经 过数据反归一 化， 得到城轨列车ATO系统的速度值。 2.根据权利要求1所述的改进粒子群的BP网络的列 车速度曲线预测方法， 其特征在于， 步骤1所述的确定列车ATO速度曲线关键影响因素， 具体如下： 步骤1.1： 将现有的影响列车速度曲线 的因素包括区间运行时间、 区间长度、 区间弯道 值、 区间坡道值、 区间ATP限速值、 列车重量和区间客流组成7列的矩阵X＝{Xi(k)|k＝1, 2,...,n},i＝1,2,...7； 其中X为种类编号为i的影响因素值Xi(k)的集合， k为影响因素的 编号， n为影响因素值的样本的容 量， i值为影响因素种类编号； 步骤1.2： 将X的每一行值进行零均值 化， 即减去这 一行的均值： xi(k)＝Xi(k)‑μi 其中， xi(k)则是编号 为i的影响因素值进行零均值 化的结果； 步骤1.3： 计算矩阵X的协方差矩阵C： C是一个对称矩阵， 其对角线分别对应各个变量的方差， 而第i行j列和j行i列元素相权　利　要　求　书 1/3 页 2 CN 114202128 A 2同， 表示i和j两个 变量的协方差， ai表示矩阵X的第i行， bj表示矩阵XT的第j列； 步骤1.4： 求出协方差矩阵C的特 征值和特 征向量： 利用公式Cx＝λx， 其 中x为特征向量， λ为特征值， 即可得到关于矩阵C的特征多项式， 求 解特征多项式就可以得到矩阵C特 征值 λi与特征向量xi； 则协方差矩阵C有： 其中Λ为对角矩阵， 其对角元素为各特征向量对应的特征值； E表示所有特征向量组成 的矩阵； 步骤1.5： 由步骤1.4可知， P是协方差矩阵的特征向量单位化后按行排列出的矩阵， 即P ＝ET， 其中每一行都是C的一个特征向量； 如 果设P按照Λ中特征值的从大到小， 将 特征向量 从上到下排列， 则用P的前K行 组成的矩阵乘以原始数据 矩阵X， 就得到了降维后的数据 矩阵 Y， 筛选出影响列车ATO速度曲线的关键因素。 3.根据权利要求1所述的改进粒子群的BP网络的列 车速度曲线预测方法， 其特征在于， 步骤2中所述的改进粒子的BP 网络预测模型结构， 包括三层结构， 即输入层、 隐含层和输出 层， 每层的层数分别为1， 2， 1； 所述的改进粒子群算法的BP神经网络模型的输入， 包括区间 已运行时间、 区间长度、 坡道值、 弯道值、 各区间客流； 所述的改进 粒子群算法的BP神经网络 模型的输出， 包括列车ATO系统的速度值。 4.根据权利要求1所述的改进粒子群的BP网络的列 车速度曲线预测方法， 其特征在于： 所述步骤3中， 确定改进 粒子群算法的BP神经网络预测模 型隐含层结构， 隐含层节点数预先 设置为m个， 后续可逐渐增加节点数对比误差 。 5.根据权利要求1所述的改进粒子群的BP网络的列 车速度曲线预测方法， 其特征在于， 所述步骤4中， 对改进粒子群的BP网络模型的网络参数进采用Xavier初始化， 具体如下： Xavier的初始化： 各层的激活值和状态梯度的方差在 传播过程中的方差保持一 致， 即： 式中， Var(hi)表示第i层激活值的方差， Var(hj)表示第j层激活值的方差， 表示第i层的状态梯度的方差， 表示第j层的状态梯度的方差； 步骤4所述将步骤3中的样本数据集 合进行归一 化处理， 具体如下： 式中， N表示归一化处理后得到的输入向量； min  p表示输入向量P各列向量的最小值； max p表示输入向量P各列向量的最大值。权　利　要　求　书 2/3 页 3 CN 114202128 A 3