【技术实现步骤摘要】
本申请涉及数据处理，更具体地，涉及一种基于人工智能的轨道交通运维状态数据处理方法及系统。
技术介绍
1、轨道交通是现代城市中的重要交通方式，它的运维状态直接关系到城市的正常运行和居民的出行。然而，由于轨道交通系统的复杂性，其运维状态数据处理面临许多挑战。
2、首先，轨道交通系统涉及众多设备和部件，包括列车、轨道、信号系统、电力系统等，每个设备都会产生大量的运行数据。这些数据可能以不同的格式存储在不同的系统中，需要进行集成和清洗才能进行进一步的分析。
3、其次，轨道交通运维状态数据通常具有高维度和非线性特性。例如，一个设备的运行状态可能受到温度、湿度、工作时长、负载等多种因素的影响，这些因素之间可能存在复杂的相互作用。因此，需要采用高级的数据分析方法，如机器学习和深度学习，来挖掘这些数据中的信息。
4、最后，轨道交通运维状态的预测和优化也面临一定的困难。由于故障事件的发生具有随机性，传统的统计方法往往无法提供准确的预测。同时，运维决策需要考虑多种因素，如设备寿命、维修成本、运行效率等，需要采用优化算法来找到最佳的决策方案。
5、综上，如何将大数据和ai技术应用到轨道交通运维中，从而实现对复杂运维环境的高效、准确管理和优化，是现目前需要攻克的一个技术问题。
技术实现思路
1、为改善相关技术中存在的技术问题，本申请提供了一种基于人工智能的轨道交通运维状态数据处理方法及系统。
2、第一方面，本申请提供了一种基于人工智能的轨道交通运
3、采集待处理轨道交通运维状态数据；
4、通过运维状态处理算法的状态属性挖掘分支对所述待处理轨道交通运维状态数据进行状态属性挖掘，以得到第一运维状态属性向量；
5、通过所述运维状态处理算法中的x个残差连接分支分别对所述待处理轨道交通运维状态数据进行状态属性挖掘，以得到x个第二运维状态属性向量，所述x个残差连接分支对应于x个先验故障风险关键词，所述x为大于1的整数；
6、通过所述运维状态处理算法中的决策树分支对所述第一运维状态属性向量进行故障风险决策分析，以得到所述待处理轨道交通运维状态数据对应的x个决策权重，所述x个决策权重用于表征所述待处理轨道交通运维状态数据对应于所述x个先验故障风险关键词中每个先验故障风险关键词的量化可能性；
7、根据所述x个第二运维状态属性向量、所述x个决策权重和所述第一运维状态属性向量进行向量集成，以得到所述待处理轨道交通运维状态数据的运行状态集成向量；
8、通过所述运维状态处理算法中的运维优化判别分支对所述运行状态集成向量进行运维优化判别，以得到所述待处理轨道交通运维状态数据的运维优化建议观点。
9、结合第一方面，在第一方面的一种可能的实现方式中，所述方法还包括：
10、获取第一算法调试学习样例和基础状态属性挖掘分支，所述第一算法调试学习样例包括多种故障风险关键词对应的轨道交通运维状态数据；
11、对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的第一运维状态属性向量；
12、依据所述第一运维状态属性向量进行运维优化训练，以得到所述第一算法调试学习样例的第一运维优化训练结果；
13、依据所述第一运维优化训练结果与所述第一算法调试学习样例的运维优化先验观点进行训练代价确定，以得到第一训练代价变量；
14、依据所述第一训练代价变量对所述基础状态属性挖掘分支进行调试以得到所述状态属性挖掘分支。
15、结合第一方面，在第一方面的一种可能的实现方式中，所述对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的第一运维状态属性向量包括：
16、对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的联动状态属性向量；
17、对所述联动状态属性向量进行向量变换，以得到所述第一算法调试学习样例的第一运维状态属性向量，所述第一运维状态属性向量为线性量化向量。
18、结合第一方面，在第一方面的一种可能的实现方式中，所述依据所述第一运维状态属性向量进行运维优化训练，以得到所述第一算法调试学习样例的第一运维优化训练结果包括：
19、依据所述第一运维状态属性向量与第一分团特征关系网进行特征运算，以得到所述第一算法调试学习样例的第一运维优化训练结果，所述第一分团特征关系网用于表征所述第一算法调试学习样例中每个故障趋势种类的代表特征。
20、结合第一方面，在第一方面的一种可能的实现方式中，所述方法还包括：
21、获取x个第二算法调试学习样例和x个基础残差连接分支，其中每个第二算法调试学习样例与基础残差连接分支一一对应，所述x个第二算法调试学习样例中的学习样例具有不同的先验故障风险关键词；
22、通过所述状态属性挖掘分支对所述x个第二算法调试学习样例进行状态属性挖掘，以得到x个第三运维状态属性向量，所述状态属性挖掘分支为具有认证算法参量的模型分支；
23、通过所述x个基础残差连接分支分别对所述x个第三运维状态属性向量进行一一对应的训练预测，以得到x个第二运维优化训练结果；
24、依据所述x个第二运维优化训练结果与所述x个第二算法调试学习样例的运维优化先验观点进行一一对应的训练代价确定，以得到x个第二训练代价变量；
25、依据所述x个第二训练代价变量对所述x个基础残差连接分支进行调试以得到所述x个残差连接分支。
26、结合第一方面，在第一方面的一种可能的实现方式中，通过所述x个基础残差连接分支分别对所述x个第三运维状态属性向量进行一一对应的训练预测，以得到x个第二运维优化训练结果包括：
27、对所述x个第三运维状态属性向量进行向量变换，以得到x个中间向量，所述x个中间向量的向量尺寸小于所述x个第三运维状态属性向量的向量尺寸；
28、依据所述x个中间向量分别与x个第二分团特征关系网进行一一对应的特征运算，以得到所述x个第二运维优化训练结果，其中，所述x个第二分团特征关系网分别用于表征x个第二算法调试学习样例中每个故障趋势种类的代表特征。
29、结合第一方面，在第一方面的一种可能的实现方式中，所述依据所述x个第二训练代价变量对所述x个基础残差连接分支进行调试以得到所述x个残差连接分支包括：
30、对所述x个第二训练代价变量进行加权，以得到全局训练代价变量；
31、依据所述全局训练代价变量对所述x个基础残差连接分支进行调试，以得到所述x个残差连接分支。
32、结合第一方面，在第一方面的一种可能的实现方式中，所述方法还包括：
33、获取第三算法调试学习样例和基础决策树分支，所述第三算法调试学习样例包括多种故障风险关键词对应的轨道交通运维状态数据；
本文档来自技高网...
【技术保护点】
1.一种基于人工智能的轨道交通运维状态数据处理方法，其特征在于，应用于数据处理系统，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的第一运维状态属性向量包括：
4.根据权利要求3所述的方法，其特征在于，所述依据所述第一运维状态属性向量进行运维优化训练，以得到所述第一算法调试学习样例的第一运维优化训练结果包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述根据所述X个第二运维状态属性向量、所述X个决策权重和所述第一运维状态属性向量进行向量集成，以得到所述待处理轨道交通运维状态数据的运行状态集成向量包括：
8.根据权利要求1所述的方法，其特征在于，所述状态属性挖掘分支、所述X个残差连接分支和所述决策树分支的模型分支基于深度学习模型构建
9.一种数据处理系统，其特征在于，包括：存储器，用于存储程序指令和数据；处理器，用于与存储器耦合，执行所述存储器中的指令，以实现如权利要求1-8任一项所述的方法。
10.一种计算机存储介质，其特征在于，包含指令，当所述指令在处理器上执行时，实现如权利要求1-8任一项所述的方法。
...【技术特征摘要】
1.一种基于人工智能的轨道交通运维状态数据处理方法，其特征在于，应用于数据处理系统，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的第一运维状态属性向量包括：
4.根据权利要求3所述的方法，其特征在于，所述依据所述第一运维状态属性向量进行运维优化训练，以得到所述第一算法调试学习样例的第一运维优化训练结果包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
<...【专利技术属性】
技术研发人员：刘晓杰，肖刚，罗修超，陈阳，张芳，
申请(专利权)人：四川航天职业技术学院四川航天高级技工学校，
类型：发明
国别省市：
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。