[發明專利]一種機車運行時序特征的學習方法

有效

• 申請號: 201710738298.X
• 申請日: 2017-08-25
• 公開（公告）號: CN107563426B
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 黃晉;夏雅楠;趙曦濱;高躍;盧莎
• 申請（專利權）人: 清華大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京律譜知識產權代理事務所(普通合伙) 11457
• 代理人: 羅建書

1.一種機車運行時序特征學習方法，其特征在于，所述的方法包括：

步驟S101，提取司機歷史駕駛數據和機車監控日志作為源數據；

步驟S102，對源數據進行數據清洗；計算出清洗后得到的有效數據中的所有空缺屬性各種取值的概率，選取概率最大的屬性值對清洗后得到的有效數據進行數據補全，得到完整特征數據；針對數據補全后得到的完整特征數據進行數據融合，經過數據融合去冗降維處理后得到初始特征集合；

步驟S103，從初始特征集合中搜索出重要特征子集，并針對重要特征子集進行特征選擇，得出關鍵特征子集；

步驟S104，調取應用場景所使用的挖掘模型；

步驟S105，判斷應用場景所使用的挖掘模型是否具有時序信息處理能力，若挖掘模型不具有時序信息處理能力，則執行步驟S106-步驟S107；若挖掘模型具有時序信息處理能力，則直接轉入執行步驟S108；

步驟S106，提取出關鍵特征子集的時序特征信息；

步驟S107，將該時序特征信息作為挖掘模型的輸入，利用該挖掘模型進行時序特征信息的學習；

步驟S108，直接將關鍵特征子集中的關鍵特征作為挖掘模型的輸入，利用該挖掘模型進行時序特征信息的學習，挖掘模型的輸出為所需的時序特征信息。

2.根據權利要求1所述的機車運行時序特征學習方法，其特征在于，所述步驟S103包括：

采用先驗知識確定包含重要特征數據的樣本空間，在包含重要特征數據的樣本空間中進行隨機搜索，從初始特征集合中搜索出重要特征子集；

采用獨立評價函數從搜索出的多個重要特征子集中選出關鍵特征，并組成關鍵特征子集。

3.根據權利要求1或2所述的機車運行時序特征學習方法，其特征在于，

所述步驟S106包括：利用深度學習模型提取關鍵特征子集中的時序特征信息；

所述深度學習模型包括但不限于如下的深度學習模型：深度自編碼器、深度信念網絡。

4.根據權利要求3所述的機車運行時序特征學習方法，其特征在于，所述步驟S102中的對源數據進行數據清洗的過程包括如下中的一種或多種：

檢查工業數據的完整性和一致性，去噪聲，填補丟失數據，刪除無效數據。