[发明专利]一种基于深度学习的多属性数据建模方法

权利要求书

1.一种基于深度学习的多属性数据建模方法，其特征在于：包括以下步骤：

S1：根据当前高速铁路区段的历史运营数据，提取列车晚点的影响因素X_k,k∈{1,2,…,K}及列车晚点观测值，其中K为提取晚点因素个数；影响因素X_k包括设备因素、计划运行图相关因素和实际运行图相关因素，所述设备因素包括车站股道数X₁和区间长度X₂，所述计划运行图相关因素包括区间计划运行时间X₃、当前站计划出发间隔时间X₄和预测站计划到达间隔时间X₅，所述实际运行图相关因素包括列车已知晚点状态X₆；

S2：判断影响因素X_k的属性，其中影响因素X_k的属性包括时空特性数据、时间序列数据和静态数据；

S3：根据影响因素X_k的属性的不同，将时空特性数据输入卷积长短期记忆(Conv-LSTM)模型，将时间序列数据输入长短期记忆(LSTM)模型，将静态数据输入全连接神经网络(FCNN)模型；

S4：基于交叉验证分别优化Conv-LSTM模型的神经元层数及各层神经元数、LSTM模型的神经元层数及各层神经元数、和FCNN模型的神经元层数及各层神经元数，筛选出Conv-LSTM模型中具有最小损失函数值的神经元层数m₁及各层神经元数n₁、LSTM模型中具有最小损失函数值的神经元层数m₂及各层神经元数n₂、和FCNN模型中具有最小损失函数值的神经元层数m₃及各层神经元数n₃；

S5：选定神经元层数为m₁层且每层为n₁个神经元的Conv-LSTM模型、神经元层数为m₂层且每层为n₂个神经元的LSTM模型、和神经元层数为m₃层且每层为n₃个神经元的FCNN模型为最终的多属性数据模型。

2.根据权利要求1所述的一种基于深度学习的多属性数据建模方法，其特征在于：在步骤S2中，影响因素X_k的属性判断标准如下：车站股道数X₁和区间长度X₂为静态数据，区间计划运行时间X₃、当前站计划出发间隔时间X₄和预测站计划到达间隔时间X₅为时间序列数据，列车已知晚点状态X₆为时空特性数据。

3.根据权利要求1所述的一种基于深度学习的多属性数据建模方法，其特征在于：步骤S4的具体步骤如下：

S401：利用Keras深度学习库将Conv-LSTM模型、LSTM模型和FCNN模型进行融合，融合得到一个多维向量；

S402：将融合得到的多维向量传入单FCNN神经元，由单FCNN神经元输出得到模型拟合值并得到最终融合模型；

S403：根据模型拟合值及列车晚点观测值y_i确定融合模型的损失函数；

S404：将时空特性数据、时间序列数据和静态数据作为数据集，然后将数据集分为训练集及测试集对融合模型进行训练，分别选择Conv-LSTM模型在测试集上损失函数最小的神经元层数及各层神经元数、LSTM模型在测试集上损失函数最小的神经元层数及各层神经元数、和FCNN模型在测试集上损失函数最小的神经元层数及各层神经元数。

4.根据权利要求3所述的一种基于深度学习的多属性数据建模方法，其特征在于：在步骤S403中，选用模型拟合值与列车晚点观测值y_i的均方误差作为损失函数：

其中，y_i为列车晚点观测值，为模型拟合值，N为样本量；然后利用误差反向传播算法对融合模型进行训练。