高速铁路列车晚点时间预测的深度神经网络模型建模方法技术

本发明专利技术公开了一种高速铁路列车晚点时间预测的深度神经网络模型建模方法，属于轨道交通的技术领域，结合相邻列车间具有明显相互作用关系及列车晚点具有时间序列以及非时间序列影响因素的特点，提出了包含循环神经网络以及全连接神经网络的深度神经网络模型；该模型中，晚点的非时间序列影响因素被输入全连接神经网络，时间序列影响因素被输入循环神将网络以利用其反馈机制学习到相邻列车间相互作用关系；以达到能够识别列车之间相互作用对列车晚点的影响，具有较高的预测精度，且具有较好的实际应用能力，其预测绝对误差与相对误差均低于支持向量回归模型、普通神经网络模型及马尔科夫等模型的最优预测结果。

【技术实现步骤摘要】
高速铁路列车晚点时间预测的深度神经网络模型建模方法
本专利技术属于轨道交通的
，具体而言，涉及一种高速铁路列车晚点时间预测的深度神经网络模型建模方法。
技术介绍
我国高速铁路自2008年8月1日开始运营以来，短短十年的时间里获得了飞速发展，截止2017年底，我国高速铁路的运营里程已超过了2.5万公里，占全世界运营里程的66％以上，动车组开行比例也已经占到总旅客列车数的60％以上。高速铁路的运营，完善了铁路路网结构、消解了客货运输瓶颈与冲突、推动了铁路修建与技术装备的持续更新。列车晚点情况下，调度员经验化的调度组织原则严重影响了我国高速铁路运输组织效率，提高列车晚点时间实时预测能力是提高高速铁路调度指挥水平的关键。准确地预测列车晚点时间，一方面能够使调度员较为准确地估计列车的运行状态，制定合理的行车指挥决策并指导客运及其他相关部门协同完成运输任务，在提高铁路行车指挥质量方面具有一定的实践意义；另一方面，将有助于旅客估计行程时间、制定新的旅行计划，是铁路部门向社会提供优质运输服务的保证。列车晚点时间实时预测一直是铁路运输领域专家致力解决的热点问题。2018年INFORMS铁路优化专题竞赛(The2018RailroadProblemSolvingCompetition)也基于铁路运营数据与列车晚点预测进行。已有研究中，部分学者由于列车运行数据缺乏，主要致力于用时间-事件网络、排队模型来描述列车占用资源的次序，从而进行列车到发时刻的估计或使用列车运行仿真系统来仿真列车运行。Hansen等首先将时间-事件网络理论应用于列车区间运行时间以及车站到达时间预测。随后，Kecman等在此基础上利用具有动态权重的时间-事件网络图来实现列车运行时刻的更精确估计。Huisman等基于排队网络模型来预测列车平均晚点时间、连带晚点时间以及列车等待进路时间。Fukami等针对日本高速铁路开发了列车运行仿真系统，并最终于2003年将该系统成功用于新干线列车晚点实时预测，为新干线高铁列车的调度指挥提供可靠决策支持。杨肇夏等也基于列车晚点传播仿真系统对我国不同铁路区段运行图稳定性进行了仿真分析，但该系统并未成功应用于实际，且主要针对既有线。马嘶等假设干扰服从左偏的β函数分布，以列车终到正点率、平均晚点时间、恢复率等为统计指标仿真研究了不同冗余时间布局对列车运行图稳定性的影响。当列车实际运行数据充足时，学者主要利用统计分析或人工智能算法构建数据驱动模型。在基于统计分析方法上，刘岩等利用京沪高速铁路一个半月的列车运行实际数据分析了列车实际区间运行时分和停站时分的分布特征以及区间运行时分与发车晚点、停站时分与到达晚点之间的关系。孟令云等利用荷兰铁路运营数据，并基于轨道区段锁闭时间理论，提出了列车之间的晚点传播过程构建方法。庄河等利用我国武广高速铁路故障历史记录数据对武广高速铁路初始晚点进行了分布拟合研究，拟合了高速铁路初始晚点时长分布函数。Briggs等，Xu等，Wen等都分别对列车晚点时长进行了分布研究，得到了适合不同铁路线路的列车晚点分布曲线，但其研究只能得到相应的晚点时长概率分布规律，并不能对列车在将来时刻的晚点时间进行定量预测，对调度指挥工作支撑作用非常有限。在利用机器学习算法方法方面，马尔科夫模型以及人工神经网络模型是列车晚点预测中应用最广泛的算法，但由于马尔科夫模型的无后效性假设(即系统当前状态只与前一时刻有关)，使得其预测精度低于神经网络模型。随后，Markovic′等针对神经网络模型在列车晚点中的广泛应用，基于塞尔维亚铁路运营数据提出支持向量回归预测模型，并证明支持向量回归比普通神经网络模型有更高的预测精度。机器学习算法由于比统计方法有更少的模型假设一般能够得到更好的数据拟合。但分析发现已有基于机器学习的晚点预测模型具有如下缺点：1)均是利用单列晚点列车已知参数预测自身未知晚点时间，并未考虑待预测列车与其前行列车的相互作用关系。但在铁路系统内，由于固定设备的联锁关系，列车之间的相互作用在技术条件允许的情况下是必须要考虑的。2)模型均无“时序”概念，但列车晚点影响因素有时间序列与非时间序列两种，晚点与时间序列变量的时间依赖关系不能得到较好的拟合。
技术实现思路
有鉴于此，为了解决现有技术存在的上述问题，本专利技术的目的在于提供一种高速铁路列车晚点时间预测的深度神经网络模型建模方法以达到获取循环神经网络与全连接神经网络相结合的列车晚点时间实时预测深度学习模型，将各次列车作为时序输入以识别前后列车之间的作用关系的目的。本专利技术所采用的技术方案为：一种高速铁路列车晚点时间预测的深度神经网络模型建模方法，包括以下步骤：(1)建立晚点影响因素特征集，表示为F，影响因素特征集包括计划运行图参数、实际运行图参数和设备参数，所述计划运行图参数和实际运行图参数为时间序列变量，设备参数为非时间序列变量；令表示为列车i在车站Sn+1的到达晚点时间；(2)将时间序列变量输入至RNN单元进行模型学习，将非时间序列变量输入至FCNN单元进行模型学习；(3)通过Keras深度学习包的模型融合方法将RNN单元和第一FCNN单元进行融合，以得到深度神经网络模型；其中，RNN为RecurrentNeuralNetworks；FCNN为Fully-connectedNeuralNetworks；(4)通过深度神经网络模型计算得到模型拟合值并计算模型拟合值与真实晚点值的误差得到模型损失；(5)通过误差反向传播算法将误差从输出层反向传播至输入层来更新神经元权重以减小模型损失。进一步地，所述计划运行图参数包括：始发站至预测站各区间图定运行时间T，列车所经过各车站图定停站时间W，与前行列车在各车站图定间隔时间I，列车所经过的各相邻两车站的起停次数S；所述实际运行图参数包括：列车各站晚点时间D，列车在已经过各区间的旅行时间T′,与前行列车在各车站的实际间隔时间I′,已经过各站的实际停站时间W′；所述设备参数包括：区间长度L和占用车站股道N。进一步地，所述影响因素特征集按照75％、15％和10％的比例划分为训练样本数据集、验证样本数据集和测试样本数据集。进一步地，所述RNN单元将每l列列车作为一个时间序列，且l为RNN单元的时间步长；所述时间序列包括多个影响因素特征集，分别为且中均包括所述时间序列中每一列车从其始发站S1至当前站Sn区段内每个车站的影响因素特征集。进一步地，所述步骤(2)中，令时间序列变量为给定输入序列X＝(x0,x1,···,xT)，RNN单元在任意时刻t(t∈0,1,···,T)的隐藏层状态ht均是基于当前时刻的输入xt以及过去时刻的隐藏层状态ht-1映射得到的，且RNN单元将每个时刻的隐藏层状态输出且传入下一时刻；最终通过RNN单元的输出层将最后时刻的状态hT映射成RNN单元的输出yT，其表达式如下：ht＝σ(Wxhxt+Whhht-1+bh)(1)yT＝σ(WhyhT+by)(2)式中，Wxh、Whh分别为输入层到隐藏层、隐藏层与隐藏层之间的神经元权重；bh、by为服从正态分布的神经元拟合误差；σ(x)为激活函数。进一步地，所述RNN单元与第一FCNN单元的激活函数均选用高级激活函数Prelu，该函数可从数据中自动学习得到α值以适应不同的非线性关本文档来自技高网...

【技术保护点】
1.一种高速铁路列车晚点时间预测的深度神经网络模型建模方法，其特征在于，包括以下步骤：(1)建立晚点影响因素特征集，表示为F，影响因素特征集包括计划运行图参数、实际运行图参数和设备参数，所述计划运行图参数和实际运行图参数为时间序列变量，设备参数为非时间序列变量；令

【技术特征摘要】
1.一种高速铁路列车晚点时间预测的深度神经网络模型建模方法，其特征在于，包括以下步骤：(1)建立晚点影响因素特征集，表示为F，影响因素特征集包括计划运行图参数、实际运行图参数和设备参数，所述计划运行图参数和实际运行图参数为时间序列变量，设备参数为非时间序列变量；令表示为列车i在车站Sn+1的到达晚点时间；(2)将时间序列变量输入至RNN单元进行模型学习，将非时间序列变量输入至FCNN单元进行模型学习；(3)通过Keras深度学习包的模型融合方法将RNN单元和第一FCNN单元进行融合，以得到深度神经网络模型；(4)通过深度神经网络模型计算得到模型拟合值并计算模型拟合值与真实晚点值的误差得到模型损失；(5)通过误差反向传播算法将误差从输出层反向传播至输入层来更新神经元权重以减小模型损失。2.根据权利要求1所述的高速铁路列车晚点时间预测的深度神经网络模型建模方法，其特征在于，所述计划运行图参数包括：始发站至预测站各区间图定运行时间T，列车所经过各车站图定停站时间W，与前行列车在各车站图定间隔时间I，列车所经过的各相邻两车站的起停次数S；所述实际运行图参数包括：列车各站晚点时间D，列车在已经过各区间的旅行时间T′,与前行列车在各车站的实际间隔时间I′,已经过各站的实际停站时间W′；所述设备参数包括：区间长度L和占用车站股道N。3.根据权利要求1所述的高速铁路列车晚点时间预测的深度神经网络模型建模方法，其特征在于，所述影响因素特征集按照75％、15％和10％的比例划分为训练样本数据集、验证样本数据集和测试样本数据集。4.根据权利要求1所述的高速铁路列车晚点时间预测的深度神经网络模型建模方法，其特征在于，所述RNN单元将每l列列车作为一个时间序列，且l为RNN单元的时间步长；所述时间序列包括多个影响因素特征集，分别为且中均包括所述时间序列中每一列车从其始发站S1至当前站Sn区段内每个车站的影...

【专利技术属性】
技术研发人员：黄平，文超，李忠灿，汤轶雄，蒋朝哲，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51