[发明专利]一种铁路业务呼叫故障预测方法和装置

说明书

本发明实施例公开了一种铁路业务呼叫故障预测方法和装置，该方法包括：获取业务呼叫的特征向量；将特征向量输入已经训练好的故障预测模型中，通过故障预测模型对输入的特征向量进行处理，以对故障类型进行预测；根据故障预测模型的预测结果确定业务呼叫是否出现故障。通过该实施例方案，实现了将大数据和人工智能技术引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高了故障处理效率，提升了铁路通信信号维护水平。

技术领域

本发明实施例涉及列车控制技术，尤指一种铁路业务呼叫故障预测方法和装置。

背景技术

随着大数据技术和人工智能技术的迅速发展，越来越多的相关应用在互联网领域中得到充分的应用，但是受限于一些因素，在传统技术领域中，这些先进技术还没有得到充分利用。例如，当前铁路维护水平仍处于人工发现故障、手工分析故障的水平，使得多数故障未能及时发现并处理，更难以达到预先对故障进行预测，防患于未然的目的。

因此，急需将先进技术引进铁路故障处理领域，提升铁路通信信号维护水平，做到防患于未然。

发明内容

本发明实施例提供了一种铁路业务呼叫故障预测方法和装置，能够将大数据和人工智能技术引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高故障处理效率，提升了铁路通信信号维护水平。

为了达到本发明实施例目的，本发明实施例提供了一种铁路业务呼叫故障预测方法，所述方法可以包括：

获取业务呼叫的特征向量；

将所述特征向量输入已经训练好的故障预测模型中，通过所述故障预测模型对输入的特征向量进行处理，以对故障类型进行预测；

根据所述故障预测模型的预测结果确定业务呼叫是否出现故障。

在本发明的示例性实施例中，所述故障预测模型是以多种类型的关于业务呼叫故障的特征向量为测试数据和训练数据，对创建的神经网络模型进行训练获得的。

在本发明的示例性实施例中，所述多种类型的关于业务呼叫故障的特征向量：是通过预设的聚类方法，将未标注的业务呼叫故障的特征向量，根据已经标注的业务呼叫故障类型的特征向量，进行聚类并批量标注获得的。

在本发明的示例性实施例中，所述业务呼叫可以包括：铁路综合数字移动通信系统GSM-R网络每个接口的网络控制信令和业务数据；

所述获取业务呼叫的特征向量可以包括：

确定所述业务呼叫的特征；所述特征包括基础特征和衍生特征；其中，所述基础特征是指能够从单条数据中直接解析出的特征，所述衍生特征是指需要多条数据关联和/或多条数据组合计算得到的特征；

根据所述基础特征的第一权重值和所述衍生特征的第二权重值，对每条业务呼叫的特征进行加权计算，获得该特征在高维向量中对应的维度，实现业务呼叫特征向量化。

在本发明的示例性实施例中，在将所述特征向量输入已经训练好的故障预测模型中之前，所述方法还包括：

将所述业务呼叫划分成时间窗口，以在一个滑动的时间窗口里动态提取所述业务呼叫的特征向量；并且将所述业务呼叫的特征向量转化为具有相应行和列的矩阵。

在本发明的示例性实施例中，所述将未标注的业务呼叫故障的特征向量根据已经标注的业务呼叫故障类型的特征向量进行聚类并批量标注可以包括：

对每一种业务呼叫故障类型对应的特征向量做至少一次标注；所述标注用于指示所述特征向量对应的故障类型；

基于相似度法，将采集的全部业务呼叫故障的特征向量中未标记的特征向量，根据已标注的特征向量进行聚类；