[發(fā)明專利]一種基于列車(chē)運(yùn)行秩序的列車(chē)晚點(diǎn)人工神經(jīng)網(wǎng)絡(luò)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810361853.6
• 申請(qǐng)日: 2018-04-20
• 公開(kāi)（公告）號(hào): CN108764526A
• 公開(kāi)（公告）日: 2018-11-06
• 發(fā)明（設(shè)計(jì)）人: 彭其淵;馮予莛;何必勝;張杏蔓
• 申請(qǐng)（專利權(quán)）人: 西南交通大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/30;G06N3/08
• 代理公司: 成都頂峰專利事務(wù)所(普通合伙) 51224
• 代理人: 楊俊華

1.一種基于列車(chē)運(yùn)行秩序的列車(chē)晚點(diǎn)人工神經(jīng)網(wǎng)絡(luò)識(shí)別方法，其特征在于，所述方法包括以下步驟：

獲得多條列車(chē)運(yùn)行晚點(diǎn)信息數(shù)據(jù)，生成列車(chē)運(yùn)行晚點(diǎn)信息數(shù)據(jù)表；

對(duì)所述列車(chē)運(yùn)行晚點(diǎn)信息數(shù)據(jù)表中的數(shù)據(jù)進(jìn)行預(yù)處理，提取列車(chē)晚點(diǎn)信息作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練集合；

輸入所述訓(xùn)練集合到所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中，采用批梯度下降法與Adam優(yōu)化器訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)，訓(xùn)練完成后輸出并保存訓(xùn)練后相應(yīng)的帶權(quán)重參數(shù)集合和偏值參數(shù)集合；

綜合分析所述帶權(quán)重參數(shù)集合和所述偏值參數(shù)集合，獲取其中最優(yōu)的一組帶權(quán)重參數(shù)和偏值參數(shù)；

輸入最優(yōu)的所述帶權(quán)重參數(shù)和所述偏值參數(shù)至所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中，進(jìn)行后續(xù)列車(chē)晚點(diǎn)預(yù)測(cè)。

2.根據(jù)權(quán)利要求1中所述的基于列車(chē)運(yùn)行秩序的列車(chē)晚點(diǎn)人工神經(jīng)網(wǎng)絡(luò)識(shí)別方法，其特征在于，所述獲得多條列車(chē)運(yùn)行晚點(diǎn)信息數(shù)據(jù)的方法包括：

以到達(dá)時(shí)間與圖定到達(dá)時(shí)間為參考，從列車(chē)運(yùn)行圖數(shù)據(jù)庫(kù)中選取歷史運(yùn)行途中晚點(diǎn)較多的列車(chē)；

查詢列車(chē)經(jīng)過(guò)站點(diǎn)，劃定晚點(diǎn)列車(chē)所經(jīng)行區(qū)域范圍；

找尋該范圍內(nèi)晚點(diǎn)發(fā)生最為頻繁的幾天，以天窗時(shí)間作為分割點(diǎn)；

區(qū)分上下行，去除支線部分，并去除經(jīng)過(guò)3個(gè)站以下的列車(chē)，獲得所述多條列車(chē)運(yùn)行晚點(diǎn)信息數(shù)據(jù)。

3.根據(jù)權(quán)利要求1中所述的基于列車(chē)運(yùn)行秩序的列車(chē)晚點(diǎn)人工神經(jīng)網(wǎng)絡(luò)識(shí)別方法，其特征在于，對(duì)所述列車(chē)運(yùn)行晚點(diǎn)信息數(shù)據(jù)表中的數(shù)據(jù)進(jìn)行預(yù)處理，提取列車(chē)晚點(diǎn)信息作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練集合的方法包括：

引用數(shù)據(jù)預(yù)處理工具，讀取所述列車(chē)運(yùn)行晚點(diǎn)信息數(shù)據(jù)表構(gòu)建Dataframe，進(jìn)行數(shù)據(jù)的批量處理；

比較一日內(nèi)列車(chē)到達(dá)時(shí)間與列車(chē)圖定到達(dá)時(shí)間的差值，判斷列車(chē)是否晚點(diǎn)；若沒(méi)有，則標(biāo)記所述差值為0；若晚點(diǎn)，則記錄晚點(diǎn)時(shí)間，更新所述列車(chē)運(yùn)行晚點(diǎn)信息數(shù)據(jù)表；

將更新后的所述列車(chē)運(yùn)行信息數(shù)據(jù)表中包含的站點(diǎn)，到站時(shí)間，晚點(diǎn)情況判斷抽象為列車(chē)晚點(diǎn)矩陣，其中，所述列車(chē)晚點(diǎn)矩陣的行表征區(qū)域內(nèi)站點(diǎn)，列表征有列車(chē)到站信息的時(shí)刻點(diǎn)；

將所述列車(chē)晚點(diǎn)矩陣展開(kāi)為向量，并貼上標(biāo)簽作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的一個(gè)訓(xùn)練集；

選取多天列車(chē)運(yùn)行數(shù)據(jù)，重復(fù)上述步驟，擴(kuò)大訓(xùn)練集，構(gòu)成所述訓(xùn)練集合。

4.根據(jù)權(quán)利要求3中所述的基于列車(chē)運(yùn)行秩序的列車(chē)晚點(diǎn)人工神經(jīng)網(wǎng)絡(luò)識(shí)別方法，其特征在于，將所述列車(chē)晚點(diǎn)矩陣展開(kāi)為向量，并貼上標(biāo)簽作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的一個(gè)訓(xùn)練集的方法包括：

從所述列車(chē)晚點(diǎn)矩陣中隨機(jī)選取多個(gè)子矩陣作為樣本矩陣；

對(duì)所述樣本矩陣中的數(shù)據(jù)進(jìn)行歸一化處理；

將處理后的所述樣本矩陣展開(kāi)為向量，并貼上標(biāo)簽作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的一個(gè)訓(xùn)練集。

5.根據(jù)權(quán)利要求1中所述的基于列車(chē)運(yùn)行秩序的列車(chē)晚點(diǎn)人工神經(jīng)網(wǎng)絡(luò)識(shí)別方法，其特征在于，采用批梯度下降法與Adam優(yōu)化器訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)的具體計(jì)算過(guò)程包括：

中間變量初始化：V_dw＝0，S_dw＝0，V_db＝0，S_db＝0；

每次迭代t的過(guò)程完成以下計(jì)算：

V_dw＝β₁·V_dw+(1-β₁)·dw (1)

V_db＝β₁·V_db+(1-β₁)·db (2)

S_dw＝β₂·S_dw+(1-β₂)·dw² (3)

S_db＝β₂·S_db+(1-β₂)·db² (4)

其中dw與db為每次迭代當(dāng)前mini-batch中價(jià)值函數(shù)J(w，b)在w與b方向上的變化速率，w為帶權(quán)重，b為偏值；公式(1)、(2)分別為更新w與b方向上的一階有偏動(dòng)量矩估計(jì)，公式(3)、(4)為更新w與b方向上的二階有偏動(dòng)量矩估計(jì)，公式(5)、(6)為計(jì)算w與b方向上的一階無(wú)偏動(dòng)量矩估計(jì)，公式(7)、(8)為計(jì)算w與b方向上的二階無(wú)偏動(dòng)量矩估計(jì)；公式(9)、(10)為本次迭代中最后w與b參數(shù)的更新；其中α為訓(xùn)練過(guò)程中需要調(diào)節(jié)的下降速率，β₁、β₂為常數(shù)，t為迭代次數(shù)，ε為常數(shù)。