Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于多模态深度学习模型的列车延误预测方法 

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!

摘要:本发明提供了一种基于多模态深度学习模型的列车延误预测方法。该方法包括:获取高速铁路网指定范围内所有车次的实绩运行时刻表信息;对时刻表信息按车次和线路进行分类,按照时间维度和时空维度对实绩运行时刻表信息进行特征提取并定量评估重要性后得到数据集;构建包括Transformer、3DCNN和FCNN的基于深度学习的列车延误预测模型,利用数据集对列车延误预测模型进行训练;将需要进行延误预测的列车的时刻表信息和线路信息输入到最终列车延误预测模型中,输出目标列车的延误预测时间及后续一段时间内的延误情况。本发明可以精准预测列车延误时间,并通过与列车延误预测的基线模型对比,验证了该列车延误预测模型具有稳定性和泛化性。

主权项:1.一种基于多模态深度学习模型的列车延误预测方法,其特征在于,包括:获取高速铁路网指定范围内所有车次的实绩运行时刻表信息;对所述实绩运行时刻表信息按车次和线路进行整理,按照时间维度和时空维度对实绩运行时刻表信息分类并进行特征重要性分析,对每种类别的数据进行编码,并设定标签,得到数据集;构建基于深度学习的列车延误预测模型,所述列车延误预测模型包括Transformer、三维卷积神经网络3DCNN和全连接网络FCNN,利用所述数据集对所述列车延误预测模型进行训练,得到训练好的列车延误预测模型;将需要进行延误预测的列车的车次、线路信息和时间信息输入到训练好的列车延误预测模型中,列车延误预测模型输出需要进行延误预测的列车的延误预测结果;所述的对所述实绩运行时刻表信息按车次和线路进行整理,按照时间维度和时空维度对实绩运行时刻表信息进行分类并进行特征重要性分析,对每种类别的数据进行编码,并设定标签,得到数据集,包括:根据实绩运行时刻表信息中的列车车次、线路和实绩运行信息,对实绩运行时刻表信息按车次和线路进行整理,按照时间维度和时空维度对实绩运行时刻表信息进行分类,对每种类别的数据进行编码,并设定标签,将编码和设定标签后的所有类别的数据构成数据集,将数据集划分为训练集、测试集和验证集;所述的构建基于深度学习的列车延误预测模型,所述列车延误预测模型包括Transformer、三维卷积神经网络3DCNN和全连接网络FCNN,利用所述数据集对所述列车延误预测模型进行训练,得到训练好的列车延误预测模型,包括:构建基于深度学习的列车延误预测模型,所述列车延误预测模型包括Transformer单元、3DCNN单元和FCNN单元,将所述训练集数据输入到所述列车延误预测模型中,所述Transformer单元提取所述训练集数据中与时间序列因素相关的特征,所述3DCNN单元提取所述训练集数据中与时空依赖性相关的特征,所述FCNN单元将所述Transformer单元、3DCNN单元提取的特征进行加权合并,根据合并后的特征和训练集数据中的标签进行迭代学习,利用所述测试集和验证集数据对迭代学习的结果进行验证,根据验证结果利用损失函数计算所述列车延误预测模型的损失,通过反向传播算法,更新所述Transformer单元、3DCNN单元的权重,调整所述列车延误预测模型的网络结构和参数;通过迭代执行上述处理过程,得到训练好的最终列车延误预测模型。

全文数据:

权利要求:

百度查询: 北京交通大学 一种基于多模态深度学习模型的列车延误预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。