- 주제 : 열차의 주행 안정성 진단에 사용되는 ‘탈선계수’를 보다 높은 정확도로 예측할 수 있는 인공지능 모델 개발
- 기간 : 23.08.01 ~ 23.09.21
- 팀명 : 한국철도999 (총 4명)
- 결과 : 5위 / 68팀 (78.681525점)
- 수상 : 장려상🥉
-
주어진 주행데이터 및 선로데이터를 이용하여, 탈선계수에 해당하는 이하 4개 항목을 예측하는 모델을 만듭니다.
- YL_M1_B1_W1: 좌측 전위 차륜 탈선계수
- YR_M1_B1_W1: 우측 전위 차륜 탈선계수
- YL_M1_B1_W2: 좌측 후위 차륜 탈선계수
- YR_M1_B1_W2: 우측 후위 차륜 탈선계수
-
직선구간(data_s) 데이터와 곡선구간(data_c) 데이터가 yaw damper의 비선형제어능력 조건에 따라 각 5개씩 주어집니다.
- 총 10개 데이터 파일마다 탈선계수 4열씩, 총 40열의 데이터를 예측합니다.
- 실제 데이터는 3km 길이 만큼 주어지며, 예측 대상은 마지막 500m에 해당되는 구간입니다.
-
모델은 반드시 다음의 조건을 충족해야 합니다.
-
각 탈선계수의 과거 시점 값 또는 각 탈선계수의 자기상관 데이터를 독립변인으로 사용하는 시계열/패널 유형 모델일 것
- 탈선계수의 과거 시점 값(t-1 … t-M)과 그 외 변인들(예: 구간 정보)의 대상 시점 값(t … t+N)을 함께 활용하여 예측 수행
- 예측 시 사용할 과거 시점 값의 길이와 한 번 예측에서 생성할 예측 시점의 길이는 자유
- 한 번에 전체 대상 시점에 대한 예측 생성이 어려운 경우, 생성한 예측을 다시 입력으로 활용하여 다음 시점을 생성하는 모델을 구축
-
전체 단일 모델 또는 직선구간 모델과 곡선구간 모델의 형태로 모델을 생성할 것
- 직선구간과 곡선구간 데이터의 선로 정보 구성 항목이 서로 다른 점에 유의
- 앙상블에 대한 제약은 없으나, 2차 평가항목에 활용성이 포함되어있음에 유의
-
📁 dataset.zip
├--- 📁 data_c --- 곡선(curve) 선로 주행 데이터
├--- 📁 data_s --- 직선(straight) 선로 주행 데이터
├--- 📁 data_columns --- 선로 주행 데이터 컬럼 설명
├--- 📁 lane_data --- 선로 센서 데이터
├--- 📁 lane_data_columns --- 선로 센서 데이터 컬럼 설명
└--- 📃 answer_sample.csv --- 정답 양식 파일
- 데이터 정의 및 용어 정리
- data_c: 곡선 선로를 주행할 때 기차의 센서 데이터입니다. 'yaw damper'에 따라 30, 40, 50, 70, 100, 5개의 데이터로 구성됩니다.
- data_s: 직선 선로를 주행할 때 기차의 센서 데이터입니다. 'yaw damper'에 따라 30, 40, 50, 70, 100, 5개의 데이터로 구성됩니다.
- data_columns: data_c, data_s의 컬럼에 대한 설명 데이터입니다.
- lane_data: 주행한 선로의 데이터입니다. 직선 선로, 곡선 선로로 나뉘어 있습니다.
- lane_data_columns: 선로 데이터 칼럼에 대한 설명 데이터입니다.
- answer_sample: 각 데이터의 탈선 계수 예측값을 입력하는 양식입니다.
| 주제 | 내용 |
|---|---|
| 예측 모델 분리 여부 | 곡선 선로 모델, 직선 선로 모델 2개의 모델 제작 |
| 변수 추가 | yaw damper, 가속도, 수직하중, 편향력 관련 변수 생성 |
| validation split | 10000개 중 500개 행 |
| CNN 학습 범위 | 3m, 5m, 7m(선정), 10m |
| activation | relu, swish, selu(선정) |
| optimizer | SGD, Adam, AdamW, Nadam(선정) |
언어
라이브러리
프로그래밍 인터페이스
