1.基于SA‑GRU的高速列车节能驾驶策略方法，其特征在于，具体操作步骤如下：步骤1、对列车从首发站到终点站运行过程中产生的运行数据，使用插值法、卡方检验方法对运行时间、速度、车厢电气柜温度、变压器温度、驱动侧轴温度、齿轮温度、轴温、转速、风管温度以及制动手柄级位一系列单个特征进行数据预处理；

步骤2、通过12种不同类别制动手柄级位将数据分为12类，并将每一类制动手柄级位映射为0‑11的数字作为标签，去除数量过少的类别为紧急制动手柄级位的数据，也就是标签为11的数据，对剩下的列车运行时数据，标签为0‑10，使用欠采样法进行构造均衡数据集操作，得到每一种类别数量相同的均衡数据集；

步骤3、将步骤2中的均衡数据集进行多重特征选择，去除对制动手柄级位操作无影响或影响较小的特征，经过多重选择之后得到的均衡数据集中的数据只包含与制动手柄级位相关性大的三十四个特征，此均衡数据集将作为训练集；

步骤4、将步骤3中经过多重特征选择之后的训练集中除制动手柄级位之外的数据作为SA‑GRU分类模型的输入，制动手柄级位作为输出，对SA‑GRU分类模型进行训练；

步骤4具体如下：

将步骤3得到的均衡数据集作为训练集输入SA‑GRU分类模型进行训练，所述SA‑GRU分类模型由三层构成：第一层为gru层，这一层使用门控机制控制输入、记忆信息，并在当前时间步做出预测；第二层是全连接层，这一层将n个 实数映射为K个 的实数；第三层是softmax层，将K个  的实数映射为K个 (0,1)的实数，同时保证它们之和为1；

步骤4.1、将步骤3中得到的最终数据作为SA‑GRU分类模型的输入数据，其参数设定如下：输入维度input_size为35，输出维度output_size为1，隐层维度hidden_size为35，一次训练所抓取的数据样本数量batch_size为30，SA‑GRU的层数为2，在上述参数设定下的GRU中进行训练；

所述GRU包括重置门、更新门、候选隐藏状态和隐藏状态；

相关参数计算和更新过程如式(2)‑(5)：

(2)

(3)

(4)

(5)

其中，隐藏单元个数为 ，时间步 的输入为 ， 表示输入向量维度，上一个时间步 的隐藏状态为 ， ， ， 和 ， ，

表示权重参数矩阵， ， ， 是偏差参数，表示sigmoid激活函数，表示做按元素乘法， ， ， ， 分别表示重置门、更新门、候选隐藏状态和隐藏状态的输出；

步骤4.2、将步骤3选出的34个特征经过双向GRU处理作为全连接层的输入，用表示，全连接层使用ReLu作为激活函数，并且加入dropout机制，在训练过程中，为了防止过拟合，将全连接层中的神经网络单元按照0.5的概率将其暂时从网络中丢弃，使其不工作，避免模型过度学习某些特征，具体如式(6)：(6)

将 视为第 类特征的权重，即每维特征的重要程度对最终分数的影响程度， 为偏置项，通过对特征加权求和得到每个类别的分数 ； 值中有0.5的概率被丢弃，不会被继续传输；

步骤4.3、最后通过 分类器获得不同制动手柄级位标签的概率分布 ，具体如式(7)：

(7)

其中，为全连接层的输入， 为权重，为偏置项， 的计算方式如式(8), 式(9)：

(8)

拆成每个标签类别对应的概率如下：

(9)

概率最大的 表示的标签类别即为接下来要进行的制动操作；

步骤5、从步骤1中经过预处理之后的全部数据中根据速度变化选取一段路线作为测试集，根据数据集中所记录的由始发站到终点站的牵引用电能耗计算差值得出本段路中原有制动策略下的牵引用电能量 ，并记录；然后根据初始运行时数据中的运行工况分别计算每一种标签下加速、匀速、减速所占百分比，记为 ；

步骤6、将测试集经过多重特征选择，输入训练好的SA‑GRU模型得到初始制动策略 ，由于只有在加速和匀速阶段会消耗电能，减速阶段不消耗电能，因此通过步骤5中的百分比以及SA‑GRU模型得到的策略 中每种制动手柄级位标签的数量可以得到耗能标签数量L；最后根据预测得到的初始制动策略 和由初始运行时数据计算得到的各制动手柄级位平均每秒带来的能耗增加值计算出在策略 下的牵引用电能量 ；

步骤7、将步骤5和步骤6中两者的牵引用电能量进行对比分析，调整网络模型，寻求最佳节能策略；

步骤7.1、由步骤5和步骤6可以得到初始运行时数据中测试集的电能耗，即 ，经过SA‑GRU分类模型制定出的操作策略 下能耗为 ，二者的关系有如下两种：步骤7.2、若能耗关系为 ，则将策略判定为初始节能策略 ；在实际运行过程中，需将列车加速达到接近限速，再执行初始节能策略 ，若列车速度变为0为止还未能到达终点站，则增加列车的匀速运行时间，使高速列车在速度变为0时刚好等于测试路线长度，这么做的目的是为了满足实际情况中列车的准点性；

步骤7.3、若能耗关系为 ，要通过调整训练次数，batch_size以及利用模拟退火算法对学习率进行调整，以此达到能耗关系为 ，以此得到节能策略；所述模拟退火算法将学习率以每50次训练缩小0.1的趋势对模型进行训练。

2.根据权利要求1所述的基于SA‑GRU的高速列车节能驾驶策略方法，其特征在于，步骤

1具体如下：

步骤1.1：把获取到的列车从首发站到终点站运行过程中产生的数据即运行时数据中剔除运行过程中不会发生任何变化的属性，即与列车驾驶能耗无关，不仅对分类模型训练无效，更会对模型的训练起到干扰作用的数据去除；

步骤1.2：根据每一个属性与制动手柄级位的关系进行卡方检验操作，卡方检验的值表示每一个属性与制动手柄级位之间的关联性程度，将卡方值得分最高的 个特征保留；

步骤1.3：对获取到的运行数据中的缺失值进行插值填补操作，使用缺失值处上下两个时间戳的值进行求均值操作，得到的值即填补作为缺失值，此时得到最终的包含47个特征的完整数据。

3.根据权利要求2所述的基于SA‑GRU的高速列车节能驾驶策略方法，其特征在于，步骤

2具体如下：

步骤2.1：根据制动手柄级位将运行时数据进行分类，制动手柄级位的值是几个离散量： ，EB为紧急制动位，用标签0表示；REL为运转位，即牵引位，用标签1表示；常用制动位1A,1B,2,3,4,5,6,7,8分别用2，3，4，5，6，7，8，9，10表示, OC为忽略乘客激活紧急制动位，用标签11表示，由此将制动手柄级位映射为：，共十二类；

步骤2.2：对制动手柄级位为11的数据代表乘客激活紧急制动位类别剔除；使用欠采样方法，从制动手柄级位标签为1‑10的数据中随机抽取60组数据，共得到660条数据。

4.根据权利要求3所述的基于SA‑GRU的高速列车节能驾驶策略方法，其特征在于，步骤

3具体如下：

步骤3使用多重特征选择对数据特征属性进行选择，分别使用传统特征选择方法和XGBOOST进行特征选择，其中传统特征选择方法使用方差法和互信息法，具体如下：步骤3.1：基于方差进行特征选择：对步骤1.3中的47个特征进行特征选择，留下方差大的K个特征，其中1≤K≤47；计算单个特征和制动手柄级位标签的线性回归测试的f值，调整所要选择的特征数量，根据评分标准从高到低依次进行特征选择，K值为35；

步骤3.2：基于互信息的特征选择：将步骤1所述单个特征与制动手柄级位的互信息值降序排列后，选取K个特征继续操作，1≤K≤47，K值为35；

步骤3.3：将步骤3.1和步骤3.2中的两个特征选择方法选择出来的特征进行合并，两者合并之后得到K1个特征属性；

步骤3.4、将步骤3.3得到的K1个特征属性进行编码，每个编码对应一个特征属性，特征属性编码范围为1—K1，编码0为制动手柄级位标签，使用XGBOOST在数据集上进行特征选择，将每个特征属性和制动手柄级位的相关重要性做排序，最终选出重要性高的34个特征作为最终训练集的特征属性。

5.根据权利要求1所述的基于SA‑GRU的高速列车节能驾驶策略方法，其特征在于，所述步骤5具体如下：先选取一条路线作测试，选取的路线要求在初始运行时数据的记录中，原有制动手柄级位包含十一个不同类别，然后进行原有运行时数据牵引用电能耗的计算，具体计算过程如下：选取路线的电能耗在起始位置的值为 ，在终点位置的值为 ，则在这条路线上的总能耗为 ，表达式如式(10)：(10)

其中，除牵引手柄以外，同一制动手柄级位可分为三种运行情况：加速，匀速，减速；根据速度以及加速度变化统计同一制动手柄加速、匀速、减速三种运行情况下的数量，根据统计数量计算每一种运行情况所占百分比，加速、匀速、减速三种情况百分比分别记为，表示制动手柄级位标签，取值为0，1，2，……，10。

6.根据权利要求1所述的基于SA‑GRU的高速列车节能驾驶策略方法，其特征在于，步骤

6具体如下：

将选取的路线作为测试集进行预测，测试集需要经过多重特征选择，然后输入训练好的SA‑GRU模型，得到预测出的制动策略后进行能耗的计算，具体过程如下：步骤6.1、将测试路线数据经过方差法、互信息法得到三十七个特征，再经过XGBOOST进行特征选择得到三十四个特征，将含有三十四个特征的数据输入训练好的SA‑GRU模型中得到预测制动策略；

步骤6.2、统计每一类型制动手柄级位的数量，分别用 , ，…， 表示，计算每一类型制动手柄级位不同运行情况的数量，得到11种制动手柄级位中消耗电能的制动手柄级位数量 ，如式(11)所示：(11)

由于手柄级位为1时为牵引，此时只会消耗电能来加速，故无需区分 中是否分为加速，匀速，减速的情况；

步骤6.3、将步骤6.2最终得到的每一类型的制动手柄级位不同运行情况的数量进行能耗的计算，首先借助excel软件在初始运行时数据中计算每一种标签的瞬时能耗，然后将每一种制动手柄级位下瞬时能耗相加，将得到的和除以每一种制动手柄级位的数量，得到每一制动手柄级位的平均能耗增加值，将每一制动手柄级位的平均能耗增加值分别表示为：, ，…， ；则最终SA‑GRU分类模型预测出的模型策略所需能耗可表示为式(12)：(12)。