基于卷积神经网络的铁路故障持续时间预测方法研究

朱月皓; 孟令云; 廖正文; 王先枢; 田海宁

doi:10.3969/j.issn.1005-8451.2023.12.03

基于卷积神经网络的铁路故障持续时间预测方法研究

1.
北京交通大学　交通运输学院，北京　100044
2.
中国铁路沈阳局集团有限公司，沈阳　110001

基金项目: 中国国家铁路集团有限公司科技研究开发计划重点课题（N2022X018）

详细信息

作者简介:
朱月皓，在读博士研究生

孟令云，教授

中图分类号: U292 : U298.1 : TP39
计量
- 文章访问数: 98
- HTML全文浏览量: 41
- PDF下载量: 56
出版历程
- 收稿日期: 2023-07-07
- 刊出日期: 2023-12-27

Prediction method of railway faults duration based on convolutional neural network

1.
School of Traffic and Transportation, Beijing Jiaotong University, Beijing　100044, China
2.
China Railway Shenyang Group Co. Ltd., Shenyang　110001, China

摘要

摘要: 随着铁路网络复杂程度的不断提高，铁路运营部门调度难度日益增加，亟须研究精准预测铁路故障持续时间的方法，从而提高铁路调度系统应对各类风险和事故的能力。文章基于“安监报1”的文本数据，结合Jieba分词、Word2vec词向量模型等自然语言处理技术，构建了一种基于卷积神经网络（CNN，Convolutional Neural Network）的铁路故障持续时间预测模型，并基于中国铁路沈阳局集团有限公司的实际生成数据进行试验。试验结果表明，本预测模型能够较为快速、准确地获取铁路故障持续时间及其概率分布，为列车的运行调整提供参考。
- 铁路故障持续时间 /
- 自然语言处理 /
- 卷积神经网络（CNN） /
- Word2vec /
- 安监报1
Abstract: With the continuous increase in the complexity of railway networks, the scheduling difficulty of railway operation departments is increasing. It is urgent to study methods for accurately predicting the duration of railway failures, in order to improve the ability of railway dispatch systems to cope with various risks and accidents. This paper was based on the text data of "Safety Supervision Report 1", combined with natural language processing techniques such as Jieba word segmentation and Word2vec word vector model, to construct a railway fault duration prediction model based on Convolutional Neural Network (CNN). The model was tested based on actual generated data from China Railway Shenyang Group Co. Ltd. The experimental results show that this prediction model can quickly and accurately obtain the duration and probability distribution of railway faults, and provide reference for train operation adjustment.
- railway accident duration /
- natural language processing /
- CNN (Convolutional Neural Networks) /
- Word2vec /
- Overview of Railway Traffic Accidents 1

HTML全文

图 1 “安监报1”文本数据预处理流程

下载: 全尺寸图片幻灯片

图 2 基于CNN的铁路故障持续时间预测模型架构

下载: 全尺寸图片幻灯片

表 1 “安监报1”实验数据样例

“安监报1”数据
XXX次于17时30分时运行至辽阳高速场至沈阳南站间接触网挂风筝，经随车机械师检查确认风筝挂在7车受电弓上，更换2车受电弓后于17时47分开车。
XXX次列车运行至阜新站至黑山北站间XXX处撞野鸡，17时02分黑山北站停车检查，经随车机械师下车检查无异常后17时08分开车，影响本列超站停4 min。

下载: 导出CSV

表 2 故障持续时间类别

标签编号	时间范围/min
0	（0, 5）
1	[5, 30）
2	[30, 60)
3	[60, 180）
4	[180, +∞)

下载: 导出CSV

表 3 卷积神经网络参数配置表

参数名	参数值
卷积核个数	256
卷积核大小	3
嵌入层维度	100
单词训练数据个数	256
轮次	24
验证集比例	0.2
丢弃率	0.3
激活函数	Softmax
池化方式	MaxPool

下载: 导出CSV

表 4 预测结果样例

安监报数据	类别0	类别1	类别2	类别3	类别4
XXX次于17时30分时运行至辽阳高速场至沈阳南站间接触网挂风筝，经随车机械师检查确认风筝挂在7车受电弓上，更换2车受电弓后于17时47分开车。	0.075	0.820	0.078	0.025	0.001
XXX次列车运行至阜新站至黑山北站间XXX处撞野鸡，17时02分黑山北站停车检查，经随车机械师下车检查无异常后17时08分开车，影响本列超站停4 min。	0.153	0.003	0.025	0.780	0.038

下载: 导出CSV

参考文献(9)

[1]	Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality[C]//Proceedings of the 26th International Conference on Neural Information Processing Systems, 5-10 December, 2013, Lake Tahoe Nevada. Red Hook, USA: Curran Associates Inc. , 2013.
[2]	Mikolov T, Chen K, Corrado G, et al. Efficient estimation of word representations in vector space[J]. arXiv preprint arXiv: 1301, 3781: 2013.
[3]	Kalchbrenner N, Grefenstette E, Blunsom P. A convolutional neural network for modelling sentences[C]//Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics, 22-27 June, 2014, Baltimore, MD, USA. Baltimore: ACL, 2014.
[4]	吴龙峰. 基于Word2vec和LDA的卷积神经网络文本分类模型[J]. 电脑知识与技术,2019,15(22):203-204,206. DOI: 10.14004/j.cnki.ckt.2019.2755
[5]	牛雪莹. 结合主题模型词向量的CNN文本分类[J]. 计算机与现代化,2019(10):7-10. DOI: 10.3969/j.issn.1006-2475.2019.10.002
[6]	张浩然,谢云熙,张艳荣. 基于TextCNN的文本情感分类系统[J]. 哈尔滨商业大学学报(自然科学版),2022,38(3):285-292.
[7]	Rosadini B, Ferrari A, Gori G, et al. Using NLP to detect requirements defects: an industrial experience in the railway domain[C]//Proceedings of the 23rd International Working Conference on Requirements Engineering: Foundation for Software Quality, 27 February –2 March, 2017, Essen, Germany. Cham: Springer, 2017: 344-360.
[8]	樊梦琳. 铁路事故持续时间预测方法研究[D]. 北京:北京交通大学,2020.
[9]	张世同. 基于BERT与BiLSTM的铁路安监文本分类方法[J]. 现代计算机,2021(22):38-42.

施引文献(23)

期刊类型引用(10)

1.	蔡伯根，李智宇，王剑，刘丹，姜维，赵珈琪，王啸阳，刘江，陆德彪. 面向铁路巡检的低空无人机智能感知与精密定位研究. 铁路通信信号工程技术. 2025(01): 1-12 . 百度学术
2.	李浩，牛洪蛟，李夏洋，袁小芳. 基于无人机协同编队控制的铁路智能巡检方法. 铁路通信信号工程技术. 2025(02): 11-17+70 . 百度学术
3.	李斌，张俊武，王爽. 铁路防洪防灾无人机智能巡检关键技术应用研究. 铁路通信信号工程技术. 2025(03): 1-8 . 百度学术
4.	李飞，李达明，蒙笑阳，全超，吴昊. 基于编组站巡检无人机的自适应安全挂载平台. 铁路通信信号工程技术. 2025(03): 9-14+28 . 百度学术
5.	梅东升，薛长站，张宇博，梁国杰，付达，孟超. 基于LiDAR与可见光融合的自动风电叶片巡检方法. 自动化应用. 2024(03): 102-105 . 百度学术
6.	陈昱行，高至飞，胡朝鹏，宋国策. 基于无人机多模态数据的铁路防洪隐患排查系统研发. 铁道勘察. 2024(05): 156-162 . 百度学术
7.	杨振伟，陈炳海，张淏凌，郭靖，陈诚. 面向电力设备检修的多无人机协同飞行路径规划算法. 微型电脑应用. 2023(01): 88-91 . 百度学术
8.	杜伦平，朱天赐，刘期柏，梁力东，王泉东，傅勤毅，刘斯斯. 基于单目视觉三维重建的货运列车超限检测方法研究. 铁道科学与工程学报. 2021(04): 1009-1016 . 百度学术
9.	韩宜君. 青藏铁路安多段护路技防系统方案研究. 工程建设与设计. 2020(04): 74-76 . 百度学术
10.	武岳龙，钟凡，高月. 面向铁路巡检的无人机飞行路径规划方法. 数码世界. 2020(07): 42 . 百度学术