【技术实现步骤摘要】
本专利技术涉及轨道交通高速铁路网络，尤其涉及一种基于自注意力机制的多列车延误同步预测方法。
技术介绍
1、近年来，随着社会的发展，高速铁路运输已成为交通运输体系的骨干和经济大动脉，具有运输容量大、快速准点、全天候和环境友好等优势。根据《2022年铁道统计公报》显示，截至2022年底，全国铁路营业里程15.5万公里，高速铁路运营里程达到4.2万公里。2022年全国铁路旅客发送量完成16.73亿人。
2、高速铁路高铁里程极长、运输密度极高、成网运营场景极复杂，运营环境跨度大。由于人为因素、恶劣天气等情况影响，部分高速列车在运行过程中可能出现一些初始延误现象，存在部分高速列车发生延误时，会对后续列车的正常运行造成影响，导致级联延迟的发生。进而导致较大范围的高速列车发生延迟，无法准时到达目的地。
技术实现思路
1、(一)要解决的技术问题
2、鉴于现有技术的上述缺点、不足，本专利技术提供一种基于自注意力机制的多列车延误同步预测方法，其解决了现有技术中高速列车存在级联延迟、延误响应有限的技术问题。
3、(二)技术方案
4、为了达到上述目的，本专利技术采用的主要技术方案包括：
5、本专利技术提供一种基于自注意力机制的多列车延误同步预测方法，包括：
6、s1、采集目标地区铁路每一线路的历史列车运行数据；
7、s2、分别针对每一线路，基于所述历史列车运行数据，筛选每一延误事件中的列车运行数据；
8、出现列
9、在每一延误事件中，首次发生延误的列车作为当前列车；
10、在当前列车之前正点到达的列车为前序列车；在所述当前列车之后待到达的列车为后续列车；
11、s3、基于所述列车运行数据进行重要性分析，获取每一线路中列车的信息特征；
12、所述信息特征包括当前列车的非时序信息特征、前序列车的时序信息特征和后续列车的时序信息特征；
13、s4、基于所述非时序信息特征、前序列车和后续列车的时序信息特征，对预先构建的初始延误预测模型进行训练，得到延误预测模型；
14、s5、将采集的目标地区铁路线路的实时列车运行数据输入到所述延误预测模型中，获取列车到站的预测延误时间。
15、可选地，所述历史列车运行数据包括高速列车的列车车次、运行方向、线路子区间、车站站点、到达时间、出发时间、图定到达时间、图定出发时间。
16、可选地，在所述s1中，还包括：对所述历史列车运行数据进行数据处理，具体为：
17、依据预先划分的线路，将采集的历史列车运行数据划分为每一线路的列车运行数据；
18、所述列车运行数据为依据列车到达车站站点排序的数据条；
19、每一数据条包括：列车车次、线路、运行方向、线路子区间、车站站点、到达时间、出发时间、图定到达时间、图定出发时间；
20、删除所述列车运行数据中的残缺数据条、重复数据条和错误数据条。
21、可选地，所述当前列车的非时序信息特征包括：
22、列车i的车辆种类ti，列车i经过的线路名li，列车i的运行方向oi：oi＝1，表示上行；oi＝0，表示下行；车站s的站点名ns，列车i经过车站s的顺序os，列车i停靠在车站s的股道位置ri，s。
23、可选地，前序列车时序信息特征和后续列车的时序信息特征均包括：
24、列车i到达车站s的实际时间列车i从车站s出发的实际时间列车i到达车站s的图定时间列车i从车站s出发的图定时间列车i到达车站s的到达延误时间列车i到达车站s的出发延误时间列车i到达车站s的图定发车间隔时间m′i，s；列车i到达车站s的实际发车间隔时间ai，s；列车i在车站s的到达延误时间di，s；列车i和列车i-1在车站s的发车间隔时间
25、可选地，所述s4，包括：
26、s41、针对每一线路，将每一延误事件中的列车运行数据划分为训练集和验证集；
27、s42、将训练集中当前列车的非时序信息特征、前序列车的时序信息特征和后续列车的时序信息特征以多维数组的形式输入到所述初始延误预测模型中，对所述初始延误预测模型进行训练，得到延误预测模型；
28、s43、将验证集中当前列车的非时序信息特征、前序列车的时序信息特征和后续列车的除到达时间之外的其他时序信息特征输入到延误预测模型中，获取后续列车的预测延误时间；
29、s44、依据所述后续列车的预测延误时间和后续列车实际的到达时间，对所述延误预测模型的参数进行调整，优化所述延误预测模型。
30、可选地，所述s42，具体为：
31、s42-1、将当前列车的非时序信息特征的数组[a]输入到所述初始延误预测模型的第一数据输入口，输出第一一维数组；a为非时序信息特征数量；
32、s42-2、将前序列车的时序信息特征的数组[m,b,c]输入到所述初始延误预测模型的第二数据输入口，输出第二一维数组；所述前序列车的时序信息特征的数组为，m为前序列车数量，b为前序列车经过了的b个站点，c为前序列车的时序信息特征数量；
33、s42-3、将后续列车的时序信息特征的数组输入到所述初始延误预测模型的第三数据输入口，输出第三一维数组；所述后续列车的时序信息特征的数组为[n,d,e]；n为后续列车数量，d为后续列车经过了的d个站点，e为后续列车的时序信息特征数量；
34、s42-4、将所述第一一维数组、第二一维数组、第三一维数组拼接为第四一维数组，并将所述第四一维数组输入到所述初始延误预测模型中进行训练，得到延误预测模型。
35、可选地，在步骤s4之前，还包括，基于预先定义的超参数优化规则，确定初始延误预测模型的超参数的取值范围；
36、所述超参数包括：模型优化过程中梯度下降函数的学习率lr，lr＝(5e-6,5e-1)；多头注意力模块的头数nhead，nhead＝[2,4,8,16]；编码器中层的数量nlayers，nlayers＝(1,64)；训练过程中随机删减的神经元比例dropout，dropout＝(0.1,0.5)；神经网络中神经元的个数units，units＝(128,512)；每次训练中所取的训练样本个数batch_size，batch_size＝(16,256)。
37、第二方面，本申请还提供一种电子设备，包括：至少一个数据库；以及与所述至少一个数据库通信连接的存储器；其中，所述存储器存储有可被所述至少一个数据库执行的指令，所述指令被所述至少一个数据库执行，以使所述至少一个数据库能够执行如上任一所述的基于自注意力机制的多列车延误同步预测方法。
38、(三)有益效果
39、本专利技术提出了一种基于自注意力机制的多列车延误同步预测方法，所述方法通过构建的延误预测模型对目标地区范围内多辆高速列车的到站延误情况进行预测，能够较本文档来自技高网...
【技术保护点】
1.一种基于自注意力机制的多列车延误同步预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，
3.如权利要求1所述的方法，其特征在于，在所述S1中，还包括：对所述历史列车运行数据进行数据处理，具体为：
4.如权利要求1所述的方法，其特征在于，所述当前列车的非时序信息特征包括：
5.如权利要求1所述的方法，其特征在于，前序列车时序信息特征和后续列车的时序信息特征均包括：
6.如权利要求1所述的方法，其特征在于，所述S4，包括：
7.如权利要求6所述的方法，其特征在于，所述S42，具体为：
8.如权利要求1所述的方法，其特征在于，在步骤S4之前，还包括，基于预先定义的超参数优化规则，确定初始延误预测模型的超参数的取值范围；
9.一种电子设备，其特征在于，包括：至少一个数据库；以及与所述至少一个数据库通信连接的存储器；其中，所述存储器存储有可被所述至少一个数据库执行的指令，所述指令被所述至少一个数据库执行，以使所述至少一个数据库能够执行如上权利要求1-8任一所述的基于自注意
...【技术特征摘要】
1.一种基于自注意力机制的多列车延误同步预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，
3.如权利要求1所述的方法，其特征在于，在所述s1中，还包括：对所述历史列车运行数据进行数据处理，具体为：
4.如权利要求1所述的方法，其特征在于，所述当前列车的非时序信息特征包括：
5.如权利要求1所述的方法，其特征在于，前序列车时序信息特征和后续列车的时序信息特征均包括：
6.如权利要求1所述的方法，其特征在于，所述s4，包括：
...【专利技术属性】
技术研发人员：董海荣，王金星，吴兴堂，马建军，吕金虎，
申请(专利权)人：北京交通大学，
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。