Интеллектуальное управление остановкой поездов на железных дорогах: подход на основе глубокого обучения

Точность остановки на станции является важным показателем автоматического управления высокоскоростными поездами, однако на нее влияют многочисленные факторы, включая высокую нелинейность и большие временные задержки в моделях управления поездом, изменяющуюся во времени влажность и неопределенные погодные условия, что приводит к неудовлетворительным результатам применения существующих алгоритмов управления с обратной связью. В данном исследовании предложен интеллектуальный подход к управлению остановкой поездов на высокоскоростных железных дорогах на основе глубокого обучения. На основе большого объема исторических данных об эксплуатации поездов на высокоскоростной железной дороге Пекин—Шэньян разработаны три модели, управляемые данными, для управления остановкой поездов. Первая модель основана на глубокой полносвязной нейронной сети (DNN), которая прогнозирует точное положение остановки поезда, используя в качестве входных данных динамические параметры движения, такие как положение и скорость. С учетом физических моделей управления поездом, применяемых на практике, DNN усовершенствована до сверточной нейронной сети (CNN) путем адаптации сверточных слоев CNN. Для преодоления проблем, связанных с неполнотой выборок данных, дополнительно разработана сверточная нейронная сеть для обучения на малом числе примеров (FSCNN), повышающая точность прогнозирования CNN. По сравнению с используемым в настоящее время практическим методом результаты имитационных экспериментов показывают, что ошибка остановки поезда на станции может быть снижена на 38,6%, 42,8% и 49,2% с использованием разработанных DNN, CNN и FSCNN соответственно.