首页期刊导航|交通运输工程学报
期刊信息/Journal information
交通运输工程学报
交通运输工程学报

陈荫三

双月刊

1671-1637

jygc@chd.edu.cn

029-82334388

710064

西安市南二环路中段

交通运输工程学报/Journal Journal of Traffic and Transportation EngineeringCSCD北大核心CSTPCDEI
正式出版
收录年代

    基于LSTM-KF模型的高速列车群组追踪运行轨迹预测方法

    张淼何仪娟杨博宇罗正伟...
    296-310页
    查看更多>>摘要：为进一步缩小列车追踪距离以提高运力,研究了高速列车群组追踪运行轨迹预测问题;考虑长短期记忆网络(LSTM)模型处理序列数据的优势和卡尔曼滤波(KF)模型噪声处理的能力,提出了一种新型列车轨迹预测LSTM-KF模型;使用列车运行的历史数据进行LSTM模型训练,生成了列车轨迹预测曲线;KF模型结合预测结果和动力学机理,更正了计算结果,使LSTM模型预测的列车轨迹变得平滑;依托于高铁列控系统仿真测试平台的标准线路数据进行了仿真验证.仿真结果表明:在巡航工况下,30个预测步长后,LSTM-KF、LSTM和循环神经网络(RNN)模型的位置预测误差分别为78、798和911 m,速度相对真实值的预测误差分别为1、22和1 m·s-1,LSTM-KF模型的位置均方根误差(RMSE)分别为LSTM和RNN的7％和15％,LSTM-KF模型的速度RMSE分别为LSTM和RNN的14％和30％;在加速工况下,3个模型的位置预测误差均值分别为94、294和2 691 m,速度预测误差均值分别为0.09、10.05和2.74 m·s-1;在减速工况下,3个模型的位置预测误差均值分别为1 181、4 135和4 079 m,速度预测误差均值分别为1.14、6.01和13.52 m·s-1.可见,LSTM-KF模型在不同运行工况下均能显著提升预测精度,能够有效生成长时域数据序列,为高速列车群组追踪运行提供决策.

    高速列车群组追踪运行车-车通信轨迹预测长短期记忆网络卡尔曼滤波

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    《交通运输工程学报》征稿启事

    封3页
      原文链接:
    • NETL
    • NSTL
    • 万方数据