[发明专利]一种铁路业务呼叫故障预测方法和装置

说明书

本发明实施例公开了一种铁路业务呼叫故障预测方法和装置，该方法包括：获取业务呼叫的第一特征向量；将第一特征向量与预设的特征向量中心点预测模型输出的一个或多个不同的第二特征向量相比较；其中，所述第二特征向量为业务呼叫故障类型的特征向量中心点；当所述第一特征向量与任意一个所述第二特征向量的相似度大于或等于预设的相似度阈值时，确定当前第一特征向量对应的呼叫业务存在无线超时故障。通过该实施例方案，实现了将大数据和人工智能技术引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高了故障处理效率，提升了铁路通信信号维护水平。

技术领域

本发明实施例涉及列车控制技术，尤指一种铁路业务呼叫故障预测方法和装置。

背景技术

随着大数据技术和人工智能技术的迅速发展，越来越多的相关应用在互联网领域中得到充分的应用，但是受限于一些因素，在传统技术领域中，这些先进技术还没有得到充分利用。例如，当前铁路维护水平仍处于人工发现故障、手工分析故障的水平，使得多数故障未能及时发现并处理，更难以达到预先对故障进行预测，防患于未然的目的。

因此，急需将先进技术引进铁路故障处理领域，提升铁路通信信号维护水平，做到防患于未然。

发明内容

本发明实施例提供了一种铁路业务呼叫故障预测方法和装置，能够将大数据和人工智能技术引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高故障处理效率，提高列车性能。

为了达到本发明实施例目的，本发明实施例提供了一种铁路业务呼叫故障预测方法，所述方法可以包括：

获取业务呼叫的第一特征向量；

将所述第一特征向量与预设的特征向量中心点预测模型输出的一个或多个不同的第二特征向量相比较；其中，所述第二特征向量为业务呼叫故障类型的特征向量中心点；

当所述第一特征向量与任意一个所述第二特征向量的相似度大于或等于预设的相似度阈值时，确定当前第一特征向量对应的呼叫业务存在无线超时故障。

在本发明的示例性实施例中，所述特征向量中心点预测模型：可以是以多种类型的关于业务呼叫故障的特征向量为测试数据和训练数据，对创建的初始模型进行训练获得的，可以用于基于聚类算法计算一种或多种业务呼叫故障类型的特征向量中心点；

计算所述特征向量中心点可以是指：将一种业务呼叫故障类型对应的多种不同的特征向量优化成一种特征向量的计算过程，以使每种业务呼叫故障类型对应一种优化的特征向量。

在本发明的示例性实施例中，所述特征向量中心点预测模型基于聚类算法计算一种或多种业务呼叫故障类型的特征向量中心点可以包括：

通过所述聚类算法对多个未标注的业务呼叫故障的特征向量进行聚类并进行故障类型标注；

根据不同的故障类型对已标注好的业务呼叫故障的特征向量进行分类；

针对每一类故障类型，分别计算该类故障类型的全部特征向量对应维度的加权平均值，以获取该类故障类型的特征向量中心点。

在本发明的示例性实施例中，所述通过所述聚类算法对多个未标注的业务呼叫故障的特征向量进行聚类并进行故障类型标注可以包括：

将已标注的业务呼叫故障类型的特征向量作为初始特征向量中心点；

通过所述聚类算法，依据所述初始特征向量中心点对多个未标注的业务呼叫故障的特征向量进行聚类；

根据聚类结果计算所述多个未标注的业务呼叫故障的特征向量的故障类型；