【技术实现步骤摘要】
基于集成学习模型的轨道交通车载数据预测方法
本专利技术属于轨道交通
，更为具体地讲，涉及一种基于集成学习模型的轨道交通车载数据预测方法。
技术介绍
轨道交通出行日益成为城市生活必不可少的一部分，列车以及线路上分布着成百上千个传感器来监测列车运行中的各项数据，这些数据单纯靠人工分析来判断列车出现故障、列车车门与屏蔽门间隔距离较大的原因工作量巨大。特别是列车停车间隔距离，若车门与外面屏蔽门之间的距离过大，轻则影响乘客乘车体验，严重的会导致乘客无法轻松地进入车厢，列车需要重新制动进行调整。现有很多基于集成学习方法的轨道交通数据分析的案例很多，集成学习的基本思想是“三个臭皮匠赛过诸葛亮”，将若干个弱学习器(下文均称为基模型)集成在一起从而取得比单个模型更好的预测效果。集成学习主要分为两个阶段：基模型的质量评估和模型集成策略。模型质量的评估不仅仅需要考虑模型预测精准度，各个基模型之间的差异性也必须考虑进去，这是因为如果所有模型之间没有任何差异性，那么将这些模型集成在一起没有任何意义。这就像在就某个问题就像讨论一样...
【技术保护点】
1.一种基于集成学习模型的轨道交通车载数据预测方法，其特征在于，包括以下步骤：/nS1：根据实际需要设置M个轨道交通的车载数据特征，在轨道交通实际运行过程中收集N次停车时M个车载数据特征的值，将每次停车时所得到的M个车载数据特征构建为一条车载数据，同时记录停车完成时列车车门与屏蔽门之间的距离，将其作为对应车载数据的标签，每条车载数据及其标签作为一个样本；/nS2：将步骤S1所得到的N个样本划分为两个集合，分别作为训练集和测试集；/nS3：根据实际需要确定P个备选基模型，将车载数据作为输入，停车距离作为输出，采用S2中所得到的训练集分别对每个备选基模型进行训练，在车载数据输入...
【技术特征摘要】
1.一种基于集成学习模型的轨道交通车载数据预测方法，其特征在于，包括以下步骤：
S1：根据实际需要设置M个轨道交通的车载数据特征，在轨道交通实际运行过程中收集N次停车时M个车载数据特征的值，将每次停车时所得到的M个车载数据特征构建为一条车载数据，同时记录停车完成时列车车门与屏蔽门之间的距离，将其作为对应车载数据的标签，每条车载数据及其标签作为一个样本；
S2：将步骤S1所得到的N个样本划分为两个集合，分别作为训练集和测试集；
S3：根据实际需要确定P个备选基模型，将车载数据作为输入，停车距离作为输出，采用S2中所得到的训练集分别对每个备选基模型进行训练，在车载数据输入时，需要将车载数据转化为备选基模型规定的输入格式，将训练完毕的P个备选基模型构成基模型候选集；
S4：分别采用步骤S2中测试集对每个备选基模型进行测试，统计每个备选基模型的准确度，将准确度低于预设准确度阈值的备选基模型从基模型候选集中删除，然后两两计算备选基模型之间的差异度，当两个备选基模型的差异度小于预设阈值时，从基模型候选集中删除其中准确度较低的备选基模型，否则不作任何操作；
S5：从步骤S4得到的基模型候选集提取所有基模型组合，每个基模型组合中包含Q个基模型，然后计算每个基模型组合评价指标，选择评价指标最小的基模型组合作为最优基模型组合，每个基模型组合的评价指标L的计算公式如下：
其中，Aq表示该基模型组合中第q个基模型的准确度，R表示该基模型组合中Q个基模型综合差异度；
S6：对于步骤S5得到的最优基模型组合中的每个基模型，分别判断第q个基模型是否满足以下公式：
其中，Corij表示第i个基模型和第j个基模型在车载数据分布上的相关性，Coriq表示第i个基模型和第q个基模型在车载数据分布上的相关性，eq表示第q个基模型在车载数据分布上的误差；
如果不满足，则不作任何操作，如果满足则将第q个基模型剔除出最优基模型组合，记优化后最优基模型组合中的基模型数量为K；
S7：根据需要分别设置K个基模型的权重ωk，将步骤S6得到的K个基模型集成得到集成学习模型；
S8：在轨道交通运行过程中，采集当前M个车载数据特征的值，将其输入集成学习模型，得到停车距离的预测结果。
2.根据权利要求1所述的轨道交通车载数据预测方法，其特征在于，所述步骤S4中备选模型的准确度采用均方误差MSE作为衡量指标，均方误差MSE越小，准确度越高，均方误差MSE的计算...
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。