基于图卷积神经网络的高速铁路列车晚点预测方法、装置及存储介质

本公开涉及智能交通，尤其涉及一种基于图卷积神经网络(graphconvolutional networks，gcn)的高速铁路列车晚点预测方法、装置及存储介质。

背景技术：

1、随着高速铁路网络的快速发展，列车晚点问题受到越来越多的关注。晚点不仅影响旅客的出行体验，还可能对铁路运输效率和安全产生负面影响。因此，准确预测列车晚点情况对于提高铁路运输服务质量至关重要。

2、传统的预测方法可能依赖于简单的统计分析或基于特定假设的模型，这些方法在处理复杂的列车运行数据时可能存在局限性，无法准确反映列车晚点的动态变化和传播特性。

3、关于预测列车晚点情况，相关技术中尚未提供一种合理且有效的晚点预测方法。

技术实现思路

1、有鉴于此，本公开提出了一种基于图卷积神经网络的高速铁路列车晚点预测方法、装置及存储介质。

2、根据本公开的一方面，提供了一种基于图卷积神经网络的高速铁路列车晚点预测方法，所述方法包括：

3、获取列车在前站的第一运行数据，所述前站为在所述列车的行驶线路上位于待预测的目标车站之前的n个车站，所述n为正整数，所述第一运行数据用于指示所述列车在所述前站的晚点情况和运行计划；

4、根据所述第一运行数据，调用训练完成的晚点预测模型进行晚点预测，输出得到晚点预测结果，所述晚点预测结果用于指示预测的所述列车在所述目标车站的晚点情况，所述晚点预测模型为基于图卷积神经网络的模型。

5、在一种可能的实现方式中，所述第一运行数据包括所述列车在所述前站的第一晚点数据和第一运行计划数据，所述第一晚点数据包括所述列车在所述前站的到站时刻与计划到站时刻之间的差值，所述第一运行计划数据包括所述列车在所述前站的计划停站时间和在所述前站的车站区间的计划行驶时间。

6、在另一种可能的实现方式中，所述根据所述第一运行数据，调用训练完成的晚点预测模型进行晚点预测，输出得到晚点预测结果之前，还包括：

7、获取邻近列车在所述前站的第二运行数据，所述第二运行数据用于指示所述邻近列车在所述前站的晚点情况和运行计划，所述邻近列车为在所述列车的行驶线路上与所述列车的发车时间间隔和/或发车顺序相邻的m趟列车，m为正整数；

8、所述根据所述第一运行数据，调用训练完成的晚点预测模型进行晚点预测，输出得到晚点预测结果，包括：

9、根据所述第一运行数据和所述第二运行数据，调用训练完成的所述晚点预测模型进行晚点预测，输出得到所述晚点预测结果。

10、在另一种可能的实现方式中，所述晚点预测模型用于基于所述第一运行数据和所述第二运行数据提取第一晚点特征和第二晚点特征，基于所述第一晚点特征和所述第二晚点特征确定所述晚点预测结果，所述第一晚点特征包括所述列车和所述邻近列车间相互影响的特征，所述第二晚点特征包括所述列车自身在时间序列上的特征。

11、在另一种可能的实现方式中，所述晚点预测模型包括图卷积模块、时间序列处理模块和全连接层，所述根据所述第一运行数据和所述第二运行数据，调用训练完成的所述晚点预测模型进行晚点预测，输出得到所述晚点预测结果，包括：

12、根据所述第一运行数据和所述第二运行数据，调用所述图卷积模块输出得到所述第一晚点特征；

13、根据所述第一运行数据，调用所述时间序列处理模块输出得到所述第二晚点特征；

14、将所述第一晚点特征和所述第二晚点特征拼接后输入至所述全连接层中，输出得到所述晚点预测结果。

15、在另一种可能的实现方式中，所述第一运行数据包括所述列车在所述前站的第一晚点数据和第一运行计划数据，所述第二运行数据包括所述邻近列车在所述前站的第二晚点数据和第二运行计划数据，所述根据所述第一运行数据和所述第二运行数据，调用所述图卷积模块输出得到所述第一晚点特征，包括：

16、根据所述第一运行计划数据和所述第二运行计划数据，确定邻接矩阵，所述邻接矩阵用于指示所述列车和所述邻近列车间的相互影响程度；

17、根据所述第一晚点数据、所述第二晚点数据和所述邻接矩阵，调用所述图卷积模块输出得到所述第一晚点特征。

18、在另一种可能的实现方式中，所述第一运行计划数据包括所述列车在前一个车站的计划发车时间，所述第二运行计划数据包括所述邻近列车在前一个车站的计划发车时间，所述根据所述第一运行计划数据和所述第二运行计划数据，确定邻接矩阵，包括：

19、根据所述列车和多趟所述邻近列车在所述前一车站的计划发车时间，确定所述邻接矩阵；

20、其中，所述邻接矩阵包括所述列车与每个所述邻近列车之间的影响权重，所述影响权重与对应的所述列车和所述邻近列车的计划发车时间间隔呈负相关关系。

21、在另一种可能的实现方式中，所述时间序列处理模块为基于时空图卷积网络(spatial-temporal graph convolutional networks，stgcn)的时间卷积模块，所述时间序列处理模块包括多个一维卷积层和一个激活层，所述根据所述第一运行数据，调用所述时间序列处理模块输出得到所述第二晚点特征，包括：

22、将所述第一运行数据输入至所述时间序列处理模块的所述多个一维卷积层中，输出得到中间数据；

23、将所述中间数据输入至所述时间序列处理模块的所述激活层中，输出得到所述第二晚点特征。

24、根据本公开的另一方面，提供了一种基于图卷积神经网络的高速铁路列车晚点预测方法装置，所述装置包括：

25、获取单元，用于获取列车在前站的第一运行数据，所述前站为在所述列车的行驶线路上位于待预测的目标车站之前的n个车站，所述n为正整数，所述第一运行数据用于指示所述列车在所述前站的晚点情况和运行计划；

26、预测单元，用于根据所述第一运行数据，调用训练完成的晚点预测模型进行晚点预测，输出得到晚点预测结果，所述晚点预测结果用于指示预测的所述列车在所述目标车站的晚点情况，所述晚点预测模型为基于图卷积神经网络的模型。

27、在一种可能的实现方式中，所述第一运行数据包括所述列车在所述前站的第一晚点数据和第一运行计划数据，所述第一晚点数据包括所述列车在所述前站的到站时刻与计划到站时刻之间的差值，所述第一运行计划数据包括所述列车在所述前站的计划停站时间和在所述前站的车站区间的计划行驶时间。

28、在另一种可能的实现方式中，所述获取单元，还用于：

29、获取邻近列车在所述前站的第二运行数据，所述第二运行数据用于指示所述邻近列车在所述前站的晚点情况和运行计划，所述邻近列车为在所述列车的行驶线路上与所述列车的发车时间间隔和/或发车顺序相邻的m趟列车，m为正整数；

30、所述预测单元，还用于：

31、根据所述第一运行数据和所述第二运行数据，调用训练完成的所述晚点预测模型进行晚点预测，输出得到所述晚点预测结果。

32、在另一种可能的实现方式中，所述晚点预测模型用于基于所述第一运行数据和所述第二运行数据提取第一晚点特征和第二晚点特征，基于所述第一晚点特征和所述第二晚点特征确定所述晚点预测结果，所述第一晚点特征包括所述列车和所述邻近列车间相互影响的特征，所述第二晚点特征包括所述列车自身在时间序列上的特征。

33、在另一种可能的实现方式中，所述晚点预测模型包括图卷积模块、时间序列处理模块和全连接层，所述预测单元，还用于：

34、根据所述第一运行数据和所述第二运行数据，调用所述图卷积模块输出得到所述第一晚点特征；

35、根据所述第一运行数据，调用所述时间序列处理模块输出得到所述第二晚点特征；

36、将所述第一晚点特征和所述第二晚点特征拼接后输入至所述全连接层中，输出得到所述晚点预测结果。

37、在另一种可能的实现方式中，所述第一运行数据包括所述列车在所述前站的第一晚点数据和第一运行计划数据，所述第二运行数据包括所述邻近列车在所述前站的第二晚点数据和第二运行计划数据，所述预测单元，还用于：

38、根据所述第一运行计划数据和所述第二运行计划数据，确定邻接矩阵，所述邻接矩阵用于指示所述列车和所述邻近列车间的相互影响程度；

39、根据所述第一晚点数据、所述第二晚点数据和所述邻接矩阵，调用所述图卷积模块输出得到所述第一晚点特征。

40、在另一种可能的实现方式中，所述第一运行计划数据包括所述列车在前一个车站的计划发车时间，所述第二运行计划数据包括所述邻近列车在前一个车站的计划发车时间，所述预测单元，还用于：

41、根据所述列车和多趟所述邻近列车在所述前一车站的计划发车时间，确定所述邻接矩阵；

42、其中，所述邻接矩阵包括所述列车与每个所述邻近列车之间的影响权重，所述影响权重与对应的所述列车和所述邻近列车的计划发车时间间隔呈负相关关系。

43、在另一种可能的实现方式中，所述时间序列处理模块为基于时空图卷积网络的时间卷积模块，所述时间序列处理模块包括多个一维卷积层和一个激活层，所述预测单元，还用于：

44、将所述第一运行数据输入至所述时间序列处理模块的所述多个一维卷积层中，输出得到中间数据；

45、将所述中间数据输入至所述时间序列处理模块的所述激活层中，输出得到所述第二晚点特征。

46、根据本公开的另一方面，提供了一种基于图卷积神经网络的高速铁路列车晚点预测方法装置，所述装置包括：

47、处理器；

48、用于存储处理器可执行指令的存储器；

49、其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述的方法。

50、根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述的方法。

51、根据本公开的另一方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在计算设备的处理器中运行时，所述计算设备中的处理器执行上述方法。

52、本公开实施例提供了一种基于图卷积神经网络的高速铁路列车晚点预测方法，可获取列车在前站的第一运行数据，第一运行数据用于指示列车在前站的晚点情况和运行计划；根据第一运行数据，调用训练完成的晚点预测模型进行晚点预测，输出得到晚点预测结果，晚点预测结果用于指示预测的列车在目标车站的晚点情况，晚点预测模型为基于图卷积神经网络的模型；即利用图卷积神经网络构建了一个晚点预测模型，模型能够更好地捕捉列车运行数据中的复杂关系和模式，从而提高对列车晚点情况的预测准确性。模型不仅考虑了列车的运行计划，还考虑了列车在前站的晚点情况，实现了利用列车在前站的晚点情况和运行计划对列车在目标车站的晚点情况进行预测，这有助于模型理解列车晚点的延续性和传播性，大大提高了列车晚点预测效果。

53、根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。