【技术实现步骤摘要】
一种列车到站晚点预测方法、装置、电子设备及存储介质
本专利技术涉及列车到站晚点预测领域，尤其涉及一种列车到站晚点预测方法、装置、电子设备及存储介质。
技术介绍
由于铁路系统的不确定性，列车延误时有发生，导致铁路运行效率低下，服务质量差。例如，统计分析某铁路局2016年至2019年的故障报告，发现这三年共发生各类事故3493起，超过7000辆列车受到影响，导致总延误超过3万分钟。在列车晚点情况下，铁路运营部门恢复列车运营秩序时，首先需要解决的就是快速准确地预测列车的晚点时间。学者们对列车晚点预测问题进行了大量研究，一些预测方法被广泛应用，然而，既有的一些晚点预测方法存在以下缺点：1.人工神经网络(ArtificialNeuralNetwork,ANN)用来预测列车延误，神经网络的训练花费了大量的时间，预测精度较低。2.支持向量机模型，该模型的预测精度优于人工神经网络模型，可以较好的解决ANN模型的过度学习问题，但它只适用于较小的聚类样本。3.基于贝叶斯网络的列车延误预测方法，计算量大且耗时。4.深度极值学习机(Deep...
【技术保护点】
1.一种列车到站晚点预测方法，其特征在于，所述方法包括：/n提取列车晚点的特征集合，基于所述特征集合构建时空关联的XGBoost晚点预测模型；/n定义所述XGBoost晚点预测模型的超参数范围，将所述特征集合分割为训练集和测试集；/n基于所述训练集采用贝叶斯算法对所述XGBoost晚点预测模型的超参数组合进行迭代优化；/n采用最大化采集函数对所述优化后的XGBoost晚点预测模型进行修正；/n采用测试集测试所述修正后的XGBoost晚点预测模型以得到最终的预测结果。/n
【技术特征摘要】
1.一种列车到站晚点预测方法，其特征在于，所述方法包括：
提取列车晚点的特征集合，基于所述特征集合构建时空关联的XGBoost晚点预测模型；
定义所述XGBoost晚点预测模型的超参数范围，将所述特征集合分割为训练集和测试集；
基于所述训练集采用贝叶斯算法对所述XGBoost晚点预测模型的超参数组合进行迭代优化；
采用最大化采集函数对所述优化后的XGBoost晚点预测模型进行修正；
采用测试集测试所述修正后的XGBoost晚点预测模型以得到最终的预测结果。
2.根据权利要求1所述的方法，其特征在于，所述列车晚点的特征集合包括以下特征中的一种或者多种：
第i列车在第j站的实际晚点时间X1；第i列车在j-1到j区间的列车运行时间X2；第i列车在j-1到j区间的运行距离X3；第i列车从站1到站j的运行距离X4；第i列车从站1到站j+1的运行距离X5；第i列车在j到j+1区间的图定运行时间X6；第i列车在j到j+1区间的运行距离X7；站j的编码X8；第i列车在车站j+1的股道分配X9；第i列车的车次X10；列车到站的顺序X11。
3.根据权利要求1所述的方法，其特征在于，基于所述特征集合构建时空关联的XGBoost晚点预测模型包括：
基于所述特征集合计算所述XGBoost晚点预测模型的迭代函数、决策树空间和迭代预测的列车晚点时间；
建立惩罚项以限制所述决策树空间的子节点个数；
基于所述惩罚项和所述迭代函数形成所述XGBoost晚点预测模型的目标函数。
4.根据权利要求1所述的方法，其特征在于，所述XGBoost晚点预测模型的超参数包括：
回归树的数量、回归树的最大深度、子树所需要的最小权重和、训练集的子集合比率、每棵回归树的列子样本比例、随机增长率和学习率固定值中的一种或多种。
5.根据权利要求1所述的方法，其特征在于，基于所述训练集采用贝叶斯算法对所述XGBoost晚点预测模型的超参数组合进行迭代优化包括：
根据定义的超参数范围构建基于列车晚点时间的超参数搜索空间和相应的平均绝对误差高斯分布模型；其中所述超参数搜索空间由多次迭代的超参数组合形成；
基于多次迭代的超参数组合和相应的平均绝对误差高斯分布模型计算联合高斯分布；
通过所述联合高斯分布计算基于多次迭代的超参数组合的平均绝对误差高斯分布模型的均值和标准...
【专利技术属性】
技术研发人员：许心越，许旺土，石睿，马慧茹，丁忻，李建民，王铭铭，
申请(专利权)人：北京交通大学，厦门大学，
类型：发明
国别省市：北京;11
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。