[发明专利]一种基于多模态深度学习模型的列车延误预测方法

权利要求书

1.一种基于多模态深度学习模型的列车延误预测方法，其特征在于，包括：

获取高速铁路网指定范围内所有车次的实绩运行时刻表信息；

对所述实绩运行时刻表信息按车次和线路进行整理，按照时间维度和时空维度对实绩运行时刻表信息分类并进行特征重要性分析，对每种类别的数据进行编码，并设定标签，得到数据集；

构建基于深度学习的列车延误预测模型，所述列车延误预测模型包括Transformer、三维卷积神经网络3D CNN和全连接网络FCNN，利用所述数据集对所述列车延误预测模型进行训练，得到训练好的列车延误预测模型；

将需要进行延误预测的列车的车次、线路信息和时间信息输入到训练好的列车延误预测模型中，列车延误预测模型输出需要进行延误预测的列车的延误预测结果。

2.根据权利要求1所述的方法，其特征在于，所述的对所述实绩运行时刻表信息按车次和线路进行整理，按照时间维度和时空维度对实绩运行时刻表信息进行分类并进行特征重要性分析，对每种类别的数据进行编码，并设定标签，得到数据集，包括：

根据实绩运行时刻表信息中的列车车次、线路和实绩运行信息，对实绩运行时刻表信息按车次和线路进行整理，按照时间维度和时空维度对实绩运行时刻表信息进行分类，对每种类别的数据进行编码，并设定标签，将编码和设定标签后的所有类别的数据构成数据集，将数据集划分为训练集、测试集和验证集。

3.根据权利要求2所述的方法，其特征在于，所述的构建基于深度学习的列车延误预测模型，所述列车延误预测模型包括Transformer、三维卷积神经网络3D CNN和全连接网络FCNN，利用所述数据集对所述列车延误预测模型进行训练，得到训练好的列车延误预测模型，包括：

构建基于深度学习的列车延误预测模型，所述列车延误预测模型包括Transformer单元、3D CNN单元和FCNN单元，将所述训练集数据输入到所述列车延误预测模型中，所述Transformer单元提取所述训练集数据中与时间序列因素相关的特征，所述3D CNN单元提取所述训练集数据中与时空依赖性相关的特征，所述FCNN单元将所述Transformer单元、3DCNN单元提取的特征进行加权合并，根据合并后的特征和训练集数据中的标签进行迭代学习，利用所述测试集和验证集数据对迭代学习的结果进行验证，根据验证结果利用损失函数计算所述列车延误预测模型的损失，通过反向传播算法，更新所述Transformer单元、3DCNN单元的权重，调整所述列车延误预测模型的网络结构和参数；

通过迭代执行上述处理过程，得到训练好的最终列车延误预测模型。