[发明专利]一种基于深度学习的列车正晚点预测方法及装置

权利要求书

1.一种基于深度学习的列车正晚点预测方法，其特征在于，所述方法包括：

根据目标列车发生初始晚点，获取初始晚点时间和初始晚点发生后所述目标列车将经过的目标车站的目标特征信息；

根据所述初始晚点时间和所述目标车站的目标特征信息，构建针对所述目标车站的特征序列；

将所述特征序列输入同步多对多循环神经网络模型，输出所述目标列车经过所述目标车站的正晚点时间预测值；其中，对于相邻两个车站，在输出后一车站的所述正晚点时间预测值时，前一车站的所述初始晚点时间或者所述正晚点时间预测值作为所述同步多对多循环神经网络模型的输入。

2.根据权利要求1所述的基于深度学习的列车正晚点预测方法，其特征在于，所述初始晚点时间包括到达晚点时间或者出发晚点时间；

所述正晚点时间包括到达时间和/或出发时间；

在所构建的特征序列中第一个目标车站的晚点项包括所述初始晚点时间，其余目标车站的晚点项预设为零。

3.根据权利要求2所述的基于深度学习的列车正晚点预测方法，其特征在于，所述将所述特征序列输入循环神经网络模型，输出所述目标列车经过所述目标车站的正晚点时间预测值，包括：

将所述特征序列输入所述目标列车运行的铁路线路对应的同步多对多循环神经网络模型，输出所述目标列车经过所述目标车站的正晚点时间预测值。

4.根据权利要求1至3中任一项所述的基于深度学习的列车正晚点预测方法，其特征在于，还包括：

根据目标铁路线路的列车运行信息，构建样本集；

根据列车的运行信息，确定所述样本集中列车样本的特征信息组成；

根据初始晚点时间，对所述样本集中列车样本的运行信息进行正晚点时间序列的提取，并获取所述样本集中列车样本的所述特征信息；

根据所述正晚点时间序列和所述特征信息，构建所述样本集中列车样本针对所述初始晚点发生后将经过的车站的第一特征序列；

将所述样本集中的列车样本分成训练集、验证集和测试集；

建立所述同步多对多循环神经网络模型；

将所述训练集和所述验证集中列车样本的第一特征序列输入所述同步多对多循环神经网络模型，根据所述正晚点时间序列对所述同步多对多循环神经网络模型的参数进行调整；

将所述训练集和/或验证集中列车样本的第一特征序列输入参数调整后的同步多对多循环神经网络模型，对所述特征信息进行特征选择，得到所述目标特征信息；

根据所述正晚点时间序列和所述目标特征信息，构建所述测试集中列车样本针对所述初始晚点发生后将经过的车站的第二特征序列；

将所述测试集中列车样本的第二特征序列输入参数调整后的同步多对多循环神经网络模型，对所述参数调整后的同步多对多循环神经网络模型的性能进行检测。

5.根据权利要求4所述的基于深度学习的列车正晚点预测方法，其特征在于，所述根据初始晚点时间，对所述样本集中列车样本的运行信息进行正晚点时间序列的提取，包括：

对于只存在一次初始晚点的列车样本的行程，提取所述初始晚点发生的车站到终点车站的正晚点时间序列；

对于存在两次以上初始晚点的列车样本的行程，提取除最后一次所述初始晚点发生的车站外，每一次所述初始晚点发生的车站到下一次所述初始晚点发生前的车站的正晚点时间序列，最后一次所述初始晚点发生的车站到终点车站的正晚点时间序列。

6.根据权利要求4所述的基于深度学习的列车正晚点预测方法，其特征在于，所述将所述训练集和/或验证集中列车样本的第一特征序列输入参数调整后的同步多对多循环神经网络模型，对所述特征信息进行特征选择，得到所述目标特征信息，包括：

将所述训练集和/或验证集中列车样本的第一特征序列输入参数调整后的同步多对多循环神经网络模型；

通过captum对所述列车样本的第一特征序列中的每一个特征进行特征选择，得到所述目标特征信息。