一种车载ATP通信信号综合监测系统及方法与流程

一种车载atp通信信号综合监测系统及方法
技术领域
1.本发明涉及轨道交通技术领域，更具体地说，涉及一种车载atp通信信号综合监测系统及方法。


背景技术：

2.车载自动列车保护(atp)系统是一种用于监控和控制列车运行的关键系统，它确保列车在规定的速度和距离限制内安全运行。atp系统是一个动态且高度复杂的系统，它包含多个参数，如列车速度、位置、制动力等，这些参数在运行过程中会持续变化，并且它们之间存在着复杂的相互关系。此外，由于各种原因（如技术故障、环境变化等），atp系统可能会出现故障或异常，这需要进行实时且准确的监测和处理。


技术实现要素：

3.本发明要解决的技术问题是提供一种车载atp通信信号综合监测系统及方法，以解决背景技术中提到的问题。
4.为了达到上述目的，本发明采取以下技术方案：
5.一种车载atp通信信号综合监测方法，包括如下步骤：
6.s1：收集车载atp系统运行参数，包括但不限于列车速度v(t)，位置p(t)，制动力b(t)，组合这些参数形成输入数据向量x(t) = [v(t), p(t), b(t), ...]，并在滑动时间窗口w内组成输入数据矩阵x[n][m]，其中n为时间窗口内的采样数，m为每个样本的特征数；同时进行数据预处理和增强；
[0007]
s2：将输入数据矩阵x[n][m]输入到长短期记忆神经网络lstm中，将lstm网络输出的隐藏状态输入到图神经网络gnn中进行处理；其中，lstm用于处理序列数据，gnn用于捕捉和建模参数间的依赖关系；通过lstm和gnn的联合作用，进一步预测下一个时间步的参数向量xp(t+1)；
[0008]
lstm网络和gnn的参数优化通过adam优化算法和反向传播算法进行；
[0009]
s3：计算预测参数向量xp(t+1)与实际参数向量x(t+1)间的加权均方误差（mse）作为损失函数，损失函数l的计算公式为：
[0010][0011]
其中l 是损失函数，n 是在滑动时间窗口内的采样数，xp(i) 是预测的参数向量，x(i) 是实际的参数向量，wi 是给定样本的权重；
[0012]
s4：设定阈值θ，当损失函数l的值大于阈值θ时，认定atp系统存在故障风险；
[0013]
s5：当损失函数l的值大于阈值θ时，系统自动调整车载atp的操作参数，采用强化学习算法通过与列车的运行状态交互，寻找最佳的操作参数调整策略以最小化损失函数l，包括但不限于调整制动力的大小、改变列车速度，以期达到预测的参数状态xp(t+1)；
[0014]
s6：利用生成对抗网络gan生成可能的故障模式，训练监测系统识别这些模式，当损失函数l的值超过了设定的更高阈值θ'，系统自动生成包括故障发生的时间、位置以及相关参数值信息的故障报告，并发送至维护人员；在生成可能的故障模式时，引入条件变量，包括车辆类型和路线类型，以生成更具针对性的可能故障模式。
[0015]
优选的，当系统检测到车载atp系统可能存在异常时，自动缩短滑动时间窗口w，以加快系统对异常的反应速度；当系统检测到车载atp系统运行正常时，自动延长滑动时间窗口w，以降低系统的误报率。
[0016]
优选的，所述强化学习算法采用深度q网络进行。
[0017]
优选的，当损失函数l的值超过了设定的更高阈值θ'后，除了生成故障报告外，系统还会触发自动停车程序，以防止可能的事故。
[0018]
本发明还公开一种车载atp通信信号综合监测系统，包括：
[0019]
数据收集和处理模块，用于收集车载atp系统运行参数，包括但不限于列车速度v(t)，位置p(t)，制动力b(t)，组合这些参数形成输入数据向量x(t) = [v(t), p(t), b(t), ...]，并在滑动时间窗口w内组成输入数据矩阵x[n][m]，其中n为时间窗口内的采样数，m为每个样本的特征数；该模块同时负责数据的预处理和增强；
[0020]
长短期记忆神经网络lstm和图神经网络gnn；lstm网络用于接收来自数据收集和处理模块的输入数据矩阵x[n][m]，并将lstm网络输出的隐藏状态输入到图神经网络gnn中进行处理；其中，lstm用于处理序列数据，gnn用于捕捉和建模参数间的依赖关系；通过lstm和gnn的联合作用，进一步预测下一个时间步的参数向量xp(t+1)；lstm网络和gnn的参数优化通过adam优化算法和反向传播算法进行；
[0021]
损失计算模块，用于计算预测参数向量xp(t+1)与实际参数向量x(t+1)间的加权均方误差（mse）作为损失函数，损失函数l的计算公式为：
[0022][0023]
其中l 是损失函数，n 是在滑动时间窗口内的采样数，xp(i) 是预测的参数向量，x(i) 是实际的参数向量，wi 是给定样本的权重；
[0024]
风险评估和参数调整模块，用于设定阈值θ，当损失函数l的值大于阈值θ时，认定atp系统存在故障风险；当损失函数l的值大于阈值θ时，该模块自动调整车载atp的操作参数，采用强化学习算法通过与列车的运行状态交互，寻找最佳的操作参数调整策略以最小化损失函数l，包括但不限于调整制动力的大小、改变列车速度，以期达到预测的参数状态xp(t+1)；
[0025]
故障预测和报告模块，用于利用生成对抗网络gan生成可能的故障模式，训练监测系统识别这些模式，当损失函数l的值超过了设定的更高阈值θ'，系统自动生成包括故障发生的时间、位置以及相关参数值信息的故障报告，并发送至维护人员；在生成可能的故障模式时，引入条件变量，包括车辆类型和路线类型，以生成更具针对性的可能故障模式。
[0026]
优选的，当系统检测到车载atp系统可能存在异常时，自动缩短滑动时间窗口w，以加快系统对异常的反应速度；当系统检测到车载atp系统运行正常时，自动延长滑动时间窗口w，以降低系统的误报率。
[0027]
优选的，所述强化学习算法采用深度q网络进行。
[0028]
优选的，当损失函数l的值超过了设定的更高阈值θ'后，除了生成故障报告外，系统还会触发自动停车程序，以防止可能的事故。
[0029]
本发明相对于现有技术的优点在于：
[0030]
1、本发明采用了长短期记忆神经网络(lstm)和图神经网络(gnn)的联合应用。其中，lstm用于处理序列数据，例如列车速度、位置和制动力等参数的时间序列，这种处理方法有助于捕捉这些参数随时间变化的趋势和模式；gnn用于捕捉和建模参数间的依赖关系，通过处理lstm网络的隐藏状态，gnn能够理解不同参数间的内在联系。这种联动方式可以有效地预测下一个时间步的参数向量，从而提前发现可能出现的问题。
[0031]
2、当监测系统检测到可能的问题时，强化学习算法会自动调整车载atp的操作参数。这个自动调整过程会通过与列车的运行状态交互，寻找最佳的操作参数调整策略以最小化损失函数，从而尽可能地避免或者缓解故障。在这个过程中，采用深度q网络进行的强化学习可以通过自我学习和迭代找出最优解。
[0032]
3、生成对抗网络(gan)用于生成可能的故障模式，这种技术应用在监测系统的训练过程，帮助监测系统学习和识别各种可能的故障模式。同时，在高级故障情况下，系统能够自动生成包括故障发生的时间、位置以及相关参数值信息的故障报告，并发送至维护人员，这样可以加快故障响应和处理时间。
附图说明
[0033]
图1是本发明方法的流程示意图；
[0034]
图2是本发明系统的示意图。
具体实施方式
[0035]
下面结合附图对本发明的具体实施方式作描述。
[0036]
如图1和图2所示，本发明系统数据收集和处理模块会实时收集车载atp系统的运行参数，包括但不限于列车速度v(t)，位置p(t)，制动力b(t)等。这些参数将被组合形成输入数据向量x(t) = [v(t), p(t), b(t), ...]。该模块将在滑动时间窗口w内组成输入数据矩阵x[n][m]，其中n代表时间窗口内的采样数，m代表每个样本的特征数。数据收集和处理模块也负责数据的预处理和增强，以优化输入数据的质量。
[0037]
然后，输入数据矩阵x[n][m]将被输入到长短期记忆神经网络（lstm）中。lstm网络是为处理序列数据设计的，可以有效地处理时间序列数据中的长期依赖问题。lstm的输出，即隐藏状态，将进一步输入到图神经网络（gnn）中。gnn能捕捉并建模参数间的依赖关系，使预测结果更加准确。lstm和gnn的参数优化通过adam优化算法和反向传播算法进行。
[0038]
接下来，损失计算模块会计算预测参数向量xp(t+1)与实际参数向量x(t+1)间的加权均方误差（mse）作为损失函数l，该函数的具体公式为：
[0039][0040]
其中l 是损失函数，n 是在滑动时间窗口内的采样数，xp(i) 是预测的参数向量，
x(i) 是实际的参数向量，wi 是给定样本的权重。
[0041]
当损失函数l的值大于预设阈值θ时，风险评估和参数调整模块会认定atp系统存在故障风险。此时，该模块会自动调整车载atp的操作参数，包括但不限于调整制动力的大小、改变列车速度等。这个参数调整策略是通过强化学习算法与列车的运行状态进行交互以获得的。本发明采用的强化学习算法是深度q网络（dqn）。dqn可以通过互动学习环境中的反馈，不断更新和优化其策略，找到最佳的操作参数调整策略以最小化损失函数l，从而使系统状态接近预测的参数状态xp(t+1)。
[0042]
此外，故障预测和报告模块会利用生成对抗网络（gan）生成可能的故障模式，并训练监测系统识别这些模式。gan由两部分组成：一个生成器和一个鉴别器。生成器可以生成未见过的新样本，而鉴别器则尝试区分生成的样本和实际样本。通过这种竞争和对抗，生成器最终能生成高质量的故障模式。
[0043]
当损失函数l的值超过了设定的更高阈值θ'时，故障预测和报告模块会自动生成包括故障发生的时间、位置以及相关参数值信息的故障报告，并发送至维护人员。在生成可能的故障模式时，会引入条件变量，包括车辆类型和路线类型，以生成更具针对性的可能故障模式。
[0044]
为了保证列车运行的安全，当损失函数l的值超过了设定的更高阈值θ'，系统除了生成故障报告外，还会触发自动停车程序，以防止可能的事故。
[0045]
本发明的一大特点是，可以根据车载atp系统的运行情况动态调整滑动时间窗口w的大小。当系统检测到车载atp系统可能存在异常时，会自动缩短滑动时间窗口w，以加快系统对异常的反应速度。反之，当系统检测到车载atp系统运行正常时，会自动延长滑动时间窗口w，以降低系统的误报率。这种动态调整滑动时间窗口的机制使得本发明能在保证监测精度的同时，灵活适应不同的运行情况，进一步提高了系统的鲁棒性。
[0046]
此外，本发明也包括一个用于实施上述方法的车载atp通信信号综合监测系统，其构成和功能模块均符合上述步骤中的具体实施方式。
[0047]
首先，数据收集和处理模块会收集车载atp系统运行参数，并将其组合形成输入数据向量，这些参数包括但不限于列车速度v(t)，位置p(t)，制动力b(t)，在滑动时间窗口w内形成输入数据矩阵。同时，该模块还负责数据的预处理和增强。
[0048]
然后，长短期记忆神经网络（lstm）和图神经网络（gnn）处理来自数据收集和处理模块的输入数据矩阵。其中，lstm网络负责处理序列数据，而gnn则用于捕捉和建模参数间的依赖关系。通过lstm和gnn的联合作用，预测下一个时间步的参数向量xp(t+1)。lstm和gnn的参数优化过程则通过adam优化算法和反向传播算法进行。
[0049]
在这个过程中，损失计算模块计算预测参数向量与实际参数向量之间的加权均方误差（mse）作为损失函数。若损失函数的值超过预设的阈值θ，则认为atp系统可能存在故障风险。
[0050]
在出现可能的故障风险时，风险评估和参数调整模块会自动调整atp的操作参数，这一过程采用强化学习算法，通过与列车的运行状态交互，寻找最佳的操作参数调整策略以最小化损失函数。
[0051]
同时，故障预测和报告模块使用生成对抗网络（gan）生成可能的故障模式，训练监测系统识别这些模式，当损失函数超过更高的阈值θ'时，系统自动生成包含故障发生的时
间、位置以及相关参数值信息的故障报告，并发送给维护人员。此模块在生成可能的故障模式时，会引入条件变量，包括车辆类型和路线类型，以生成更具针对性的可能故障模式。
[0052]
最后，当损失函数值超过更高阈值θ'，除了生成故障报告外，系统还会触发自动停车程序，以防止可能的事故，确保列车运行的安全性。
[0053]
以下实施例为本发明硬件、软件的具体设置：
[0054]
硬件平台至少包括：
[0055]
传感器模块：包括列车速度传感器、gps接收器和制动力传感器。列车速度传感器可以是位于轮轴上的旋转编码器，gps接收器用于获取列车的实时位置，而制动力传感器可以是压力传感器，安装在制动系统的关键部位，用于测量制动系统的实时工作状态。这些模块一般已经集成到了atp系统中；
[0056]
数据处理模块：该模块为一个嵌入式计算平台，比如基于arm架构的处理器，其主频可以达到1.5ghz，配有4gb ram和64gb闪存，用于存储数据和运行算法。
[0057]
通信模块：使用4g/5g无线通信技术，用于将系统生成的故障报告发送至维护人员，或者与列车控制中心进行数据交换。
[0058]
软件平台：
[0059]
数据预处理模块：该模块会首先对传感器采集的原始数据进行清洗，例如剔除异常值，然后进行标准化处理，使各参数在同一尺度上，避免梯度消失或爆炸。同时，该模块会通过滑动时间窗口法将时间序列数据转化为适合神经网络输入的形式。
[0060]
lstm模块：长短期记忆网络（long short-term memory, lstm）被设计为从时间序列数据中学习长期依赖信息。本模块采用具有256个神经元的三层lstm结构，输入是来自数据预处理模块的标准化数据。lstm具有遗忘门，输入门和输出门，它们一起帮助网络决定保留和丢弃哪些信息。这种网络架构特别适合处理我们的问题，因为列车的速度，位置和制动力都是随时间变化的时间序列数据。
[0061]
gnn模块：图神经网络（graph neural network, gnn）主要用于处理结构化数据。在本发明场景中，各种列车参数可以被视为图的节点，它们之间的相互关系则形成图的边。本模块采用graph convolutional network（gcn）的形式，将lstm的输出作为输入，利用gcn强大的节点信息聚合能力，将列车参数的相互依赖关系进行建模，以更全面地理解整个列车系统的运行状态。
[0062]
dqn模块：深度q学习网络（deep q-network，dqn）是强化学习的一种方法，能够通过学习控制策略来最大化累积奖励。在本发明系统中，当lstm和gnn判断出可能存在atp故障风险时，将会启动dqn模块。本模块采用三层全连接神经网络作为主网络和目标网络，每层有512个神经元，激活函数采用relu。dqn通过与环境交互（例如，调整制动力，改变行驶速度等），以尝试找到最佳的列车控制策略，从而使损失函数l最小化。
[0063]
gan模块：生成对抗网络（generative adversarial network，gan）是一种无监督学习的方式，其中生成器和判别器对抗进行学习。本模块采用conditional gan的形式，以车辆类型和路线类型作为条件变量。生成器负责学习生成可能的故障模式，而判别器则负责判断这些模式是否真实。生成器和判别器之间的对抗过程使得gan能够生成更具针对性的可能故障模式，这将有助于维护人员更快、更准确地找到潜在的问题，从而提高atp系统的可靠性和安全性。
[0064]
在以下实施例中，本发明考虑一个具体的故障例子：
[0065]
假设我们正在监控一列城市地铁列车，由于轨道上有小碎片，导致列车的自动列车保护系统（atp）的轮轨摩擦系数降低，这可能会影响列车的制动性能。由于摩擦系数降低，可能导致列车在制动时不能如预期那样减速，如果不及时处理，可能会导致列车越过预定的停车点，甚至在极端情况下可能会导致碰撞。
[0066]
现在，让我们看看本发明是如何处理这个问题的：
[0067]
数据预处理：首先，实时采集各种传感器（如速度传感器、制动力传感器等）数据。然后，进行数据清洗，去除异常值，同时对数据进行标准化，以便训练模型。
[0068]
lstm模块：接下来，标准化的数据会送入lstm模块，该模块的任务是提取时间序列特征。在这个例子中，lstm可能会发现制动力不足，但速度下降不够快的模式。
[0069]
gnn模块：然后，lstm的输出会被送入gnn模块。gnn可以将速度和制动力等多个特征结合在一起，构建一个更完整的列车状态模型。在这个例子中，gnn可能会发现，制动力和速度之间的关系发生了异常。
[0070]
dqn模块：如果lstm和gnn判断出可能存在atp故障风险，例如，在制动力不足和速度下降不够快的情况下，dqn模块将启动。dqn将尝试通过调整制动力、速度等控制策略来最大化累积奖励（在一些实施例中，可以是列车的安全性和准时性）。在这个例子中，dqn可能会发现，增加制动力可能会使列车能够按预定的速度和位置停下。
[0071]
gan模块：最后，gan模块将模拟可能的故障模式，并将其与实际数据进行对比，以帮助我们理解并预防这种故障的发生。在这个例子中，gan可能会生成一系列与轨道摩擦系数降低相符合的故障模式，并提供给维护人员参考。
[0072]
上述过程的强化学习中，量化累积奖励的具体方法会依赖于具体的应用场景和目标。最小化损失函数l和最大化累积奖励在强化学习中不是矛盾的，而是相互关联的。
[0073]
在强化学习中，最大化累积奖励通常是通过让智能体(agent)在一系列动作中选择那些能带来最高累积奖励的动作来实现的。这个奖励可能与智能体的表现（如安全性和准时性）正相关。
[0074]
而损失函数l通常用于衡量预测结果与实际结果之间的差异。在这种情况下，最小化损失函数l意味着让预测结果尽可能接近实际结果。
[0075]
在本实施例中，损失函数l和累积奖励的目标是相互协调的。如果调整控制策略能够改进列车的运行状态（比如使列车在预定的速度和位置停下），那么预测结果将更接近实际结果，从而使损失函数l减小。同时，因为列车的运行状态改善了，所以累积奖励也会增加。
[0076]
因此，最小化损失函数l和最大化累积奖励是一种共同努力，目标是提高系统的性能和效率。
[0077]
更具体的，在本发明列车atp系统的案例中，可以定义安全性和准时性为累积奖励的两个主要因素。
[0078]
对于安全性，可以考虑以下几个方面来量化：
[0079]
制动距离：制动距离过长可能导致列车越过预定的停车点，或者在紧急情况下无法及时停车。因此，可以将制动距离定义为安全性的一个反向指标——制动距离越长，安全性得分越低。
[0080]
列车速度：超过限速可能会对列车的安全性构成威胁。因此，可以将超速时间定义为安全性的另一个反向指标——超速时间越长，安全性得分越低。
[0081]
列车与前方列车的距离：为避免与前方列车相撞，列车需要保持安全的距离。因此，可以将列车与前方列车的距离定义为安全性的一个正向指标——距离越大，安全性得分越高。
[0082]
对于准时性，可以简单地以列车是否按照预定的时间表运行来进行量化。如果列车在预定的时间内到达预定的站点，那么它的准时性得分就会高；否则，得分就会低。
[0083]
为了将这些指标综合起来，可以给每个指标分配一个权重，然后计算它们的加权和作为总的安全性得分。权重的分配可以根据列车的运行环境和政策进行调整。例如，如果安全性比准时性更重要，那么我们就可以给安全性指标分配更高的权重。
[0084]
本发明针对车载atp系统的这些特性进行了特别设计：
[0085]
综上所述，本发明方案中，针对atp系统参数的动态性和复杂性，本发明采用了lstm和gnn的联动应用。lstm可以处理这些参数的时间序列数据，捕捉其动态变化的趋势和模式；而gnn则能够捕捉和建模这些参数间的复杂关系。这种联动应用可以更准确地预测未来的参数状态，帮助本发明更早地发现可能的问题。
[0086]
针对atp系统的故障处理，本发明采用了强化学习和生成对抗网络(gan)。强化学习可以自动调整atp系统的操作参数，通过与列车的运行状态交互，寻找最佳的操作参数调整策略，以尽可能地避免或缓解故障；gan则用于生成可能的故障模式，帮助监测系统学习和识别各种可能的故障模式。在故障发生时，系统还可以自动生成详细的故障报告，并发送给维护人员。
[0087]
通过以上设计，本发明的车载atp通信信号综合监测方法能够针对atp系统的具体特性提供更精确、更快速的监测和处理能力。它不仅可以提高列车运行的安全性和效率，而且通过自我学习和优化，能够随着使用时间的增长而持续提升其性能，提供更稳定和可靠的服务。
[0088]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种车载atp通信信号综合监测方法，其特征在于，包括如下步骤：s1：收集车载atp系统运行参数，所述参数包括列车速度v(t)、位置p(t)、制动力b(t)，组合所述参数形成输入数据向量x(t)，并在滑动时间窗口w内组成输入数据矩阵x[n][m]，其中n为时间窗口内的采样数，m为每个样本的特征数；同时进行数据预处理和增强；s2：将输入数据矩阵x[n][m]输入到长短期记忆神经网络lstm中，将lstm网络输出的隐藏状态输入到图神经网络gnn中进行处理；其中，lstm用于处理序列数据，gnn用于捕捉和建模参数间的依赖关系；通过lstm和gnn的联合作用，进一步预测下一个时间步的参数向量xp(t+1)；lstm和gnn的参数优化通过adam优化算法和反向传播算法进行；s3：计算预测参数向量xp(t+1)与实际参数向量x(t+1)间的加权均方误差mse作为损失函数l，损失函数l的计算公式为：，其中l 是损失函数，n 是在滑动时间窗口内的采样数，xp(i) 是预测的参数向量，x(i) 是实际的参数向量，w
i 是给定样本的权重；s4：设定阈值θ，当损失函数l的值大于阈值θ时，认定atp系统存在故障风险；s5：当损失函数l的值大于阈值θ时，系统自动调整车载atp的操作参数，采用强化学习算法通过与列车的运行状态交互，寻找最佳的操作参数调整策略以最小化损失函数l，包括调整制动力的大小、改变列车速度，以期达到预测的参数状态xp(t+1)；s6：利用生成对抗网络gan生成可能的故障模式，训练监测系统识别这些模式，当损失函数l的值超过了设定的更高阈值θ'，系统自动生成包括故障发生的时间、位置以及相关参数值信息的故障报告，并发送至维护人员；在生成可能的故障模式时，引入条件变量，包括车辆类型和路线类型，以生成更具针对性的可能故障模式。2.根据权利要求1所述车载atp通信信号综合监测方法，其特征在于，当系统检测到车载atp系统可能存在异常时，自动缩短滑动时间窗口w，以加快系统对异常的反应速度；当系统检测到车载atp系统运行正常时，自动延长滑动时间窗口w，以降低系统的误报率。3.根据权利要求1所述车载atp通信信号综合监测方法，其特征在于，所述强化学习算法采用深度q网络进行。4.根据权利要求1所述车载atp通信信号综合监测方法，其特征在于，当损失函数l的值超过了设定的更高阈值θ'后，除了生成故障报告外，系统还会触发自动停车程序，以防止可能的事故。5.一种车载atp通信信号综合监测系统，其特征在于，包括：数据收集和处理模块，用于收集车载atp系统运行参数，所述参数包括列车速度v(t)、位置p(t)、制动力b(t)，组合所述参数形成输入数据向量x(t)，并在滑动时间窗口w内组成输入数据矩阵x[n][m]，其中n为时间窗口内的采样数，m为每个样本的特征数；该模块同时负责数据的预处理和增强；长短期记忆神经网络lstm和图神经网络gnn；lstm用于接收来自数据收集和处理模块的输入数据矩阵x[n][m]，并将lstm输出的隐藏状态输入到图神经网络gnn中进行处理；其
中，lstm用于处理序列数据，gnn用于捕捉和建模参数间的依赖关系；通过lstm和gnn的联合作用，进一步预测下一个时间步的参数向量xp(t+1)；lstm网络和gnn的参数优化通过adam优化算法和反向传播算法进行；损失计算模块，用于计算预测参数向量xp(t+1)与实际参数向量x(t+1)间的加权均方误差mse作为损失函数l，损失函数l的计算公式为：，其中l 是损失函数，n 是在滑动时间窗口内的采样数，xp(i) 是预测的参数向量，x(i) 是实际的参数向量，w
i 是给定样本的权重；风险评估和参数调整模块，用于设定阈值θ，当损失函数l的值大于阈值θ时，认定atp系统存在故障风险；当损失函数l的值大于阈值θ时，该模块自动调整车载atp的操作参数，采用强化学习算法通过与列车的运行状态交互，寻找最佳的操作参数调整策略以最小化损失函数l，包括调整制动力的大小、改变列车速度，以期达到预测的参数状态xp(t+1)；故障预测和报告模块，用于利用生成对抗网络gan生成可能的故障模式，训练监测系统识别这些模式，当损失函数l的值超过了设定的更高阈值θ'，系统自动生成包括故障发生的时间、位置以及相关参数值信息的故障报告，并发送至维护人员；在生成可能的故障模式时，引入条件变量，包括车辆类型和路线类型，以生成更具针对性的可能故障模式。6.根据权利要求5所述车载atp通信信号综合监测系统，其特征在于，当系统检测到车载atp系统可能存在异常时，自动缩短滑动时间窗口w，以加快系统对异常的反应速度；当系统检测到车载atp系统运行正常时，自动延长滑动时间窗口w，以降低系统的误报率。7.根据权利要求5所述车载atp通信信号综合监测系统，其特征在于，所述强化学习算法采用深度q网络进行。8.根据权利要求5所述车载atp通信信号综合监测系统，其特征在于，当损失函数l的值超过了设定的更高阈值θ'后，除了生成故障报告外，系统还会触发自动停车程序，以防止可能的事故。

技术总结
本发明公开了一种车载ATP通信信号综合监测系统及方法，涉及轨道交通技术领域，在数据收集和处理阶段，收集车载ATP系统的运行参数，通过LSTM和GNN进行处理和预测；损失函数计算通过预测参数向量与实际参数向量间的加权均方误差实现；当损失函数值超过设定阈值时，风险评估和参数调整模块会自动调整系统参数，以最小化损失；同时，利用生成对抗网络GAN生成可能的故障模式，进行故障预测并生成报告；通过引入车辆类型和路线类型等条件变量，以生成更具针对性的可能故障模式；本发明利用LSTM处理序列数据，GNN捕捉和建模参数间的依赖关系，从而提前预测和解决可能出现的问题，有效提高了车载ATP系统的安全性和稳定性。车载ATP系统的安全性和稳定性。车载ATP系统的安全性和稳定性。


技术研发人员：刘君 李永 李静林
受保护的技术使用者：北京圣传创世科技发展有限公司
技术研发日：2023.06.27
技术公布日：2023/8/1