买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京鼎兴达信息科技股份有限公司申请的专利一种基于AI模型训练的铁路调度安全数据聚合处理方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118982207B 。

龙图腾网通过国家知识产权局官网在2025-09-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411190743.X，技术领域涉及：G06Q10/0631；该发明授权一种基于AI模型训练的铁路调度安全数据聚合处理方法是由吴大勇;陈斌;李慧;傅卫国;陈新宇;董捷设计研发完成，并于2024-08-28向国家知识产权局提交的专利申请。

本一种基于AI模型训练的铁路调度安全数据聚合处理方法在说明书摘要公布了：本发明公开了一种基于AI模型训练的铁路调度安全数据聚合处理方法，包括如下步骤：S1、从多个数据源收集铁路调度相关的数据，包括列车运行数据、调度命令、轨道状况、信号信息和气象数据，对收集到的数据进行清洗和标准化处理，S2、利用深度学习中的多模态融合方法将不同类型的数据整合，S3、从融合后的数据集中提取关键特征，采用自编码器方法进行时间序列特征提取，使用XGBoost进行特征选择，S4、利用处理后的数据集进行AI模型训练，选择随机森林进行训练；S5、将训练好的AI模型应用于实时数据。本发明为提高铁路调度系统的安全性和智能化水平提供了坚实的技术支撑。

本发明授权一种基于AI模型训练的铁路调度安全数据聚合处理方法在权利要求书中公布了：1.一种基于AI模型训练的铁路调度安全数据聚合处理方法，其特征在于，包括如下步骤： S1、从多个数据源收集铁路调度相关的数据，包括列车运行数据、调度命令、轨道状况、信号信息和气象数据，对收集到的数据进行清洗和标准化处理； S2、利用深度学习中的多模态融合方法将不同类型的数据整合，形成统一的数据集，具体包括：S21、将预处理后的列车运行数据xt、调度命令数据ci、轨道状况数据R＝{rij}、信号信息数据st和气象数据W＝{wij}进行初步特征提取，形成特征向量集合fx,fc,fr,fs,fw,其中，xt表示第t时刻的列车位置、速度和加速度,ci表示第i条调度命令的内容和时间戳,rij表示轨道第i段在第j时刻的状况,st表示第t时刻的信号状态,wij表示第i地点在第j时刻的气象条件,fx、fc、fr、fs、fw：分别表示列车运行数据、调度命令数据、轨道状况数据、信号信息数据和气象数据的特征向量； S22、使用深度神经网络对每一类特征向量分别进行编码，形成中间表示hx,hc,hr,hs,hw，其中，DNN表示深度神经网络函数，hx＝DNNfx表示列车运行数据的中间表示，hc＝DNNfc表示调度命令数据的中间表示，hr＝DNNfr：表示轨道状况数据的中间表示，hs＝DNNfs表示信号信息数据的中间表示，hw＝DNNfw表示气象数据的中间表示； S23、利用自注意力机制对不同类型的中间表示进行加权融合； S24、根据计算出的注意力权重，对中间表示进行加权求和，形成融合后的特征表示H： H＝αxhx+αchc+αrhr+αshs+αwhw；其中，H表示融合后的特征表示； S25、将融合后的特征表示H通过全连接层进行降维处理，得到统一的数据集表示{zk}，其中：zk＝FCH；其中，zk表示降维后的特征表示； S26、对统一的数据集表示{zk}进行归一化处理，形成最终的融合数据集{z′k}； S3、从融合后的数据集中提取关键特征，采用自编码器方法进行时间序列特征提取，使用XGBoost进行特征选择，包括： S31、对融合后的铁路调度安全数据集z′k进行初步处理，构建特征矩阵F＝{fkj}，其中fkj表示第k个样本的第j个特征，特征是轨道状况，z′k表示归一化后的第k个样本，包括列车运行数据、调度命令、轨道状况、信号信息和气象数据,F表示所有样本的特征矩阵； S32、采用自编码器方法对特征矩阵F进行时间序列特征提取，构建自编码器模型，包括编码器和解码器部分，编码器将输入特征fkj映射到隐含层表示hk，解码器将隐含层表示hk重构回输入特征，优化目标为： 其中，θ表示自编码器模型的参数，包括编码器参数θE和解码器参数θD，表示重构后的特征矩阵，其中EθE,F表示编码器的输出，DθD,EθE,F表示解码器的输出，||表示重构误差的范数，通常为L2范数，λ表示正则化参数，用于控制模型复杂度，L表示自编码器的层数，Wl表示第l层的权重矩阵，bl表示第l层的偏置向量； S33、从自编码器的隐含层表示中提取时间序列特征{hk}： hk＝EθE,fk； 其中，hk表示列车的历史运行模式、轨道的状况变化、信号状态的变化,EθE,fk表示编码器将第k个样本的特征fk映射到隐含层的过程； S34、使用XGBoost算法进行特征选择，构建决策树的集合，目标函数为： 其中，Θ表示XGBoost模型的参数，N表示样本数量，即铁路调度安全数据的样本数量，L表示损失函数，用于衡量预测值与真实值之间的误差，yi表示第i个样本的真实标签，例如列车调度的安全性状态，表示第i个样本的预测值，T表示决策树的数量，Ωft表示第t棵树的正则化项： 其中，γ表示正则化参数，控制树的复杂度，d表示特征数量，wj表示特征j的权重； S35、计算每个特征的重要性得分Ij； S36、根据重要性得分Ij对特征进行排序，选择得分最高的前n个特征，构建最终的特征集F′反映铁路调度安全性的因素,其中n为预设的特征数量； S37、将最终的特征集F′作为后续模型训练的输入数据，用于进一步提高铁路调度安全性预测的准确性和可靠性； S4、利用处理后的数据集进行AI模型训练，选择随机森林进行训练，通过超参数调优技术优化模型参数； S5、实时预测与决策支持，将训练好的AI模型应用于实时数据，进行安全隐患和调度风险的实时预测，提供决策支持和安全预警。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京鼎兴达信息科技股份有限公司，其通讯地址为：100071 北京市丰台区汽车博物馆东路1号院3号楼2107室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。