10.3969/j.issn.1001-2257.2024.01.008
基于改进Stacking模型的铁路信号设备故障率预测
针对单一机器学习模型在预测设备故障率的应用场景中存在误差大、精度低的问题,提出一种基于改进Stacking融合模型对铁路信号设备进行故障率预测的方法.采用XGBoost、LightGBM、CatBoost和逻辑回归方法构建基本Stacking模型,在此基础上引入Prophet时间序列预测模型,将Prophet模型提取的时序特征与基本Stacking模型逐级融合,构建改进后的Stacking-Prophet预测模型.最后以某单位信号设备数据为例,验证预测模型有效性.实验结果表明,相较单一预测模型,Stacking-Prophet预测模型均方根误差(RMSE)平均降低了 94.14%,预测精度有较大的提升,对设备运维有一定的参考价值.
机器学习、融合模型、时间序列、铁路信号设备、故障率预测
42
U284.92(铁路通信、信号)
甘肃省中小企业创新基金22CX3GA029
2024-01-23(万方平台首次上网日期,不代表论文的发表时间)
共6页
41-46