-
公开(公告)号：CN109583657B
公开(公告)日：2021-03-16
申请号：CN201811487634.9
申请日：2018-12-06
Applicant: 西南交通大学
Abstract: 本发明属于铁路交通技术领域，列车运行实绩数据驱动的运行图冗余时间布局获取方法，包括：S1、根据列车运行实绩数据，提取晚点列车运行记录，并获取列车晚点恢复时间及其影响因素；S2、使用岭回归模型，获取各影响因素的岭回归系数即影响系数；S3、根据列车晚点恢复时间和影响系数，确定冗余时间布局优化模型的目标函数；S4、根据列车运行图及列车运行限制条件，获取列车运行约束条件；S5、根据列车运行图和列车运行约束条件，求解冗余时间布局优化模型，获取冗余时间布局方案。本发明解决了现有技术存在的难以为实时调度指挥提供支撑，方案不具有针对性以及晚点列车无法进行恢复最大化的问题。
-
公开(公告)号：CN109635246A
公开(公告)日：2019-04-16
申请号：CN201811488860.9
申请日：2018-12-06
Applicant: 西南交通大学
CPC classification number: G06F17/18 , G06N3/0454 , G06N3/084 , G06Q10/04 , G06Q50/30
Abstract: 本发明涉及交通运输技术领域，其目的在于提供一种基于深度学习的多属性数据建模方法。本发明包括以下步骤：S1：根据当前高速铁路区段的历史运营数据，提取列车晚点的影响因素及列车晚点观测值；S2：判断影响因素的属性；S3：将不同属性的影响因素分别输入Conv‑LSTM模型、LSTM模型和FCNN模型；S4：基于交叉验证分别优化上述各模型的神经元层数及各层神经元数，分别筛选出上述各模型中最小损失函数值的神经元层数及各层神经元数；S5：选定最终的多属性数据模型。本发明建立完成的多属性数据模型能够有效识别时间序列的时间依赖关系以及时空数据的时空依赖关系，实现对交通工具产生的多属性数据的建模。
-
公开(公告)号：CN109359788A
公开(公告)日：2019-02-19
申请号：CN201811489173.9
申请日：2018-12-06
Applicant: 西南交通大学
Abstract: 本发明涉及交通运输技术领域，其目的在于提供一种高速列车初始晚点影响预测模型的建立方法。本发明包括初始晚点影响列车数预测模型的建立方法和初始晚点影响总时间预测模型的建立方法。初始晚点影响列车数预测模型的建立方法包括以下步骤：比选不同备选的第一机器学习分类模型，选择最终的第一机器学习分类模型，选定最终的第一机器学习分类模型为初始晚点影响列车数预测模型。初始晚点影响总时间预测模型的建立方法包括以下步骤：比选不同备选的第二机器学习分类模型，选择最终的第二机器学习分类模型，选定最终的第二机器学习分类模型为初始晚点影响总时间预测模型。本发明建模过程方便，利于对初始晚点影响列车数和总时间进行预测。
-
公开(公告)号：CN118780410B
公开(公告)日：2025-01-24
申请号：CN202410329675.4
申请日：2024-03-21
IPC: G06Q10/04 , G06N3/042 , G06F18/24 , G06F18/214 , G06Q50/26 , G06Q50/40 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于多源异构数据处理的高铁网络晚点推演方法，针对铁路网络晚点演化问题，本发明综合考虑高速铁路网络中的不同种类实体之间的相互作用，结合SAGE同质图神经网络和HetGNN异质图神经网络结构设计了一种新的神经网络模型SAGE‑HetGNN模型，该SAGE‑HetGNN模型可以处理不同类型的节点，并捕获节点之间的相互作用，基于该模型，可通过预测在未来时间戳时运行列车的晚点来研究铁路网络晚点演化，并具有较高的预测精度。
-
公开(公告)号：CN109359788B
公开(公告)日：2021-08-17
申请号：CN201811489173.9
申请日：2018-12-06
Applicant: 西南交通大学
Abstract: 本发明涉及交通运输技术领域，其目的在于提供一种高速列车初始晚点影响预测模型的建立方法。本发明包括初始晚点影响列车数预测模型的建立方法和初始晚点影响总时间预测模型的建立方法。初始晚点影响列车数预测模型的建立方法包括以下步骤：比选不同备选的第一机器学习分类模型，选择最终的第一机器学习分类模型，选定最终的第一机器学习分类模型为初始晚点影响列车数预测模型。初始晚点影响总时间预测模型的建立方法包括以下步骤：比选不同备选的第二机器学习分类模型，选择最终的第二机器学习分类模型，选定最终的第二机器学习分类模型为初始晚点影响总时间预测模型。本发明建模过程方便，利于对初始晚点影响列车数和总时间进行预测。
-
Patent Agency Ranking
公开(公告)号：CN109635246B
公开(公告)日：2021-07-13
申请号：CN201811488860.9
申请日：2018-12-06
Applicant: 西南交通大学
Abstract: 本发明涉及交通运输技术领域，其目的在于提供一种基于深度学习的多属性数据建模方法。本发明包括以下步骤：S1：根据当前高速铁路区段的历史运营数据，提取列车晚点的影响因素及列车晚点观测值；S2：判断影响因素的属性；S3：将不同属性的影响因素分别输入Conv‑LSTM模型、LSTM模型和FCNN模型；S4：基于交叉验证分别优化上述各模型的神经元层数及各层神经元数，分别筛选出上述各模型中最小损失函数值的神经元层数及各层神经元数；S5：选定最终的多属性数据模型。本发明建立完成的多属性数据模型能够有效识别时间序列的时间依赖关系以及时空数据的时空依赖关系，实现对交通工具产生的多属性数据的建模。
-
公开(公告)号：CN109508751B
公开(公告)日：2021-02-09
申请号：CN201811487875.3
申请日：2018-12-06
Applicant: 西南交通大学
Abstract: 本发明公开了一种高速铁路列车晚点时间预测的深度神经网络模型建模方法，属于轨道交通的技术领域，结合相邻列车间具有明显相互作用关系及列车晚点具有时间序列以及非时间序列影响因素的特点，提出了包含循环神经网络以及全连接神经网络的深度神经网络模型；该模型中，晚点的非时间序列影响因素被输入全连接神经网络，时间序列影响因素被输入循环神将网络以利用其反馈机制学习到相邻列车间相互作用关系；以达到能够识别列车之间相互作用对列车晚点的影响，具有较高的预测精度，且具有较好的实际应用能力，其预测绝对误差与相对误差均低于支持向量回归模型、普通神经网络模型及马尔科夫等模型的最优预测结果。
-
公开(公告)号：CN109583657A
公开(公告)日：2019-04-05
申请号：CN201811487634.9
申请日：2018-12-06
Applicant: 西南交通大学
Abstract: 本发明属于铁路交通技术领域，列车运行实绩数据驱动的运行图冗余时间布局获取方法，包括：S1、根据列车运行实绩数据，提取晚点列车运行记录，并获取列车晚点恢复时间及其影响因素；S2、使用岭回归模型，获取各影响因素的岭回归系数即影响系数；S3、根据列车晚点恢复时间和影响系数，确定冗余时间布局优化模型的目标函数；S4、根据列车运行图及列车运行限制条件，获取列车运行约束条件；S5、根据列车运行图和列车运行约束条件，求解冗余时间布局优化模型，获取冗余时间布局方案。本发明解决了现有技术存在的难以为实时调度指挥提供支撑，方案不具有针对性以及晚点列车无法进行恢复最大化的问题。
-
公开(公告)号：CN118780410A
公开(公告)日：2024-10-15
申请号：CN202410329675.4
申请日：2024-03-21
IPC: G06Q10/04 , G06N3/042 , G06F18/24 , G06F18/214 , G06Q50/26 , G06Q50/40 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于多源异构数据处理的高铁网络晚点推演方法，针对铁路网络晚点演化问题，本发明综合考虑高速铁路网络中的不同种类实体之间的相互作用，结合SAGE同质图神经网络和HetGNN异质图神经网络结构设计了一种新的神经网络模型SAGE‑HetGNN模型，该SAGE‑HetGNN模型可以处理不同类型的节点，并捕获节点之间的相互作用，基于该模型，可通过预测在未来时间戳时运行列车的晚点来研究铁路网络晚点演化，并具有较高的预测精度。
-
公开(公告)号：CN109508751A
公开(公告)日：2019-03-22
申请号：CN201811487875.3
申请日：2018-12-06
Applicant: 西南交通大学
CPC classification number: G06N3/084 , G06K9/6297 , G06N3/0481
Abstract: 本发明公开了一种高速铁路列车晚点时间预测的深度神经网络模型建模方法，属于轨道交通的技术领域，结合相邻列车间具有明显相互作用关系及列车晚点具有时间序列以及非时间序列影响因素的特点，提出了包含循环神经网络以及全连接神经网络的深度神经网络模型；该模型中，晚点的非时间序列影响因素被输入全连接神经网络，时间序列影响因素被输入循环神将网络以利用其反馈机制学习到相邻列车间相互作用关系；以达到能够识别列车之间相互作用对列车晚点的影响，具有较高的预测精度，且具有较好的实际应用能力，其预测绝对误差与相对误差均低于支持向量回归模型、普通神经网络模型及马尔科夫等模型的最优预测结果。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.025 seconds)
