轮径值预测方法、装置、电子设备及存储介质

技术领域

本发明涉及轨道交通技术领域，尤其涉及一种轮径值预测方法、装置、电子设备及存储介质。

背景技术

目前在城市地铁中，通常采用速度传感器和应答器组合定位方式来进行列车定位，并通过里程计来计算列车的累计走行距离，但由于列车轮径磨损的影响，使得列车存在定位误差，且该误差随列车走行会不断累积。虽采用密集布置应答器的方式可以使得列车的定位精度有效提高，但是会增加建设和维护的成本，也不利于线路配置的更新。

轮径值是列车用于定位、电机转速与线速度的计算、力与力矩转换的重要参数。当轮径值设置的误差过大或出现错误时，会对牵引、制动系统及恒速控制造成一定的影响。在列车运行过程中，轮径值的偏差会导致列车自动防护子系统(Automatic TrainProtection，ATP)通过速度传感器和软件逻辑计算出的运行速度、行驶距离与实际的运行速度、行驶距离存在差异，从而导致列车无法精确定位。

现有技术中提供的一种方法是基于多传感器信息融合的轨道交通列车轮径校正方法，该方法在各传感器均工作正常时，通过多传感器信息滤波融合得到列车轮径值的最优估计，并完成轮径校正。

然而，该方法当传感器出现问题时，导致轮径值计算中断，轮径校正不成功，采用默认数据，并且仅依靠传感器自身无法消除各种外部随机干扰和测量噪声对测量结果的影响，将导致路径值计算精度不准确，从而发生列车计算位置、速度不准确，导致列车在运行过程中，不断牵引制动，不再采用同样的加速度平稳运行，从而影响乘客体验及列车牵引磨耗。

发明内容

本发明提供一种轮径值预测方法、装置、电子设备及存储介质，用以解决现有技术中存在的缺陷。

本发明提供一种轮径值预测方法，包括：

获取目标列车在历史路段的轮径值序列；

将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值；

其中，所述预测模型基于样本列车在样本行驶路径上各路段的样本轮径值，对初始模型进行训练得到，所述初始模型基于机器学习的趋势预测算法构建，所述初始模型的超参数的取值基于如下步骤确定：

选取所述样本轮径值中的预设数量个目标样本轮径值，并基于所述超参数构建目标模型；

以所述超参数为自变量，以所述目标模型从所述目标样本轮径值中获取的信息量为因变量，构建目标函数；

求解使所述目标函数的因变量取值最大的自变量取值作为所述超参数的取值。

根据本发明提供的一种轮径值预测方法，所述轮径值序列中的初始轮径值基于所述目标列车在起始路段通过轮径校正应答器时所述轮径校正应答器确定。

根据本发明提供的一种轮径值预测方法，所述样本轮径值基于如下步骤确定：

基于设置于所述样本行驶路径上各路段的轮径校正应答器，确定各路段的初始样本轮径值；

对所述初始样本轮径值中的异常值和缺失值进行填补，确定所述样本轮径值。

根据本发明提供的一种轮径值预测方法，所述异常值基于盒式图判断得到。

根据本发明提供的一种轮径值预测方法，所述预测模型为自注意力模型。

根据本发明提供的一种轮径值预测方法，将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值，包括：

将所述轮径值序列输入至所述自注意力模型的编码模块，得到所述编码模块输出的特征表示序列；

将所述特征表示序列输入至所述自注意力模型的解码模块，得到所述解码模块输出的所述目标列车在当前路段的轮径值。

本发明还提供一种轮径值预测装置，包括：

获取模块，用于获取目标列车在历史路段的轮径值序列；

预测模块，用于将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值；

其中，所述预测模型基于样本列车在样本行驶路径上各路段的样本轮径值，对初始模型进行训练得到，所述初始模型基于机器学习的趋势预测算法构建，所述初始模型的超参数的取值基于如下步骤确定：

选取所述样本轮径值中的预设数量个目标样本轮径值，并基于所述超参数构建目标模型；

以所述超参数为自变量，以所述目标模型从所述目标样本轮径值中获取的信息量为因变量，构建目标函数；

求解使所述目标函数的因变量取值最大的自变量取值作为所述超参数的取值。

根据本发明提供的一种轮径值预测装置，所述轮径值序列中的初始轮径值基于所述目标列车在起始路段通过轮径校正应答器时所述轮径校正应答器确定。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述的轮径值预测方法。

本发明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如上述任一种所述的轮径值预测方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的轮径值预测方法。

本发明提供的轮径值预测方法、装置、电子设备及存储介质，该方法首先获取目标列车在历史路段的轮径值序列；然后将轮径值序列输入至预测模型，得到预测模型输出的目标列车在当前路段的轮径值。该方法利用预测模型，可以对每一路段的轮径值进行迭代预测，进而实现轮径值的动态预测，不需要在列车经过轮径校正应答器之后才进行轮径值预测，可以提前预测目标列车在当前区段的轮径值，提高轮径值预测效率，提升列车在下一区段使用轮径值的及时性和准确性。该方法中初始模型利用基于机器学习的趋势预测算法构建，可以保证预测模型具有预测目标列车在当前区段的轮径值的能力。同时，该方法给出了初始模型的超参数的取值的确定步骤，使得确定出的超参数的取值为最优取值，如此可以提升预测模型的预测性能。该方法即使在列车行驶路径上的传感器出现问题时，也不会导致轮径值计算过程的中断，并且可以消除各种外部随机干扰和测量噪声对测量结果的影响，使得到的轮径值更加准确，精度更高，从而为列车位置、速度的准确计算提供保障，使列车在运行过程中，降低牵引制动的频率，可以采用同样的加速度平稳运行，提升乘客体验，减少列车牵引磨耗。此外，该方法由于轮径值的准确计算，可以降低对列车定位产生的误差，降低该误差随列车走行的不断累积。

附图说明

为了更清楚地说明本发明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，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是本发明提供的轮径值预测方法的流程示意图；

图2是本发明提供的轮径值预测方法中预测模型的总体架构示意图；

图3是本发明提供的轮径值预测方法的软件结构示意图；

图4是本发明提供的基于元启发算法的自注意力模型实现的轮径值预测方法的完整流程；

图5是本发明提供的轮径值预测装置的结构示意图；

图6是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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做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。

本发明的说明书和权利要求书中的术语“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

现有技术中，在进行轮径值预测时，一种方法是采用基于多传感器信息融合的轨道交通列车轮径校正方法，该方法是针对列车车轮在运行过程中逐渐磨损导致的轮径减小，从而影响轮轴速度传感器测速定位精度的问题，通过分析定位传感器的误差特性，采用轮轴速度传感器、加速度计和多普勒测速雷达构成列车组合定位系统，通过利用不同传感器的不同定位原理，进行优势互补，实现列车定位；并结合卡尔曼滤波理论，提出一种基于卡尔曼滤波的轮径值计算方法。该方法在各传感器工作正常时，通过多传感器信息滤波融合得到列车轮径值的最优估计，并完成轮径校正。然而，该方法当传感器出现问题时，导致轮径值计算中断，轮径校正不成功，采用默认数据，并且仅依靠传感器自身无法消除各种外部随机干扰和测量噪声对测量结果的影响，将导致路径值计算精度不准确，从而发生列车计算位置、速度不准确，导致列车在运行过程中，不断牵引制动，不再采用同样的加速度平稳运行，从而影响乘客体验及列车牵引磨耗。

另一种方法是基于全球定位系统(Global Positioning System，GPS)速度的列车自动轮径校正方法，该方法是根据GPS速度、每个轴的电机转速自动计算出每个轴轮径值的方法，不需要加装惯性测量装置、提前获取线路数据，只需要安装GPS装置，通过GPS装置获取列车运行的线速度，中央控制单元通过多功能列车总线(Multifunction Vehicle Bus，MVB)及以太网获取电机的转速以及GPS速度，根据在一定时间内位移相等的原理，即可计算出每根轴的轮径值。该方法节约成本的同时，方便通过仿真的方式进行轮径值结果的验证。然而，由于GPS的信号来源是卫星经过一定的策略计算后送到列车的GPS信号接收装置。而控制系统获取电机转速的通信周期却非常短，当电机转速变化较大时，由于GPS速度更新周期较慢，此时轮径值计算结果会偏差很大。同时，轮径值的计算对GPS线速度的精度要求非常高，而影响GPS信号质量的因素很多：例如大气层(电离层和对流层对GPS信号的延迟)、多径效应(经过其他表面反射到接收机天线中的GPS信号)等，这些因素都会造成GPS速度与列车真实速度在大多数情况下存在偏差，校正时间和难度都会增加，从而导致轮径值计算的精度降低。

基于此，本发明实施例中提供了一种轮径值预测方法。

根据对轮径值进行统计分析可知，轮径值具有以下几种特征：

周期性：由于列车从起始站行驶至终点站的过程具备周期性，每辆列车周期性地在固定线路上运行，线路条件不变，因此轮径值的磨耗具备周期性。

平稳性：轮径校正应答器都是经过严格测试后出厂，在日常环境和客载人数稳定情况下，列车稳定行驶过程中通过轮径校正应答器反推出的轮径值几近平稳，在一定时间中也不会发生波动，但如果日常环境和客载人数的变化过大或者发生未知情况会对轮径值数据的平稳性产生一定的影响。

有噪声，非线性：列车在轨运行通过轮径校正应答器反推出的轮径值也取决于环境变化，如果长期轮径校正应答器因为不可预估因素，导致推算出值有问题，致使ATP计算出的运行速度、行驶距离等数据出现噪声。

图1为本发明实施例中提供的一种轮径值预测方法的流程示意图，如图1所示，该方法包括：

S1，获取目标列车在历史路段的轮径值序列；

S2，将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值；

其中，所述预测模型基于样本列车在样本行驶路径上各路段的样本轮径值，对初始模型进行训练得到，所述初始模型基于机器学习的趋势预测算法构建，所述初始模型的超参数的取值基于如下步骤确定：

选取所述样本轮径值中的预设数量个目标样本轮径值，并基于所述超参数构建目标模型；

以所述超参数为自变量，以所述目标模型从所述目标样本轮径值中获取的信息量为因变量，构建目标函数；

求解使所述目标函数的因变量取值最大的自变量取值作为所述超参数的取值。

具体地，本发明实施例中提供的轮径值预测方法，其执行主体为轮径值预测装置，该装置可以配置于计算机内，该计算机可以为本地计算机或云计算机，本地计算机可以是电脑、平板等，此处不作具体限定。

首先执行步骤S1，获取目标列车在历史路段的轮径值序列。目标列车可以是需要在其行驶过程中进行轮径值预测的列车，该目标列车的行驶路径是起始站至终点站之间的路径，可以包括多个路段，每个路段均对应有一个轮径值。

通过前一路段的轮径值的迭代计算，可以计算当前路段的轮径值。即对于除目标列车在行驶路径上的起始路段外的当前路段，为预测其轮径值，需要先获取当前路段之前目标列车行驶过的历史路段的轮径值序列。该历史路段可以包括一个或多个，所有历史路段的轮径值按历史路段的先后顺序构成轮径值序列。例如，历史路段共包括n个，则轮径值序列中共包括n个轮径值，可以表示为(X

可以理解的是，轮径值序列属于周期性、非线性的时间序列，轮径值序列中轮径值的变化存在一定的趋势。

然后执行步骤S2，借助于预测模型对当前路段，即第n+1个路段的轮径值进行预测，此时可以将历史路段的轮径值序列输入至预测模型，可以由预测模型得到并输出目标列车在当前路段的轮径值X

其中，预测模型可以利用样本列车在样本行驶路径上各路段的样本轮径值，对初始模型进行训练得到。例如，在对初始模型进行训练时，对于样本行驶路径上除初始路段外的任一路段，可以将任一路段的样本轮径值输入至初始模型，得到由初始模型输出的任一路段的下一路段的轮径值预测结果，然后通过下一路段的样本轮径值以及轮径值预测结果计算损失函数的取值，当损失函数的取值收敛时即得到训练好的初始模型，即预测模型。此处，损失函数可以根据需要进行选取，例如可以选取最小化均方误差作为损失函数。

需要说明的是，初始模型可以是基于机器学习的趋势预测算法构建的，如此可以保证预测模型具有预测目标列车在当前区段的轮径值的能力。该趋势预测算法可以包括BP算法、统计回归算法、图神经网络算法等，相应地初始模型可以是BP神经网络模型、统计回归模型、图神经网络模型等。

而且，该初始模型的超参数的取值可以基于元启发式算法确定，可以使得确定出的超参数的取值为最优取值，如此可以提升预测模型的预测性能。其中，元启发式算法能够在一定程度上在全局进行搜索，找到最优解的近似解。元启发式算法的核心是探索和利用。其中，由于最优解可能存在整个搜索空间的任何位置，探索过程需要尽量探索整个搜索空间。而利用过程需要尽可能的利用到有效的信息，利用优解间的相关性来逐步调整，从初解慢慢搜索到优解。

元启发式算法包括禁忌搜索算法、模拟退火算法、遗传算法、蚁群优化算法、粒子群优化算法、人工鱼群算法、人工蜂群算法、人工神经网络算法等。

本发明实施例中提供的轮径值预测方法，首先获取目标列车在历史路段的轮径值序列；然后将轮径值序列输入至预测模型，得到预测模型输出的目标列车在当前路段的轮径值。该方法利用预测模型，可以对每一路段的轮径值进行迭代预测，实现轮径值的动态预测，不需要在列车经过轮径校正应答器之后才进行轮径值预测，可以提前预测目标列车在当前区段的轮径值，提高轮径值预测效率，提升列车在下一区段使用轮径值的及时性和准确性。该方法中初始模型利用基于机器学习的趋势预测算法构建，可以保证预测模型具有预测目标列车在当前区段的轮径值的能力。同时，该方法给出了初始模型的超参数的取值的确定步骤，使得确定出的超参数的取值为最优取值，如此可以提升预测模型的预测性能。该方法即使在列车行驶路径上的传感器出现问题时，也不会导致轮径值计算过程的中断，并且可以消除各种外部随机干扰和测量噪声对测量结果的影响，使得到的轮径值更加准确，精度更高，从而为列车位置、速度的准确计算提供保障，使列车在运行过程中，降低牵引制动的频率，可以采用同样的加速度平稳运行，提升乘客体验，减少列车牵引磨耗。此外，该方法由于轮径值的准确计算，可以降低对列车定位产生的误差，降低该误差随列车走行的不断累积。

在上述实施例的基础上，本发明实施例中提供的轮径值预测方法，所述轮径值序列中的初始轮径值基于所述目标列车在起始路段通过轮径校正应答器时所述轮径校正应答器确定。

具体地，在目标列车的行驶路径的起始路段，设置有轮径校正应答器，该轮径校正应答器可以用于对起始路段的轮径值进行计算，该起始路段的轮径值即为即轮径值序列中的初始轮径值，如此可以为预测模型的迭代预测提供准确的实际初始轮径值。

在上述实施例的基础上，本发明实施例中提供的轮径值预测方法，所述超参数的取值基于如下步骤确定：

选取所述样本轮径值中的预设数量个目标样本轮径值，并基于所述超参数构建目标模型；

以所述超参数为自变量，以所述目标模型从所述目标样本轮径值中获取的信息量为因变量，构建目标函数；

求解使所述目标函数的因变量取值最大的自变量取值作为所述超参数的取值。

具体地，超参数的取值采用元启发式算法，基于如下步骤确定：

首先，可以随机选取样本轮径值中的预设数量个目标样本轮径值，该预设数量可以根据需要进行设定，此处不作具体限定，只要能保证取值的准确确定即可。并且，利用超参数构建得到目标模型。

此后，以超参数为自变量，以目标模型从目标样本轮径值中获取的信息量为因变量，构建目标函数f(x)。其中，x为超参数，y＝f(x)为因变量。信息量可以通过熵表示。

最后，求解使目标函数f(x)的因变量取值最大的自变量取值作为超参数的取值。

在求解过程中，如果目标函数当前存在一个旧的解x

针对旧的解x

不同的元启发式算法采用的策略不同，诸如爬山法，如果新的解x

因接受概率p与d(x

此处，以模拟退火算法为例，进一步分析。

在模拟退火算法运行前期，需要采取较大的搜索范围，便于模拟退火算法更好地获取新的解，此时需采用较大的接受概率p；

在模拟退火算法运行后期，需要缩小范围在一定范围内搜索相对精确的解，此时需采用较小的接受概率p。

针对这一情况，引入与时间相关的控制变量c

模拟退火算法假设初始温度T

T

则与T

因此，接受概率p的最终结果如公式(4)所示。

最终，模拟退火算法求目标函数f(x)最大值的流程如下：

第一步，随机生成一个解x

第二步，在x

第三步，在时间步r的温度T

终止条件可以为如下三种中的一种：(1)算法达到了最终迭代次数E；(2)温度已经降到一个指定的阈值T

在上述实施例的基础上，本发明实施例中提供的轮径值预测方法，所述样本轮径值基于如下步骤确定：

基于设置于所述样本行驶路径上各路段的轮径校正应答器，确定各路段的初始样本轮径值；

对所述初始样本轮径值中的异常值和缺失值进行填补，确定所述样本轮径值。

具体地，由于列车在行驶过程中产生的轮径值数据可能因为环境影响、部件故障等因素出现异常，会训练得到的预测模型的性能产生不良影响。因此，在确定用于对初始模型进行训练的样本轮径值时，可以先利用设置于样本行驶路径上各路段的轮径校正应答器，确定各路段的初始样本轮径值，然后对初始样本轮径值进行预处理，即对初始样本轮径值中的异常值和缺失值进行填补。

其中，可以对异常值和缺失值采用均值进行填补，如此可以便于快速确定出正常的样本轮径值。

在上述实施例的基础上，本发明实施例中提供的轮径值预测方法，所述异常值基于盒式图判断得到。

具体地，由于轮径值数据往往不会严格符合常态分布，因此在判断初始样本轮径值中的异常值时，可以利用盒式图实现，如此可以快速且准确确定出其中的异常值。

由于BP神经网络模型预测的最大弊端是计算速度慢，对于原始数据量要求大；统计回归模型则需要找到一个线性或者非线性的函数来拟合原始序列的变化过程，实现过程较为复杂；图神经网络模型的扩展性受限，而且深层网络易产生特征平滑，降低获得特征表示的判别性。

基于存，在上述实施例的基础上，本发明实施例中提供的轮径值预测方法，所述预测模型为自注意力模型。

具体地，自注意力模型本质上是建模整个输入中不同部分之间的相关性，既避免了现有基于深度学习的模型在预测第t个时间片的过程中受到前t-1个时间片错误累积误差的影响，又避免了模型受限于正方形或者矩形的感受野(Receptive field)，可以决定模型自己感受野的形状和类型，提高了模型的准确率和效率。具体而言，自注意力模型将所有的输入向量分别乘以可学习的参数矩阵，为每个向量a

自注意力模型的基本思想是将预测对象随时间推移而形成的数据序列视为一个随机序列，自注意力模型来近似描述这个序列。这个模型构建后，可以根据历史的信息、当前信息，预测未来信息。

若预测模型为自注意力模型，则其可以认为是基于元启发算法实现的自注意力模型，通过自注意力模型可以计算样本行驶路径上列车在某一路段的样本轮径值和其他路段的样本轮径值之间的联系，进而建模各路段的样本轮径值之间的关系。

利用该自注意力模型可以较好地克服基于统计学的预测模型在非线性预测时预测精度差的缺点，克服BP神经网络模型的低效率问题和图神经网络模型的低扩展性问题，适应性好，在线性及非线性领域进行预测时，都能够表现出良好的预测性能。

在上述实施例的基础上，本发明实施例中提供的轮径值预测方法，将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值，包括：

将所述轮径值序列输入至所述自注意力模型的编码模块，得到所述编码模块输出的特征表示序列；

将所述特征表示序列输入至所述自注意力模型的解码模块，得到所述解码模块输出的所述目标列车在当前路段的轮径值。

具体地，预测模型的总体架构如图2所示，包括编码模块和解码模块。编码模块具体在自注意力机制的基础上，加入了多头注意力(Multi-Head Attention)结构和前馈神经网络(Feed Forward)。其中多头注意力结构能够关注输入的轮径值序列中的不同位置，增强自注意力对轮径值序列中每个路段作用的表达能力。

前馈神经网络能够通过激活函数的方式，引入非线性变换，进一步强化预测模型的表达能力，增强拟合效果。编码模块将输入的轮径值序列(X

具体自注意力的计算如公式(6)所示：

其中，Q,K,V是三个举证，分别是查询向量(Query)、键向量(Key)和值向量(Value)，通过计算查询向量Q和键向量K的相似度得到注意力的权值，之后通过注意力的权值在值向量上得到最终注意力值。

预测模型的整体预测过程如下：

第一，Z是轮径值序列X嵌入后得到的特征表示序列，Z

第二，计算自注意力的分数值，表示在编码某一个路段的轮径值时对其他路段的轮径值的关注程度，如对第i个路段的轮径值X

第三，将分数值除以

第四，将值向量V和softmax之后得到的值相乘后相加，从而得到预测模型输出的目标列车当前区段的轮径值。

在上述实施例的基础上，本发明实施例中提供的轮径值预测方法的软件结构如图3所示，包括：初始化模块、数据采集模块、数据记录模块、同步模块、预测模型和轮径值输出模块。

当目标列车通过起始路段的轮径校正应答器时，由数据采集模块采集由轮径校正应答器确定的起始路段的轮径值，并通过数据记录模块进行记录，由同步模块将数据采集模块采集的数值输入至预测模型，由预测模型得到目标列车在当前路段的轮径值，并经轮径值输出模块将目标列车在当前路段的轮径值存入数据记录模块。

此后，由同步模块将数据采集模块采集的数值同步输入至预测模型，由预测模型得到目标列车在下一路段的轮径值，并经轮径值输出模块将目标列车在下一路段的轮径值存入数据记录模块，以此循环进行，直至目标列车行驶至终点站。

本发明实施例中提供的轮径值预测方法，通过动态预测的方式来提高轮径值预测的精确度。

由于目标列车的轮径值随着目标列车的运行会不断磨损，轮径值的变化趋势整体呈单调减小的趋势变化，轮径值的减小趋势变化是随着运营时间和运营里程的变化而变化，是一种基于时间序列的变化，采取基于预测模型的分析方法，依照轮径值在之前的某一时间段内的变化趋势，对该轮径值在将来一段时间内的变化趋势进行预测。

下面是本发明实施例中提供的基于元启发算法的自注意力模型实现的轮径值预测方法的完整流程步骤，处理流程如图4所示：

1)采集样本列车在样本行驶路径上各路段的初始样本轮径值，对样本轮径值做预处理，选取预处理后的样本轮径值中的预设数量个目标样本轮径值。

2)利用元启发式算法依据预处理后的目标样本轮径值，随机获取一个超参数的初始解，设定终止条件为连续30次迭代最优解未发生变化。

3)在初始解附近随机生成一个新解，通过计算新解和初始解的距离判断是否要用新解更新初始解，如公式(5)所示。

4)满足终止条件时返回初始自注意力模型的超参数的取值，不满足条件时更新温度和时间继续求解。

5)对初始自注意力模型进行训练，得到自注意力模型。

6)输入目标列车在历史路段的轮径值序列，通过训练后的自注意力模型输出目标列车在当前路段的轮径值X

7)将X

如图5所示，在上述实施例的基础上，本发明实施例中提供了一种轮径值预测装置，包括：

获取模块51，用于获取目标列车在历史路段的轮径值序列；

预测模块52，用于将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值；

其中，所述预测模型基于样本列车在样本行驶路径上各路段的样本轮径值，对初始模型进行训练得到，所述初始模型基于机器学习的趋势预测算法构建，所述初始模型的超参数的取值基于如下步骤确定：

选取所述样本轮径值中的预设数量个目标样本轮径值，并基于所述超参数构建目标模型；

以所述超参数为自变量，以所述目标模型从所述目标样本轮径值中获取的信息量为因变量，构建目标函数；

求解使所述目标函数的因变量取值最大的自变量取值作为所述超参数的取值。

在上述实施例的基础上，本发明实施例中提供的轮径值预测装置，所述轮径值序列中的初始轮径值基于所述目标列车在起始路段通过轮径校正应答器时所述轮径校正应答器确定。

在上述实施例的基础上，本发明实施例中提供的轮径值预测装置，还包括样本轮径值确定模块，用于：

基于设置于所述样本行驶路径上各路段的轮径校正应答器，确定各路段的初始样本轮径值；

对所述初始样本轮径值中的异常值和缺失值进行填补，确定所述样本轮径值。

在上述实施例的基础上，本发明实施例中提供的轮径值预测装置，所述异常值基于盒式图判断得到。

在上述实施例的基础上，本发明实施例中提供的轮径值预测装置，所述预测模型为自注意力模型。

在上述实施例的基础上，本发明实施例中提供的轮径值预测装置，所述预测模块，用于：

将所述轮径值序列输入至所述自注意力模型的编码模块，得到所述编码模块输出的特征表示序列；

将所述特征表示序列输入至所述自注意力模型的解码模块，得到所述解码模块输出的所述目标列车在当前路段的轮径值。

具体地，本发明实施例中提供的轮径值预测装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。

图6示例了一种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)610、通信接口(Communications Interface)620、存储器(Memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行上述各实施例中提供的轮径值预测方法，该方法包括：获取目标列车在历史路段的轮径值序列；将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值；其中，所述预测模型基于样本列车在样本行驶路径上各路段的样本轮径值，对初始模型进行训练得到，所述初始模型基于机器学习的趋势预测算法构建，所述初始模型的超参数的取值基于如下步骤确定：选取所述样本轮径值中的预设数量个目标样本轮径值，并基于所述超参数构建目标模型；以所述超参数为自变量，以所述目标模型从所述目标样本轮径值中获取的信息量为因变量，构建目标函数；求解使所述目标函数的因变量取值最大的自变量取值作为所述超参数的取值。

此外，上述的存储器630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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例中提供的轮径值预测方法，该方法包括：获取目标列车在历史路段的轮径值序列；将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值；其中，所述预测模型基于样本列车在样本行驶路径上各路段的样本轮径值，对初始模型进行训练得到，所述初始模型基于机器学习的趋势预测算法构建，所述初始模型的超参数的取值如下步骤确定：选取所述样本轮径值中的预设数量个目标样本轮径值，并基于所述超参数构建目标模型；以所述超参数为自变量，以所述目标模型从所述目标样本轮径值中获取的信息量为因变量，构建目标函数；求解使所述目标函数的因变量取值最大的自变量取值作为所述超参数的取值。

又一方面，本发明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中提供的轮径值预测方法，该方法包括：获取目标列车在历史路段的轮径值序列；将所述轮径值序列输入至预测模型，得到所述预测模型输出的所述目标列车在当前路段的轮径值；其中，所述预测模型基于样本列车在样本行驶路径上各路段的样本轮径值，对初始模型进行训练得到，所述初始模型基于机器学习的趋势预测算法构建，所述初始模型的超参数的取值基于如下步骤确定：选取所述样本轮径值中的预设数量个目标样本轮径值，并基于所述超参数构建目标模型；以所述超参数为自变量，以所述目标模型从所述目标样本轮径值中获取的信息量为因变量，构建目标函数；求解使所述目标函数的因变量取值最大的自变量取值作为所述超参数的取值。

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。