一种基于深度学习的多属性数据建模方法技术

技术编号:20866615 阅读:32 留言:0更新日期:2019-04-17 09:22
本发明专利技术涉及交通运输技术领域,其目的在于提供一种基于深度学习的多属性数据建模方法。本发明专利技术包括以下步骤:S1:根据当前高速铁路区段的历史运营数据,提取列车晚点的影响因素及列车晚点观测值;S2:判断影响因素的属性;S3:将不同属性的影响因素分别输入Conv‑LSTM模型、LSTM模型和FCNN模型;S4:基于交叉验证分别优化上述各模型的神经元层数及各层神经元数,分别筛选出上述各模型中最小损失函数值的神经元层数及各层神经元数;S5:选定最终的多属性数据模型。本发明专利技术建立完成的多属性数据模型能够有效识别时间序列的时间依赖关系以及时空数据的时空依赖关系,实现对交通工具产生的多属性数据的建模。

【技术实现步骤摘要】
一种基于深度学习的多属性数据建模方法
本专利技术涉及交通运输
,特别是涉及一种基于深度学习的多属性数据建模方法。
技术介绍
高速铁路具有安全性好、送达速度快、正点率高、输送能力大、能耗低等一系列优点,高速铁路的发展极大地缓解了运输能力紧张,提升了我国路网的规模与质量,为国民经济的持续快速发展起到了重要支撑作用。然而,由于高速铁路运行环境复杂,高速列车在运行过程中,不可避免地会受到外界环境、内部系统机械故障以及组织管理的影响,导致列车的实际到达时间(实际出发时间)与计划到达时间(计划出发时间)有偏差,造成列车晚点。当列车晚点是由于自身车辆、设备故障突发事自然环境等因素引起的,被称为初始晚点;而当晚点是由于初始晚点的列车的晚点影响造成的,则称其为连带晚点或二次晚点。严重的晚点可能会在线路、局部网大面积传播,影响列车运行计划的正常执行,降低运输服务质量。移动设备(如高速铁路等交通工具)产生的数据具有多属性特性,包括时空数据、时间序列数据以及静态数据等。常用人工智能算法如前馈神经网络、支持向量机、决策树、贝叶斯网络等均无“时间”以及“空间”概念,利用这些模型建模多属性数据时,均不能有效本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多属性数据建模方法,其特征在于:包括以下步骤:S1:根据当前高速铁路区段的历史运营数据,提取列车晚点的影响因素Xk,k∈{1,2,…,K}及列车晚点观测值,其中K为提取晚点因素个数;S2:判断影响因素Xk的属性,其中影响因素Xk的属性包括时空特性数据、时间序列数据和静态数据;S3:根据影响因素Xk的属性的不同,将时空特性数据输入卷积循环神经网络(Conv‑LSTM)模型,将时间序列数据输入长短期记忆网络(LSTM)模型,将静态数据输入全连接前馈神经网络(FCNN)模型;S4:基于交叉验证分别优化Conv‑LSTM模型的神经元层数及各层神经元数、LSTM模型的神经元层数及各...

【技术特征摘要】
1.一种基于深度学习的多属性数据建模方法,其特征在于:包括以下步骤:S1:根据当前高速铁路区段的历史运营数据,提取列车晚点的影响因素Xk,k∈{1,2,…,K}及列车晚点观测值,其中K为提取晚点因素个数;S2:判断影响因素Xk的属性,其中影响因素Xk的属性包括时空特性数据、时间序列数据和静态数据;S3:根据影响因素Xk的属性的不同,将时空特性数据输入卷积循环神经网络(Conv-LSTM)模型,将时间序列数据输入长短期记忆网络(LSTM)模型,将静态数据输入全连接前馈神经网络(FCNN)模型;S4:基于交叉验证分别优化Conv-LSTM模型的神经元层数及各层神经元数、LSTM模型的神经元层数及各层神经元数、和FCNN模型的神经元层数及各层神经元数,筛选出Conv-LSTM模型中具有最小损失函数值的神经元层数m1及各层神经元数n1、LSTM模型中具有最小损失函数值的神经元层数m2及各层神经元数n2、和FCNN模型中具有最小损失函数值的神经元层数m3及各层神经元数n3;S5:选定神经元层数为m1层且每层为n1个神经元的Conv-LSTM模型、神经元层数为m2层且每层为n2个神经元的LSTM模型、和神经元层数为m3层且每层为n3个神经元的FCNN模型为最终的多属性数据模型。2.根据权利要求1所述的一种基于深度学习的多属性数据建模方法,其特征在于:在步骤S1中,影响因素Xk包括设备因素、计划运行图相关因素和实际运行图相关因素,所述设备因素包括车站股道数X1和区间长度X2,所述计划运行图相关因素包括区间计划运行时间X3、当前站计划出发间隔时间X4和预测站计划到达间隔时间X5,所述实际运行图相关因素包括列车已知晚点状态X6。3.根据权利要求2所述的一种基于深度学习的多属性数据建模方法,其特征在于:在步骤S2中,影响因素Xk的属性判断标准如下:车站股道数X1和区间长度X2为静态数据,区间计划运行时间X3、当前站计划出发间隔时间X4和预测站计划到达间隔时间X5为时间序列数据,列车已知晚点状态X6为时空特性数据。4.根据权利要求1所述的一种基于深度学习的多属性数据建模方法,其特征在于:步骤S4的具体步骤如...

【专利技术属性】
技术研发人员:文超黄平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

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1