[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

说明书

本发明提供了一种基于多模态深度学习模型的列车延误预测方法。该方法包括：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；对时刻表信息按车次和线路进行分类，按照时间维度和时空维度对实绩运行时刻表信息进行特征提取并定量评估重要性后得到数据集；构建包括Transformer、3D CNN和FCNN的基于深度学习的列车延误预测模型，利用数据集对列车延误预测模型进行训练；将需要进行延误预测的列车的时刻表信息和线路信息输入到最终列车延误预测模型中，输出目标列车的延误预测时间及后续一段时间内的延误情况。本发明可以精准预测列车延误时间，并通过与列车延误预测的基线模型对比，验证了该列车延误预测模型具有稳定性和泛化性。

技术领域

本发明涉及列车运行管理技术领域，尤其涉及一种基于多模态深度学习模型的列车延误预测方法。

背景技术

中国的高速铁路作为公共交通系统的重要组成部分，具有运输能力强、运输速度快和平稳安全等特点。随着近年来高速铁路的不断建设，已经形成了一个庞大且复杂的高速铁路网络。截止至2020年底，中国高铁的总里程已达到37,900公里，占全球2/3以上，2020年发送旅客量全年累计达21.67亿人次，居世界第一位。

中国高速铁路已成为世界上最大的高铁运营网络，且正处于高速发展阶段。高铁系统由大量的子系统组成，其中任何子系统的发生故障都可能会扰乱甚至阻断列车的正常运行。此外，由于中国的高速铁路分布范围较广，运行环境十分复杂，且易受人类和恶劣天气等因素影响，导致高速列车在运行过程中出现一些延误现象。而且由于铁路轨道的约束、车站容量限制和相关的安全规定，一些延误列车也会干扰后续列车的运行，导致级联延迟的发生。因此，延误会沿着当前的线路传播，进而传播到其他线路，甚至导致整个局部网络的延误。

高速铁路网络的列车延误事件可看做是一种多模态的复杂动力学列车延误预测模型，想要更精确地预测列车延误时间，应注意到列车运行的动态性和影响因子的多样性。

目前，现有技术中还没有一种有效地预测高速铁路网络列车延误时间的方法。

发明内容

本发明的实施例提供了一种基于多模态深度学习模型的列车延误预测方法，以实现有效地预测高速铁路网络列车延误时间。

为了实现上述目的，本发明采取了如下技术方案。

一种基于多模态深度学习模型的列车延误预测方法，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。

优选地，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，