[发明专利]一种基于大数据机器学习进行轨道交通停准问题预测方法

摘要

本专利涉及一种基于大数据机器学习进行轨道交通停准问题预测和改进方法，该方法由相应的应用架构、流程、计算模型组成。这种方法首先对轨道交通运行过程中采集的车辆实时数据，以及车辆其它的运行数据，进行数据整理和清洗，并对数据进行特征化处理，通过大数据机器学习建立模型和训练验证算法，其中建模主要使用了XGboost模型、生存模型和随机森林，并对结果进行不同角度的评估和优化，从而建立轨道交通停准问题预测的模型，优化轨道交通停靠准确性，提高行车的安全性指标，同时提供算法模拟，便于调整参数改进预测算法。

主权项

1.一种基于大数据机器学习进行轨道交通停准问题预测和改进方法，其特征在于，所述方法包括：/n步骤001数据准备步骤，获取轨道交通车辆及运行使用相关的数据；/n所述轨道交通运行相关数据包括车辆运行相关数据和故障信息；其中，所述车辆运行数据包括在正常行驶时自身数据、车辆状态数据以及环境影响因素数据；所述车辆运行数据均是基于时间序列的流式数据；/n步骤002数据整理步骤，对所述轨道交通车辆使用相关的数据进行清洗并将清洗后的相关数据基于时间单元进行数据构建；所述数据清洗包括，采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值；通过设定轨道交通车辆使用相关数据的每个变量的阈值检查数据是否合乎要求将超出正常范围的数据予以删除或纠正；通过设定轨道交通车辆使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正；所述数据构建包括，按照时间顺序将搜集到的数据进行整合；/n步骤003数据特征化步骤，对通过数据整理步骤得到的数据进行总结和抽取，获取特征化后的数据；包括时间特征，速度特征，加速度特征和距离特征。对于数据的总结和抽取包括滚动聚合，所述滚动聚合是指设定一个时间窗口，计算在预定的变量在该时间窗口内的聚合值，所述聚合值可以是数据的总和、平均值或者是标准差；所述总结和抽取还包括将特征变量进行扩展，所述扩展包括对初始特征变量根据滚动聚合的均值增加相应的个数，以及对初始特征变量根据滚动聚合的标准差增加相应个数；/n步骤004建立模型步骤，基于特征化后的数据建立车辆停准预测模型，采用非线性混合效应模型、生存模型和随机森林来建立车辆停准预测模型；/n步骤005训练验证步骤，对建立的模型进行训练和验证以优化该模型；所述训练验证步骤优选包括交叉验证，基于所述实验结果确定最佳的数据分类；/n步骤006算法验证步骤，在建立上述模型的基础上，需要进行训练和验证的工作来优化模型。以便提高模型的准确性。在本具体实施方式中，所述训练验证步骤优选包括交叉验证和少数类采样；/n步骤007算法评估步骤，评估数据在不同算法下的预测结果，基于评估选择最优的算法；其中车辆停准预测的实际校验值通过采集接近盘信号获得；/n步骤008算法模拟步骤，通过参数之间的调整，反映对停准的影响。/n