公开(公告)号：CN107241397A

公开(公告)日：2017-10-10

申请号：CN201710374995.1

申请日：2017-05-24

Applicant: 清华大学

Inventor： 黄晋 ,  黄思光 ,  赵曦滨 ,  高跃 ,  杨帆

IPC: H04L29/08 ,  B61L27/00

CPC classification number: H04L67/10 ,  B61L27/0011 ,  H04L67/025 ,  H04L67/1002 ,  H04L67/1074 ,  H04L67/1097

Abstract: 本发明涉及一种基于云平台的多级列车调度指挥系统，其包括：铁道部调度指挥系统、铁路局调度指挥系统、机务段调度指挥系统和车站调度指挥系统；各级部门直接从云平台端获取计算资源，并根据计算结果下达调度命令给下级，并将调度命令上传给云平台；其中级别最低的车站调度指挥系统将调度命令传输至终端设备，同时将终端设备的反馈信息和监控信息传输至云平台。本发明能实现各级系统对存储和计算资源的弹性申请，有效避免资源的不均衡分配造成资源浪费，方便对各级部门间信息资源的统一调度与分配；便于对各级的标准化管理和各级部门权限的统一化管理；有利于大规模监控数据的存储以及大规模调度任务的计算，有效增强调度计算的实时性。

公开(公告)号：CN107239628A

公开(公告)日：2017-10-10

申请号：CN201710451803.2

申请日：2017-06-15

Applicant: 清华大学

Inventor： 黄晋 ,  夏雅楠 ,  卢莎 ,  赵曦滨

IPC: G06F17/50

CPC classification number: G06F17/5009 ,  G06F17/5095

Abstract: 本发明提供了一种基于动态时序图的不确定性机车仿真模型系统构建方法，其特征在于：步骤1、利用基本动力学模型构建基础环境模型；步骤2、注入动态时序图模型,动态时序图模型为一个基于隐马尔科夫模型的状态转移图模型；步骤3、完成动态时序图模型的不确定性参数学习，即隐马尔可夫模型的学习与训练；步骤4、动态时序图学习完毕后，输入具体不确定环境因素，不确定环境因素包括大雨天气、出现轮滑，将不确定环境因素作为模型的观察序列，即可模拟产生隐藏状态序列，及确定如何对基本物理模型修改参数使其能适应该具体环境因素下的机车运行。用该模型进行列车运行环境扰动参数的学习，与基础模型参数学习共同构建成完善的列车运行环境模型，从而更能适应多变的机车运行环境仿真模拟。

公开(公告)号：CN107195020A

公开(公告)日：2017-09-22

申请号：CN201710378150.X

申请日：2017-05-25

Applicant: 清华大学

Inventor： 赵曦滨 ,  黄晋 ,  刘炎 ,  高跃 ,  李增坤

IPC: G07C5/08

CPC classification number: G07C5/0841

Abstract: 本发明涉及一种面向列车自动驾驶模式学习的列车运行记录数据处理方法，具体包括以下步骤：步骤1、原始数据的收集与预处理，得到标准的数据集，为后续的步骤准备数据的输入；步骤2、利用步骤1中得到的标准数据集进行数据不均衡处理；步骤3、利用特征选择的算法对步骤2中的SMOTE算法处理之后的数据集进行特征的选择，将无效特征和噪声特征去除，得到最合适的特征，并将经过特征选择之后的数据集重新保存为新的数据集，存储在文本文件中。该技术方案对线路数据进行分段操作，并将司机操作日志数据与线路分段数据进行映射；同时使用SMOTE算法解决了数据的不平衡问题；使用CFS进行数据集的特征选择，得到数据集的最佳特征，对数据进行了有效降维。

公开(公告)号：CN106934461A

公开(公告)日：2017-07-07

申请号：CN201710146249.7

申请日：2017-03-13

Applicant: 清华大学

Inventor： 黄晋 ,  杨帆 ,  赵曦滨 ,  刘炎 ,  顾明 ,  孙家广

IPC: G06N7/02

Abstract: 本发明涉及一种基于FURIA的机车智能操纵优化规则归纳方法，其特征在于：步骤1、对机车行驶线路数据进行分段预处理，具体包括加算坡度和线路分段，得到按照加算坡度划分的各个坡段的特征信息；骤2、进行速度层数据预处理；步骤3、进行档位层数据预处理；步骤4、进行速度层模糊规则归纳；步骤5、进行档位层模糊规则归纳；步骤6、当次优化参数输入及优化结果计算执行；将该模型运用于机车操纵优化过程，得到达到尽可能低油耗效果的操纵序列；使用的司机驾驶日志数据是具有优秀驾驶习惯，并且最终驾驶机车能耗较低的驾驶数据，这样从这些数据中学习出来的模型才能具备节能优化的作用。

公开(公告)号：CN106844947A

公开(公告)日：2017-06-13

申请号：CN201710038010.8

申请日：2017-01-18

Applicant: 清华大学 ,  中车信息技术有限公司 ,  中车大连机车研究所有限公司

Inventor： 卢莎 ,  黄晋 ,  高跃 ,  夏雅楠 ,  杨英 ,  赵曦滨 ,  顾明

IPC: G06F17/50 ,  G06K9/62 ,  G06Q10/04 ,  B61C17/00

Abstract: 本发明提供了一种基于高阶相关学习的机车节能优化自动驾驶方法，本发明首先对司机的实际驾驶数据进行经验梳理以及预处理，然后构建一个特征组来描述机车的驾驶状态，再基于由构建的特征组描述的司机实际驾驶数据作为训练数据构建超图，并通过归纳学习过程获取超图模型，所构建的超图模型可用于实时生成驾驶操作，最后通过不断的强化更新，即通过迭代训练的方式使得通过学习获得的超图模型更加准确。由于超图模型的训练不受到时间因素的限制，因此超图模型的学习拥有更好的优化空间，且机车运行过程中应用超图模型获取机车运行操纵档位时能够取得较好的节能效果。同时，将机车在线操纵运行结果作为数据输入，使得超图模型能够不断进行调整和优化。

公开(公告)号：CN106647269A

公开(公告)日：2017-05-10

申请号：CN201611190513.9

申请日：2016-12-21

Applicant: 清华大学 ,  中车信息技术有限公司

Inventor： 黄晋 ,  杨帆 ,  黄思光 ,  赵曦滨 ,  顾明

IPC: G05B13/04

CPC classification number: G05B13/042

Abstract: 本发明提供了一种机车智能操纵优化计算方法，包括如下步骤：步骤1：对机车智能操纵优化所需信息进行预处理；步骤2：生成初始优化曲线；步骤3：基于限速进行优化调整；步骤4：基于时间偏差进行优化调整；步骤5：基于运行平稳安全档位切换的要求，对优化曲线进行调整，生成最终优化策略。每个步骤中的策略都受到机车驾驶策略影响参数的影响，这些参数在不同条件下会匹配不同的策略，共同作为策略分类属性来进行策略的分类，每个步骤的策略都可以构成策略树，树中的叶节点为最终根据分类属性匹配到的优化策略。整个方案的各个步骤满足了机车运行时准点、限速、时刻表、平稳运行、节能等各项要求，保证了良好地优化效果和整体运行效率。