[发明专利]一种基于深度学习的多属性数据建模方法

说明书

本发明涉及交通运输技术领域，其目的在于提供一种基于深度学习的多属性数据建模方法。本发明包括以下步骤：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及列车晚点观测值；S2：判断影响因素的属性；S3：将不同属性的影响因素分别输入Conv‑LSTM模型、LSTM模型和FCNN模型；S4：基于交叉验证分别优化上述各模型的神经元层数及各层神经元数，分别筛选出上述各模型中最小损失函数值的神经元层数及各层神经元数；S5：选定最终的多属性数据模型。本发明建立完成的多属性数据模型能够有效识别时间序列的时间依赖关系以及时空数据的时空依赖关系，实现对交通工具产生的多属性数据的建模。

技术领域

本发明涉及交通运输技术领域，特别是涉及一种基于深度学习的多属性数据建模方法。

背景技术

高速铁路具有安全性好、送达速度快、正点率高、输送能力大、能耗低等一系列优点，高速铁路的发展极大地缓解了运输能力紧张，提升了我国路网的规模与质量，为国民经济的持续快速发展起到了重要支撑作用。

然而，由于高速铁路运行环境复杂，高速列车在运行过程中，不可避免地会受到外界环境、内部系统机械故障以及组织管理的影响，导致列车的实际到达时间(实际出发时间)与计划到达时间(计划出发时间)有偏差，造成列车晚点。当列车晚点是由于自身车辆、设备故障突发事自然环境等因素引起的，被称为初始晚点；而当晚点是由于初始晚点的列车的晚点影响造成的，则称其为连带晚点或二次晚点。严重的晚点可能会在线路、局部网大面积传播，影响列车运行计划的正常执行，降低运输服务质量。

移动设备(如高速铁路等交通工具)产生的数据具有多属性特性，包括时空数据、时间序列数据以及静态数据等。常用人工智能算法如前馈神经网络、支持向量机、决策树、贝叶斯网络等均无“时间”以及“空间”概念，利用这些模型建模多属性数据时，均不能有效识别时空数据中的时空依赖性以及时间序列数据中的时间关系。如列车运行产生数据中，列车在各车站的晚点状态为时空关系数据(列车在不同的时刻和不同的地点晚点状态不同，且列车将来状态与过去状态存在关联性)；运行图参数为时间序列数据格式(列车在各站的图定到发时刻与空间位置无关系)；基础设施参数为静态数据(车站股道数等与时间以及空间位置均无依赖关系)。上述提及人工智能算法在处理该问题时将所有数据都视作为静态数据，模型不能有效识别时间序列的时间依赖关系以及时空数据的时空依赖关系。

因此，有必要研究一种能够解决上述问题且能够对交通工具产生的多属性复杂数据进行建模的方法。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种基于深度学习的多属性数据建模方法。

本发明采用的技术方案是：

一种基于深度学习的多属性数据建模方法，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；

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；