文章详情

摘要

轨道交通地铁长期演进（LTE-M）网络故障预测数据集存在样本不均衡以及样本数据量小的问题，这些问题影响故障预测的准确性。为了解决上述问题，文章提出了一种基于条件时序生成对抗网络（TimeGAN）的轨道交通LTE-M故障预测研究方法。该方法通过TimeGAN模型中定义动态自编码器和静态自编码器，进一步挖掘轨道交通LTE-M故障数据的动静态特征，并在生成器与判别器的潜在空间引入GELU激活函数，加速模型收敛，生成更接近真实数据的合成数据，从而有效缓解了故障数据集不均衡和数据量小的问题。实验结果表明，使用TimeGAN模型合成的数据进行故障预测训练时，与原始数据相比能产生更好的预测效果。

关键词

轨道交通LTE-M；故障预测；时间序列；TimeGAN

参考文献

1. [1] 陈东洋，毛力.融合增量学习与Transformer模型的股价预测研究 [J].计算机科学与探索，2024，18（7）：1889-1899.
2. [2] 李娜，羊钊，王业萍，等.融合时序注意力的CNN-BiGRU四轴无人机轨迹预测方法 [J/OL].武汉理工大学学报：交通科学与工程版，2025：1-9[2025-03-13].http://kns.cnki.net/kcms/detail/42.1824.U.20240409.1221.046.html.
3. [3] 谢博才，宫殿君.基于机器学习的道岔故障诊断与预测研究综述 [J].铁路通信信号工程技术，2021，18（8）：93-99.
4. [4] 施清译，汪伟，安斯光，等.基于时序生成对抗网络和注意力机制的电器数据生成方法 [J].现代电子技术，2024，47（11）：161-167.
5. [5] 李兰，张洁，刘杰，等.基于GAN的社会和场景感知行人轨迹预测 [J].计算机应用与软件，2024，41（6）：72-78.
6. [6] ZHANG G Q，GUO J F. A Novel Ensemble Method for Residential Electricity Demand Forecasting Based on A Novel Sample Simulation Strategy [J].Energy，2020：207：118265.
7. [7] CHEN Z S，HOU K R，ZHU M Y，et al. A Virtual Sample Generation Approach Based on a Modified Conditional GAN and Centroidal Voronoi Tessellation Sampling to Cope With Small Sample Size Problems: Application to soft Sensing for Chemical Process [J].Applied Soft Computing，2021，101：107070.
8. [8] 丁琳琳，胡永亮，李昱达，等.基于条件对抗增强的Transformer煤矿微震定位方法 [J].计算机与数字工程，2024，52（1）：1-8+17.
9. [9] YOON J，JARRETT D，SCHAAR M V D. Time-Series Generative Adversarial Networks [EB/OL].[2024-09-28].https://papers.nips.cc/paper/8789-time-series-generative-adversarial-networks.pdf.
10. [10] ZHANG Y F，ZHOU Z H，LIU J W. Data Augmentation for Improving Heating Load Prediction of Heating Substation Based on TimeGAN [J].Energy，2022，260：1-12.
11. [11] 王渝红，何其多，郑宗生，等.基于条件生成对抗网络与迁移学习的暂态电压稳定超前判别 [J].电力自动化设备，2025，45（2）：159-166.
12. [12] 周琳茹，彭鹏菲.基于注意力-生成对抗网络的任务分析方法研究 [J].计算机科学，2024，51（3）：63-71.
13. [13] HARFORD S，KARIM F，DARABI H. Generating Adversarial Samples on Multivariate Time Series using Variational Autoencoders [J].IEEE/CAA Journal of Automatica Sinica，2021，8（9）：1523-1538.
14. [14] 谭建所，吴兴华，徐文光，等.基于tSNE-LSTM算法的工业预测模型 [J].现代电子技术，2024，47（12）：81-85.

基金项目

轨道交通智能运维关键技术研究项目（20090503100）；“一带一路”中老铁路工程国际联合实验室（21210750300）

作者简介

余凤琴（1999—），女，汉族，安徽安庆人，硕士研究生在读，研究方向：轨交智能控制与监测。