买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京交通大学

摘要：本发明提供的一种跨线列车多站到达晚点预测的方法及装置，首先获取并处理跨线列车实绩运行数据、外界天气数据和车站配线数据进行处理和清洗；使用69种常见的分布拟合函数对跨线列车的影响列车数量和总晚点时间进行分布拟合，确定跨线列车晚点的影响范围和程度；从6个方面对晚点影响因素进行提取，提取处理的过程基于LSTM、列车的运行顺序和逻辑约束处理因素变量；对传统的DNN模型进行改进，降低深层网络的计算复杂度并避免出现过拟合的现象；最后采用Embedded的方法、使用IDNN模型进行训练，得到影响因素识别和晚点预测的结果。本发明提出的机器学习方法比既有的晚点预测模型预测精度更高、鲁棒性更强、计算速度更快。

主权项：1.一种跨线列车多站到达晚点预测的方法，其特征在于，包括：S1获取并处理跨线列车实绩运行数据、外界天气数据和车站配线数据；步骤S1中：所述跨线列车实绩运行数据包括跨线车辆在车站的到达出发时间和到发股道编号；外界天气数据包括沿途各车站的历史小时粒度的降雨量、风速风向、晴雨雪；车站配线数据包含车站的股道和道岔的位置及方向、车站里程；步骤S1具体包括：S11将所述跨线列车实绩运行数据、外界天气数据和车站配线数据分别按时间序列进行排列；S12通过每组时间序列的均值、中位数和相邻数的任意一种分别代替每组时间序列的空值和异常值；S13基于执行了步骤S12的时间序列建立数据集；S14通过3σ准则对数据集中的每个变量进行数据清洗，删除纠正异常数据；S15通过高速铁路列车运行间的相互约束关系，删除或纠正数据集中不合理或相互矛盾的数据；S16将数据集中的所述外界天气数据和车站配线数据进行数值化表示；S2基于处理后的跨线列车实绩运行数据中的受影响列车数量和总晚点时间，通过极大似然方法进行分布拟合，还通过K-S方法选取最优的分布拟合的函数，获得跨线列车的影响范围和程度；S3基于跨线列车的影响范围和程度，提取列车晚点影响因素；具体包括：根据当前列车运行特征、当前列车趋势特征、前行和后行列车特征、外界天气特征、跨线列车作业特征和基础设施特征，通过LSTM对当前列车趋势特征进行压缩处理，通过列车的运行顺序和逻辑约束对前列车运行特征、前行和后行列车特征、外界天气特征、跨线列车作业特征和基础设施特征进行处理，提取列车晚点影响因素；S4通过对神经网络模型进行提升深度处理，获得列车晚点预测模型，并通过处理后的处理跨线列车实绩运行数据、外界天气数据和车站配线数据，训练该列车晚点预测模型；具体包括：S41通过叠加多个浅层神经网络替换单个深度神经网络，并降低原始DNN中的隐藏层数量，获得由式改为的式 式中，和分别代表原始DNN和IDNN对输入特征xm的晚点时间预测值，E表示IDNN晚点预测模型，fk和αk分别表示第k个浅层神经网络及其相应的权重系数；S42将原始DNN中第kkK个浅层神经网络的输出与第1个浅层神经网络的输入进行拼接，作为第k+1个浅层神经网络的输入数据，获得式 式中，ft和αt分别表示第t个浅层神经网络及其相应的权重系数，表示第t个浅层神经网络的输入数据；S43在原始DNN反向传播对神经元参数W和b进行更新修正时，通过式 对原始DNN的损失函数进行泰勒展开操作，完成列车晚点预测模型的构建；式中，gm和hm分别表示损失函数展开后一阶导数和二阶导数；S44通过式 对数据集进行Z-score标准化，按7∶3划分训练集和数据集；式中，χ和分别表示需要原始特征及其均值；σ表示该类原始特征的标准差；χb表示经过标准化后的特征；S45将训练集输入到列车晚点预测模型，进行第kk≤K个浅层神经网络第ee≤E次的训练，初始值k＝1，e＝1；S46通过式 计算前k个神经网络的损失函数和预测结果，通过式 更新前k个神经网络的权重系数[W1，W2，...，Wk]和偏置系数[b1，b2，...，bk]；式中，lr表示IDNN模型的学习率；S47令e＝e+1，并判断迭代次数e是否到达每层的最大迭代次数E，若到达则执行步骤S48，反之转步骤S46；S48令k＝k+1，并判断神经网络个数k是否到达设置的最大神经网络个数K，若到达则选取K个神经网络中取得预测效果最优的神经网络，反之转步骤S46；S5基于训练后的列车晚点预测模型，输出预测的列车晚点时间和相应的评价指标。

全文数据：

权利要求：

百度查询： 北京交通大学 一种跨线列车多站到达晚点预测的方法及装置