[发明专利]一种用于轨道平顺性评估的异常数据识别方法

说明书

本发明公开了一种用于轨道平顺性评估的异常数据识别方法，包括如下步骤：获取轨道监测指标数据，按照设定的轨道长度对监测指标数据进行切分，形成数据集；对数据集进行预处理后，采用孤立森林算法构建L个隔离树，然后应用系统抽样的方法将L个隔离树分为n组，构建n个子森林异常检测器；生成基森林异常检测器；通过基森林异常检测器，对每个到达滑动窗口中的数据进行异常判断，对数据集进行更新，得到更新数据集；基于更新数据集计算每个子森林异常检测器与基森林异常检测器的异常率差值，组成新的基森林异常检测器，通过新的基森林异常检测器对数据集进行异常数据识别。

技术领域

本发明涉及轨道交通领域，具体是一种用于轨道平顺性评估的异常数据识别方法。

背景技术

地铁轨道交通作为城市交通的重要组成部分，保证其健康、安全的运营是地铁公司的重中之重，其中轨道平顺性是引起列车产生振动和轮轨作用力增大的主要根源，对列车运营安全、平稳、舒适度、使用寿命及环境噪声等都有重要影响。所以要从地铁轨道的各项指标评价得到地铁轨道平顺度结果，来供地铁运营公司进行维修决策分析。

然而在实际中，地铁轨道指标采集系统所采集的海量原始数据，受到多样性、不确定性和复杂性的环境的影响，使得采集到的实际数据比较凌乱，存在着缺失、异常等现象，很多情况下不符合地铁轨道平顺度评价模型建模的规范要求。所以需要对数据进行实时性预处理，以提供干净、简介、准备的数据，使得地铁轨道平顺性的评价结果更有效和更加准确。

发明内容

本发明的目的在于克服现有技术的不足，提供一种用于轨道平顺性评估的异常数据识别方法，包括如下步骤：

步骤一，获取轨道监测指标数据，按照设定的轨道长度对监测指标数据进行切分，形成数据集；

步骤二，对数据集进行预处理后，采用孤立森林算法构建L个隔离树，然后应用系统抽样的方法将L个隔离树分为n组，构建n个子森林异常检测器；在预处理后的数据集中随机选取一个值，对样本进行二叉划分，将小于该值的样本划分到节点的右边，得到了一个分裂条件和左、右两边的数据集，然后，分别在左右两边的数据集上重复以上过程，直到满足终止条件，生成基森林异常检测器；

步骤三，通过基森林异常检测器，对每个到达滑动窗口中的数据进行异常判断，对进入滑动窗口的数据进行抽样，以概率一判定其是否存入缓存区，当滑动窗口中充满数据时，判定滑动窗口数据异常率；当缓存区数据量超过阈值时，按更新比率一触发更新模型策略，对数据集进行更新，得到更新数据集；当滑动窗口数据异常率超过指定阈值时，按更新比率二触发更新模型策略，对数据集进行更新，得到更新数据集；

步骤四，基于更新数据集计算每个子森林异常检测器与基森林异常检测器的异常率差值，去除差值大于设定阈值的子森林异常检测器，同时构建相同数量的子森林异常检测器进行补充，组成新的基森林异常检测器，通过新的基森林异常检测器对数据集进行异常数据识别。

进一步的，所述的轨道监测指标数据包括定位点信息、轨道检测几何参数信息。

进一步的，所述的通过基森林异常检测器，对每个到达滑动窗口中的数据进行异常判断，包括如下过程：对每个到达滑动窗口中的数据，通过基森林异常检测器判断其异常状况，该步得到(0,1)范围内的数据，其中表征数据为正常状态的数值范围为(0,h]，表征数据为异常状态的数值范围为(h,1)，h为基森林检测器去计算历史数据所得的异常得分，根据历史数据异常比例取分位数得出：

h＝-Quartile(-F(x),100(1-c))

其中：y＝-Quartile(a,b)为分位数函数，z＝F(x)为基森林检测器检测函数；X为隔离树的训练样本集；c为训练样本集中的异常样本比例。