(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111393234.3 (22)申请日 2021.11.23 (65)同一申请的已公布的文献号 申请公布号 CN 113822499 A (43)申请公布日 2021.12.21 (73)专利权人 北京磁浮有限公司 地址 100080 北京市海淀区北四环中路2 29 号海泰大厦12层12 27-1室 (72)发明人 吴雷　袁志宏　康俊利　郑剑英　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 代理人 王志新 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/10(2019.01)G06N 3/08(2006.01) G06K 9/62(2022.01) G06F 30/27(2020.01) G06F 30/15(2020.01) G06F 119/02(2020.01) (56)对比文件 CN 108520 325 A,2018.09.1 1 CN 113326960 A,2021.08.31 审查员 鞠博 (54)发明名称 一种基于模型融合的列车备件损耗预测方 法 (57)摘要 本发明公开了一种基于模型融合的列车备 件损耗预测方法， 属于备件损耗预测技术领域。 将影响列车备件损耗的特征向量进行灰度关联 分析得到第一数据集并归一化处理， 分成数据A 和数据B； 利用数据A分别训练BP神经网络、 SV M模 型和CART模型， 将数据B分别输入到训练后的BP 神经网络、 SVM模型和CART模型中得到组合预测 数据库B’； 交换训练集和测试集， 得到组合预测 数据库A’； 将A’、 B、 B’和A构成第二数据集， 输入 到SVM模型中进行训练得到优 化后的SVM模型， 将 待预测数据输入训练后的BP神经网络、 SVM模型 和CART模型中得到三个数据， 再将三个数据输入 到最优的SVM模型中得到列车备件损耗预测数 据。 权利要求书2页 说明书9页 附图3页 CN 113822499 B 2022.04.15 CN 113822499 B 1.一种基于模型融合的列车 备件损耗预测方法， 其特 征在于， 包括以下步骤： 步骤1： 将影响列车备件损耗的特征向量进行灰度关联分析进行排序， 再根据预设规则 得到关键影响因素作为第一数据集； 步骤2： 将步骤1得到的第一数据集进行归一 化处理； 步骤3： 将归一 化后的第一数据集分成数据A和数据B； 将数据A作 为训练集， 数据B作 为测试集： 利用训练集A分别训练BP神经网络、 SVM模型和 CART模型， 然后将测试集B分别输入到训练后的BP神经网络、 SVM模型和CART模型中得到组 合预测数据库B ’； 将数据B作 为训练集， 数据A作 为测试集： 利用训练集B分别训练BP神经网络、 SVM模型和 CART模型， 然后将测试集A分别输入到训练后的BP神经网络、 SVM模型和CART模型中得到组 合预测数据库A ’； 步骤4： 将组合预测数据库A ’、 数据B、 组合预测数据库B ’和数据A构成第二数据 集， 将第 二数据集输入到SVM模型中进行训练， 得到最优的SVM模型； 步骤5： 将待预测数据输入到步骤3中训练后的BP神经网络、 SVM模型和CART模型中得到 三个数据， 再将三个数据输入到步骤4最优的SVM模型中得到列车备件损耗预测数据； 步骤1 所述的列车备件损耗的特征向量为： 载客量比、 备件故障率、 当季湿度天数占比、 当季度异 常天气占比、 当季度温度天数占比、 列车的使用时长、 维修手册数量、 维护人员素质、 维修人 员数量和线路使用时长 。 2.根据权利要求1所述的列车备件损耗预测方法， 其特征在于， 步骤2所述的归一化处 理的公式为： ， 式中， 是归一化后的值， 是列元素的值， 为该列中数 值最小的元 素值， 为该列中数值 最大的元 素值。 3.根据权利要求1所述的列车备件损耗预测方法， 其特征在于， 步骤3所述第一数据集 是按照1:1比例分成数据A和数据B。 4.根据权利要求1所述的列车备件损耗预测方法， 其特征在于， 步骤3所述的BP神经网 络的隐藏神经 元个数为 ， 其中 是输入特 征的个数， 输出神经 元的个数 是1。 5.根据权利要求1所述的列车备件损耗预测方法， 其特征在于， 步骤3所述SVM模型的核 函数的带宽为0.1， 惩罚参数设置为10 。 6.根据权利要求1所述的列车备件损耗预测方法， 其特征在于， 步骤3所述CART模型的 最大深度为2。 7.根据权利要求1所述的列车备件损耗预测方法， 其特征在于， 步骤4所述SVM模型的惩 罚参数设置为2。 8.一种基于模型融合的列车 备件损耗预测装置， 其特 征在于， 包括： 排序模块， 用于将影响列车备件损耗的特征向量进行灰度关联分析进行排序， 再根据 预设规则得到 关键影响因素作为第一数据集； 所述列车备件损耗的特征向量为： 载客量比、 备件故障率、 当季湿度天数占比、 当季度异常天气占比、 当季度温度天数占比、 列车的使用 时长、 维修手册数量、 维护人员素质、 维修人员数量和线路使用时长； 数据处理模块， 用于将第一数据集进行归一 化处理；权　利　要　求　书 1/2 页 2 CN 113822499 B 2训练模块， 用于将归一 化后的第一数据集分成数据A和数据B， 将数据A作 为训练集， 数据B作 为测试集： 利用训练集A分别训练BP神经网络、 SVM模型和 CART模型， 然后将测试集B分别输入到训练后的BP神经网络、 SVM模型和CART模型中得到组 合预测数据库B ’； 将数据B作 为训练集， 数据A作 为测试集： 利用训练集B分别训练BP神经网络、 SVM模型和 CART模型， 然后将测试集A分别输入到训练后的BP神经网络、 SVM模型和CART模型中得到组 合预测数据库A ’； 预测模块， 用于将组合预测数据库A ’、 数据B、 组合预测数据库B ’和数据A构成第二数据 集， 将第二数据集输入到SVM模型中进行训练， 得到最优的SVM模型,并利用该最优的SVM模 型进行数据预测。 9.一种非临时性计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算 机程序被处理器执行时实现如权利要求1 ‑7中任一所述的基于模型融合的列车备件损耗预 测方法。权　利　要　求　书 2/2 页 3 CN 113822499 B 3