[发明专利]一种高速铁路列车运行晚点时间预测方法

摘要

本发明提出一种高速铁路列车运行晚点时间预测方法，包括：得到历史数据集；使用Bootstrapping策略选取训练数据集和测试数据集，得到r个弱学习器集成随机权神经网络模型，使用Weighted Voting结合策略，得到强学习器Bagging‑RVFLNs预测模型；使用强学习器Bagging‑RVFLNs预测模型，针对给定的晚点时间及晚点车站，对所需预测的高速铁路列车晚点进行预测，得到晚点预测时间；使用强学习器Bagging‑RVFLNs预测模型，对下一车站或者区间进行晚点时间预测，得到新的晚点预测时间；若需要进一步提高晚点时间预测方法运算速度，使用在线序贯集成随机权神经网络模型代替强学习器Bagging‑RVFLNs预测模型；本发明使用了集成学习随即权神经网络实现对高速列车晚点时间的实时预测，预测精度较高，为高速铁路调度员的调度工作提供辅助。

主权项

1.一种高速铁路列车运行晚点时间预测方法，其特征在于，具体步骤如下：步骤1：获取高速铁路列车历史晚点数据并进行筛选，得到历史数据集，具体包括如下步骤：步骤1.1：获取所需预测的高速铁路列车对应线路上所有出现晚点的列车历史实绩数据和图定数据，根据实绩数据与图定数据计算列车进入区间或者到达车站的时间，记作列车当前时刻T、列车到达车站或者进入对应区间的晚点时间，记作列车在当前位置的晚点时间DT、列车从车站发车或者离开区间时减少的晚点时间，记作列车恢复时间RT、列车停站时间或在区间运行的时间，记作区间时间记作ST；步骤1.2：根据列车的型号与运行速度，筛选与待预测列车相同型号和相同运行速度的数据，并按照车站和运行区间分组，并去除异常数据，得到后续建立模型所需使用的历史数据集，即包括列车当前时刻T、列车在当前位置的晚点时间DT、列车恢复时间RT、区间时间记作ST，在历史数据集中所有数据单位均为分钟；步骤2：在历史数据集中，使用Bootstrapping策略选取训练数据集和测试数据集，对于每次选取的训练数据集合测试数据集建立集成随机权神经网络RVFLNs神经网络预测模型，得到r个弱学习器集成随机权神经网络模型，使用Weighted Voting结合策略，得到强学习器Bagging‑RVFLNs预测模型；具体步骤包括步骤2.1～步骤2.6：步骤2.1：首先对共S组历史数据，利用Bootstrapping策略选取训练数据集和测试数据集：从S中取一条数据，把他标记成训练集数据，并将该数据重新放回，再次从S中取一条数据，标记为训练集数据，每次取出的数据会重复但也有始终没有取出过的，如此取s次，被取出的数据作为训练集，而未被取到的数据作为测试集，利用下面的公式得有N条数据的训练集，即得到训练集和测试集，其中，每组训练集包含数据N条，测试集包含数据M条，公式如下：其中，s为数据组数，e为自然常数；步骤2.2：针对每次利用Bootstrapping策略选取训练数据集，得到训练数据集Z＝{(x_i,y_i)|x_i∈Rⁿ,y_i∈R^m,i＝1,2,…,N}，其中，x_i＝[x_i1,x_i2,…,x_in]^T∈Rⁿ，为n维的特征向量，y_i＝[y_i1,y_i2,…,y_im]^T∈R^m为m维的输出向量，设定隐含层有L个神经元，输入层和输出层无阈值，激活函数为g(x)的单隐层神经网络表示为：其中，w_i＝[w_i1,w_i2,…,w_in]^T是输入层神经元与第i个隐含层神经元之间的输入权值向量，β_i＝[β_i1,β_i2,…,β_im]^T是第i个隐含层神经元与输出层神经元之间的输出权值向量，o_j是第j个样本的预测值，b_i是第i个隐含层神经元的阈值，w_i·x_j表示w_i与x_j之间的内积；步骤2.3：随机生成w_j和b_j，j＝1,2,…,L，计算并保存隐含层输出矩阵H：Hβ＝Y其中，H代表隐含层输出矩阵，β代表输出权值矩阵，Y代表真实输出矩阵，且分别有如下表示：为使得预测值与真实值之间的误差最小，表示为如下形式：其中，||·||₂为欧几里得范数，等价于存在β_i，w_i和b_i，满足以下条件：步骤2.4：求取和求得后神经网络，即建立集成随机权神经网络RVFLNs预测模型：其中，||·||₂为二阶范数；其中，i＝1,2,…,L，为方便之后计算，在残差范数基础上再平方，不影响最后优化的参数结果，等价于最小化残差平方和损失函数：步骤2.5：在历史数据集中，利用Bootstrapping策略选取训练数据集，重复步骤2.2～2.4，得到r个弱学习器集成随机权神经网络模型；步骤2.6：使用Weighted Voting结合策略对得到r个弱学习器集成随机权神经网络模型进行结合，得到强学习器Bagging‑RVFLNs神经网络预测模型，弱学习器的输出用向量表示，其中对应第i个弱随机权神经网络在类别标记c_j上的输出；Weighted Voting结合策略如下式所示：其中，ω_i是h_i的权重，通常ω_i≥0，得到的H(x)是对应模型输入x的输出晚点时间；步骤3：使用强学习器Bagging‑RVFLNs预测模型，针对给定的晚点时间及晚点车站，对所需预测的高速铁路列车晚点进行预测，得到晚点预测时间；使用强学习器Bagging‑RVFLNs预测模型，对需要预测的晚点车次，在给定晚点时间的情况下，对于其在对应站或者区间的晚点时间变化进行预测，利用每个弱随机权神经网络学习器得到的权重矩阵w_i＝[w_i1,w_i2,…,w_in]^T以及偏置矩阵β_i＝[β_i1,β_i2,…,β_im]^T预测，得到待预测列车的晚点预测时间；步骤4：对下一车站或者区间进行晚点时间预测，得到新的晚点预测时间，直到高速铁路列车晚点完全恢复或者到达终点结束，具体包括步骤4.1和步骤4.2：步骤4.1：如果不需要提高晚点时间预测方法运算速度，则执行：判断高速铁路列车晚点是否完全恢复或者列车到达终点，若晚点没有完全恢复或者列车没有到达终点，则针对得到晚点预测时间作为输入，再次使用强学习器Bagging‑RVFLNs预测模型，对下一车站或者区间进行晚点时间预测，得到新的晚点预测时间，直到高速铁路列车晚点完全恢复或者到达终点结束；步骤4.2：如果需要进一步提高晚点时间预测方法运算速度，则执行；判断高速铁路列车晚点是否完全恢复或者列车到达终点，若晚点没有完全恢复或者列车没有到达终点，则针对得到晚点预测时间作为输入，使用在线序贯集成随机权神经网络模型代替强学习器Bagging‑RVFLNs预测模型，对下一车站或者区间进行晚点时间预测，得到新的晚点预测时间，直到高速铁路列车晚点完全恢复或者到达终点结束。