[发明专利]一种机车运行时序特征的学习方法

摘要

本发明提供了一种机车运行时序特征学习方法，其首先完成数据的补全融合和特征选择，对源数据进行去冗余和降维得出初始特征集合；并从中找出关键特征子集；然后具备时序数据学习能力的目标应用模型，直接将这些关键特征子集作为输入并进行深度学习；针对不具备时序数据学习能力的目标应用模型，则提取出关键特征的时序特征信息，并针对这些时序特征信息进行深度学习，扩充该目标应用模型的学习能力。本发明能够根据应用场景的不同，为不同特征数据的输入提供相应的目标应用模型。

主权项

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；对清洗后得到的有效数据进行数据补全和数据融合，得到去冗降维后的初始特征集合；步骤103，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这类挖掘模型的输入，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。