[发明专利]一种机车运行时序特征的学习方法

权利要求书

1.一种机车运行时序特征学习方法，其特征在于，所述的方法包括：

步骤S101，提取司机历史驾驶数据和机车监控日志作为源数据；

步骤S102，对源数据进行数据清洗；计算出清洗后得到的有效数据中的所有空缺属性各种取值的概率，选取概率最大的属性值对清洗后得到的有效数据进行数据补全，得到完整特征数据；针对数据补全后得到的完整特征数据进行数据融合，经过数据融合去冗降维处理后得到初始特征集合；

步骤S103，从初始特征集合中搜索出重要特征子集，并针对重要特征子集进行特征选择，得出关键特征子集；

步骤S104，调取应用场景所使用的挖掘模型；

步骤S105，判断应用场景所使用的挖掘模型是否具有时序信息处理能力，若挖掘模型不具有时序信息处理能力，则执行步骤S106-步骤S107；若挖掘模型具有时序信息处理能力，则直接转入执行步骤S108；

步骤S106，提取出关键特征子集的时序特征信息；

步骤S107，将该时序特征信息作为挖掘模型的输入，利用该挖掘模型进行时序特征信息的学习；

步骤S108，直接将关键特征子集中的关键特征作为挖掘模型的输入，利用该挖掘模型进行时序特征信息的学习，挖掘模型的输出为所需的时序特征信息。

2.根据权利要求1所述的机车运行时序特征学习方法，其特征在于，所述步骤S103包括：

采用先验知识确定包含重要特征数据的样本空间，在包含重要特征数据的样本空间中进行随机搜索，从初始特征集合中搜索出重要特征子集；

采用独立评价函数从搜索出的多个重要特征子集中选出关键特征，并组成关键特征子集。

3.根据权利要求1或2所述的机车运行时序特征学习方法，其特征在于，

所述步骤S106包括：利用深度学习模型提取关键特征子集中的时序特征信息；

所述深度学习模型包括但不限于如下的深度学习模型：深度自编码器、深度信念网络。

4.根据权利要求3所述的机车运行时序特征学习方法，其特征在于，所述步骤S102中的对源数据进行数据清洗的过程包括如下中的一种或多种：

检查工业数据的完整性和一致性，去噪声，填补丢失数据，删除无效数据。