CN116757347B - 一种基于深度学习的铁路线路选线方法及系统 - Google Patents
一种基于深度学习的铁路线路选线方法及系统 Download PDFInfo
- Publication number
- CN116757347B CN116757347B CN202310722951.9A CN202310722951A CN116757347B CN 116757347 B CN116757347 B CN 116757347B CN 202310722951 A CN202310722951 A CN 202310722951A CN 116757347 B CN116757347 B CN 116757347B
- Authority
- CN
- China
- Prior art keywords
- line
- point
- data
- line segment
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 56
- 238000010187 selection method Methods 0.000 title claims abstract description 14
- 230000009471 action Effects 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 75
- 230000007704 transition Effects 0.000 claims description 58
- 230000007613 environmental effect Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000013507 mapping Methods 0.000 abstract description 5
- 238000002372 labelling Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 238000013461 design Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 14
- 238000011176 pooling Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的铁路线路选线方法及系统，该方法包括：采集既有线路数据，从线路平面、线路纵面方向进行离散处理，将线路离散为三维空间的线段集合，再对每条线路的线段集合进行标注作为输出端数据；对各线路所在研究区域的各类地理环境信息进行环境标注，生成研究区域的多通道图像作为输入端数据；利用输入端数据集以及输出端数据集训练深度学习网络模型。本发明技术方案将既有铁路线路拆解成可为机器学习的向量数据，并将多维环境状态融合后作为输入端，定线动作标注参数作为输出端，探索出多维环境状态到最优定线动作之间的映射规律，克服了传统方法无经验借鉴，盲目搜索导致训练模型耗时久的不足，有效节省了模型训练时间。
Description
技术领域
本发明属于铁路线路设计技术领域，具体涉及一种基于深度学习的铁路线路选线方法及系统。
背景技术
铁路选线设计是要在自然、社会、经济和军事等多种因素综合影响与约束下，确定出来一条优化的空间线位。选线设计作为铁路建设总揽全局的核心工作，是决定项目投资、运营、社会和环境保护合理性的先决条件，也是控制这些因素的根本性问题，而选线设计一旦设计失误，将造成铁路的先天缺陷，给后期的建设与运营带来巨大的灾难和难以弥补的损失。如今铁路选线设计还面临诸多世所罕见的挑战。
针对铁路线路设计问题，国内外学者进行了大量的研究。现有智能选线方法多是先建立以安全、经济、环保等目标的优化模型，然后利用数学解析、启发式搜索等方法求解模型，来生成优化线路方案。解析法理论上可以得到最优解，但通常要求目标函数连续、可微或可导。而真实的地形、地质环境及约束条件难以用连续可微的数学表达式完整地表达出来，因此在使用数学解析法时，引入的一系列假设和近似，会忽略部分因素，导致求解出的结果与实际存在差异；以遗传算法、粒子群算法为代表的启发式搜索，通常是随机生成大量的方案，然后设置各种搜索策略，不断试探来寻找目标函数的下降方向，直到收敛，然而在复杂环境下，通过随机的方式可能无法生成满足所有控制条件的初始方案；于是有学者就采用距离变换、Dijkstra路径搜索方法，先搜索出连接起终点的最优路径，以最优路径为中心线设置搜索廊道，在廊道内可生成有效的初始方案群，再采用粒子群和遗传算法等生成线路方案。总体而言，上述方法均是通过不断的试探来生成线路方案，都缺乏人类选线经验作为引导，导致机器搜索线路方案需要反复试错，整个过程较为盲目，无法排除大量低价值定线动作，定线效果也不够理想，耗时较长。
然而，面对日益复杂的建设环境和紧迫的设计时限，从大量人类设计案例中学习经验能够有效引导线路方案更为合理、准确，因此，探索从大量人类设计案例中学习经验，并将其融入搜索算法是一种可行、有效且全新的线路选线思路。
发明内容
本发明的目的是从大量人类设计案例中学习经验，并将其融入搜索算法，有效引导线路布设更为合理、准确，进而提供一种基于深度学习的铁路线路选线方法及系统。其中，本发明所述方法首次提出“机器学习人类选线经验，模拟人类定线决策”的新思路，摒弃传统的建立求解优化模型的思想，无需建立数学表达式，其中，将既有铁路线路拆解成可为机器学习的向量数据，将多维环境状态融合后作为输入端，定线动作标注参数作为输出端，探索出多维环境状态到最优定线动作之间的映射规律，克服了传统方法无经验借鉴，盲目搜索导致训练模型耗时久的不足，有效节省了模型训练时间。
一方面，本发明技术方案提供的一种基于深度学习的铁路线路选线方法，包括以下步骤：
步骤1：采集铁路线路案例的数据样本，并对数据样本进行预处理生成输入端数据集以及输出端数据集；
其中，基于所述铁路线路案例的数据样本从线路平面、线路纵面方向对线路进行离散处理，将线路离散为三维空间的线段集合，再对所述线段集合中的每个线段进行定线动作标注，并将定线动作标注作为每个线段对应的输出端数据；
基于所述铁路线路案例的数据样本对各线路所在研究区域的地理环境信息进行分类标注，生成研究区域的多通道图像，再以每个线段为目标对所述多通道图像进行裁剪，裁剪后的图像作为对应线段的输入端数据，用于表征不同类环境特征；
步骤2：利用所述输入端数据的集合以及所述输出端数据的集合训练深度学习网络模型；
步骤3：采集待布线区域的地理环境信息并生成多通道图像，再对所述多通道图像进行裁剪，并将裁剪后的图像输入训练好的深度学习网络模型得到定线动作标注参数，进而生成定线动作标注参数对应的线段，最后依次串接从起始点到终点的线段得到所述待布设区域的三维折线线路，用于辅助所述待布设区域的铁路线路布设。
进一步可选地，将线路离散为三维空间的线段集合表示为：，其中，为离散处理后所述线路上第1个、第2个、第n个线段，并均定义为定线动作；
所述定线动作表征为：，、为采样点和采样点之间的X、Y坐标增量，为采样点和采样点之间的高程变化量，k=1,2,…,n；
其中，对每个线段进行定线动作标注时，定义动作标注参数包括线段长度、方位角以及坡度表征。
进一步可选地，线段长度、方位角以及坡度的公式如下：
式中，为线段长度、为方位角、为坡度。
进一步可选地，将线路离散为三维空间的线段集合的过程是：先获取线路上的特征点，再依据所述特征点布设采样点，最后按里程（以线路起点开始）先后顺序将所有采样点排序，相邻采样点之间的线段构成所述三维空间的线段集合；其中，线路平面由直线、缓和曲线以及圆曲线线元组成，线路纵面由坡段组成；
所述直线的特征点包括：直缓点ZH和缓直点HZ，进而将采样点布设在所述直缓点ZH和缓直点HZ处；
所述缓和曲线包含前缓和曲线和后缓和曲线，所述前缓和曲线的特征点包括直缓点ZH和缓圆点HY，所述后缓和曲线的特征点包括圆缓点YH和缓直点HZ，进而将采样点布设在缓圆点HY和圆缓点YH处或直缓点ZH和缓直点HZ处，再依据误差要求在所述缓和曲线上增设采样点；
所述圆曲线的特征点包括缓圆点HY、曲中点QZ和圆缓点YH，进而将采样点布设在缓圆点HY、曲中点QZ或圆缓点YH，再依据误差要求在所述圆曲线上增设采样点；
所述线路纵面上的特征点为变坡点，进而将采样点布设在变坡点；
其中，相邻采样点之间的距离小于或等于预设最大距离阈值。
进一步可选地，对多通道图像进行裁剪时，裁剪为大小的小图像，W为所述多通道图像的像素宽度，为预设最大距离阈值，即线段的允许最大长度。
其中，对数据样本对应的多通道图像进行裁剪时，选取线段集合中的线段，分别以每个线段线元为中心，设线段中心在图像上的位置为，裁剪的四个角点分别为UpLeft、UpRight、DownLeft、DownRight，分别表示为：
其中，若裁剪时的角点超出多通道图像的边界，则将超出部分向反方向平移，保证裁剪的出图像在多通道图像之内；
对待布线区域的多通道图像进行裁剪时，以线路起始点为中心点，裁剪出大小的图像，并利用训练好的深度学习网络模型得到定线动作标注参数进而确定线段，再以线段终点作为下一次裁剪中心点，依次类推，直至当前得到的线段终点为或接近所述待布线区域内线路终点，所述线段终端与所述线路终点的距离满足预设误差范围。应当理解，预设误差范围是依据经验或者精度要求进行设置的；依次串接从线路起始点、到线路终点的线段得到待布设区域的三维折线线路，用于辅助待布设区域的铁路线路布设。
进一步可选地，生成研究区域的多通道图像是将至少包含表征研究区域内地质、必经点、禁区、环保区、河流的特征图集、、、、融合而来。
进一步可选地，所述深度学习网络模型包括：ResNet50残差神经网络模块和全连接网络模块，所述全连接网络模块包括2个全连接层FC，神经元个数为512个；其中，所述ResNet50残差神经网络模块的全连接层FC后连接一个融合层，再接入所述全连接网络模块，所述融合层用于融合向量形式的约束条件。
即与现有的ResNet50不同的是，在ResNet50的全连接层FC后，通过融合层融入以向量形式的约束条件；然后接入一个全连接网络模块，用于多分类任务。
进一步可选地，所述方法还包括：
收集条与深度学习网络模型训练阶段不同的铁路线路案例的数据样本，并进行预处理生成输入端数据的集合、输出端数据的集合，进而形成测试集；
利用所述测试集对训练后的深度学习网络模型进行测试，得到每条线路的输入端数据对应的输出端结果；
对所述输出端结果进行约束条件检测排除不符合约束条件的输出端结果；其中，约束条件包括：平面约束条件、纵面约束条件、其他约束条件（依据需求和精度设置）；
再基于深度学习网络模型的输出端结果与测试集中实际输出端结果的比对，对深度学习网络模型进行精调。
本发明还提供一种基于所述铁路线路选线方法的系统包括：数据采集及处理模块、模型构建及训练模块以及生成模块；
数据采集及处理模块，用于采集铁路线路案例的数据样本，并对数据样本进行预处理生成输入端数据集以及输出端数据集；
其中，基于所述铁路线路案例的数据样本从线路平面、线路纵面方向对线路进行离散处理，将线路离散为三维空间的线段集合，再对所述线段集合中的每个线段进行定线动作标注作为每个线段对应的输出端数据；
基于所述铁路线路案例的数据样本对各线路所在研究区域的地理环境信息进行分类标注，生成研究区域的多通道图像，再以每个线段为目标对所述多通道图像进行裁剪，裁剪后的图像作为对应线段的输入端数据，用于表征不同类环境特征；
模型构建及训练模块，用于利用所述输入端数据集以及所述输出端数据集训练深度学习网络模型；
数据采集及处理模块，用于采集待布线区域的地理环境信息并生成多通道图像，再对所述多通道图像进行裁剪；
生成模块，用于将裁剪后的图像输入训练好的深度学习网络模型得到定线动作标注参数，进而生成定线动作标注参数对应的线段，最后依次串接从起始点到终点的线段得到所述待布设区域的三维折线线路，用于辅助所述待布设区域的铁路线路布设。
本发明技术方案还提供一种电子终端，至少包括：
一个或多个处理器；
存储了一个或多个计算机程序的存储器；
所述处理器调用所述计算机程序以实现：一种基于深度学习的铁路线路选线方法的步骤。
本发明技术方案还提供一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以实现：一种基于深度学习的铁路线路选线方法的步骤。
有益效果
与现有方法相比，本发明的优点有：
（1）本发明技术方案所述方法首次提出“机器学习人类选线经验，模拟人类定线决策”的新思路，为了实现从大量人类设计案例中学习经验，对深度学习输入端和输出端进行改进，对既有设计线路进行离散拆解成可为机器学习的向量数据，并将多维环境状态作为输入端，定线动作标注参数为输出端，探索出多维环境状态到最优定线动作之间的映射规律。克服了传统方法无经验借鉴，盲目搜索导致训练模型耗时久的不足，有效节省了模型训练时间，提升了选线效率与质量。由于本发明技术方案对输入端和输出端的优化，使得从人类设计案例中学习变成可能，从而落实机器学习人类选线经验，摒弃传统的建立求解优化模型的思想，无需建立数学表达式，便可模仿人类决策，有效解决现有的智能选线技术盲目搜索的现状，突破复杂环境下智能选线技术无法生成最优解的瓶颈，实用性强。
（2）本发明进一步优化的技术方案中，对深度学习网络模型进行优化，提出了面向铁路选线的改进的ResNet50深度学习网络模型。该模型具有更深层次的特征提取能力，其准确度甚至超过人类水平。并且可以有效避免传统的深度学习模型随着网络深度增加，出现的梯度消失、退化，精度降低等问题，应用前景广。
附图说明
图1 铁路选线经验模仿学习流程图。
图2 模仿学习的技术路线图。
图3缓和曲线误差检验示意图。
图4圆曲线误差检验示意图 。
图5以线段为中心的图像裁剪示意图。
图6 Resnet50残差神经网络模块结构图参数。
图7 Resnet50残差神经网络模块架构图。
图8 改进的Resnet50深度学习网络结构。
图9定线动作标注参数定义。
图10 以点为中心的图像裁剪示意图。
具体实施方式
本发明技术方案利用大数据、机器学习技术，首次提出对三维空间线路进行离散化，离散成三维折线，从而将既有线路设计转换为可机器学习的向量数据，接入改进的Resnet50残差神经网络对选线经验进行深度学习，然后输出定线动作标注参数，从而探索出多维环境状态到最优定线动作的潜在映射规律，摒弃传统的启发式盲目搜索方法，来实现铁路定线动作的智能化优选。下面将结合实施例对本发明做进一步的说明。
实施例1：
本实施例提供的一种基于深度学习的铁路线路选线方法，包括以下步骤：
S1：采集实例+仿真生成线路案例数据样本。本实施例首先通过人工采集大量既有线路样本，又考虑到真实的案例数量无法达到大数据的要求，可利用线路走向自动生成方法和车站自动选址方法，生成出大量的仿真线路样本进行补充，经过人工筛选，将可以反映铁路选线知识点的典型案例进行汇总，构建出实例+仿真的线路案例大数据样本库。其中，提取的案例数据至少包含沿线地理环境信息以及线路的平面、纵面设计数据。
本实施例中，取条典型环境下的线路案例，建立铁路案例数据集，再进一步对线路所在研究区域的地理环境信息进行采集，将其作为网格属性，地理信息数据包括但不局限于：高程信息、禁区信息、河流信息、工程地质信息、经济地理信息、生态环境信息的任意组合。
还进一步采集线路的平面和纵面设计数据。将既有线路的平面、纵面的设计成果以数据库方式存储。平面设计数据包括：交点平面坐标N、E，圆曲线半径R，交点前缓和曲线，交点后缓和曲线，方位角；纵面设计数据包括：变坡点里程K，变坡点设计标高H，初步构建学习样本中定线动作A的数据源。
S2：对步骤S1采集的线路案例数据进行预处理生成输入端数据和输出段数据，进而构成训练集、验证集以供后续深度学习网络训练。
其中，主要包括处理输入端的图像和处理输出端的定线动作标注参数。输入端是影响选线设计的各类地理环境因素，本实施例中包括地形、地质、必经点、环保区、禁区等，优选用不同颜色对地理环境因素进行标注区分，然后将表征不同类环境特征图像进行融合得到多通道图像。输出端的定线动作是指对线路设计成果进行拟合与计算，具体是：首先在线路平面、线路纵面上分别确定既有线路的采样点，再将采样点依据里程顺序进行排序，并连接相邻采样点，初步拟合既有线路的空间位置，最后标注出定线动作的参数，作为输出端的结果，即定线动作标注参数，下文将对其进行详细阐述：
针对输出端：离散线路方案
既有线路是一个三维空间的线，直接学习三维空间线路是十分困难的，因此对线路进行离散，离散时需要确定线路在平面和纵面上的位置。其中，线路平面由直线、缓和曲线、圆曲线线元组成；线路纵断面由一系列起伏变化的坡段组成，不同坡段间存在变坡点，因此对线路方案离散时，需要保留这些平面和纵面上的变化点。
（1）线路平面离散：线路平面离散时需要分别确定直线、缓和曲线、圆曲线上的特征点，线路上的特征点包括直缓点ZH、缓圆点HY、曲中点QZ、圆缓点YH、缓直点HZ。其中，利用特征点确定既有线路上的采样点，i=1,2,3，…，N-1；第N个点为线路终点，N为线路平面上的采样点个数。定义采样点，位于线路起点，位于线路终点，其中，，为采样点i的坐标，为采样点i的标高，为采样点i的里程。
直线：直线的特征点包括直缓点ZH和缓直点HZ，因此将采样点布置在直缓点ZH和缓直点HZ处，并获取对应标高，，无需继续增加采样点便可对直线进行拟合，得到：
或
缓和曲线：包括前缓和曲线和后缓和曲线，前缓和曲线的特征点包括直缓点ZH和缓圆点HY，后缓和曲线的特征点包括圆缓点YH和缓直点HZ。进而将采样点布设在缓圆点HY和圆缓点YH处或直缓点ZH和缓直点HZ处，再依据误差要求在所述缓和曲线上增设采样点。
下述实例将介绍如何依据误差要求增设采样点，但是需要说明是，下述实例仅为示例，在不脱离本发明构思的基础上，应当理解，根据应用需求可以设定不同误差要求，进而增设采样点。
示例：前缓和曲线，首先将采样点布置在所有缓圆点HY和圆缓点YH(直缓点ZH和缓直点HZ无需重复布置)，根据误差要求判断是否需要在缓和曲线上继续增加采样点：
其中，为直缓点ZH和缓圆点HY连线中点在Y方向上与缓和曲线的距离，直缓点ZH和缓圆点HY的连线中点与缓和曲线的实际距离为，由于误差足够小，此时，R为圆曲线半径，为缓和曲线长度，误差检验点是直缓点ZH和缓圆点HY的连线中点在缓和曲线上的垂足，为到缓和曲线起点的弧长，设直缓点ZH和缓圆点HY的连线中点在Y方向上与缓和曲线的交点为点A，由于点A和十分接近，近似取，如图 3所示。为相邻采样点连线和实际线路间允许的最大误差，由人工设定。
当时，无需在直缓点ZH和缓圆点之间（或圆缓点YH和缓直点HZ间）增加采样点，舍弃，直接用直线代替实际线路。
当时，需要采用，采样点增加在误差检验点处，布置在缓和曲线中点位置，此时新增的，并获取的对应标高和里程，并进一步进行误差检验：
其中，为直缓点ZH与连线中点在y方向上与缓和曲线的距离，为ZH与连线中点与缓和曲线的实际距离。由于误差足够小，此时，此时为到缓和曲线起点的弧长，近似取，如图 3所示。若则无需继续增加采样点，否则继续增加采样点，以此类推。
圆曲线：圆曲线的特征点包括缓圆点HY、曲中点QZ和圆缓点YH，因此将采样点布置在所有QZ点处（缓圆点HY和圆缓点YH处无需重复布置），再依据误差要求判断是否需要增加采样点。同理，下述为示例说明，在不脱离本发明构思的基础上，应当理解，根据应用需求可以设定不同误差要求，进而增设采样点。
示例：
以HY和QZ点间的弧长为例，对误差检验过程进行介绍：首先在QZ点到HY点的弧长一半处，布置误差检验点，进行误差检验：
为QZ点到HY点的弧长，为弧长对应的圆心角的弧度，R为圆曲线的半径，为HY和QZ所连成的直线到圆曲线的最大距离。如图 4所示。
若，则无需继续增加采样点，舍弃，误差满足要求；
若，误差不满足要求，采用，此时采样点增加在误差检验点处，布置在HY和QZ弧长的中点位置，此时新增的，并获取的对应标高和里程，并进一步进行误差检验：
为HY和的连线到圆曲线的最大距离。若，误差满足要求，无需继续增加采样点，否则继续增加采样点，以此类推。
至此，完成了平面上直线、缓和曲线、圆曲线的采样点布置，且采样点的精度全部满足误差要求。
（2）线路纵面离散：线路纵断面的特征点为变坡点，为保留纵面线路特征，需将采样点布置在所有变坡点处。采样点，j=1,2,3,…，获取第j个变坡点设计标高，，分别为变坡点对应的坐标，为第j个点的里程。该步骤完成了纵断面上的采样点布置，且采样点的精度全部满足误差要求。
（3）采样点排序：将上述和点组成的集合按里程先后顺序进行排序，生成新的集合，并对集合中的顺序采样点进行定义，k=1,2，…,M ，(M>N)。
其中，和为的坐标，为的设计标高。该步骤整合了平面、纵面上的采样点顺序，为检验相邻采样点间的距离做准备。
（4）采样点距离检验：连接相邻的顺序采样点和，为保证采样的精度，需保证相邻顺序采样点间的距离L，为设定的最大距离阈值，本实施例取为500m：
若所有距离均满足，距离检测合格。若存在，需要增加采样点，直到满足要求。重新按里程顺序排列并连接相邻。该步骤将相邻采样点距离控制在合理范围内，避免两个采样点之间的距离过大，以保证后续图像裁剪时能够包含完整的定线动作。
相邻的顺序采样点和连接成的线段，构成了离散后的三维空间的线段集合。
定线动作可由相邻采样点的坐标之差得到，k=1,2,…,n，n表示三维空间的线段集合中的线段数量，定线动作可通过下式计算：
式中，和为点和点两点间的X、Y坐标增量，为点和点之间的高程变化量。
至此，本实施例将线路平面和纵面离散成三维空间的线段集合，即定线动作的向量集合，该集合将设计线路近似成三维空间内的折线，提供了可供机器学习的三维线路数据集，以供输出端处理。
（5）输出端人工标注。如图9所示，基于计算出来的定线动作进行输出端的标注，定线动作可由3个数值型参数表示。对应的标签为实际铁路案例所使用的线段长度、方位角、坡度，具体计算见发明内容。
标注完成后将带标签的按5:1的比例划分为训练集和验证集。
针对输入端：表征多维地理环境特征的多通道图像
（1）环境标注：取研究区域内的地理环境信息，如地形、地质、必经点、环保区、禁区等进行标注。本实施例使用Global Mapper软件将地形表征为与研究区域大小相同的灰度图像，并建立表征铁路案例研究区域特征的灰度图集；将不良地质区域依次分为I级、II级、III级、IV级，将图像依据等级设置为红色，颜色依次变浅来表示程度；将必经点设置为绿色圆点，禁区区域Forbid设置为红色，环保区Protect设置为浅红色，河流区域River设置为蓝色，初步对学习样本中的环境状态进行区分，并分别建立表征研究区域内地质、必经点、禁区、环保区、河流的特征图集、、、、。
（2）建立多通道图像。将标注过颜色的地形、地质、必经点、环保区、禁区等地理环境特征的图像进行融合，得到可表征铁路案例信息的图，并建立数据集，形成各线路的多通道图像，为输入端准备样本。其中，针对同一线路，将表征该研究区域地理环境特征的多个图像进行融合得到的融合图像为多通道图像，本发明技术方案对融合方式/技术不进行具体的约束，可以选择采用现有融合技术来实现。
（3）输入端图像裁剪。如图5所示，本实施例为了使输入样本更充分的考虑大面积地形，分别以线段集合中每个的线段为中心，设线段中心在图像上的位置为，裁剪时样本的四个角点分别为UpLeft、UpRight、DownLeft、DownRight。图像的上下左右边界分别为Up、Down、Left、Right，设像素宽度为W，采样范围为，为增加输入端的样本数量，可以上下左右平移的样本范围，形成新的样本来对既有线路样本进行补充。然后将图集中的所有图像裁剪成大小的图片，如图 5所示。裁剪是以每个线段为目标，因此，每个线段会对应一个裁剪图并作为深度学习网络模型的输入。
S3：利用输入端数据集以及输出端数据集训练深度学习网络模型。如图8所示，本实施例选用的深度学习网络模型包括：ResNet50残差神经网络模块和全连接网络模块。其他可行的实施例中，满足本发明输入端、输出端数据类型的其他神经网络模型也是可以实现本发明的目的。
其中，ResNet50残差神经网络能够提取输入的多维地理环境特征（多通道图像），并将图像数据转化一维向量，同时与约束条件向量融合，将融合后的一维向量接入全连接神经网络模块。全连接神经网络则利用多任务学习机制更好地挖掘输入与多任务输出之间的潜在规律。
ResNet50残差神经网络可进行特征提取，同时避免深度学习模型随着网络深度增加，出现的梯度消失、退化，模型难以训练、精度降低等问题。当网络达到饱和时，ResNe50采用恒等映射直接将前一层输出直接传递到下一层，使得模型精度不会随网络层数加深而下降。传统的ResNet50网络只有一个全连接层，再经过Softmax即可对图像进行分类。考虑到本工作的分类网络需将图像中既有线路的定线动作线段长度L，方位角α，坡度i‰三个参数进行预测，故对其进行改进，增加一个全连接网络模块，用于多任务分类工作。
改进的ResNet50网络由ResNet50残差神经网络模块和全连接网络模块组成。
残差神经网络模块包括：卷积层Conv共49个；全连接层FC共有1个；池化层共2个，1个最大池化层MaxPool和1个平均池化层AvePool以及若干残差模块，残差模块包括卷积残差块Conv Block和恒等残差块Identity Block。由于残差神经网络模块是已有网络架构，且本发明对其并未进行改进，因此，对其网络架构不进行具体的描述，具体参照图6以及图7。
全连接网络模块包括：2个全连接层FC，神经元个数为512个。与现有的ResNet50不同的是，在ResNet50的全连接层FC后，通过融合层融入向量形式的约束条件，即将约束条件对应的向量与残差神经网络模块的输出向量进行拼接，然后接入一个全连接网络模块，用于多分类任务。
网络结构的输入数据是大小为C×H×W，通道数C、高H和宽W，类别数为D的特征向量。对于尺寸大小C×H×W的输入向量，首先需要通过D个C×1×1的卷积核进行卷积操作，以完成对输入信息的跨通道整合，方便后续池化操作的开展。在此基础上将卷积生成的D×H×W特征图作为输入，利用尺寸与其一致的池化核进行全局平均池化操作，得到C×1×1的输出特征图。
约束条件向量融合。把约束条件加入全连接神经网络的融合层中进行融合。约束条件包括：上一个必经点到下一必经点的距离S、高差H、展线系数r，这3个数值型参数由人工设定，并采用向量表示，与环境特征融合为长度为3的一维向量，并输入融合层。
定线动作标注参数输出。将融合完成的一维向量接入全连接网络模块中另外2个全连接层，可以共享3项定线动作标注参数决策的训练信号，神经元数目均为512，通过设置共享层将多任务学习机制引入神经网络，来提高模型的泛化功能。最后每项定线动作决策分支从共享层中独立出来，各自包含与共享层相同的全连接网络模块，用于学习各项任务所独有的特征。
全连接层对若干个卷积-池化操作后得到的特征信息进行非线性组合后，连接Softmax层，该层用于输出模型推荐的一组定线动作A的标注参数，它根据全连接层神经元的输出值，计算出定线动作每个标注参数的输出概率，从而选择概率最大的作为输出值prediction。
输出的3个标注参数为线段长度L、方位角α、坡度i‰，由此可确定出的一条三维线段。
基于上述网络架构的深度学习网络模型，利用输入端数据的集合以及输出端数据的集合进行模型训练。由于定线动作标注参数问题为多分类问题，因此，本实施例选定多分类交叉熵函数作为每项标准的损失函数形式。为了综合评价网络输出的定线动作A的参数组合（线段长度L、方位角α、坡度i‰）与实际人工决策结果（实际线段长度、方位角、坡度）的接近程度，将各项标准的目标函数进行加权求和，构建了定线动作的损失函数如下式所示。
，
其中：Loss为神经网络的总损失函数；为定线动作各项参数的损失函数；为定线动作各项参数损失函数在总损失函数中的权重；为定线动作标注参数的数量；是第 i 项参数中第 j 个标签，， 否则，；是网络对样本归属于第i项参数中各个分类的概率预测。
然后根据损失函数定义和试验，来确定训练集和验证集的损失函数曲线。然后利用验证集测试模型精度。当分类结果与真实标签之间的误差达到设定的阈值或训练达到设定次数时，网络训练完成，即可得到基于改进的ResNet50深度学习神经网络模型。
至此，完成了网络模型的构建以及训练。从而利用训练好的深度学习网络模型执行待布线区域的三维折线线路生成，用于指导/辅助待布线区域的铁路线路布设。
S4：采集待布线区域的地理环境信息并生成多通道图像，再对所述多通道图像进行裁剪，并将裁剪后的图像输入训练好的深度学习网络模型得到定线动作标注参数，进而生成定线动作标注参数对应的线段，最后依次串接从起始点到终点的线段得到所述待布设区域的三维折线线路，用于辅助所述待布设区域的铁路线路布设。
其中，采集待布线区域的地理环境信息，并生成多通道图像。
当网络模型的精度足以精确时，不再以线段中心作为裁剪范围的中心，而是以每个定线动作确定出来的线段终点作为下一次裁剪范围的中心点。每裁剪出一张图片，输入训练好的深度学习网络模型得到一个定线动作的线段。然后继续以该线段的终点作为裁剪中心，不断将新裁剪出的图片输入深度学习神经网络，得到新的定线动作，直到最后一个定线动作线段终点无限接近线路终点。训练好的深度学习网络模型可快速推荐每一步定线动作，避免了无经验借鉴的盲目搜索。具体如下：设一个像素宽度为W，裁剪范围为。
首先，以线路起点作为裁剪中心点，然后以该点为中心裁剪出大小的图片，将裁剪好的图片输入训练好的深度学习网络模型，得到定线动作的3个参数（线段长度L，方位角α，坡度i‰），由此可得到一条三维线段，由三维线段终点确定出第2个点的位置。
然后，以第2个点作为裁剪中心点，继续以该点为中心裁剪图片，输入训练好的深度学习网络模型，得到定线动作的3个参数，由此可得到一条新的三维线段，从而确定出第3个点的位置。以此类推，直到第N个点无限接近待布线区域的线路终点，将这些线段集合首尾连接，即可生成所述待布设区域的三维折线线路，可作为人工定线的参考。
需要说明的是，利用本发明构建的深度学习网络模型生成的布线结果可以用于指导实际布线，如何参照或者如何利用该结果，本发明对此不进行具体的限定，譬如可以用于指导人工布线，也可以参与自动化布线中，再或者直接将其作为最初的布线方案。
本实施例中还优选构测试集，从而利用测试集精调深度学习网络模型。
其中，收集条与数据集不同的既有铁路案例，并进行预处理生成输入端数据集、输出端数据集，生成测试集。接入深度学习神经网络进行测试。对输出的每一步定线动作进行限制条件约束的检验。约束条件包括：平面约束条件、纵面约束条件、其他约束条件。
平面约束条件包括：转角、最小圆曲线长度、夹直线长度；
纵面约束条件包括：坡度、坡段长度Ls、相邻坡度代数差；
其他约束条件：线路上所有点的集合，其中，保证所有点和禁行区域Forbid的交集为空，如下：。
排除不符合限制条件的定线动作后，再由人工判断样本中的真实定线动作 与深度学习网络输出的定线动作的差异。对于差异性较大的动作输出，交由经验丰富的设计师进行评判。根据对比结果调整网络参数，或者加大同类型学习样本的数量，继续重复上述过程进行精调。当完成分类别训练后，再进行多类别案例的综合训练。通过大量的参数组合实验及对比分析，不断调整优化参数，使得所生成线路逼近真实。这个过程可以通过探索出最佳的网络模型参数组合，来模仿学习人类选线经验。
实施例2：
本实施例提供一种基于所述铁路线路选线方法的系统，包括：数据采集及处理模块、模型构建及训练模块以及生成模块。
数据采集及处理模块，用于采集铁路线路案例的数据样本，并对数据样本进行预处理生成输入端数据集以及输出端数据集。
其中，基于所述铁路线路案例的数据样本从线路平面、线路纵面方向对线路进行离散处理，将线路离散为三维空间的线段集合，再对所述线段集合中的每个线段进行定线动作标注作为每个线段对应的输出端数据；基于所述铁路线路案例的数据样本对各线路所在研究区域的地理环境信息进行分类标注，生成研究区域的多通道图像，再以每个线段为目标对所述多通道图像进行裁剪，裁剪后的图像作为对应线段的输入端数据，用于表征不同类环境特征。
因此，在一些实现方式中，进一步将数据采集及处理模块划分为数据采集模块、输入端处理模块以及输出端处理模块，其中，数据采集模块用于采集铁路线路案例数据；输入端处理模块用于基于所述铁路线路案例数据中各线路所在研究区域的各类地理环境信息进行环境标注，生成研究区域的多通道图像并进行裁剪，裁剪后的图像作为各线路对应的输入端数据，用于表征不同环境特征；以及输出端处理模块用于基于所述铁路线路案例数据从线路平面、线路纵面方向进行离散处理，将线路离散为三维空间的线段集合，再对每条线路的线段集合进行标注作为各线路对应的输出端数据。
模型构建及训练模块，用于利用所述输入端数据集以及所述输出端数据集训练深度学习网络模型。数据采集及处理模块用于采集待布线区域的地理环境信息并生成多通道图像，再对所述多通道图像进行裁剪。生成模块用于将裁剪后的图像输入训练好的深度学习网络模型得到定线动作标注参数，进而生成定线动作标注参数对应的线段，最后依次串接从起始点到终点的线段得到所述待布设区域的三维折线线路，用于辅助所述待布设区域的铁路线路布设。
应当理解，各个模块的实现过程可以参照前述方法的内容陈述，上述功能模块的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
实施例3：
本实施例提供一种电子终端，至少包括：一个或多个处理器；以及存储了一个或多个计算机程序的存储器；
所述处理器调用所述计算机程序以实现：一种基于深度学习的铁路线路选线方法的步骤。具体执行：上述步骤S1-S4。各个步骤的具体实现过程请参照前述方法的阐述。
其中，存储器可能包含高速RAM存储器，也可能还包括非易失性除颤器，例如至少一个磁盘存储器。如果存储器、处理器独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构总线，外部设备互联总线或扩展工业标准体系结构总线等。所述总线可以分为地址总线、数据总线、控制总线等。
可选的，在具体实现上，如果存储器、处理器集成在一块芯片上，则存储器、处理器可以通过内部接口完成相互之间的通信。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
实施例4：
本实施例提供一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以实现：一种基于深度学习的铁路线路选线方法的步骤。具体执行：上述步骤S1-S4。
各个步骤的具体实现过程请参照前述方法的阐述。所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。
Claims (10)
1.一种基于深度学习的铁路线路选线方法，其特征在于：包括以下步骤：
步骤1：采集铁路线路案例的数据样本，并对数据样本进行预处理生成输入端数据集以及输出端数据集；
其中，基于所述铁路线路案例的数据样本从线路平面、线路纵面方向对线路进行离散处理，将线路离散为三维空间的线段集合，再对所述线段集合中的每个线段进行定线动作标注，并将所述定线动作标注作为每个线段对应的输出端数据；
基于所述铁路线路案例的数据样本对各线路所在研究区域的地理环境信息进行分类标注，生成研究区域的表征多维地理环境特征的多通道图像，再以每个线段为目标对所述多通道图像进行裁剪，裁剪后的图像作为对应线段的输入端数据，用于表征不同类环境特征；
步骤2：利用所述输入端数据的集合以及所述输出端数据的集合训练深度学习网络模型；
步骤3：采集待布线区域的地理环境信息并生成多通道图像，再对所述多通道图像进行裁剪，并将裁剪后的图像输入训练好的深度学习网络模型得到定线动作标注参数，进而生成定线动作标注参数对应的线段，最后依次串接从起始点到终点的线段得到所述待布线区域的三维折线线路，用于辅助所述待布线区域的铁路线路布设。
2.根据权利要求1所述的方法，其特征在于：将线路离散为三维空间的线段集合表示为：其中，为离散处理后所述线路上第1个、第2个、第n个线段，并均定义为定线动作；
所述定线动作表征为：Δxk、Δyk为采样点Ptk+1和采样点Ptk之间的X、Y坐标增量，Δhk为采样点Ptk+1和采样点Ptk之间的高程变化量，k＝1,2,…,n；
其中，对每个线段进行定线动作标注时，定义动作标注参数包括线段长度、方位角以及坡度表征。
3.根据权利要求1所述的方法，其特征在于：将线路离散为三维空间的线段集合的过程是：先获取线路上的特征点，再依据所述特征点布设采样点，最后按里程先后顺序将所有采样点排序，相邻采样点之间的线段构成所述三维空间的线段集合；其中，线路平面由直线、缓和曲线以及圆曲线线元组成，线路纵面由坡段组成；
所述直线的特征点包括：直缓点ZH和缓直点HZ，进而将采样点布设在所述直缓点ZH和缓直点HZ处；
所述缓和曲线包含前缓和曲线和后缓和曲线，所述前缓和曲线的特征点包括直缓点ZH和缓圆点HY，所述后缓和曲线的特征点包括圆缓点YH和缓直点HZ，进而将采样点布设在缓圆点HY和圆缓点YH处或直缓点ZH和缓直点HZ处，再依据误差要求在所述缓和曲线上增设采样点；
所述圆曲线的特征点包括缓圆点HY、曲中点QZ和圆缓点YH，进而将采样点布设在缓圆点HY、曲中点QZ或圆缓点YH，再依据误差要求在所述圆曲线上增设采样点；
所述线路纵面上的特征点为变坡点，进而将采样点布设在变坡点；
其中，相邻采样点之间的距离小于或等于预设最大距离阈值。
4.根据权利要求1所述的方法，其特征在于：对多通道图像进行裁剪时，裁剪为大小的小图像，W为所述多通道图像的像素宽度，Lmax为预设最大距离阈值，即线段的允许最大长度；
其中，对数据样本对应的多通道图像进行裁剪时，选取线段集合中的线段，分别以每个线段线元为中心，设线段中心在图像上的位置为(i，j)，裁剪的四个角点分别为UpLeft、UpRight、DownLeft、DownRight，分别表示为：
其中，若裁剪时的角点超出多通道图像Pmerge的边界，则将超出部分向反方向平移，保证裁剪的出图像在多通道图像Pmerge之内；
对待布线区域的多通道图像进行裁剪时，以线路起始点为中心点，裁剪出大小的图像，并利用训练好的深度学习网络模型得到定线动作标注参数进而确定线段，再以线段终点作为下一次裁剪中心点，依次类推，直至当前得到的线段终点为或接近所述待布线区域内线路终点，所述线段终点与所述线路终点的距离满足预设误差范围。
5.根据权利要求1所述的方法，其特征在于：生成研究区域的多通道图像是将至少包含表征研究区域内地质、必经点、禁区、环保区、河流的特征图集Dgeology、DP+、DForbid、DProtect、DRiver融合而来。
6.根据权利要求1所述的方法，其特征在于：所述深度学习网络模型包括：ResNet50残差神经网络模块和全连接网络模块，所述全连接网络模块包括2个全连接层FC，神经元个数为512个；
其中，所述ResNet50残差神经网络模块的全连接层FC后连接一个融合层，再接入所述全连接网络模块，所述融合层用于融合向量形式的约束条件。
7.根据权利要求1所述的方法，其特征在于：还包括：
收集N2条与深度学习网络模型训练阶段不同的铁路线路案例的数据样本，并进行预处理生成输入端数据的集合、输出端数据的集合，进而形成测试集；
利用所述测试集对训练后的深度学习网络模型进行测试，得到每条线路的输入端数据对应的输出端结果；
对所述输出端结果进行约束条件检测排除不符合约束条件的输出端结果；
再基于深度学习网络模型的输出端结果与测试集中实际输出端结果的比对，对深度学习网络模型进行精调。
8.一种基于权利要求1-7任一项所述方法的系统，其特征在于：包括：数据采集及处理模块、模型构建及训练模块以及生成模块；
数据采集及处理模块，用于采集铁路线路案例的数据样本，并对数据样本进行预处理生成输入端数据集以及输出端数据集；
其中，基于所述铁路线路案例的数据样本从线路平面、线路纵面方向对线路进行离散处理，将线路离散为三维空间的线段集合，再对所述线段集合中的每个线段进行定线动作标注作为每个线段对应的输出端数据；
基于所述铁路线路案例的数据样本对各线路所在研究区域的地理环境信息进行分类标注，生成研究区域的多通道图像，再以每个线段为目标对所述多通道图像进行裁剪，裁剪后的图像作为对应线段的输入端数据，用于表征不同类环境特征；
模型构建及训练模块，用于利用所述输入端数据集以及所述输出端数据集训练深度学习网络模型；
数据采集及处理模块，用于采集待布线区域的地理环境信息并生成多通道图像，再对所述多通道图像进行裁剪；
生成模块，用于将裁剪后的图像输入训练好的深度学习网络模型得到定线动作标注参数，进而生成定线动作标注参数对应的线段，最后依次串接从起始点到终点的线段得到所述待布线区域的三维折线线路，用于辅助所述待布线区域的铁路线路布设。
9.一种电子终端，其特征在于：至少包括：
一个或多个处理器；
存储了一个或多个计算机程序的存储器；
所述处理器调用所述计算机程序以实现：
权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以实现：
权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722951.9A CN116757347B (zh) | 2023-06-19 | 2023-06-19 | 一种基于深度学习的铁路线路选线方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722951.9A CN116757347B (zh) | 2023-06-19 | 2023-06-19 | 一种基于深度学习的铁路线路选线方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757347A CN116757347A (zh) | 2023-09-15 |
| CN116757347B true CN116757347B (zh) | 2024-02-13 |
Family
ID=87949165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310722951.9A Active CN116757347B (zh) | 2023-06-19 | 2023-06-19 | 一种基于深度学习的铁路线路选线方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757347B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070217A (zh) * | 2024-01-29 | 2024-05-24 | 中南大学 | 一种铁路主要技术标准推荐方法、计算机存储介质及设备 |
| CN117708961B (zh) * | 2024-02-05 | 2024-04-30 | 中南大学 | 一种既有铁路三维空间线位整体智能重构方法 |
| CN118278145B (zh) * | 2024-05-16 | 2024-08-16 | 中南大学 | 一种基于模仿和强化学习的铁路选线方法、设备及介质 |
| CN118643578B (zh) * | 2024-08-14 | 2024-10-18 | 兰州交通大学 | 基于深度卷积生成对抗网络的高原地区铁路线路设计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112231870A (zh) * | 2020-09-23 | 2021-01-15 | 西南交通大学 | 一种复杂山区铁路线路智能化生成方法 |
| CA3106015A1 (en) * | 2020-01-23 | 2021-07-23 | Alstom Transport Technologies | System and transport for optimizing operations of trains travelling along a railway line |
| CN113342208A (zh) * | 2021-06-24 | 2021-09-03 | 石家庄铁道大学 | 基于多点触控设备的铁路选线方法、终端及存储介质 |
| CN114861368A (zh) * | 2022-06-13 | 2022-08-05 | 中南大学 | 一种基于近端策略的铁路纵断面设计学习模型的构建方法 |
| CN116050689A (zh) * | 2023-01-18 | 2023-05-02 | 中南大学 | 一种广域空间铁路线路智能搜索方法、系统、终端及介质 |
-
2023
- 2023-06-19 CN CN202310722951.9A patent/CN116757347B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3106015A1 (en) * | 2020-01-23 | 2021-07-23 | Alstom Transport Technologies | System and transport for optimizing operations of trains travelling along a railway line |
| CN112231870A (zh) * | 2020-09-23 | 2021-01-15 | 西南交通大学 | 一种复杂山区铁路线路智能化生成方法 |
| CN113342208A (zh) * | 2021-06-24 | 2021-09-03 | 石家庄铁道大学 | 基于多点触控设备的铁路选线方法、终端及存储介质 |
| CN114861368A (zh) * | 2022-06-13 | 2022-08-05 | 中南大学 | 一种基于近端策略的铁路纵断面设计学习模型的构建方法 |
| CN116050689A (zh) * | 2023-01-18 | 2023-05-02 | 中南大学 | 一种广域空间铁路线路智能搜索方法、系统、终端及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 铁路BIM选线设计方法研究;张建锋 等;智能城市;第9卷(第2期);第5-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757347A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116757347B (zh) | 一种基于深度学习的铁路线路选线方法及系统 | |
| Huang et al. | Point cloud labeling using 3d convolutional neural network | |
| CN112085840B (zh) | 语义分割方法、装置、设备及计算机可读存储介质 | |
| CN109765462A (zh) | 输电线路的故障检测方法、装置和终端设备 | |
| CN113378686A (zh) | 一种基于目标中心点估计的两阶段遥感目标检测方法 | |
| CN107392901A (zh) | 一种用于输电线路部件智能自动识别的方法 | |
| CN114170533A (zh) | 基于注意力机制和多模态表征学习的滑坡识别方法及系统 | |
| CN114495500B (zh) | 一种基于对偶动态时空图卷积的交通预测方法 | |
| CN107545577A (zh) | 基于神经网络的沉积相图像分割方法 | |
| Qin et al. | UrbanEvolver: function-aware urban layout regeneration | |
| CN111401681A (zh) | 多无人机协同巡逻任务分配优化方法 | |
| CN116597267B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN118570212B (zh) | 一种基于强化特征提取网络的显示屏缺陷检测方法及系统 | |
| CN105607646B (zh) | 一种障碍环境下有必经点的uuv航路规划方法 | |
| CN117611877B (zh) | 基于ls-yolo网络的遥感影像滑坡体检测方法 | |
| CN112862147A (zh) | 基于bp神经网络的综合管廊运维风险评价模型及方法 | |
| CN117275222A (zh) | 一种融合一维卷积与属性增强单元的交通流量预测方法 | |
| CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
| CN109684910A (zh) | 一种网络检测输电线路地表环境变化的方法及系统 | |
| US20240386662A1 (en) | Method and apparatus for constructing large-scale urban point cloud dataset and extracting building instance | |
| Yuan et al. | Multiconstraint transformer-based automatic building extraction from high-resolution remote sensing images | |
| CN109033521B (zh) | 一种新建铁路限制坡度优化决策方法 | |
| CN117971996A (zh) | 一种区域文化遗产空间格局识别方法、装置及存储介质 | |
| CN117829355A (zh) | 基于知识图谱嵌入的灾害预测方法、装置、设备及介质 | |
| CN114140524B (zh) | 一种多尺度特征融合的闭环检测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |