面向葡萄牙地铁运营商数据的铁路预测性维护可解释机器学习框架
摘要
本工作为 Intelligent Transportation Systems 贡献了一个基于实时数据驱动的预测性维护解决方案。 proposed method 实现了一个由 sample pre-processing、incremental classification with Machine Learning models and outcome explanation 组成的 processing pipeline。该 novel 在线 processing pipeline 有两个主要亮点：(i) 一个专门的 sample pre-processing 模块，实时构建统计和频率相关的特征，(ii) 一个 explainability 模块。本工作是首次实现 online fault prediction with natural language and visual explainability。实验使用来自葡萄牙波尔图地铁运营商的 MetroPT 数据集进行。结果在 F-measure 上超过 98%，在 accuracy 上达到 99%。在铁路预测性维护领域， achieving these high values 至关重要，因为 accurate failure prediction 的实际和操作意义重大。具体而言， high F-measure 确保系统在检测尽可能多的 real faults 的同时最小化 false alarms 之间保持最佳平衡，这对于最大化 service availability 至关重要。Furthermore，所获得的 accuracy 使可靠性 directly 影响成本降低和提高安全。分析表明，该 pipeline 即使在 class imbalance and noise 的存在下也保持高性能，其 explanations 有效地反映 decision-making process。这些发现验证了该方法的 methodological soundness，并确认其 practical applicability for supporting proactive maintenance decisions in real-world railway operations. 因此，通过识别 failure 的 early 信号，该 pipeline 使 decision-makers 能够理解 underlying problems 并及时采取行动。
引用
@article{arxiv.2508.05388,
title = {An Explainable Machine Learning Framework for Railway Predictive Maintenance using Data Streams from the Metro Operator of Portugal},
author = {Silvia García-Méndez and Francisco de Arriba-Pérez and Fátima Leal and Bruno Veloso and Benedita Malheiro and Juan Carlos Burguillo-Rial},
journal= {arXiv preprint arXiv:2508.05388},
year = {2025}
}