[发明专利]一种基于列车运行秩序的列车晚点人工神经网络识别方法

权利要求书

1.一种基于列车运行秩序的列车晚点人工神经网络识别方法，其特征在于，所述方法包括以下步骤：

获得多条列车运行晚点信息数据，生成列车运行晚点信息数据表；

对所述列车运行晚点信息数据表中的数据进行预处理，提取列车晚点信息作为BP神经网络预测模型的训练集合；

输入所述训练集合到所述BP神经网络预测模型中，采用批梯度下降法与Adam优化器训练神经网络参数，训练完成后输出并保存训练后相应的带权重参数集合和偏值参数集合；

综合分析所述带权重参数集合和所述偏值参数集合，获取其中最优的一组带权重参数和偏值参数；

输入最优的所述带权重参数和所述偏值参数至所述BP神经网络预测模型中，进行后续列车晚点预测。

2.根据权利要求1中所述的基于列车运行秩序的列车晚点人工神经网络识别方法，其特征在于，所述获得多条列车运行晚点信息数据的方法包括：

以到达时间与图定到达时间为参考，从列车运行图数据库中选取历史运行途中晚点较多的列车；

查询列车经过站点，划定晚点列车所经行区域范围；

找寻该范围内晚点发生最为频繁的几天，以天窗时间作为分割点；

区分上下行，去除支线部分，并去除经过3个站以下的列车，获得所述多条列车运行晚点信息数据。

3.根据权利要求1中所述的基于列车运行秩序的列车晚点人工神经网络识别方法，其特征在于，对所述列车运行晚点信息数据表中的数据进行预处理，提取列车晚点信息作为BP神经网络预测模型的训练集合的方法包括：

引用数据预处理工具，读取所述列车运行晚点信息数据表构建Dataframe，进行数据的批量处理；

比较一日内列车到达时间与列车图定到达时间的差值，判断列车是否晚点；若没有，则标记所述差值为0；若晚点，则记录晚点时间，更新所述列车运行晚点信息数据表；

将更新后的所述列车运行信息数据表中包含的站点，到站时间，晚点情况判断抽象为列车晚点矩阵，其中，所述列车晚点矩阵的行表征区域内站点，列表征有列车到站信息的时刻点；

将所述列车晚点矩阵展开为向量，并贴上标签作为BP神经网络预测模型的一个训练集；

选取多天列车运行数据，重复上述步骤，扩大训练集，构成所述训练集合。

4.根据权利要求3中所述的基于列车运行秩序的列车晚点人工神经网络识别方法，其特征在于，将所述列车晚点矩阵展开为向量，并贴上标签作为BP神经网络预测模型的一个训练集的方法包括：

从所述列车晚点矩阵中随机选取多个子矩阵作为样本矩阵；

对所述样本矩阵中的数据进行归一化处理；

将处理后的所述样本矩阵展开为向量，并贴上标签作为BP神经网络预测模型的一个训练集。

5.根据权利要求1中所述的基于列车运行秩序的列车晚点人工神经网络识别方法，其特征在于，采用批梯度下降法与Adam优化器训练神经网络参数的具体计算过程包括：

中间变量初始化：V_dw＝0，S_dw＝0，V_db＝0，S_db＝0；

每次迭代t的过程完成以下计算：

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与db为每次迭代当前mini-batch中价值函数J(w，b)在w与b方向上的变化速率，w为带权重，b为偏值；公式(1)、(2)分别为更新w与b方向上的一阶有偏动量矩估计，公式(3)、(4)为更新w与b方向上的二阶有偏动量矩估计，公式(5)、(6)为计算w与b方向上的一阶无偏动量矩估计，公式(7)、(8)为计算w与b方向上的二阶无偏动量矩估计；公式(9)、(10)为本次迭代中最后w与b参数的更新；其中α为训练过程中需要调节的下降速率，β₁、β₂为常数，t为迭代次数，ε为常数。