[發明專利]一種高速鐵路列車運行晚點時間預測方法

有效

• 申請號: 201910163959.X
• 申請日: 2019-03-05
• 公開（公告）號: CN109840639B
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 周平;陳樂芳;代學武
• 申請（專利權）人: 東北大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 劉曉嵐

1.一種高速鐵路列車運行晚點時間預測方法，其特征在于，具體步驟如下：

步驟1：獲取高速鐵路列車歷史晚點數據并進行篩選，得到歷史數據集，具體包括如下步驟：

步驟1.1：獲取所需預測的高速鐵路列車對應線路上所有出現晚點的列車歷史實績數據和圖定數據，根據實績數據與圖定數據計算列車進入區間或者到達車站的時間，記作列車當前時刻T、列車到達車站或者進入對應區間的晚點時間，記作列車在當前位置的晚點時間DT、列車從車站發車或者離開區間時減少的晚點時間，記作列車恢復時間RT、列車停站時間或在區間運行的時間，記作區間時間記作ST；

步驟1.2：根據列車的型號與運行速度，篩選與待預測列車相同型號和相同運行速度的數據，并按照車站和運行區間分組，并去除異常數據，得到后續建立模型所需使用的歷史數據集，即包括列車當前時刻T、列車在當前位置的晚點時間DT、列車恢復時間RT、區間時間記作ST，在歷史數據集中所有數據單位均為分鐘；

步驟2：在歷史數據集中，使用Bootstrapping策略選取訓練數據集和測試數據集，對于每次選取的訓練數據集合測試數據集建立集成隨機權神經網絡RVFLNs神經網絡預測模型，得到r個弱學習器集成隨機權神經網絡模型，使用Weighted Voting結合策略，得到強學習器Bagging-RVFLNs預測模型；具體步驟包括步驟2.1～步驟2.6：

步驟2.1：首先對共S組歷史數據，利用Bootstrapping策略選取訓練數據集和測試數據集：從S中取一條數據，把他標記成訓練集數據，并將該數據重新放回，再次從S中取一條數據，標記為訓練集數據，每次取出的數據會重復但也有始終沒有取出過的，如此取s次，被取出的數據作為訓練集，而未被取到的數據作為測試集，利用下面的公式得有N條數據的訓練集，即得到訓練集和測試集，其中，每組訓練集包含數據N條，測試集包含數據M條，公式如下：

其中，s為數據組數，e為自然常數；

步驟2.2：針對每次利用Bootstrapping策略選取訓練數據集，得到訓練數據集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，為n維的特征向量，y_i＝[y_i1,y_i2,…,y_im]^T∈R^m為m維的輸出向量，設定隱含層有L個神經元，輸入層和輸出層無閾值，激活函數為g(x)的單隱層神經網絡表示為：

其中，w_i＝[w_i1,w_i2,…,w_in]^T是輸入層神經元與第i個隱含層神經元之間的輸入權值向量，β_i＝[β_i1,β_i2,…,β_im]^T是第i個隱含層神經元與輸出層神經元之間的輸出權值向量，o_j是第j個樣本的預測值，b_i是第i個隱含層神經元的閾值，w_i·x_j表示w_i與x_j之間的內積；

步驟2.3：隨機生成w_j和b_j，j＝1,2,…,L，計算并保存隱含層輸出矩陣H：

Hβ＝Y

其中，H代表隱含層輸出矩陣，β代表輸出權值矩陣，Y代表真實輸出矩陣，且分別有如下表示：

為使得預測值與真實值之間的誤差最小，表示為如下形式：

其中，||·||₂為歐幾里得范數，等價于存在β_i，w_i和b_i，滿足以下條件：

步驟2.4：求取和求得后神經網絡，即建立集成隨機權神經網絡RVFLNs預測模型：

其中，||·||₂為二階范數；

其中，i＝1,2,…,L，為方便之后計算，在殘差范數基礎上再平方，不影響最后優化的參數結果，等價于最小化殘差平方和損失函數：

步驟2.5：在歷史數據集中，利用Bootstrapping策略選取訓練數據集，重復步驟2.2～2.4，得到r個弱學習器集成隨機權神經網絡模型；

步驟2.6：使用Weighted Voting結合策略對得到r個弱學習器集成隨機權神經網絡模型進行結合，得到強學習器Bagging-RVFLNs神經網絡預測模型，弱學習器的輸出用向量表示，其中對應第i個弱隨機權神經網絡在類別標記c_j上的輸出；Weighted Voting結合策略如下式所示：

其中，ω_i是h_i的權重，通常ω_i≥0，得到的H(x)是對應模型輸入x的輸出晚點時間；

步驟3：使用強學習器Bagging-RVFLNs預測模型，針對給定的晚點時間及晚點車站，對所需預測的高速鐵路列車晚點進行預測，得到晚點預測時間；

使用強學習器Bagging-RVFLNs預測模型，對需要預測的晚點車次，在給定晚點時間的情況下，對于其在對應站或者區間的晚點時間變化進行預測，利用每個弱隨機權神經網絡學習器得到的權重矩陣w_i＝[w_i1,w_i2,…,w_in]^T以及偏置矩陣β_i＝[β_i1,β_i2,…,β_im]^T預測，得到待預測列車的晚點預測時間；

步驟4：對下一車站或者區間進行晚點時間預測，得到新的晚點預測時間，直到高速鐵路列車晚點完全恢復或者到達終點結束，具體包括步驟4.1和步驟4.2：

步驟4.1：如果不需要提高晚點時間預測方法運算速度，則執行：判斷高速鐵路列車晚點是否完全恢復或者列車到達終點，若晚點沒有完全恢復或者列車沒有到達終點，則針對得到晚點預測時間作為輸入，再次使用強學習器Bagging-RVFLNs預測模型，對下一車站或者區間進行晚點時間預測，得到新的晚點預測時間，直到高速鐵路列車晚點完全恢復或者到達終點結束；

步驟4.2：如果需要進一步提高晚點時間預測方法運算速度，則執行；判斷高速鐵路列車晚點是否完全恢復或者列車到達終點，若晚點沒有完全恢復或者列車沒有到達終點，則針對得到晚點預測時間作為輸入，使用在線序貫集成隨機權神經網絡模型代替強學習器Bagging-RVFLNs預測模型，對下一車站或者區間進行晚點時間預測，得到新的晚點預測時間，直到高速鐵路列車晚點完全恢復或者到達終點結束。