[发明专利]一种基于深度学习的多属性数据建模方法

摘要

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。

主权项

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；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循环神经网络(Conv‑LSTM)模型，将时间序列数据输入长短期记忆网络(LSTM)模型，将静态数据输入全连接前馈神经网络(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。