一种车地无线数据延时补偿方法及其装置

技术领域

本发明涉及轨道车辆数据处理技术领域，尤其涉及一种车地无线数据延时补偿方法及其装置。

背景技术

轨道交通通讯系统通常包括有线通信网络和无线通讯网络，如图1所示，其中，固定设备，如电气设备、动力设备、地面服务器等一般采用以太网或光纤一类的有线通讯。而移动装备，如车辆一般采用4G或WIFI一类的无线通讯，即车地无线通讯数据一般通过无线通讯进行传输。

通常情况下，轨道交通地面调度系统以及能量管理控制系统需要综合采集有线和无线量测数据进行实时决策调控。然而，有线通讯的网络延迟通常在纳秒至毫秒级别，而无线通讯的网络延迟则在秒级以上。因此，无线通讯网络的延迟成为了整个闭环系统的瓶颈，大幅降低了昂贵有线通讯网络所能带来的收益。例如，国内某地铁线路的有线网络采用了光纤双环网结构，网络延迟在100纳秒左右。而无线网络则采用了4G通讯，网络延迟在3-5秒左右。因此，整体网络通讯的有效速率被限制在秒级范围内，从而无法发挥光纤环网的优势。

随着5G技术日趋成熟的发展，无线通讯的延时可以被缩短到百毫秒以内。但因其高昂的成本以及高速移动车辆对通讯网络本身带来不可避免的干扰，目前4G网络依旧是现有轨道交通系统主要采用的通讯网络。

发明内容

本发明的目的是针对现有技术所存在的缺陷，提供一种车地无线数据延时补偿方法及其装置，该方法采用多代理方式，采用两个模型分别对电压、电流进行状态预测，可以补偿网络延迟对数据传输造成的影响。

为实现上述目的，本发明提供了一种车地无线数据延时补偿方法，所述车地无线数据延时补偿方法包括：

获取预设时间段内的车地无线延迟数据构成的时序数据，并将所述时序数据进行正规化处理；

将正规化处理之后的时序数据输入训练好的长短期记忆网络模型和设置有电流相关状态量权重的长短期记忆网络模型，生成车地无线预测数据；所述车地无线预测数据包括预测电流数据和预测电压数据；

将所述预测电流数据和预测电压数据进行静态潮流校核，生成校核结果；

将所述校核结果与预设的校核结果阈值进行比较，如果所述校核结果小于所述预设的校核结果阈值，利用所述预测电流数据和预测电压数据进行延时补偿。

优选的，获取预设时间段内的车地无线延迟数据构成的时序数据之前，还包括：

对长短期记忆网络模型进行离线训练和测试。

进一步优选的，所述对长短期记忆网络模型进行离线训练和测试，具体包括：

获取车地无线历史存储数据，并对所述车地无线历史存储数据进行正规化处理；

将正规化处理之后的预设第一比例的所述车地无线历史存储数据输入预设的长短期记忆网络模型，得到训练好的长短期记忆网络模型；

将正规化处理之后的预设第二比例的所述车地无线历史存储数据输入所述训练好的长短期记忆网络模型，生成测试结果；

对所述测试结果进行准确度计算，得到测试误差；

当所述测试误差小于预设的测试误差阈值时，则利用所述训练好的长短期记忆网络模型，生成车地无线预测数据。

更进一步优选的，所述生成测试结果之后，还包括：

当所述测试误差不小于预设的测试误差阈值时，调整模型超参数继续训练，生成第一测试误差，并实时计算训练次数；

如果训练次数小于预设的次数阈值，且第一测试误差小于预设的测试误差阈值，上传更新所述长短期记忆网络模型。

更进一步优选的，所述实时计算训练次数之后，还包括：

如果训练次数不小于预设的次数阈值，不更新所述长短期记忆网络模型。

更进一步优选的，所述将正规化处理之后的预设第一比例的所述车地无线历史存储数据输入预设的长短期记忆网络模型，得到训练好的长短期记忆网络模型，具体包括：

将所述车地无线历史存储数据输入预设的长短期记忆网络模型，生成第一预测数据；

根据所述第一预测数据和量测数据计算损失值；

根据所述损失值，采用预设的优化算法进行长短期记忆网络模型权重的调整。

优选的，所述将所述预测电流数据和预测电压数据输入预设的静态模型进行静态潮流校核，生成校核结果，具体包括：

将预测电压数据、预测电流数据与电气量测数据输入预设的静态模型进行牵引网潮流计算，生成校核结果。

本发明实施例第二方面提供了一种车地无线数据延时补偿装置，包括：

处理模块，用于获取预设时间段内的车地无线延迟数据构成的时序数据，并将所述时序数据进行正规化处理；

将正规化处理之后的时序数据输入训练好的长短期记忆网络模型和设置有电流相关状态量权重的长短期记忆网络模型，生成车地无线预测数据；所述车地无线预测数据包括预测电流数据和预测电压数据；

将所述预测电流数据和预测电压数据进行静态潮流校核，生成校核结果；

将所述校核结果与预设的校核结果阈值进行比较，如果所述校核结果小于所述预设的校核结果阈值，利用所述预测电流数据和预测电压数据进行延时补偿。

本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；

所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；

所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。

本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。

本发明实施例提供的一种车地无线数据延时补偿方法，通过将采集到的车地无线延迟时序数据，输入长短期记忆网络模型以及引入注意力机制的长短期记忆网络模型，可以对当前时刻的电流和电压进行预测，从而可以对轨道交通车地无线延迟数据进行延时补偿处理，保证轨道交通量测系统准确、实时、高效运行；同时，该方法无需对既有通讯网络进行升级，无需增加额外的硬件，即可保证离线训练的性能，又能保证在线应用时系统的稳定性，实现了即插即用的功能，而且，该方法不需要数学建模，通过循环神经网络的拟合特性，解决了轨道交通运行过程中随机因素以及不确定因素带来的影响。

附图说明

图1为本发明实施例提供的轨道交通数据通信示意图；

图2为本发明实施例提供的车地无线数据延时补偿方法流程图之一；

图3为本发明实施例提供的车地无线数据延时补偿方法流程图之二；

图4为本发明实施例提供的车地无线数据延时补偿方法流程图之三；

图5为本发明实施例提供的车地无线数据延时补偿方法训练测试框图；

图6为本发明实施例提供的车地无线数据延时补偿方法训练应用框图；

图7为本发明实施例提供的应用车地无线数据延时补偿方法得到的电压预测结果示意图；

图8为本发明实施例提供的应用车地无线数据延时补偿方法得到的电流预测结果示意图；

图9为本发明实施例提供的应用车地无线数据延时补偿方法得到的电压预测误差示意图；

图10为本发明实施例提供的应用车地无线数据延时补偿方法得到的电流预测误差示意图；

图11为本发明实施例提供的车地无线数据延时补偿装置的模块结构图；

图12为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

本发明实施例提供的一种车地无线数据的延时补偿方法，将长短期记忆网络模型和注意力机制应用在轨道车辆的数据处理过程中，可以补偿网络延迟对数据传输造成的影响。

实施例一

图2为本发明实施例提供的车地无线数据的延时补偿方法流程图之一，下面结合图2，对本发明的技术方案以具体实施例进行说明。

本发明实施例提供的一种车地无线数据延时补偿方法，具体可以包括如下步骤：

步骤110，获取预设时间段内的车地无线延迟数据构成的时序数据，并将时序数据进行正规化处理；

具体的，预设时间段具体可以是从车辆运营开始到运营结束之间的时间。例如，从早上六点到晚上零点的时间。车地无线延迟数据具体可以包括：时间、电压、电流、牵引指令、制动指令、速度、载荷、牵引制动级位、下一站ID、终点站ID、加速度和行驶距离等。正规化处理可以理解为将时序数据转换为模型要求的输入格式，即将时序数据中的任一列的最小值转换为0，最大值转换为1，其余数据介于0和1之间，这样可以保证初始权重相当。

步骤120，将正规化处理之后的时序数据输入训练好的长短期记忆网络模型和设置有电流相关状态量权重的长短期记忆网络模型，生成车地无线预测数据；

其中，车地无线预测数据具体可以包括预测电流数据和预测电压数据。需要说明的是，由于无线网络传输的滞后性，这里的预测数据指的是经预测的当前时刻的数据，也就是根据滞后时间之前的数据预测的当前时刻的数据。

长短期记忆(Long Short-Term Memory，LSTM)是循环神经网络(RecurrentNeural Network，RNN)的变种，这里只做简单介绍。RNN的计算表达式为：

其中，x

LSTM主要是为了解决长序列训练过程中的梯度爆炸和梯度消失问题。相比于RNN，LSTM引入遗忘门f，输入门i,内部记忆单元c和输出门o。

遗忘门f用于控制输入x

f

其中W

输入门i用于控制输入x

其中W

因此，内部记忆单元c的当前时刻单元状态表达式如下：

最后，输出门o的表达式为：

可以看出，LSTM的输出h

以上所有表达式的σ函数通常指sigmoid函数，起到门控作用。因为其输出在0-1之间，当输出接近0或者1时，符合物理上的关或开意义。

循环神经网络中的隐状态h

由于直流牵引网的网压相对比较平稳，所以，轨道交通车辆的端电压相对稳定，很少出现大幅剧烈波动。因此，对电压的预测只需要采用最基础的LSTM模型即可。然而，车辆驾驶员的操作会对行驶中的轨道交通车辆的功率产生较大影响，而这部分波动将反映在电流上。因此，对电流的预测需要采用一些特别手段，进而更为有效地提取出特征值，在LSTM模型中引入注意力机制(Attention Mechanism)。在深度神经网络引入注意力机制可以帮助神经网络逐渐将对输出影响更大的输入状态剥离出来，从而减弱其他输入特征的影响。在本例中，具体是在长短期记忆网络模型中设置有电流相关状态量权重，也就是采用了多代理方式，使用LSTM的隐藏层输出向量H＝{h

其中，W

为避免引入注意力机制带来的算法复杂度的问题，本申请提出了多代理(Multi-Agent)方式，用不同模型分别对电压、电流进行延时补偿，即状态预测。但是两个代理共享相同的输入，只是对不同输入状态设置有不同权重。其中，第一个代理为基础的LSTM网络模型，用来预测电压。第二个代理为在基础的LSTM网络模型中加入注意力机制，加大与电流相关的状态量权重，用来预测电流。也就是本申请无需对既有通讯网络进行升级，无需增加额外的硬件，即可保证离线训练的性能，又能保证在线应用时系统的稳定性，实现了即插即用的功能。

因此，在执行步骤110之前，该方法还包括：

对长短期记忆网络模型进行离线训练和测试。需要说明的是，这里的长短期记忆网络模型指的是基础的长短期记忆网络模型和设置有电流相关状态量权重即注意力机制的长短期记忆网络模型，也就是两个模型的区别仅仅在于是否引入了注意力机制，因此对其进行训练和测试的过程均相同。

该步骤具体可以通过如图3中所示的子步骤执行：

步骤101，获取车地无线历史存储数据，并对车地无线历史存储数据进行正规化处理；

其中，车地无线历史存储数据可以理解为训练模型而采集保存的实验数据。本步骤的正规化处理同步骤110中的方法，在此不再赘述。

步骤102，将正规化处理之后的预设第一比例的车地无线历史存储数据输入预设的长短期记忆网络模型，得到训练好的长短期记忆网络模型；

具体的，如图4中所示，该步骤具体可以通过以下步骤实现：

步骤1021，将车地无线历史存储数据输入预设的长短期记忆网络模型，生成第一预测数据；

步骤1022，根据第一预测数据和量测数据计算损失值；

其中，量测数据可以理解为无延迟的电气量测数据。损失值越小，模型的鲁棒性越好。

步骤1023，根据损失值，采用预设的优化算法进行长短期记忆网络模型权重的调整。

其中，预设的优化算法具体可以为Adam优化算法。

在一个具体的例子中，预设第一比例可以为80％。

需要说明的是，对预设的长短期记忆网络模型的训练一般都要重复很多次。因此，每次调整权重之后，要重复执行步骤1021～1023，直到损失值小于预设阈值，才可以将训练好的长短期记忆网络模型进行输出。

步骤103，将正规化处理之后的预设第二比例的车地无线历史存储数据输入训练好的长短期记忆网络模型，生成测试结果；

具体的，当将车地无线历史存储数据输入训练好的长短期记忆网络模型后，会输出正规化的电流和电压的预测值。然后对电流和电压预测值进行反正规化处理，得到电流和电压实际的预测值。

示例而非限定，预设第二比例可以为20％。

步骤104，对测试结果进行准确度计算，得到测试误差；

具体的，准确度具体可以采用均方根误差(RMSE)进行衡量，具体计算如下：

其中，y

当测试误差小于预设的测试误差阈值时，执行步骤105，否则执行步骤106～108。

步骤105，利用训练好的长短期记忆网络模型，生成车地无线预测数据。

其中，训练好的长短期记忆网络模型，可以理解为准确度最高的模型。

步骤106，调整模型超参数继续训练，生成第一测试误差，并实时计算训练次数；

具体的，每次训练起始时，都会自动调整LSTM模型的超参数并保存。其中，超参数具体可以包括神经网络隐藏层数、神经元个数以及学习率等。

步骤107，如果训练次数小于预设的次数阈值，且第一测试误差小于预设的测试误差阈值，上传更新长短期记忆网络模型。

步骤108，如果训练次数不小于预设的次数阈值，不更新长短期记忆网络模型。

示例而非限定，训练次数具体可以为5次。

步骤130，将预测电流数据和预测电压数据进行静态潮流校核，生成校核结果；

具体的，校核的目的主要是判断预测数据是否满足当前量测系统基本物理特性，例如基本的欧姆定律和基尔霍夫电流定律。

进一步具体的，将预测电压数据、预测电流数据与电气量测数据输入预设的静态模型进行牵引网潮流计算，生成校核结果。

步骤140，将校核结果与预设的校核结果阈值进行比较，如果校核结果小于预设的校核结果阈值，利用预测电流数据和预测电压数据进行延时补偿。

具体的，当校核结果小于预设的校核结果阈值时，说明模型的拟合误差在规定范围内，可以将预测数据发送给控制中心，使其利用预测数据进行延时补偿，保证轨道交通量测系统准确、实时、高效运行。当校核结果不小于预设的校核结果阈值时，会弃置该预测数据，并向控制中心发出提示信号。

这样，可以保证LSTM模型每天都处于性能优化状态，并随着运行时间的积累，逐渐达到最优，不需要数学建模，通过循环神经网络的拟合特性，就可以解决轨道交通运行过程中随机因素以及不确定因素带来的影响。

以上介绍了一种车地无线数据延时补偿方法的具体实现过程，下面结合图5和图6，简单介绍该方法的具体应用流程。

需要说明的是，图5可以理解为对图6离线训练部分的详细解释。该方法在实际应用时，模型更新频率可以为每日，由于训练大约需要1小时的时间，训练任务可在夜间收车时段进行，例如当天网上零点整，软件平台将当天的数据进行存储，一部分作为训练数据，一部分作为测试数据，经过正规化处理，输入多代理LSTM模型中，可以实现对电压和电流的预测，然后将预测电压和预测电流进行损失函数计算，进而根据损失函数采用Adam优化器中进一步对模型参数进行调整，直到损失值小于预设的阈值时，将训练好的模型用于测试中，当测试结果满足要求后，例如准确度大于98％，上传更新后的模型到应用服务器，供接下来一天使用。如果测试结果未达标，则重新进行训练，重复5次仍未达标则上传上一次训练的LSTM模型，并发出告警指示。

在线应用时，利用训练并测试好的LSTM模型进行预测，得到的预测数据输入静态模型进行校验，判断模型误差是否满足预设的阈值，如果满足，则将预测结果发送给控制中心，否则，将该预测结果抛弃。

以上介绍了一种车地无线数据延时补偿方法以及应用流程，下面以一个具体的例子，进一步说明该方法的应用效果。

应用对象国内某地铁，实验数据采集时间为一周，采样频率0.5秒。其中，80％的数据用于训练，剩余20％的数据用于测试。统计得到轨道交通4G无线通讯网络的平均延迟在3秒左右。因此，预测数据可以设为当前时刻接收数据之后3秒的电压、电流预测值。

轨道交通车辆的电压和电流预测结果如图7和8所示。颜色较浅的部分为电气设备量测的实际值，颜色较深部分为模型预测的预测值，从图中可以看出，实际值和预测值几乎接近。

电压、电流的预测误差如图9和10所示。经计算电压预测的准确率达到99％，而电流预测的准确率达到98％。车辆功率预测的最大偏差小于3kW，完全属于工程应用可接受范围。

本发明实施例提供的一种车地无线数据延时补偿方法，通过将采集到的车地无线延迟时序数据，输入长短期记忆网络模型以及引入注意力机制的长短期记忆网络模型，可以对当前时刻的电流和电压进行预测，从而可以对轨道交通车地无线延迟数据进行延时补偿处理，保证轨道交通量测系统准确、实时、高效运行；同时，该方法无需对既有通讯网络进行升级，无需增加额外的硬件，即可保证离线训练的性能，又能保证在线应用时系统的稳定性，实现了即插即用的功能，而且，该方法不需要数学建模，通过循环神经网络的拟合特性，解决了轨道交通运行过程中随机因素以及不确定因素带来的影响。

实施例二

图11为本发明实施例二提供的一种车地无线数据延时补偿装置的模块结构图，该装置可以为能够实现本申请实施例一提供的方法的装置。如图11所示，该装置包括：

处理模块201，用于获取预设时间段内的车地无线延迟数据构成的时序数据，并将时序数据进行正规化处理；

处理模块201，还用于将正规化处理之后的时序数据输入训练好的长短期记忆网络模型，生成车地无线预测数据；长短期记忆网络模型设置有电流相关状态量权重；车地无线预测数据包括预测电流数据和预测电压数据；

将预测电流数据和预测电压数据进行静态潮流校核，生成校核结果；

将校核结果与预设的校核结果阈值进行比较，如果校核结果小于预设的校核结果阈值，利用预测电流数据和预测电压数据进行延时补偿。

在本实施例提供的一个具体实现方式中，处理模块201还用于：

对长短期记忆网络模型进行离线训练和测试。

在本实施例提供的另一个具体实现方式中，处理模块201具体用于：

获取车地无线历史存储数据，并对车地无线历史存储数据进行正规化处理；

将正规化处理之后的预设第一比例的车地无线历史存储数据输入预设的长短期记忆网络模型，得到训练好的长短期记忆网络模型；

将正规化处理之后的预设第二比例的车地无线历史存储数据输入训练好的长短期记忆网络模型，生成测试结果；

对测试结果进行准确度计算，得到测试误差；

当测试误差小于预设的测试误差阈值时，则利用训练好的长短期记忆网络模型，生成车地无线预测数据。

在本实施例提供的另一个具体实现方式中，处理模块201还用于：

当测试误差不小于预设的测试误差阈值时，调整模型超参数继续训练，生成第一测试误差，并实时计算训练次数；

如果训练次数小于预设的次数阈值，且第一测试误差小于预设的测试误差阈值，上传更新长短期记忆网络模型。

在本实施例提供的另一个具体实现方式中，处理模块201还用于：

如果训练次数不小于预设的次数阈值，不更新长短期记忆网络模型。

在本实施例提供的另一个具体实现方式中，处理模块201具体用于：

将车地无线历史存储数据输入预设的长短期记忆网络模型，生成第一预测数据；

根据第一预测数据和量测数据计算损失值；

根据损失值，采用预设的优化算法进行长短期记忆网络模型权重的调整。

在本实施例提供的另一个具体实现方式中，处理模块201具体用于：将预测电压数据、预测电流数据与电气量测数据输入预设的静态模型进行牵引网潮流计算，生成校核结果。

本发明实施例提供的一种车地无线数据延时补偿装置，可以执行上述方法实施例中的方法步骤，其实现原理和技术效果类似，在此不再赘述。

实施例三

图12为本发明实施例三提供的一种电子设备的结构示意图。如图12所示，该电子设备300可以包括：处理器31(例如CPU)、存储器32、收发器33；收发器33耦合至处理器31，处理器31控制收发器33的收发动作。存储器32中可以存储各种指令，以用于完成各种处理功能以及实现本发明实施例电子设备执行的方法步骤。优选的，本发明实施例涉及的电子设备还可以包括：电源34、系统总线35以及通信端口36。系统总线35用于实现元件之间的通信连接。上述通信端口36用于电子设备与其他外设之间进行连接通信。

该图12中提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。

上述的处理器可以是通用处理器，包括中央处理器CPU、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

实施例四

本发明实施例还提供一种计算机可读存储介质，该存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。