一种铁路业务呼叫故障预测方法和装置制造方法及图纸

本发明专利技术实施例公开了一种铁路业务呼叫故障预测方法和装置，该方法包括：获取业务呼叫的第一特征向量；将第一特征向量与预设的特征向量中心点预测模型输出的一个或多个不同的第二特征向量相比较；其中，所述第二特征向量为业务呼叫故障类型的特征向量中心点；当所述第一特征向量与任意一个所述第二特征向量的相似度大于或等于预设的相似度阈值时，确定当前第一特征向量对应的呼叫业务存在无线超时故障。通过该实施例方案，实现了将大数据和人工智能技术引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高了故障处理效率，提升了铁路通信信号维护水平。

A Fault Prediction Method and Device for Railway Business Calls

【技术实现步骤摘要】
一种铁路业务呼叫故障预测方法和装置
本专利技术实施例涉及列车控制技术，尤指一种铁路业务呼叫故障预测方法和装置。
技术介绍
随着大数据技术和人工智能技术的迅速发展，越来越多的相关应用在互联网领域中得到充分的应用，但是受限于一些因素，在传统
中，这些先进技术还没有得到充分利用。例如，当前铁路维护水平仍处于人工发现故障、手工分析故障的水平，使得多数故障未能及时发现并处理，更难以达到预先对故障进行预测，防患于未然的目的。因此，急需将先进技术引进铁路故障处理领域，提升铁路通信信号维护水平，做到防患于未然。
技术实现思路
本专利技术实施例提供了一种铁路业务呼叫故障预测方法和装置，能够将大数据和人工智能技术引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高故障处理效率，提高列车性能。为了达到本专利技术实施例目的，本专利技术实施例提供了一种铁路业务呼叫故障预测方法，所述方法可以包括：获取业务呼叫的第一特征向量；将所述第一特征向量与预设的特征向量中心点预测模型输出的一个或多个不同的第二特征向量相比较；其中，所述第二特征向量为业务呼叫故障类型的特征向量中心点；当所述第一特征向量与任意一个所述第二特征向量的相似度大于或等于预设的相似度阈值时，确定当前第一特征向量对应的呼叫业务存在无线超时故障。在本专利技术的示例性实施例中，所述特征向量中心点预测模型：可以是以多种类型的关于业务呼叫故障的特征向量为测试数据和训练数据，对创建的初始模型进行训练获得的，可以用于基于聚类算法计算一种或多种业务呼叫故障类型的特征向量中心点；计算所述特征向量中心点可以是指：将一种业务呼叫故障类型对应的多种不同的特征向量优化成一种特征向量的计算过程，以使每种业务呼叫故障类型对应一种优化的特征向量。在本专利技术的示例性实施例中，所述特征向量中心点预测模型基于聚类算法计算一种或多种业务呼叫故障类型的特征向量中心点可以包括：通过所述聚类算法对多个未标注的业务呼叫故障的特征向量进行聚类并进行故障类型标注；根据不同的故障类型对已标注好的业务呼叫故障的特征向量进行分类；针对每一类故障类型，分别计算该类故障类型的全部特征向量对应维度的加权平均值，以获取该类故障类型的特征向量中心点。在本专利技术的示例性实施例中，所述通过所述聚类算法对多个未标注的业务呼叫故障的特征向量进行聚类并进行故障类型标注可以包括：将已标注的业务呼叫故障类型的特征向量作为初始特征向量中心点；通过所述聚类算法，依据所述初始特征向量中心点对多个未标注的业务呼叫故障的特征向量进行聚类；根据聚类结果计算所述多个未标注的业务呼叫故障的特征向量的故障类型；根据计算出的故障类型对所述多个未标注的业务呼叫故障的特征向量进行相应的故障类型标注。在本专利技术的示例性实施例中，所述业务呼叫可以包括：铁路综合数字移动通信系统GSM-R网络每个接口的网络控制信令和业务数据；所述获取业务呼叫的第一特征向量可以包括：确定所述业务呼叫的特征；所述特征包括基础特征和衍生特征；其中，所述基础特征是指能够从单条数据中直接解析出的特征，所述衍生特征是指需要多条数据关联和/或多条数据组合计算得到的特征；根据所述基础特征的第一权重值和所述衍生特征的第二权重值，对每条业务呼叫的特征进行加权计算，获得该特征在高维向量中对应的维度，实现业务呼叫特征向量化，并获取所述第一特征向量。在本专利技术的示例性实施例中，所述方法还可以包括：将所述业务呼叫划分成时间窗口，以在一个滑动的时间窗口里动态提取所述第一特征向量。在本专利技术的示例性实施例中，所述将所述第一特征向量与预设的特征向量中心点预测模型输出的一个或多个第二特征向量相比较可以包括：采用欧式距离分别计算所述第一特征向量的第一自然长度和所述第二特征向量的第二自然长度；将所述第一自然长度和所述第二自然长度相比较，以确定所述第一自然长度和所述第二自然长度的相似度。在本专利技术的示例性实施例中，所述方法还可以包括：将所述第一自然长度和所述第二自然长度的相似度确定为所述第一特征向量与所述第二特征向量的相似度。在本专利技术的示例性实施例中，对于中国列车运行控制系统第3级CTCS-3高铁列控，所述业务呼叫故障类型可以包括：车载列车超速防护ATP问题、GSM-R网络问题和无线闭塞中心RBC问题；对于动力分布多机无线重联同步控制技术LOCOTROL重载列控，所述业务呼叫故障类型可以包括：车载通信单元OCU问题、GSM-R网络问题和地面应用节点AN问题。本专利技术实施例还提供了一种铁路业务呼叫故障预测装置，可以包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任意一项所述的铁路业务呼叫故障预测方法。本专利技术实施例可以包括：获取业务呼叫的第一特征向量；将所述第一特征向量与预设的特征向量中心点预测模型输出的一个或多个不同的第二特征向量相比较；其中，所述第二特征向量为业务呼叫故障类型的特征向量中心点；当所述第一特征向量与任意一个所述第二特征向量的相似度大于或等于预设的相似度阈值时，确定当前第一特征向量对应的呼叫业务存在无线超时故障。通过该实施例方案，实现了将大数据和人工智能技术引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高了故障处理效率，提升了铁路通信信号维护水平。本专利技术实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。附图说明附图用来提供对本专利技术技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本专利技术的技术方案，并不构成对本专利技术技术方案的限制。图1为本专利技术实施例的铁路业务呼叫故障预测方法流程图；图2为本专利技术实施例的获取业务呼叫的第一特征向量方法流程图；图3为本专利技术实施例的特征向量中心点预测模型基于聚类算法计算一种或多种业务呼叫故障类型的特征向量中心点的方法流程图；图4为本专利技术实施例的通过所述聚类算法对多个未标注的业务呼叫故障的特征向量进行聚类并进行故障类型标注的方法流程图；图5为本专利技术实施例的铁路业务呼叫故障预测装置示意图；图6为本专利技术实施例的铁路业务呼叫故障预测设备组成框图；图7为本专利技术实施例的铁路业务呼叫故障预测系统逻辑架构图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下文中将结合附图对本专利技术的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。为了达到本专利技术实施例目的，本专利技术实施例提供了一种铁路业务呼叫故障预测方法，如图1所示，所述方法可以包括S101-S103：S101、获取业务呼叫的第一特征向量。在本专利技术的示例性实施例中，瞄准中国铁路通信信号领域，利用大数据和人工智能技术，充分挖掘铁路通信信号数据的潜在价值，对提高铁路技术装备本文档来自技高网...

【技术保护点】
1.一种铁路业务呼叫故障预测方法，其特征在于，所述方法包括：获取业务呼叫的第一特征向量；将所述第一特征向量与预设的特征向量中心点预测模型输出的一个或多个不同的第二特征向量相比较；其中，所述第二特征向量为业务呼叫故障类型的特征向量中心点；当所述第一特征向量与任意一个所述第二特征向量的相似度大于或等于预设的相似度阈值时，确定当前第一特征向量对应的呼叫业务存在无线超时故障。

【技术特征摘要】
1.一种铁路业务呼叫故障预测方法，其特征在于，所述方法包括：获取业务呼叫的第一特征向量；将所述第一特征向量与预设的特征向量中心点预测模型输出的一个或多个不同的第二特征向量相比较；其中，所述第二特征向量为业务呼叫故障类型的特征向量中心点；当所述第一特征向量与任意一个所述第二特征向量的相似度大于或等于预设的相似度阈值时，确定当前第一特征向量对应的呼叫业务存在无线超时故障。2.根据权利要求1所述的铁路业务呼叫故障预测方法，其特征在于，所述特征向量中心点预测模型：是以多种类型的关于业务呼叫故障的特征向量为测试数据和训练数据，对创建的初始模型进行训练获得的，用于基于聚类算法计算一种或多种业务呼叫故障类型的特征向量中心点；计算所述特征向量中心点是指：将一种业务呼叫故障类型对应的多种不同的特征向量优化成一种特征向量的计算过程，以使每种业务呼叫故障类型对应一种优化的特征向量。3.根据权利要求2所述的铁路业务呼叫故障预测方法，其特征在于，所述特征向量中心点预测模型基于聚类算法计算一种或多种业务呼叫故障类型的特征向量中心点包括：通过所述聚类算法对多个未标注的业务呼叫故障的特征向量进行聚类并进行故障类型标注；根据不同的故障类型对已标注好的业务呼叫故障的特征向量进行分类；针对每一类故障类型，分别计算该类故障类型的全部特征向量对应维度的加权平均值，以获取该类故障类型的特征向量中心点。4.根据权利要求3所述的铁路业务呼叫故障预测方法，其特征在于，所述通过所述聚类算法对多个未标注的业务呼叫故障的特征向量进行聚类并进行故障类型标注包括：将已标注的业务呼叫故障类型的特征向量作为初始特征向量中心点；通过所述聚类算法，依据所述初始特征向量中心点对多个未标注的业务呼叫故障的特征向量进行聚类；根据聚类结果计算所述多个未标注的业务呼叫故障的特征向量的故障类型；根据计算出的故障类型对所述多个未标注的业务呼叫故障的特征向量进行相应的故障类型标注。5.根据权利要求1所述的铁路业务呼叫故障预测方法，其特征在于，所述业务呼...

【专利技术属性】
技术研发人员：臧有克，
申请(专利权)人：北京六捷科技有限公司，
类型：发明
国别省市：北京,11