申请/专利权人：北京交通大学

申请日：2022-09-29

公开（公告）日：2024-04-16

公开（公告）号：CN115512460B

主分类号：G07C5/08

分类号：G07C5/08;G07C5/00;G06N3/0442;G06N3/0455;G06N3/0475;G06N3/084;G06N3/094;G06F18/2113

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2023.01.10#实质审查的生效;2022.12.23#公开

摘要：本发明公开了属于数据挖掘技术领域的一种基于图注意力模型的高速列车轴温长时预测方法。该方法首先从高速列车的转向架上采集传感器数据，使用嵌入式架构融合GAT模型和门限循环GRU模型构建GRGAT框架，用于对时空预测进行聚合；使用图注意力网络GAT模型和生成对抗网络GAN模型，分析列车运行周期性变化的特点，使用GAN网络构建时间条件序列对历史轴温信息进行融合，得到高速列车轴温长时预测的GA‑GRGAT模型，实验结果显示，本发明在进行长时预测时，在两个数据集上的准确度均高于80％以上，可以满足高精度、长时间的轴温预测需求。

主权项：1.一种基于图注意力模型的高速列车轴温长时预测方法，其特征在于，包括以下步骤：步骤1、从高速列车的转向架上采集传感器数据，对传感器数据进行清洗、去噪处理，使用皮尔森相关系数对转向架上的传感器进行特征筛选，得到与轴温变化最相关的传感器数据；步骤2、构建轴温信息图结构；其图结构定义如下： 其中D代表一个网络，V是网络中的一组顶点，E是网络D中的一组边，并且eij表示从节点vi到vj的方向；此外，W是网络D中的一组权重，wij表示从节点vi到vj的权重；步骤3、获取步骤1的时间序列数据和步骤2的图结构，使用GRU门限循环单元模型有效提取高速列车轴温的时序特征，使用GAT图注意力网络模型有效提取列车转向架图结构的空间特征；结合GRU模型和GAT模型，使用GAT单元代替GRU内部原有的线性连接层，从而构建可以融合列车轴温的时空信息的GRGAT单元；并规定GRGAT框架中的重置门rt表示为更新门zt表示为与横向X拼接后的线性单元具体按以下步骤实施：步骤31，将t时刻的轴温数据输入Xt和t-1时刻的隐藏层输出ht-1横向拼接得到更新门Zt＝[ht-1||Xt]，将GRU模型原有的线性重置门rt和更新门zt使用两个不同的K层GAT网络替代；具体公式如下所示： 其中σ·为sigmoid激活函数；步骤,32：将t-1时刻的隐藏层输出ht-1与t时刻的重置门rt相乘，然后和t时刻的轴温数据Xt输入，横向拼接得到Z′t＝[rt*ht-1||Xt]，将GRU模型原有的线性单元使用一个K层GAT网络替代，从而计算t时刻的隐藏层ht输出；公式如下所示： 所述GAT模型，定义t时刻输入GAT模型的列车轴温数据为列车转向架图结构的邻接矩阵A∈Rn×n，n为列车转向架图结构的顶点数量，p为输入列车轴温属性的维度，为可学习参数，q为输出的列车轴温的特征维度，节点i的重构向量如下所示 其中LeakyReLUwT[Wxi||Wxj]为激活函数，expLeakyReLUwT[Wxi||Wxj]为指数操作，时刻i和时刻j的轴温为xi和xj，节点i和节点j的一阶领域为和学习参数为W，训练参数为w；步骤4、基于生成对抗网络构建生成器和判别器，其中生成器和判别器都包括了编码操作和解码操作；步骤5、基于生产对抗网络和GRGAT单元构建高速列车轴温长时预测GA-GRGAT模型；并基于Pytorch深度学习框架融合列车轴温的时空信息的GRGAT单元的GA-GRGAT模型训练；步骤6：使用高速列车真实在途运行数据带入GA-GRGAT模型，得到轴温的长时预测值。

全文数据：

权利要求：

百度查询： 北京交通大学 一种基于图注意力模型的高速列车轴温长时预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD