一种铁路客运车站设备画像的分类方法及系统与流程

1.本发明涉及大数据和人工智能技术领域，尤其涉及一种铁路客运车站设备画像的分类方法及系统。


背景技术：

2.随着铁路信息化的发展，铁路客运信息系统目前采用集中部署三级应用的总体方案。通过部署云端数据中心，在路局部署前置服务器，在车站配置接口和边缘计算服务器，从而为铁路集团公司、路局和各车站的用户提供了全路车站运营信息查询、状态展示及辅助决策等功能，并从多维度形成分析报告，支撑车站的智能化应用。
3.在铁路客运车站中，目前采用物联网技术实现诸多种类繁杂设备运行数据的实时采集和存储，使得铁路客运车站设备在云端数据中心的运维数据库中存储了海量的历史数据。然而，这些海量历史数据并没有得到较好的利用，大部分情况下，用户仅通过简单的数据调用，获取到相应的历史数据进行人工或统计分析，并没有基于铁路车站设备的这些历史数据，对铁路车站设备进行数据分类解析和数据智能分析，无法及时掌握铁路车站设备的状态监测及变化趋势预测，不利于铁路客运的安全运营风险把控和管理决策。
4.因此，现在亟需一种铁路客运车站设备画像的分类方法及系统来解决上述问题。


技术实现要素：

5.针对现有技术存在的问题，本发明提供一种铁路客运车站设备画像的分类方法及系统。
6.本发明提供一种铁路客运车站设备画像的分类方法，包括：
7.基于车站边缘服务器，获取到车站设备的实时属性信息；
8.将所述实时属性信息发送到训练好的车站设备画像分类模型中，由所述训练好的车站设备画像分类模型中的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型分别进行处理，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果；
9.其中，所述训练好的车站设备画像分类模型设置在路局级前置服务器和/或云端数据中心服务器。
10.根据本发明提供的一种铁路客运车站设备画像的分类方法，在所述将所述实时属性信息发送到训练好的车站设备画像分类模型中之前，所述方法还包括：
11.根据预设实时性要求级别，确定所述车站设备是否为关键设备；
12.若所述车站设备为关键设备，则将所述实时属性信息发送至所述路局级前置服务器中训练好的车站设备画像分类模型进行处理，并将所述实时属性信息发送至所述云端中心服务器进行存储；
13.若所述车站设备为非关键设备，则将所述实时属性信息发送到所述云端中心服务器中训练好的车站设备画像分类模型进行处理，并将所述实时属性信息存储在所述云端中
心服务器。
14.根据本发明提供的一种铁路客运车站设备画像的分类方法，所述将所述实时属性信息发送到训练好的车站设备画像分类模型中，由所述训练好的车站设备画像分类模型中的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型分别进行处理，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果，包括：
15.获取车站客运作业计划数据，所述车站客运作业计划数据至少包括客运列车到发数据、客运广播信息、导向数据、检票信息、照明信息、空调信息和车厢上水数据；
16.通过所述设备画像标签子模型，对所述实时属性信息进行处理，得到所述车站设备对应的实时属性分类结果；
17.通过所述设备寿命预测子模型，对所述实时属性信息和所述车站客运作业计划数据进行处理，得到所述车站设备对应的剩余寿命预测结果；
18.通过所述设备负载预测子模型，对所述实时属性信息和所述车站客运作业计划数据进行处理，得到所述车站设备对应的负载预测结果。
19.根据本发明提供的一种铁路客运车站设备画像的分类方法，所述训练好的车站设备画像分类模型通过以下步骤得到：
20.通过云端数据中心服务器，获取多种车站设备的历史属性样本信息和车站客运作业计划历史数据，所述历史属性样本信息至少包括车站设备的基础属性信息和设备运行历史数据；
21.根据基础属性信息和设备运行历史数据，为每种车站设备标记对应的设备画像分类标签，并根据不同车站设备的基础属性信息和设备运行历史数据和设备画像分类标签，构建第一训练样本集；
22.基于云端数据中心服务器中的运维信息数据库，获取多种车站设备的设备运维历史信息和设备负载历史信息；
23.根据不同车站设备的设备运行历史数据、车站客运作业计划历史数据和设备运维历史信息，构建第二训练样本集；
24.根据设备运行历史数据、车站客运作业计划历史数据和设备负载历史信息，为每种车站设备在不同时段内的负载变化特征标记对应的负载类型标签，并根据不同车站设备的设备运行历史数据、设备负载历史信息和负载类型标签，构建第三训练样本集；
25.通过所述第一训练样本集、所述第二训练样本集和所述第三训练样本集，分别对机器学习模型进行训练，得到对应的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型；
26.根据所述设备画像标签子模型、所述设备寿命预测子模型和所述设备负载预测子模型，构建得到训练好的车站设备画像分类模型。
27.根据本发明提供的一种铁路客运车站设备画像的分类方法，在所述将所述实时属性信息发送到训练好的车站设备画像分类模型中，由所述训练好的车站设备画像分类模型中的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型分别进行处理，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果之后，所述方法还包括：
28.根据属性分类结果反馈信息，获取对应的设备画像实际分类标签，所述属性分类
结果反馈信息是通过所述车站边缘服务器或所述路局级前置服务器获取得到；
29.获取所述实时属性分类结果对应的车站设备画像预测分类标签，并根据所述车站设备画像预测分类标签和所述设备画像实际分类标签，对所述训练好的车站设备画像分类模型的参数进行优化，得到优化后的车站设备画像分类模型；
30.基于所述优化后的车站设备画像分类模型，对所述路局级前置服务器和所述云端数据中心服务器的车站设备画像分类模型进行更新。
31.根据本发明提供的一种铁路客运车站设备画像的分类方法，在所述基于车站边缘服务器，获取到车站设备的实时属性信息之后，所述方法还包括：
32.对所述实时属性信息进行数据预处理，得到数据预处理后的实时属性信息；
33.其中，所述数据预处理至少包括去噪处理、数据简约处理和数据降维处理；
34.所述将所述实时属性信息发送到训练好的车站设备画像分类模型中，包括：
35.将所述数据预处理后的实时属性信息输入到训练好的车站设备画像分类模型中，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果。
36.根据本发明提供的一种铁路客运车站设备画像的分类方法，所述车站设备至少包括客票系统设备、旅客服务与生产管控平台设备、机电设备和环境检测及上水吸污设备。
37.本发明还提供一种铁路客运车站设备画像的分类系统，包括：
38.车站设备实时信息获取模块，用于基于车站边缘服务器，获取到车站设备的实时属性信息；
39.车站设备分类预测模块，用于将所述实时属性信息发送到训练好的车站设备画像分类模型中，由所述训练好的车站设备画像分类模型中的设备画像标签子模型和设备负载预测子模型分别进行处理，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果；
40.其中，所述训练好的车站设备画像分类模型设置在路局级前置服务器和/或云端数据中心服务器。
41.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述铁路客运车站设备画像的分类方法的步骤。
42.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述铁路客运车站设备画像的分类方法的步骤。
43.本发明提供的一种铁路客运车站设备画像的分类方法及系统，通过对边缘服务器采集到的海量数据进行设备分类标识解析和数据分析，从云端或路局级前置服务器，实现车站设备画像、状态监测和设备剩余寿命评估等，从而及时掌握车站设备的实时状态及变化趋势预测，实现精准检修，降低铁路车站运营风险，更利于铁路客运的安全运营风险把控和管理决策。
附图说明
44.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些
附图获得其他的附图。
45.图1为本发明提供的铁路客运车站设备画像的分类方法的流程示意图；
46.图2为本发明提供的铁路客运车站设备画像的分类系统的结构示意图；
47.图3为本发明提供的电子设备的结构示意图。
具体实施方式
48.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
49.针对现有铁路客运车站在云端数据中心的海量历史数据没有得到较好的利用，本发明基于数据中心云端运营管理，实现对车站边缘服务器和路局前置服务器的应用监控、日志、通信检测及安全策略，通过车站边缘服务器实现数据的通信服务主动上报及优先级等的管理，路局前置服务接收云端下发的数据，接收车站边缘服务器上传的数据，并进行分类、标签和知识推荐，从而下发到路局或车站的边缘业务终端，并通过边缘业务终端将反馈信息上传云端数据中心。
50.本发明提供的铁路客运车站设备画像的分类方法，满足了铁路客运站关键设备的画像实时性要求，同时可提供相应的设备模型标签和预测标签，针对性地对车载设备的检修或设备寿命提供分类及预测推荐方法，用以解决现有技术中对于车站设备维修和预维修只能通过人为主观判断的问题。
51.图1为本发明提供的铁路客运车站设备画像的分类方法的流程示意图，如图1所示，本发明提供了一种铁路客运车站设备画像的分类方法，包括：
52.步骤101，基于车站边缘服务器，获取到车站设备的实时属性信息。
53.在本发明中，通过车站边缘服务器采集铁路客运车站中各类设车站备的基本属性信息和当前设备运行数据，同时获取每类车站设备的当前设备运维信息。具体地，基本属性信息主要包括车站设备的设备静态数据，例如，设备名称、设备编号、设备类型、厂家信息和设备型号等；当前设备运行数据主要包括车站设备的实时运行动态数据，例如，设备使用信息、设备关键部件运行信息(处理器使用信息、设备内存负载信息等)和设备运行时间信息等；当前设备运维信息主要包括车站设备的检修信息、检修部件类型信息和设备工作年限信息等。在本发明中，车站边缘服务器通过无线或有线通信的方式采集到上述车站设备的实时属性数据后，通过安全生产网实时传输到路局级前置服务器或云端数据中心服务器，其中，车站边缘服务器的计算网关协议支持modbus、tcp/ip、snmp、5g、http、mqqt和无线传感器网络通信协议。
54.具体地，所述车站设备至少包括客票系统设备、旅客服务与生产管控平台设备、机电设备和环境检测及上水吸污设备等。
55.在本发明中，通过车站边缘端服务器采集铁路客运站各类设备的基本属性和运维记录，同时，在线实时采集客票系统设备、旅客服务与生产管控平台设备、机电设备和环境检测及上水吸污设备等设备运行状态，从而对不同数据进行标识解析和数据治理。
56.步骤102，将所述实时属性信息发送到训练好的车站设备画像分类模型中，由所述
训练好的车站设备画像分类模型中的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型分别进行处理，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果；其中，所述训练好的车站设备画像分类模型设置在路局级前置服务器和/或云端数据中心服务器。
57.在本发明中，训练好的车站设备画像分类模型是由多个子模型构建得到的，用于对车站边缘服务器采集到的实时属性信息，进行相应的设备画像分类和分析预测。
58.具体地，在本发明中，针对车站设备的设备类型，确定每种车站设备的实时性要求级别，从而将车站设备划分为关键设备和非关键设备，例如，对于铁路车站中的服务器设备，此类设备对实时性具体较高要求，在进行相关的数据分类和预测时，需要在较低延时情况下完成。因此，本发明根据实际需求，将训练好的车站设备画像分类模型分别设置在云端数据中心服务器和路局级前置服务器中，其中，车站设备画像分类模型的训练过程是在云端数据中心服务器中完成，在训练完成之后，由云端数据中心服务器发送至路局级前置服务器。
59.进一步地，在本发明中，训练好的车站设备画像分类模型对实时属性信息进行分类和预测，具体地，根据车站设备的基础属性信息、实时运行数据和车站客运作业计划数据，通过设备画像标签子模型，对车站设备的实时运行数据和车站客运作业数据进行聚类，再对聚类结果分配对应的标签，从而得到车站设备的实时属性分类结果(即车站设备画像，例如，模型根据设备的基础属性信息和实时运行数据，将某类车站设备，如闸机设备，划分为正常期、退化期和故障期设备)；根据车站设备的实时运行数据和运维信息，对该车站设备的剩余寿命进行预测；根据车站设备的实时运行数据、车站客运作业计划数据和实时负载信息，对该车站设备的负载情况进行预测。最后，云端数据中心服务器或路局级前置服务器，将实时属性分类结果、剩余寿命预测结果和负载预测结果发送到车站边缘服务器进行展示，以供用户实时掌握到车站设备的相关信息。需要说明的是，在本发明中，通过云端数据中心服务器中的车站设备画像分类模型处理得到预测结果，也可以发送到路局级前置服务器，从而在路局的相关显示模块中进行设备画像展示和显示预测结果。
60.本发明提供的铁路客运车站设备画像的分类方法，通过对边缘服务器采集到的海量数据进行设备分类标识解析和数据分析，从云端或路局级前置服务器，实现车站设备画像、状态监测和设备剩余寿命评估等，从而及时掌握车站设备的实时状态及变化趋势预测，实现精准检修，降低铁路车站运营风险，更利于铁路客运的安全运营风险把控和管理决策。
61.在上述实施例的基础上，在所述将所述实时属性信息发送到训练好的车站设备分类模型中之前，所述方法还包括：
62.根据预设实时性要求级别，确定所述车站设备是否为关键设备；
63.若所述车站设备为关键设备，则将所述实时属性信息发送至所述路局级前置服务器中训练好的车站设备画像分类模型进行处理，并将所述实时属性信息发送至所述云端中心服务器进行存储；
64.若所述车站设备为非关键设备，则将所述实时属性信息发送到所述云端中心服务器中训练好的车站设备画像分类模型进行处理，并将所述实时属性信息存储在所述云端中心服务器。
65.在本发明中，根据车站设备对实时性的要求，将车站设备划分为关键设备和非关
键设备，若车站设备是关键设备，则将车站边缘服务器采集的基础属性数据和特征信息(即实时属性信息)传送至路局级前置服务器，同时上传至云端数据中心服务器；否则，将特征信息和基本属性数据上传至云端数据中心服务器。
66.具体地，车站边缘服务器采集车站设备的基本属性数据和在线运行数据，生成设备类集合a＝[a1,a2,...,an]，ai表示一类设备；不同的设备具有不同的属性组，包括基础属性和特征值属性，用集合v表示，v＝[v1,v2,...,vn]；
[0067]
当车载边缘服务器对数据进行分类上传时，数据上传的结构为d＝(ai,v
ai
,t,ka)，其中，d表示上传数据，即第i个车站设备的实时属性信息；ai表示车站设备的编号，即第i个车站设备；v
ai
表示车站设备的属性和特征值集，包括实时运行数据和运维信息；t表示采集时间，ka表示是否为关键设备。
[0068]
同时，在训练过程中，模型是在云端数据中心服务器完成训练的，路局边缘前置服务器接收到云端训练好的模型等信息，并进行业务管理和提供相应服务，例如，路局和车站业务终端对设备画像进行展示。
[0069]
在上述实施例的基础上，所述将所述实时属性信息发送到训练好的车站设备画像分类模型中，由所述训练好的车站设备画像分类模型中的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型分别进行处理，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果，包括：
[0070]
获取车站客运作业计划数据，所述车站客运作业计划数据至少包括客运车辆到发数据、客运广播信息、导向数据、检票信息、照明信息、空调信息和车厢上水数据；
[0071]
通过所述设备画像标签子模型，对所述实时属性信息进行处理，得到所述车站设备对应的实时属性分类结果；
[0072]
通过所述设备寿命预测子模型，对所述实时属性信息和所述车站客运作业计划数据进行处理，得到所述车站设备对应的剩余寿命预测结果；
[0073]
通过所述设备负载预测子模型，对所述实时属性信息和所述车站客运作业计划数据进行处理，得到所述车站设备对应的负载预测结果。
[0074]
在本发明中，在对车站设备的剩余寿命和负载情况进行预测时，除了实时属性信息以外，还可以结合车站客运作业计划数据，辅助模型进一步对车站设备的剩余寿命和负载进行预测，从而实现更为精准的预测结果，其中，车站客运作业计划数据包括实时作业数据和图定计划数据。例如，在对车站设备中的闸机设备进行负载预测时，通过加入车站客运作业计划数据中的客运到发信息，使得设备负载预测子模型在进行负载预测时，会根据客运到发信息，结合客运车站中的检票计划闸机在允许开始检票时间(始发站一般是开车前30至45分钟进行检票)到停止检票时间(开车前5分钟)这段时间，对闸机设备进行更加全面的负载预测。
[0075]
在上述实施例的基础上，所述训练好的车站设备画像分类模型通过以下步骤得到：
[0076]
步骤201，通过云端数据中心服务器，获取多种车站设备的历史属性样本信息和车站客运作业计划历史数据，所述历史属性样本信息至少包括车站设备的基础属性信息和设备运行历史数据。
[0077]
在本发明中，云端数据中心服务器存储有海量的车站设备历史数据，通过获取不
同种类车站设备的基础属性信息和运行历史数据，根据车站设备的基本属性数据和历史特征数据，在云端进行模型训练和迭代优化，获得属性标签、模型标签和预测标签；同时，获取车站客运作业计划历史数据，用于在对模型进行训练时，结合车站设备的一些客运计划数据，更加全面的进行负载或剩余寿命预测，从而为后续不同用途的子模型构建对应的样本训练集；并根据关联规则，基于相似度计算，从运维数据库进行运维知识推荐，并将根据实时性要求不同级别下发标签信息和推荐信息至路局前置服务器。在本发明中，通过云端服务器，针对边缘端采集到的铁路客运站设备基础数据和运行历史进行数据标识解析，使得训练好的模型可基于实时数据进行数据分类和预测。需要说明的是，在本发明中，车站客运作业计划历史数据主要是辅助设备画像子模型、设备寿命预测子模型和设备负载预测子模型的训练，使得子模型在对实时属性信息进行预测时，若同时接收到车站客运作业计划数据，对车站设备进行综合性预测，即在根据实时属性信息预测的同时，还需要对后续会发生的客运计划进行考虑，从而得到更为准确的预测结果。
[0078]
具体地，在云端将车站设备画像标签分为基础属性标签、模型标签和预测标签，其中，在训练过程中，基础属性标签结合模型标签或预测标签，分别对不同的机器学习模型进行训练，得到相应的子模型。在发明中，模型标签是通过分析设备的实时运行状态数据进行分类，评估设备的运行情况和安全状况，结合车站设备运维知识库进行推荐概括性标签及运维方法，从而使得模型可根据车站设备生成对应的设备画像；进一步地，在对实时属性信息进行设备画像分类时，可基于分类结果，对设备画像特征相似度进行计算，结合云端数据中心的设备运维知识库进行运维知识推荐。预测标签，是基于设备历史数据和实时数据进行预测和挖掘设备的潜在风险，通过分析设备关键部件运行数据和使用频次等数据，结合历史数据进行寿命或负载量等预测，以便针对性地对设备进行检修或退役的预测推荐方法，用以解决现有技术中对于车站设备维修和预维修难以确定的问题，更有利于制定检修计划和设备部件检修管理等。
[0079]
步骤202，根据基础属性信息和设备运行历史数据，为每种车站设备标记对应的设备画像分类标签，并根据不同车站设备的基础属性信息和设备运行历史数据和设备画像分类标签，构建第一训练样本集；
[0080]
步骤203，基于云端数据中心服务器中的运维信息数据库，获取多种车站设备的设备运维历史信息和设备负载历史信息；
[0081]
步骤204，根据不同车站设备的设备运行历史数据、和车站客运作业计划历史数据和设备运维历史信息，构建第二训练样本集；
[0082]
步骤205，根据设备运行历史数据、和车站客运作业计划历史数据和设备负载历史信息，为每种车站设备在不同时段内的负载变化特征标记对应的负载类型标签，并根据不同车站设备的设备运行历史数据、设备负载历史信息和负载类型标签，构建第三训练样本集；
[0083]
步骤206，通过所述第一训练样本集、所述第二训练样本集和所述第三训练样本集，分别对机器学习模型进行训练，得到对应的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型；
[0084]
步骤207，根据所述设备画像标签子模型、所述设备寿命预测子模型和所述设备负载预测子模型，构建得到训练好的车站设备画像分类模型。
[0085]
在本发明中，每种车站设备的基础属性信息和设备运行历史数据，对应了该车站设备的一类设备画像分类标签，例如，根据闸机的历史使用开合次数、开关时间长度、使用年限或使用率等信息，定义该闸机的设备画像分类标签为正常期、退化期和故障期的闸机设备，通过构建相应的训练样本集，对机器学习模型进行训练，得到用于分类车站设备画像的设备属性分类子模型。需要说明的是，本发明对机器学习模型不作具体限定，可以使用线性分类器(linear regression，简称lr)、支持向量机(support vector machine，简称svm)、朴素贝叶斯(naive bayes，简称nb)和k近邻(k-nearestneighbor，简称knn)，本发明采用的机器学习模型为svm-knn组合分类模型。
[0086]
同时，基于对车站设备的剩余工作寿命和负载预测，分别构建相应的训练样本集，通过不同的训练样本集对各自对应的机器学习模型进行训练，得到用于预测车站设备剩余工作寿命的设备寿命预测子模型，以及用于预测车站设备在一段时间后负载情况的设备负载预测子模型。需要说明的是，在本发明中，设备负载预测子模型主要是对车站设备的cpu、内存或通信设备的带宽负载等进行负载预测。最后，在满足预设训练次数之后，得到训练好的车站设备分类模型。
[0087]
在上述实施例的基础上，在所述将所述实时属性信息发送到训练好的车站设备画像分类模型中，由所述训练好的车站设备画像分类模型中的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型分别进行处理，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果之后，所述方法还包括：
[0088]
根据属性分类结果反馈信息，获取对应的设备画像实际分类标签，所述属性分类结果反馈信息是通过所述车站边缘服务器或所述路局级前置服务器获取得到；
[0089]
获取所述实时属性分类结果对应的车站设备画像预测分类标签，并根据所述车站设备画像预测分类标签和所述设备画像实际分类标签，对所述训练好的车站设备画像分类模型的参数进行优化，得到优化后的车站设备画像分类模型；
[0090]
基于所述优化后的车站设备画像分类模型，对所述路局级前置服务器和所述云端数据中心服务器的车站设备画像分类模型进行更新。
[0091]
在本发明中，通过路局或车站业务终端，对设备画像进行展示，并根据实际操作人员对车站设备的标签分类和知识推荐的选择和反馈，判断选择的内容与下发内容是否一致，若不一致，则根据属性分类结果反馈信息，生成对应的反馈数据结构h＝(ai,r,s)，其中，ai表示车站设备的编号，r表示模型推荐的标签或知识，s表示操作人员实际选择的标签或知识，并将该反馈数据结构的反馈信息，发送至云端数据中心服务器，以供云端数据中心服务器基于该反馈信息，对之前训练好的车站设备画像分类模型进行优化，同时，将优化后的车站设备画像分类模型下发至路局级前置服务器。
[0092]
在上述实施例的基础上，在所述基于车站边缘服务器，获取到车站设备的实时属性信息之后，所述方法还包括：
[0093]
对所述实时属性信息进行数据预处理，得到数据预处理后的实时属性信息；
[0094]
其中，所述数据预处理至少包括去噪处理、数据简约处理和数据降维处理；
[0095]
所述将所述实时属性信息发送到训练好的车站设备画像分类模型中，包括：
[0096]
将所述数据预处理后的实时属性信息输入到训练好的车站设备画像分类模型中，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果。
[0097]
在本发明中，在模型的实际应用过程中或训练过程中，对于获取到实时属性信息或历史数据进行预处理，具体地，首先对数据按照工业标准化体系进行数据标识解析，例如，在样本构建阶段，以车站设备的检修标准将对应的车站设备标记为待检修设备，或，根据设备运行数据和使用频次等标准数据，为对应设备标记待维护或待替换设备。然后，对数据进行一系列预处理，在本发明中，对数据进行去噪处理，还可通过期望最大化(expectation-maximum，简称em)算法，对数据进行补全；进一步地，通过核主成分分析方法(kernel principal components analysis，简称kpca)对数据进行降维处理，从而通过预处理后的数据(实时属性信息或样本历史数据)进行分类预测或模型训练。
[0098]
下面对本发明提供的铁路客运车站设备画像的分类系统进行描述，下文描述的铁路客运车站设备画像的分类系统与上文描述的铁路客运车站设备画像的分类方法可相互对应参照。
[0099]
图2为本发明提供的铁路客运车站设备画像的分类系统的结构示意图，如图2所示，本发明提供了一种铁路客运车站设备画像的分类系统，包括车站设备实时信息获取模块201和车站设备分类预测模块202，其中，车站设备实时信息获取模块201用于基于车站边缘服务器，获取到车站设备的实时属性信息；车站设备画像分类预测模块202用于将所述实时属性信息发送到训练好的车站设备画像分类模型中，由所述训练好的车站设备画像分类模型中的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型分别进行处理，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果；
[0100]
其中，所述训练好的车站设备画像分类模型设置在路局级前置服务器和/或云端数据中心服务器。
[0101]
本发明提供的铁路客运车站设备画像的分类系统，通过对边缘服务器采集到的海量数据进行设备分类标识解析和数据分析，从云端或路局级前置服务器，实现车站设备画像、状态监测和设备剩余寿命评估等，从而及时掌握车站设备的实时状态及变化趋势预测，实现精准检修，降低铁路车站运营风险，更利于铁路客运的安全运营风险把控和管理决策。
[0102]
在上述实施例的基础上，所述系统还包括关键设备判断模块、第一发送模块和第二发送模块，其中，关键设备判断模块用于根据预设实时性要求级别，确定所述车站设备是否为关键设备；第一发送模块用于若所述车站设备为关键设备，则将所述实时属性信息发送至所述路局级前置服务器中训练好的车站设备画像分类模型进行处理，并将所述实时属性信息发送至所述云端中心服务器进行存储；第二发送模块用于若所述车站设备为非关键设备，则将所述实时属性信息发送到所述云端中心服务器中训练好的车站设备画像分类模型进行处理，并将所述实时属性信息存储在所述云端中心服务器。
[0103]
在上述实施例的基础上，所述车站设备分类预测模块202包括客运计划数据采集单元、画像标签子单元、设备寿命预测子单元和设备负载预测子单元，其中，客运计划数据采集单元用于获取车站客运作业计划数据，所述车站客运作业计划数据至少包括客运车辆到发数据、客运广播信息、导向数据、检票信息、照明信息、空调信息和车厢上水数据；画像标签子单元用于通过所述设备画像标签子模型，对所述实时属性信息进行处理，得到所述车站设备对应的实时属性分类结果；设备寿命预测子单元用于通过所述设备寿命预测子模型，对所述实时属性信息和所述车站客运作业计划数据进行处理，得到所述车站设备对应的剩余寿命预测结果；设备负载预测子单元用于通过所述设备负载预测子模型，对所述实
时属性信息和所述车站客运作业计划数据进行处理，得到所述车站设备对应的负载预测结果。
[0104]
在上述实施例的基础上，所述系统还包括历史数据获取模块、第一训练集构建模块、运维数据获取模块、第二训练样本集构建模块、第三训练样本集构建模块、训练模块和模型构建模块，其中，历史数据获取模块用于通过云端数据中心服务器，获取多种车站设备的历史属性样本信息和车站客运作业计划历史数据，所述历史属性样本信息至少包括车站设备的基础属性信息和设备运行历史数据；第一训练集构建模块用于根据基础属性信息和设备运行历史数据，为每种车站设备标记对应的设备画像分类标签，并根据不同车站设备的基础属性信息和设备运行历史数据和设备画像分类标签，构建第一训练样本集；运维数据获取模块用于基于云端数据中心服务器中的运维信息数据库，获取多种车站设备的设备运维历史信息和设备负载历史信息；第二训练样本集构建模块用于根据不同车站设备的设备运行历史数据、车站客运作业计划历史数据和设备运维历史信息，构建第二训练样本集；第三训练样本集构建模块用于根据设备运行历史数据、车站客运作业计划历史数据和设备负载历史信息，为每种车站设备在不同时段内的负载变化特征标记对应的负载类型标签，并根据不同车站设备的设备运行历史数据、设备负载历史信息和负载类型标签，构建第三训练样本集；训练模块用于通过所述第一训练样本集、所述第二训练样本集和所述第三训练样本集，分别对机器学习模型进行训练，得到对应的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型；模型构建模块用于根据所述设备画像标签子模型、所述设备寿命预测子模型和所述设备负载预测子模型，构建得到训练好的车站设备画像分类模型。
[0105]
在上述实施例的基础上，所述系统还包括反馈信息获取模块、模型参数优化模块和模型更新模块，其中，反馈信息获取模块用于根据属性分类结果反馈信息，获取对应的设备画像实际分类标签，所述属性分类结果反馈信息是通过所述车站边缘服务器或所述路局级前置服务器获取得到；模型参数优化模块用于获取所述实时属性分类结果对应的车站设备画像预测分类标签，并根据所述车站设备画像预测分类标签和所述设备画像实际分类标签，对所述训练好的车站设备画像分类模型的参数进行优化，得到优化后的车站设备画像分类模型；模型更新模块用于基于所述优化后的车站设备画像分类模型，对所述路局级前置服务器和所述云端数据中心服务器的车站设备画像分类模型进行更新。
[0106]
本发明提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
[0107]
图3为本发明提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(communications interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行铁路客运车站设备画像的分类方法，该方法包括：基于车站边缘服务器，获取到车站设备的实时属性信息；将所述实时属性信息发送到训练好的车站设备画像分类模型中，由所述训练好的车站设备画像分类模型中的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型分别进行处理，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果；其中，所述训练好的车站设备画像分类模型设置在路局级前置服务器和/或云端数据中心服务器。
[0108]
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0109]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的铁路客运车站设备画像的分类方法，该方法包括：基于车站边缘服务器，获取到车站设备的实时属性信息；将所述实时属性信息发送到训练好的车站设备画像分类模型中，由所述训练好的车站设备画像分类模型中的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型分别进行处理，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果；其中，所述训练好的车站设备画像分类模型设置在路局级前置服务器和/或云端数据中心服务器。
[0110]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的铁路客运车站设备画像的分类方法，该方法包括：基于车站边缘服务器，获取到车站设备的实时属性信息；将所述实时属性信息发送到训练好的车站设备画像分类模型中，由所述训练好的车站设备画像分类模型中的设备画像标签子模型、设备寿命预测子模型和设备负载预测子模型分别进行处理，得到所述车站设备对应的实时属性分类结果、剩余寿命预测结果和负载预测结果；其中，所述训练好的车站设备画像分类模型设置在路局级前置服务器和/或云端数据中心服务器。
[0111]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0112]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0113]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和
范围。