原文传递
基于深度与迁移学习的列车智能驾驶控制方法研究
| 论文题名： | 基于深度与迁移学习的列车智能驾驶控制方法研究 |
| 关键词： | 城市轨道交通;列车智能驾驶;深度学习;迁移学习;智能计算 |
| 摘要： | 近年来，城市轨道交通行业发展迅速，建设智慧化的列车运营体系，深入列车智能驾驶研究是城轨交通高质量发展的必然趋势，对提高列车运行自动化和智能化水平，解放人力及降低运营成本具有重大意义。然而，列车驾驶问题存在非线性、复杂高维、动态变化等特征，智能列车驱动过程的推导具有一定的挑战性。传统的机器学习方法由于学习和迁移能力有限，不能充分有效地挖掘驾驶数据，导致列车操控与预测精度不高。因此，本文融合多种新兴人工智能技术，研究基于深度与迁移学习的列车智能驾驶控制方法，其主要内容如下。 1）正常运行条件下，提出一种基于优秀驾驶员操纵模式深度学习的列车智能驾驶新方法。针对深度学习中梯度下降法易陷入局部最优，且网络选择和配置过于依赖人工经验等问题，本文有机结合智能计算和深度学习分步骤、分阶段以及粗、细学习共同优化LSTM深度网络，充分挖掘优秀驾驶员数据。其中，提出了一种新型自适应多种群链式多智能体算法（AMPCMA）来初步优化网络参数，该算法能动态调整种群大小，并保障种群信息交互，具有较强的灵活性和全局寻优能力。实验表明所提AMPCMA-LSTM模型提高了列车操控与预测的精度，且鲁棒性强。 2）针对深度网络学习任务单一，不能全面学习列车运行状态的问题，本文设计了有效的列车智能驾驶多任务网络学习机制。首先通过共享LSTM隐层及网络优化算法AMPCMA等实现列车操纵档位，档位操纵时间以及列车运行速度的多任务共性学习。其次，再利用Adam算法对网络顶层参数精细优化，对顶层各特定任务进行个性学习。共性与个性学习的有效结合，提高了LSTM网络泛化能力，改善了多任务学习效果。 3）异常驾驶场景下，提出一种基于浅层模型知识迁移的小样本集成学习的列车智能驾驶新方法，尝试探索迁移学习技术在小样本制动场景下的应用突破。首先采用基于浅层模型融合预测的小样本增强学习方法来扩充样本，并进一步迁移到Stacking集成框架中训练，降低数据过拟合概率，提高模型的泛化能力。 4）为了降低模型选择和配置的盲目性和随机性，沿用自动化机器学习的思路，提出一种基于万有引力选择策略的烟花算法（FAWGSS）优化Stacking框架，对集成学习模型进行自动裁剪和参数优化，进一步提高模型的预测精度。全方位从样本、模型和算法三个角度实现模型泛化能力和预测精度间的有效平衡和双向提升，实验表明所提FAWGSS-Stacking模型的预测误差大幅度下降，并具有良好的稳定性。 |
| 作者： | 涂永超 |
| 专业： | 计算机科学与技术 |
| 导师： | 徐凯 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
