[发明专利]基于K-means聚类的铁路突发事件分级预警方法

说明书

本发明提供了一种基于K‑means聚类的铁路突发事件分级预警方法。该方法包括：对历史铁路突发事件影响数据进行特征分析与数据清洗，获取训练数据集；确定聚类中心数，基于K‑means算法对所述训练数据集进行聚类，根据聚类结果获取各级铁路突发事件的样本数据特征；将当前铁路突发事件的数据特征与所述各级铁路突发事件的样本数据特征进行比较，根据比较结果确定所述当前铁路突发事件的突发事件等级。本发明的方法采用数据挖掘机器学习理论，避免主观决策，对铁路突发事件影响动态定量评估分级。实验结果表明该方法能够合理有效解决突发事件影响分级预警，实用性好。

技术领域

本发明涉及技术领域，尤其涉及一种基于K-means聚类的铁路突发事件分级预警方法。

背景技术

铁路安全运营日益得到关注，铁路突发事件影响分级预警对铁路安全运营具有至关重要的作用。现阶段铁路突发事件影响分级预警研究多是依据线路运营中断时间、人员伤亡和财产损失等特征，采用层次分析法对铁路突发事件影响事后评估划分等级，划分权重根据专家经验确定，具有较强的主观性，并且评估事件影响粒度较大，主要针对铁路运营造成严重影响的重大事件，不适应于现今公众对铁路特别是高速铁路准点、舒适的服务需求。

K-means聚类算法是一种无监督学习数据聚类算法，用于数据挖掘领域。K-means聚类算法基于样本间相似性度量对数据分组，使得组内样本相似性最大，组间样本差别最大，实现相似样本聚类的目的。K-means聚类算法具有结构简单、速度快等优点。

现有技术中还没有一种有效的基于K-means聚类的铁路突发事件分级预警方法。

发明内容

本发明的实施例提供了一种基于K-means聚类的铁路突发事件分级预警方法，以克服现有技术的缺点。

为了实现上述目的，本发明采取了如下技术方案。

一种基于K-means聚类的铁路突发事件分级预警方法，包括：

对历史铁路突发事件影响数据进行特征分析与数据清洗，获取训练数据集；

确定聚类中心数，基于K-means算法对所述训练数据集进行聚类，根据聚类结果获取各级铁路突发事件的样本数据特征；

将当前铁路突发事件的数据特征与所述各级铁路突发事件的样本数据特征进行比较，根据比较结果确定所述当前铁路突发事件的突发事件等级。

进一步地，所述的对历史铁路突发事件影响数据进行特征分析与数据清洗，获取训练数据集，包括：

通过对历史铁路突发事件影响数据分析，从铁路列车运行状态角度，提取铁路突发事件的影响特征X＝{x₁,x₂,L,x_d}，根据影响特征X形成d维实数的影响特征向量，其中x_i为第i维影响特征的值；

根据所述影响特征向量，整理历史铁路突发事件影响形成记录集，对所述记录集进行数据清洗，处理所述记录集中特征数据缺失的记录样本，形成特征完备数据集其中X′_i＝{x′_i,1,x′_i,2,L,x′_i,d}为第i个特征完备的数据样本，x′_i,d为第i个数据样本的d维特征值，N为特征完备数据样本个数；

对所述特征完备数据集中的分类型特征进行独热编码，对所述特征完备数据集中的数值型特征进行最大最小归一化处理，归一化后的数据特征值x_i,j为：

其中x′_i,j为归一化处理前的第i个数据样本的j维特征值，