面向铁路道岔故障预测的样例自适应多核学习
机器学习
2019-07-03 v1 机器学习
摘要
铁路道岔是铁路基础设施的关键部件之一。作为信号设备的一部分，道岔在铁路枢纽处控制列车进路，对轨道交通的可靠性、能力与准点率具有重大影响。传统上，道岔维护基于固定时间间隔或在设备故障后发起。相反，若能预见道岔故障并提前采取措施，将极具价值，可最小化任何负面影响。迄今，多数现有预测方法或为基于实验室，或依赖专门安装的传感器，难以大规模部署。此外，它们常仅使用单一来源数据。因此，我们探索一种整合现成多源数据以完成此任务的新途径。我们基于悉尼列车（Sydney Trains）铁路网开展案例研究，该网络为广泛的客货铁路网。遗憾的是，真实世界数据常因种种原因而不完整，例如数据库故障、操作错误或传输故障。此外，铁路道岔在位置、类型及其他若干属性上各异，这意味着难以用统一模型预测其故障。针对这一挑战性任务，我们首先从多源构建数据集，并在领域专家协助下遴选关键特征。在本文中，我们将预测任务表述为带缺失核的多核学习问题。我们提出一种鲁棒的多核学习算法用于预测道岔故障。我们的模型顾及数据的缺失模式以及不同道岔集合上的固有差异。大量实验证明了我们的算法相对于其他 SOTA 方法的优越性。
引用
@article{arxiv.1907.01162,
title = {Sample Adaptive Multiple Kernel Learning for Failure Prediction of Railway Points},
author = {Zhibin Li and Jian Zhang and Qiang Wu and Yongshun Gong and Jinfeng Yi and Christina Kirsch},
journal= {arXiv preprint arXiv:1907.01162},
year = {2019}
}
备注
Accepted by KDD2019 Applied Data Science track