(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111277810.8 (22)申请日 2021.10.2 9 (71)申请人 中国国家铁路集团有限公司 地址 100844 北京市海淀区复兴 路10号 申请人 中国铁道科 学研究院集团有限公司 　 中国铁道科 学研究院集团有限公司 基础设施检测研究所 　 北京铁科英迈技 术有限公司 (72)发明人 杨劲松　刘金朝　郭剑峰　陶凯　 彭楠　邵奇　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 代理人 许曼　刘飞 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/08(2006.01) (54)发明名称 预测轨道不平顺的模型生成方法和轨道不 平顺的预测方法 (57)摘要 本文提供了一种预测轨道不平顺的模型生 成方法和轨道不平顺的预测方法， 包括： 获取车 辆运行过程中的位移、 加速度和角速度； 对位移、 加速度和角速度进行计算， 得到轨道 不平顺实际 值序列， 其中在车辆运行过程中不同时间点对应 的不平顺实际值不同； 将加速度中的垂向加速度 输入初始神经网络模型中进行训练， 通过损失函 数循环调整初始神经网络模型； 使通过模型训练 后得到的不平顺预测值与对应的不平顺实际值 之间的差距减小， 使不平顺预测值的绝对值小于 或等于对应的不平顺实际值的绝对值， 并使不平 顺预测值序列的峰值和谷值与对应的不平顺实 际值之间的差值小于设定差值； 进而得到目标神 经网络模型。 本文能够通过模型来方便快捷的预 测轨道的不平顺情况。 权利要求书2页 说明书12页 附图6页 CN 113919236 A 2022.01.11 CN 113919236 A 1.一种预测轨道不平顺的模型生成方法， 其特 征在于， 包括： 获取车辆运行 过程中的位移、 加速度和角速度； 对所述位移、 加速度和角速度进行计算， 得到轨道的不平顺实际值序列， 其中在车辆运 行过程中不同时间点对应的不平顺实际值 不同； 将所述加速度中的垂向加速度输入初始神经网络模型中进行训练， 通过损失函数循环 调整所述初始神经网络模型； 使通过模型训练后得到的不平顺预测值与对应的不平顺实际 值之间的差距减小， 使不平顺预测 值的绝对值小于或等于对应的不平顺实际值的绝对值， 并使不平顺预测值序列的峰值和谷值与对应的不平顺 实际值之 间的差值小于设定差值； 进 而得到目标神经网络模型。 2.根据权利要求1所述的预测轨道不平顺的模型生成方法， 其特征在于， 所述损失函数 的确定方法包括： 所述损失函数由风险系数和内侧系数中至少一者， 以及不平顺实际值序列和不平顺预 测值序列的均方误差构成； 其中所述均方误差用于使通过模型训练后得到的不平顺预测值与对应的不平顺实际 值之间的差距减小； 所述风险系数用于使不平顺预测值序列的峰值和谷值等于对应的不平 顺实际值； 所述内侧系数用于使通过模型训练后得到的不平顺预测值的绝对值小于或等于 对应的不平顺实际值的绝对值。 3.根据权利要求2所述的预测轨道不平顺的模型生成方法， 其特征在于， 所述损失函数 由风险系数和内侧系数中至少一者， 以及不平顺 实际值序列和不平顺预测值序列的均方误 差构成进一 步包括： 所述损失函数通过如下公式确定： 其中， EIF_MSE为损 失函数， 为均方误差， n为不平顺实 际值序列中的不平 顺实际值个数或不平顺预测值序列中的不平顺预测值个数； 为风险系数， λ为大于等于0的任意值， y为不平顺实际值序列， yi为不平顺实际值 序列中的第i个不平顺实际值， 为0； 为内侧系数， γ为大于等于0的任意值， y为不平顺实 际值序 列， yi为不平顺实际值序列中的第i个不平顺实际值， 为不平顺预测值序列， 为不平顺预 测值序列中的第i个不平顺预测值。 4.根据权利要求1所述的预测轨道不平顺的模型生成方法， 其特征在于， 所述将所述加 速度中的垂向加速度输入初始神经网络模型中进 行训练， 通过损失函数循环调整 所述初始 神经网络模型进一 步包括： 将所述加速度中的垂向加速度输入一维卷积神经网络中进行训练， 得到第一特征序 列；权　利　要　求　书 1/2 页 2 CN 113919236 A 2将所述第一特征序列输入双向长短时记忆网络 中进行正反两个方向的传播， 得到第 二 特征序列； 将所述第二特征序列输入全连接神经网络中进行训练， 通过损失函数调整所述全连接 神经网络 。 5.根据权利要求1所述的预测轨道不平顺的模型生成方法， 其特征在于， 所述对所述位 移、 加速度和角速度进行计算， 得到 轨道的不平顺实际值序列进一 步包括： 通过惯性基准法对所述位移、 加速度和角速度进行计算， 得到轨道的不平顺初始值序 列； 通过滤波算法对所述不平顺初始值序列进行数据的平滑和拟合， 得到轨道的不平顺实 际值序列。 6.根据权利要求1所述的预测轨道不平顺的模型生成方法， 其特征在于， 所述将所述加 速度中的垂向加速度输入初始神经网络模型中进行训练进一 步包括： 由所述加速度中提取出垂向加速度， 其中在车辆运行过程中不同时间点对应的垂向加 速度不同； 按照车辆运行的时间顺序， 将垂向加速度组合形成若干个垂向加速度序列， 将若干个 垂向加速度序列输入初始神经网络模型中进 行训练， 其中每一垂向加速度序列中垂向加速 度的数目相同。 7.一种预测轨道不平顺的模型生成装置， 其特 征在于， 所述装置包括： 获取模块： 获取 车辆运行 过程中的位移、 加速度和角速度； 实际值确定模块： 对所述位移、 加速度和角速度进行计算， 得到轨道的不平顺实际值序 列， 其中在车辆运行 过程中不同时间点对应的不平顺实际值 不同； 模型确定模块： 将所述加速度中的垂向加速度输入初始神经网络模型中进行训练， 通 过损失函数循环调整 所述初始神经网络模型； 使通过模型训练后得到的不平顺预测值与对 应的不平顺 实际值之间的差距减小， 使不平顺预测值的绝对值小于或等于对应的不平顺 实 际值的绝对值， 并使不平顺预测值序列的峰值和谷值等于对应的不平顺实际值； 进而得到 目标神经网络模型。 8.一种计算机设备， 包括存储器、 处理器、 以及存储在所述存储器上的计算机程序， 其 特征在于， 所述计算机程序被所述处理器运行时， 执行根据权利要求 1‑6任意一项 所述方法 的指令。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 计算机设备的处 理器运行时， 执 行根据权利要求1 ‑6任意一项所述方法的指令 。 10.一种轨道不平顺的预测方法， 其特 征在于， 包括： 获取车辆运行 过程中的垂向加速度； 将所述垂向加速度输入由权利要求1 ‑6任意一项所述的预测轨道不平顺的模型生成方 法生成的目标神经网络模型中， 得到 轨道的不平顺 值。权　利　要　求　书 2/2 页 3 CN 113919236 A 3