基于LSTM的仿真系统车辆动力学模型速度预测方法与流程

本发明实施例涉及轨道交通仿真技术领域，更具体地，涉及一种基于lstm的仿真系统车辆动力学模型速度预测方法和装置。

背景技术：

室内全功能仿真测试平台中，仿真系统的车辆动力学模型主要模拟列车的牵引制动特性，根据车辆的运行特征和参数(如车辆牵引力及制动力信息)计算列车运行的加速度和速度，同时对列车运行的里程进行计算和累积。由于仿真系统对速度和位置的变化是敏感的，因此需要仿真系统的车辆动力学模型能够实时地响应并输出预测的速度及位置信息。

传统仿真系统的车辆动力学模型的速度更新过程将依据系统设计时事先提供的实际车辆动力特性参数(列车阻力、摩擦系数等)来计算。考虑各种不同的条件(坡度、紧急制动、载重、牵引力/制动力不足等)来计算实时的仿真环境中速度的输出。模型中会集成一些经验公式的计算过程，并通常会将一些通用的平均车辆特征参数引入计算过程。

现有技术全功能仿真测试平台中，仿真系统的车辆动力学模型输出的速度会遇到如下的一些问题，没有考虑车重、实际线路曲率等信息，车辆加减速使用分段经验公式，与真实存在差异，列车阻力使用经验公式，vobc(vehicleon-boardcontroller，车载控制器)输出牵引制动，动力学立即响应，与真实列车响应时间存在差异。为了获取能更好的与现场实际速度变化更接近的实时速度变化输出，基于预先设定好的包含经验参数的传统仿真系统的车辆动力学模型有其自身的限制，与列车现场实际运行过程中得到的速度输出有一定的差距。

技术实现要素：

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种基于lstm的仿真系统车辆动力学模型速度预测方法和装置。

第一方面，本发明实施例提供一种基于lstm的仿真系统车辆动力学模型速度预测方法，包括：

获取现场的真实车辆日志记录，基于线路和车型对所述真实车辆日志记录进行分类；

提取现有仿真系统中车辆动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征，所述输入特征集单独记载的与车辆速度相关的运行状态特征，以及所述真实车辆日志记录单独记载的与车辆速度相关的运行状态特征；

基于所述运行状态特征构建时间序列记录，所述时间序列记录中每条记录包括所述运行状态特征对应的特征值以及当前时刻的瞬时车辆速度；将不同线路和车型分类下的所述时间序列记录作为样本进行长短期记忆网络lstm训练，得到对应的lstm速度预测模型；

基于所述lstm速度预测模型进行仿真系统车辆动力学模型速度预测。

可选的，所述现有仿真系统中车辆动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征包括牵引状态、制动状态、ato模拟量输出，当前坡度，牵引力。

可选的，获取现场的真实车辆日志记录后，还包括：

对真实车辆日志记录进行清洗，即基于相邻上一条真实车辆日志记录中的特征值替代当前真实车辆日志记录中对应的丢失或不合法特征值。

可选的，提取现有仿真动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征，具体包括：

基于现有仿真动力学模型的输入特征集对按时间序列排列的所述真实车辆日志记录中的记录特征进行一一匹配查找，提取输入特征集与真实车辆日志记录中记录完全一致的运行状态特征。

可选的，获取所述输入特征集单独记载的与车辆速度相关的运行状态特征，具体包括：

对于输入特征集中记录有但真实车辆日志记录中没有直接记录的第一运行状态特征；若所述第一运行状态特征与车辆速度相关，则基于真实车辆日志记录中记录的与所述第一运行状态特征相关的间接记录信息导出所述第一运行状态特征；若所述第一运行状态特征与车辆速度不相关，则舍弃所述第一运行状态特征。

可选的，所述输入特征集单独记载的与车辆速度相关的运行状态特征包括道岔的正反位信息。

可选的，获取所述真实车辆日志记录单独记载的与车辆速度相关的运行状态特征，具体包括：

获取输入特征集中没有记录但真实车辆日志记录有记录的第二运行状态特征，若所述第二运行状态特征与车辆速度相关，将所述第二运行状态特征作为额外可选仿真输入特征。

可选的，所述真实车辆日志记录单独记载的与车辆速度相关的运行状态特征包括列车重量、乘客满载率。

可选的，将不同线路和车型分类下的所述时间序列记录作为样本进行长短期记忆网络lstm训练，具体包括：

将不同线路和车型分类下的所述时间序列记录作为样本，将所述样本按8:2比例分为训练集和测试集，所述训练集和所述测试集都包括多个车辆运行周期；

将所述训练集输入长短期记忆网络lstm进行训练，得到lstm速度预测模型；基于所述测试集对lstm速度预测模型进行评估。

第二方面，本发明实施例提供一种基于lstm的仿真系统车辆动力学模型速度预测装置，包括：

采集模块，用于获取现场的真实车辆日志记录，基于线路和车型对所述真实车辆日志记录进行分类；

提取模块，用于提取现有仿真系统中车辆动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征，所述输入特征集单独记载的与车辆速度相关的运行状态特征，以及所述真实车辆日志记录单独记载的与车辆速度相关的运行状态特征；

训练模块，用于基于所述运行状态特征构建时间序列记录，所述时间序列记录中每条记录包括所述运行状态特征对应的特征值以及当前时刻的瞬时车辆速度；将不同线路和车型分类下的所述时间序列记录作为样本进行长短期记忆网络lstm训练，得到对应的lstm速度预测模型；

预测模块，用于基于所述lstm速度预测模型进行车辆速度预测。

本发明实施例提出了一种基于lstm的仿真系统车辆动力学模型速度预测方法和装置，基于现场采集到的实际列车运行记录数据，使得仿真车辆动力学模型在全功能仿真测试平台中更好地模拟现场车辆的实际运行效果，基于此数据源训练基于时间序列的车辆速度预测模型，能够将现场真实的隐含模式蕴含在模型之内，隐含模式是指车辆自身的一些性能参数，并可以用来优化车辆动力学模型，如增加雨雪模式的功能，lstm模型的应用使得原本难以采用但又对实际运行速度输出的重要影响的因子以关注，可以将诸如车重、实际线路曲率以及满载率等特征引入进仿真系统；克服了传统模型没有把历史数据引入计算的问题，在整个时间序列中更长过去的时间段内使得诸如牵引力等对输出速度的一种滞后的影响计算在内。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明实施例的基于lstm的仿真系统车辆动力学模型速度预测方法示意图；

图2为根据本发明实施例的rnn元胞的示意图示意图；

图3为根据本发明实施例的展开的元胞示意图；

图4为根据本发明实施例的lstm元胞内部结构示意图；

图5为根据本发明实施例的基于lstm的仿真系统车辆动力学模型速度预测装置示意图；

图6为根据本发明实施例的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

由于现有技术中在室内全功能仿真测试平台中，为了获取能更好的与现场实际速度变化更接近的实时速度变化输出，基于预先设定好的包含经验参数的传统仿真系统的车辆动力学模型有其自身的限制，与列车现场实际运行过程中得到的速度输出还是有一定的差距。因此本发明各实施例基于现场采集到的实际列车运行记录数据，基于此数据源训练基于时间序列的车辆速度预测模型，能够将现场真实的隐含模式蕴含在模型之内，隐含模式是指车辆自身的一些性能参数，并可以用来优化车辆动力学模型，如增加雨雪模式的功能。以下将通过多个实施例进行展开说明和介绍。

图1为本发明实施例提供的一种基于lstm的仿真系统车辆动力学模型速度预测方法，包括：

s1、获取现场的真实车辆日志记录，基于线路和车型对所述真实车辆日志记录进行分类；

s2、提取现有仿真系统中车辆动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征，所述输入特征集单独记载的与车辆速度相关的运行状态特征，以及所述真实车辆日志记录单独记载的与车辆速度相关的运行状态特征；

s3、基于所述运行状态特征构建时间序列记录，所述时间序列记录中每条记录包括所述运行状态特征对应的特征值以及当前时刻的瞬时车辆速度；将不同线路和车型分类下的所述时间序列记录作为样本进行长短期记忆网络lstm训练，得到对应的lstm速度预测模型；

s4、基于所述lstm速度预测模型进行车辆速度预测。

在本实施例中，采用深度学习的lstm(longshort-termmemory，长短期记忆网络)的方法建立的模型需要数据输入进行模型的训练，因此首先要获取现场真实的车辆日志记录，在特征提取执行之前，记录文件必须进行按线路及车型等分类，为了更好的模拟当前线路当前车型的驾驶周期，在本实施例中要针对各种不同条件进行训练。主要应用车辆日志记录系统中的ato应用子系统的日志信息，其中包括如列车牵引力信息、ato模拟量输出等的列车运行的状态信息等。

具体的，日志记录信息中有可使用的大量特征，但并不是要将全部特征应用于新的模型速度预测中。在本实施例中分为如下三种情况：现有仿真动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征，所述输入特征集单独记载与车辆速度相关的运行状态特征，以及所述真实车辆日志记录单独记载的与车辆速度相关的运行状态特征。

基于上述数据源训练基于时间序列的车辆速度预测模型，能够将现场真实的隐含模式蕴含在模型之内，隐含模式是指车辆自身的一些性能参数，并可以用来优化车辆动力学模型，如增加雨雪模式的功能，lstm模型的应用使得原本难以采用但又对实际运行速度输出的重要影响的因子以关注，可以将诸如车重、实际线路曲率以及满载率等特征引入进仿真系统；克服了传统模型没有把历史数据引入计算的问题，在整个时间序列中更长过去的时间段内使得诸如牵引力等对输出速度的一种滞后的影响计算在内。

在上述实施例的基础上，所述现有仿真系统中车辆动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征包括牵引状态、制动状态、ato模拟量输出，当前坡度，牵引力。

在本实施例中，经过筛选后得到可应用到新模型的关键的特征包括牵引状态、制动状态、ato(automatictrainoperation，列车自动驾驶系统)模拟量输出，当前坡度，列车重量，牵引力、乘客满载率等。其中，现有仿真系统中车辆动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征包括牵引状态、制动状态、ato模拟量输出，当前坡度，牵引力。

在上述各实施例的基础上，获取现场的真实车辆日志记录后，还包括：

对真实车辆日志记录进行清洗，即基于相邻上一条真实车辆日志记录中的特征值替代当前真实车辆日志记录中对应的丢失或不合法特征值。

在本实施例中，采集真实车辆日志记录后需要进行数据清洗，首要目标是要将lstm应用于短期列车速度的预测。采集的真实车辆日志记录数据中会有丢失或不合法的数据，要保证数据的有效性，大多数情况下，缺失的值必须手工填入(即手工清理)。在本实施例中，采用的方法是将丢失或有不合法的真实车辆日志记录的特征的取值用当前邻近的上一条真实车辆日志记录中对应的特征值替代作为修补措施。

当然，还可以采用其他方法，如某些缺失值可以从本数据源或其它数据源推导出来，这就可以用平均值、最大值、最小值或更为复杂的概率估计代替缺失的值，从而达到清理的目的。

在上述各实施例的基础上，提取现有仿真动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征，具体包括：

基于现有仿真动力学模型的输入特征集对按时间序列排列的所述真实车辆日志记录中的记录特征进行一一匹配查找，提取输入特征集与真实车辆日志记录中记录完全一致的运行状态特征。

在本实施例中，将现有技术中的仿真系统的车辆动力学模型的输入特征集在上述实施例中清理后的按时间排列的真实车辆日志记录中的记录特征进行一一匹配查找，即仿真系统中提供给车辆动力学模型的输入与真实车辆日志记录的特征完全一致的，需要选择和使用。如仿真系统中的车辆动力学模型会从仿真驾驶台收取牵引力及制动力信息，在真实车辆的真实车辆日志记录中也会在ato应用记录中记录下牵引力及制动力的信息，因此这样的特征会被选为lstm的模型需要的基本特征之一。

在本实施例中，所述输入特征集单独记载的与车辆速度相关的运行状态特征包括道岔的正反位信息。

在上述各实施例的基础上，获取所述输入特征集单独记载与车辆速度相关的运行状态特征，具体包括：

对于输入特征集中记录有但真实车辆日志记录中没有直接记录的第一运行状态特征；若所述第一运行状态特征与车辆速度相关，则基于真实车辆日志记录中记录的与所述第一运行状态特征相关的间接记录信息导出所述第一运行状态特征；若所述第一运行状态特征与车辆速度不相关，则舍弃所述第一运行状态特征。

在本实施例中，对于仿真系统中存在的输入，但在真实车辆日志记录中没有直接体现的第一运行状态特征。这类问题处理方式有如下两种：

第一种方法，若所述第一运行状态特征与车辆速度相关，则基于真实车辆日志记录中记录的与所述第一运行状态特征相关的间接记录信息间接计算得到所述第一运行状态特征；首先如果分析后认为此第一运行状态特征对于新模型仍是必要的话，即与车辆速度相关，且通过日志的其他记录信息可以间接导出的可以采用此方法。如传统仿真系统的车辆动力学模型需要知道道岔的正反位信息，但真实车辆日志记录中不会直接记录这个信息。但真实车辆日志记录会记录当前列车所在位置，通过列车所在的位置可以在已知的电子地图中查看到道岔的正反位信息，通过间接手段是可以获得的。

第二种方法，是舍弃此类特征，判断此第一运行状态特征存在的意义及对结果的影响程度，如果分析此特征对新模型不是必要的话，即影响程度低于预设阈值，则在新的lstm的模型中舍弃此输入特征。例如，阻尼系数是现今仿真系统的车辆动力学模型应用到的一个特征量，在现有技术传统模型中使用到的经验公式需要此参数作为输入，但是这个特征量在日志记录系统中并不会体现。新的lstm模型中，制动力大小中会蕴含阻尼系统对最终速度输出的影响，而制动力大小又直接影响到最终的速度输出，因此在已经有制动力大小作为输入特征的条件下，阻尼系数在应用新模型时对输出速度的影响是可以舍弃的。

在上述各实施例的基础上，获取所述真实车辆日志记录单独记载的与车辆速度相关的运行状态特征，具体包括：

获取输入特征集中没有记录但真实车辆日志记录有记录的第二运行状态特征，若所述第二运行状态特征与车辆速度相关，将所述第二运行状态特征作为额外可选仿真输入特征。

在本实施例中，对于真实车辆日志记录的日志文件中已记录，但仿真系统中并不会出现的对列车速度很重要的第二运行状态特征，即根据历史数据得到该第二运行状态特征对速度影响权重大于预设权重。

如现场真实车辆日志记录的数据可能包括当前是否处理雨雪模式、车重及满载率等情况，但是现有传统的室内仿真动力学模型一般并没有将这类特征考虑在内。传统的模型中对此类因素的建模很困难，很难或是不方便找到现实的这类参数与车速之间对应的定量关联。但基于lstm的模型应用实际的数据会给予此类特征对车速的影响权重考虑在内，大量的训练数据会逐渐完善模型预测的准确度，达到了引入对最终速度输出有影响但不那么显著的特征以关注，这些特征(第二运行状态特征)的加入会更好的完善车辆动力学模型的速度输出预测结果。因此新的lstm的模型中也可以包含这类的输入特征。但在本实施例中，要注意当应用新的lstm模型于现有的系统中时，需要额外的增加这些输入的仿真功能接口。例如，车重特征对最终的速度输出的影响在仿真系统中并没有计算在内，要增加此项功能接口可以在仿真车辆动力学模型界面中增加选项可选择当前是否处于雨雪模式。以此种对仿真系统中引入新的以往未使用过的特征来修正仿真系统中缺失的这部分功能。

在上述各实施例的基础上，经过筛选后得到可应用到新模型的一些关键的运行状态特征包括牵引状态、制动状态、ato模拟量输出，当前坡度，列车重量，牵引力、乘客满载率等。其中列车重量、乘客满载率属于上面提到的第三种情况，即真实车辆日志记录单独记载的与车辆速度相关的运行状态特征，其他的属于上面提到的第一种情况，即现有仿真系统中车辆动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征，第二种情况，即真实车辆日志记录单独记载的与车辆速度相关的运行状态特征对应的例子，如道岔的正反位信息。。

在上述各实施例的基础上，将不同线路和车型分类下的所述时间序列记录作为样本进行长短期记忆网络lstm训练，具体包括：

将不同线路和车型分类下的所述时间序列记录作为样本，将所述样本按8:2比例分为训练集和测试集，所述训练集和所述测试集都包括多个车辆运行周期；

将所述训练集输入长短期记忆网络lstm进行训练，得到lstm速度预测模型；基于所述测试集对lstm速度预测模型进行评估。

在本实施例中，采用长短期记忆网络lstm训练，lstm模型的应用使得原本难以采用但又对实际运行速度输出的重要影响的因子以关注，可以将诸如车重、实际线路曲率以及满载率等特征引入进仿真系统。

循环神经网络rnn(recurrentneuralnetwork，循环神经网络)与长短时记忆网络lstm皆为现有的神经网络结构。现在介绍lstm是如何应用于仿真车辆动力学模型输出速度的预测问题上的。

循环神经网络rnn对如日志记录系统记录下来的时间序列数据非常有效，会对每一个时刻的输入结合当前模型的状态给出一个输出，其每个神经元(后面提到的元胞的概念)可通过内部组件保存之前输入的信息。循环神经网络rnn最大的特点是神经元的某些输出可作为其输入再次传输到神经元中，因此可以利用之前的信息。例如，在此应用中列车当前时刻的牵引力输出并不会马上作用到速度输出的变化上。循环神经网络rnn是保留之前近期的输出的一些结果为现在的速度输出提供支持。传统的神经网络无法利用前一时刻的牵引制动信息等特性，而循环神经网络则可以解决这个问题。

循环神经网络rnn虽然被设计成可以处理整个时间序列信息，但是其记忆最深的还是最后输入的一些信号。而更早之前的信号的强度则越来越低，最后只能起到一点的辅助作用，即决定rnn输出的还是最后输入的一些信号。这样的缺陷导致rnn在早期的作用并不明显，对于某些简单的问题，可能只需要最后输入的少量时序信息即可解决。但对像某些复杂问题，可能需要更早的一些信息，甚至是时间序列开头的信息。长短时记忆网络lstm是循环神经网络rnn中的一个重要结构。解决长程依赖设计的lstm不需要特别复杂的调试超参数，默认就可以记住长期的信息，lstm方法能够自动计算最优的时间间隔，因此不必预设事先规定的时间窗口，比如不必预设多久之前的输入是可有效影响当前时刻的车速的，只需让模型自动判定即可。这些特征使用lstm适用于仿真动力学模型的速度预测的应用。

循环神经网络是一处序列化的神经网络，它可以将已有的信息重复利用。对于一个循环神经网络，一个非常重要的概念就是时刻。循环神经网络会对于每一个时刻的输入结合当前模型的状态给出一个输出。图2所示的是本实施例中一个rnn基本元素，元胞(cell)的示意图，一个元胞包含3个主要元素，输入(xt)、状态以及输出(ht)。元胞并非一个独立的状态，它保留状态信息，传递给下个元胞。由图2可见，循环神经网络rnn的主体结构a的输入除了来自输入层xt，还有一个循环的边来提供当前时刻的状态。在每一个时刻，循环神经网络的模块a会取t时刻的输入xt，并输出一个值ht。同时a的状态会从当前步传递到下一步。因此，循环神经网络理论上可以被看作是同一个神经网络结构被无限复制的结果。但出于优化的考虑，目前循环神经网络无法做到真正的无限循环，所以，现实中一般会将循环体展开，得到图3所示的结构。

图3解释了信息怎样从初始状态，经过一系列中间状态，转移到最终状态ht。lstm的状态会贯穿所有串联在一起的lstm单元，从第一个lstm单元一直流向最后一个lstm单元。状态在这条隧道中传递时，lstm单元可以对其添加或删减信息，这些对信息流的修改操作由lstm中的“门”控制。循环神经网络在每一个时刻会有一个输入xt，然后根据循环神经网络当前的状态at提供一个输出ht。而循环神经网络当前的状态at是根据上一时刻的状态at-1和当前的输入xt共同决定的。对于一个序列数据，可以将这个序列上不同时刻的数据依次传入循环神经网络的输入层，而输出可以是对序列中下一时刻的预测，也可以是对当前时刻信息的处理结果。凭借对状态信息的储存和修改，lstm单元就可以实现长程记忆。

在定义了元胞间的流动方式之后，下面描述每一个lstm的元胞本身的运行方式。lstm区别于传统神经网络算法的地方，主要就在于它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构是通过在一个元胞当中被放置三扇门来实现的，分别叫做输入门、遗忘门和输出门，这些“门”的结构让信息有选择地影响循环神经网络中的每个时刻的状态。门操作一般都是多变量输入，只让其中一部分输入通过，拦住其他部分，可以理解成一个信息的滤波器，作用就是获取并记住需要的信息元素。一个信息进入lstm的网络中，可以根据规则来判断是否有用，只有符合算法认证的信息才会留下，不符合的信息则通过遗忘门被遗忘。如图4所示，“遗忘门”的作用是让循环神经网络“忘记”之前没有用的信息，例如在此应用中循环神经网络应该“忘记”上个列车运行周期(列车运行区间的一次行车过程)时的几乎所有信息，这个工作是通过“遗忘门”来完成的。“遗忘门”会根据当前的输入xt、上一时刻的状态ct-1和上一时刻的输出ht-1共同决定哪一部分记忆需要被遗忘。在循环神经网络“忘记”了部分之前的状态之后中，它还需要从当前的输入补充最新的记忆。这个过程就是“输入门”完成的。“输入门”会根据当前的输入xt，上一时刻的状态ct-1和上一时刻的输出ht-1决定哪些部分将进入当前时刻的状态。比如突然牵引力消失并施加了制动力，模型需要将这个信息写入新的状态。通过“遗忘门”和“输入门”，lstm结构可以更加有效的决定哪些信息应该被遗忘，哪些信息应该得到保留。lstm结构在计算得到新的状态ct后需要产生当前时刻的输出，这个过程是通过“输出门”完成的。“输出门”会根据最新的状态ct、上一时刻的输出ht-1和当前的输入xt来决定该时刻的输出。比如当前的状态为有制动力施加，那么列车的输出速度很可能就是下降的。

经过多次的数据迭代，这样的结构就能够提取出序列间的依赖信息。长短期记忆网络lstm是rnn的一个特例，它特殊的结构使得它能够拥有更长的依赖能力。

根据上述的lstm工作原理，在当前的应用里，每一个时刻会有一个输入当前时刻列车产生的实时记录xt(包含有牵引状态、制动状态、ato模拟量输出，当前坡度，列车重量，牵引力、乘客满载率等特征信息)，结合上一时刻元胞输出状态ct-1以及上一时刻的列车速度ht-1，根据循环神经网络当前的状态ct(丢弃掉的希望是没用的状态数据与加入的希望是有用的新的数据的结合)，提供一个当前时刻列车速度的输出ht。

将原始数据首先划分为两组，按8：2的比例将其分割成训练集及测试集，训练集和测试集都应包含多个列车运行周期，注意分割尽量满足另一个条件，即两组的开头及结束时的列车速度是零速，以保证时间序列上的能够在列车速度的运行逻辑上经历到完整的运行周期，从某一次发车开始输入，到某一次停车为止。

在训练集上应用lstm，意味着在训练集上调整模型的内部的权重。每个样本为时间序列上的一条记录，每条记录都包含已经定义好的筛选出的多个特征的取值以及当前时刻的瞬时列车速度。按照时间序列的先后顺序逐一将训练集中的样本输入lstm速度预测模型。lstm速度预测模型会根据新输入的数据的特征取值及速度标签自动调整内部权重。

训练完模型之后，为了测量lstm有效性，要对模型效果进行评估。评估时将在测试集上进行，这将为未来未知的数据提供模型表现效果的一个估计。模型将在整个测试集上去评估损失函数，此预测速度的应用中采用均方误差函数作为损失函数，用来评估预测出的速度与实际的速度的偏离程度，继而使模型的损失函数的值达到预期效果。

在本实施例中，对模型的准确度达到设定满意度阈值后，就可以把模型保存下来。这样下次需要预测时，可以直接加载模型来进行预测，而不是重新训练一遍模型。

训练出来的模型可以把模型内的权重参数保存起来，下次使用时直接加载即可。

本发明实施例还提供一种基于lstm的仿真系统车辆动力学模型速度预测装置，基于上述各实施例中的基于lstm的仿真系统车辆动力学模型速度预测方法，如图5所示，包括采集模块40、提取模块50、训练模块60和预测模块70，其中：

采集模块40获取现场的真实车辆日志记录，基于线路和车型对所述真实车辆日志记录进行分类；

提取模块50提取现有仿真系统中车辆动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征，所述输入特征集单独记载与车辆速度相关的运行状态特征，以及所述真实车辆日志记录单独记载的与车辆速度相关的运行状态特征；

训练模块60基于所述运行状态特征构建时间序列记录，所述时间序列记录中每条记录包括所述运行状态特征对应的特征值以及当前时刻的瞬时车辆速度；将不同线路和车型分类下的所述时间序列记录作为样本进行长短期记忆网络lstm训练，得到对应的lstm速度预测模型；

预测模块70基于所述lstm速度预测模型进行车辆速度预测。

图6为本发明实施例提供的电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)810、通信接口(communicationsinterface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储在存储器830上并可在处理器810上运行的计算机程序，以执行上述各实施例提供的基于lstm的仿真系统车辆动力学模型速度预测方法，例如包括：

s1、获取现场的真实车辆日志记录，基于线路和车型对所述真实车辆日志记录进行分类；

s2、提取现有仿真系统中车辆动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征，所述输入特征集单独记载的与车辆速度相关的运行状态特征，以及所述真实车辆日志记录单独记载的与车辆速度相关的运行状态特征；

s3、基于所述运行状态特征构建时间序列记录，所述时间序列记录中每条记录包括所述运行状态特征对应的特征值以及当前时刻的瞬时车辆速度；将不同线路和车型分类下的所述时间序列记录作为样本进行长短期记忆网络lstm训练，得到对应的lstm速度预测模型；

s4、基于所述lstm速度预测模型进行车辆速度预测。

此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于lstm的仿真系统车辆动力学模型速度预测方法，例如包括：

s1、获取现场的真实车辆日志记录，基于线路和车型对所述真实车辆日志记录进行分类；

s2、提取现有仿真系统中车辆动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征，所述输入特征集单独记载的与车辆速度相关的运行状态特征，以及所述真实车辆日志记录单独记载的与车辆速度相关的运行状态特征；

s3、基于所述运行状态特征构建时间序列记录，所述时间序列记录中每条记录包括所述运行状态特征对应的特征值以及当前时刻的瞬时车辆速度；将不同线路和车型分类下的所述时间序列记录作为样本进行长短期记忆网络lstm训练，得到对应的lstm速度预测模型；

s4、基于所述lstm速度预测模型进行车辆速度预测。

本发明实施例还提供本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行如上述的基于lstm的仿真系统车辆动力学模型速度预测方法，例如包括：

s1、获取现场的真实车辆日志记录，基于线路和车型对所述真实车辆日志记录进行分类；

s2、提取现有仿真系统中车辆动力学模型的输入特征集与真实车辆日志记录中记录一致的运行状态特征，所述输入特征集单独记载的与车辆速度相关的运行状态特征，以及所述真实车辆日志记录单独记载的与车辆速度相关的运行状态特征；

s3、基于所述运行状态特征构建时间序列记录，所述时间序列记录中每条记录包括所述运行状态特征对应的特征值以及当前时刻的瞬时车辆速度；将不同线路和车型分类下的所述时间序列记录作为样本进行长短期记忆网络lstm训练，得到对应的lstm速度预测模型；

s4、基于所述lstm速度预测模型进行车辆速度预测。

综上所述，本发明实施例提供的一种基于lstm的仿真系统车辆动力学模型速度预测方法和装置，基于现场采集到的实际列车运行记录数据，使得仿真车辆动力学模型在全功能仿真测试平台中更好地模拟现场车辆的实际运行效果，基于此数据源训练基于时间序列的车辆速度预测模型，能够将现场真实的隐含模式蕴含在模型之内，隐含模式是指车辆自身的一些性能参数，并可以用来优化车辆动力学模型，如增加雨雪模式的功能，lstm模型的应用使得原本难以采用但又对实际运行速度输出的重要影响的因子以关注，可以将诸如车重、实际线路曲率以及满载率等特征引入进仿真系统；克服了传统模型没有把历史数据引入计算的问题，在整个时间序列中更长过去的时间段内使得诸如牵引力等对输出速度的一种滞后的影响计算在内。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。