CN117993894B - 基于人工智能的轨道交通运维状态数据处理方法及系统 - Google Patents

Abstract

本申请涉及数据处理技术领域，具体涉及基于人工智能的轨道交通运维状态数据处理方法及系统，通过本申请，将大量的轨道交通运维状态数据进行智能处理，能有效地识别和预测轨道交通系统中可能出现的故障。其关键在于通过算法对各种状态属性进行挖掘并分析，产生多个状态属性向量，并利用决策树分析风险，为每一种可能的先验故障风险关键词提供了一个量化的可能性。将这些分析结果进行集成，形成一个运行状态集成向量，这不仅使得状态的表示更加全面和精确，还能够帮助运维人员更好地理解系统当前的运行状况。同时，通过运维优化判别分支对这个集成向量进行评估，可以生成针对当前状态的运维优化建议观点。

Description

基于人工智能的轨道交通运维状态数据处理方法及系统

技术领域

本申请涉及数据处理技术领域，更具体地，涉及一种基于人工智能的轨道交通运维状态数据处理方法及系统。

背景技术

轨道交通是现代城市中的重要交通方式，它的运维状态直接关系到城市的正常运行和居民的出行。然而，由于轨道交通系统的复杂性，其运维状态数据处理面临许多挑战。

首先，轨道交通系统涉及众多设备和部件，包括列车、轨道、信号系统、电力系统等，每个设备都会产生大量的运行数据。这些数据可能以不同的格式存储在不同的系统中，需要进行集成和清洗才能进行进一步的分析。

其次，轨道交通运维状态数据通常具有高维度和非线性特性。例如，一个设备的运行状态可能受到温度、湿度、工作时长、负载等多种因素的影响，这些因素之间可能存在复杂的相互作用。因此，需要采用高级的数据分析方法，如机器学习和深度学习，来挖掘这些数据中的信息。

最后，轨道交通运维状态的预测和优化也面临一定的困难。由于故障事件的发生具有随机性，传统的统计方法往往无法提供准确的预测。同时，运维决策需要考虑多种因素，如设备寿命、维修成本、运行效率等，需要采用优化算法来找到最佳的决策方案。

综上，如何将大数据和AI技术应用到轨道交通运维中，从而实现对复杂运维环境的高效、准确管理和优化，是现目前需要攻克的一个技术问题。

发明内容

为改善相关技术中存在的技术问题，本申请提供了一种基于人工智能的轨道交通运维状态数据处理方法及系统。

第一方面，本申请提供了一种基于人工智能的轨道交通运维状态数据处理方法，应用于数据处理系统，所述方法包括：

采集待处理轨道交通运维状态数据；

通过运维状态处理算法的状态属性挖掘分支对所述待处理轨道交通运维状态数据进行状态属性挖掘，以得到第一运维状态属性向量；

通过所述运维状态处理算法中的X个残差连接分支分别对所述待处理轨道交通运维状态数据进行状态属性挖掘，以得到X个第二运维状态属性向量，所述X个残差连接分支对应于X个先验故障风险关键词，所述X为大于1的整数；

通过所述运维状态处理算法中的决策树分支对所述第一运维状态属性向量进行故障风险决策分析，以得到所述待处理轨道交通运维状态数据对应的X个决策权重，所述X个决策权重用于表征所述待处理轨道交通运维状态数据对应于所述X个先验故障风险关键词中每个先验故障风险关键词的量化可能性；

根据所述X个第二运维状态属性向量、所述X个决策权重和所述第一运维状态属性向量进行向量集成，以得到所述待处理轨道交通运维状态数据的运行状态集成向量；

通过所述运维状态处理算法中的运维优化判别分支对所述运行状态集成向量进行运维优化判别，以得到所述待处理轨道交通运维状态数据的运维优化建议观点。

结合第一方面，在第一方面的一种可能的实现方式中，所述方法还包括：

获取第一算法调试学习样例和基础状态属性挖掘分支，所述第一算法调试学习样例包括多种故障风险关键词对应的轨道交通运维状态数据；

对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的第一运维状态属性向量；

依据所述第一运维状态属性向量进行运维优化训练，以得到所述第一算法调试学习样例的第一运维优化训练结果；

依据所述第一运维优化训练结果与所述第一算法调试学习样例的运维优化先验观点进行训练代价确定，以得到第一训练代价变量；

依据所述第一训练代价变量对所述基础状态属性挖掘分支进行调试以得到所述状态属性挖掘分支。

结合第一方面，在第一方面的一种可能的实现方式中，所述对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的第一运维状态属性向量包括：

对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的联动状态属性向量；

对所述联动状态属性向量进行向量变换，以得到所述第一算法调试学习样例的第一运维状态属性向量，所述第一运维状态属性向量为线性量化向量。

结合第一方面，在第一方面的一种可能的实现方式中，所述依据所述第一运维状态属性向量进行运维优化训练，以得到所述第一算法调试学习样例的第一运维优化训练结果包括：

依据所述第一运维状态属性向量与第一分团特征关系网进行特征运算，以得到所述第一算法调试学习样例的第一运维优化训练结果，所述第一分团特征关系网用于表征所述第一算法调试学习样例中每个故障趋势种类的代表特征。

结合第一方面，在第一方面的一种可能的实现方式中，所述方法还包括：

获取X个第二算法调试学习样例和X个基础残差连接分支，其中每个第二算法调试学习样例与基础残差连接分支一一对应，所述X个第二算法调试学习样例中的学习样例具有不同的先验故障风险关键词；

通过所述状态属性挖掘分支对所述X个第二算法调试学习样例进行状态属性挖掘，以得到X个第三运维状态属性向量，所述状态属性挖掘分支为具有认证算法参量的模型分支；

通过所述X个基础残差连接分支分别对所述X个第三运维状态属性向量进行一一对应的训练预测，以得到X个第二运维优化训练结果；

依据所述X个第二运维优化训练结果与所述X个第二算法调试学习样例的运维优化先验观点进行一一对应的训练代价确定，以得到X个第二训练代价变量；

依据所述X个第二训练代价变量对所述X个基础残差连接分支进行调试以得到所述X个残差连接分支。

结合第一方面，在第一方面的一种可能的实现方式中，通过所述X个基础残差连接分支分别对所述X个第三运维状态属性向量进行一一对应的训练预测，以得到X个第二运维优化训练结果包括：

对所述X个第三运维状态属性向量进行向量变换，以得到X个中间向量，所述X个中间向量的向量尺寸小于所述X个第三运维状态属性向量的向量尺寸；

依据所述X个中间向量分别与X个第二分团特征关系网进行一一对应的特征运算，以得到所述X个第二运维优化训练结果，其中，所述X个第二分团特征关系网分别用于表征X个第二算法调试学习样例中每个故障趋势种类的代表特征。

结合第一方面，在第一方面的一种可能的实现方式中，所述依据所述X个第二训练代价变量对所述X个基础残差连接分支进行调试以得到所述X个残差连接分支包括：

对所述X个第二训练代价变量进行加权，以得到全局训练代价变量；

依据所述全局训练代价变量对所述X个基础残差连接分支进行调试，以得到所述X个残差连接分支。

结合第一方面，在第一方面的一种可能的实现方式中，所述方法还包括：

获取第三算法调试学习样例和基础决策树分支，所述第三算法调试学习样例包括多种故障风险关键词对应的轨道交通运维状态数据；

通过所述状态属性挖掘分支对所述第三算法调试学习样例进行状态属性挖掘，以得到第四运维状态属性向量；

通过所述X个残差连接分支对所述第三算法调试学习样例进行状态属性挖掘，以得到X个第五运维状态属性向量；

通过所述基础决策树分支对所述第四运维状态属性向量进行故障风险决策分析，以得到所述第三算法调试学习样例的X个预测可能性，所述X个预测可能性用于表征所述第三算法调试学习样例对应于所述X个先验故障风险关键词中每个先验故障风险关键词的量化可能性；

根据所述X个第五运维状态属性向量、所述X个预测可能性和所述第四运维状态属性向量进行向量集成，以得到所述第三算法调试学习样例的运行状态集成预测向量；

对所述运行状态集成预测向量与第三分团特征关系网进行特征运算，以得到所述第三算法调试学习样例的第三运维优化训练结果，所述第三分团特征关系网为所述第三算法调试学习样例中每一个故障趋势种类对应的代表特征；

依据所述第三运维优化训练结果与所述第三算法调试学习样例的运维优化先验观点进行训练代价确定，以得到第三训练代价变量；

依据所述第三训练代价变量对所述基础决策树分支进行调试以得到所述决策树分支。

结合第一方面，在第一方面的一种可能的实现方式中，根据所述X个第五运维状态属性向量、所述X个预测可能性和所述第四运维状态属性向量进行向量集成，以得到所述第三算法调试学习样例的运行状态集成预测向量包括：

将所述X个预测可能性与所述X个第五运维状态属性向量按照所述先验故障风险关键词进行一一对应的特征乘法运算，以得到X个注意力预测向量；

对所述X个注意力预测向量进行加权，以得到所述X个残差连接分支对应的全局注意力预测向量；

将所述全局注意力预测向量与所述第四运维状态属性向量进行加和处理，以得到所述运行状态集成预测向量。

结合第一方面，在第一方面的一种可能的实现方式中，通过所述状态属性挖掘分支对所述第三算法调试学习样例进行状态属性挖掘，以得到第四运维状态属性向量包括：

通过所述状态属性挖掘分支对所述第三算法调试学习样例进行状态属性挖掘，以得到所述第三算法调试学习样例的联动状态属性向量；

通过所述状态属性挖掘分支对所述第三算法调试学习样例的联动状态属性向量进行向量变换，以得到所述第四运维状态属性向量，所述第四运维状态属性向量为线性量化向量。

结合第一方面，在第一方面的一种可能的实现方式中，所述根据所述X个第二运维状态属性向量、所述X个决策权重和所述第一运维状态属性向量进行向量集成，以得到所述待处理轨道交通运维状态数据的运行状态集成向量包括：

将所述X个决策权重与所述X个第二运维状态属性向量按照所述先验故障风险关键词进行一一对应的特征乘法运算，以得到X个注意力向量；

对所述X个注意力向量进行加权，以得到所述X个残差连接分支对应的全局注意力向量；

将所述全局注意力向量与所述第一运维状态属性向量进行加和处理，以得到所述运行状态集成向量。

结合第一方面，在第一方面的一种可能的实现方式中，所述状态属性挖掘分支、所述X个残差连接分支和所述决策树分支的模型分支基于深度学习模型构建。

第二方面，本申请还提供了一种数据处理系统，包括：存储器，用于存储程序指令和数据；处理器，用于与存储器耦合，执行所述存储器中的指令，以实现如上述的方法。

第三方面，本申请还提供了一种计算机存储介质，包含指令，当所述指令在处理器上执行时，实现上述的方法。

依据上述任意一个方面，本申请的技术效果在于：

通过本申请，将大量的轨道交通运维状态数据进行智能处理，能有效地识别和预测轨道交通系统中可能出现的故障。其关键在于通过算法对各种状态属性进行挖掘并分析，产生多个状态属性向量，并利用决策树分析风险，为每一种可能的先验故障风险关键词提供了一个量化的可能性。将这些分析结果进行集成，形成一个运行状态集成向量，这不仅使得状态的表示更加全面和精确，还能够帮助运维人员更好地理解系统当前的运行状况。同时，通过运维优化判别分支对这个集成向量进行评估，可以生成针对当前状态的运维优化建议观点。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并于说明书一起用于解释本申请的原理。

图1是本申请实施例提供的一种基于人工智能的轨道交通运维状态数据处理方法的流程示意图。

图2是本申请实施例提供的一种数据处理系统的结构框图。

具体实施方式

下面将结合附图，对本申请中的技术方案进行描述。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与本申请的一些方面相一致的装置和方法的例子。

需要说明的是，本申请的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例所提供的方法实施例可以在数据处理系统、计算机设备或者类似的运算装置中执行。以运行在数据处理系统上为例，数据处理系统可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器，可选地，上述数据处理系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述数据处理系统的结构造成限定。例如，数据处理系统还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。

存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的一种基于人工智能的轨道交通运维状态数据处理方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至数据处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括数据处理系统的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

基于此，请参阅图1，图1是本申请实施例所提供的一种基于人工智能的轨道交通运维状态数据处理方法的流程示意图，该方法应用于数据处理系统，进一步可以包括S110-S150。

S110、采集待处理轨道交通运维状态数据。

S120、通过运维状态处理算法的状态属性挖掘分支对所述待处理轨道交通运维状态数据进行状态属性挖掘，以得到第一运维状态属性向量。

S130、通过所述运维状态处理算法中的X个残差连接分支分别对所述待处理轨道交通运维状态数据进行状态属性挖掘，以得到X个第二运维状态属性向量，所述X个残差连接分支对应于X个先验故障风险关键词，所述X为大于1的整数。

S140、通过所述运维状态处理算法中的决策树分支对所述第一运维状态属性向量进行故障风险决策分析，以得到所述待处理轨道交通运维状态数据对应的X个决策权重，所述X个决策权重用于表征所述待处理轨道交通运维状态数据对应于所述X个先验故障风险关键词中每个先验故障风险关键词的量化可能性。

S150、根据所述X个第二运维状态属性向量、所述X个决策权重和所述第一运维状态属性向量进行向量集成，以得到所述待处理轨道交通运维状态数据的运行状态集成向量。

S160、通过所述运维状态处理算法中的运维优化判别分支对所述运行状态集成向量进行运维优化判别，以得到所述待处理轨道交通运维状态数据的运维优化建议观点。

上述S110-S160所涉及的技术术语包括待处理轨道交通运维状态数据、运维状态处理算法、状态属性挖掘分支、状态属性挖掘、第一运维状态属性向量、残差连接分支、第二运维状态属性向量、先验故障风险关键词、故障风险决策分析、决策权重、量化可能性、向量集成、运行状态集成向量、运维优化判别和运维优化建议观点。为便于后续说明，下面首先对这些技术术语进行名词解释。

待处理轨道交通运维状态数据：这是指尚未经过处理和分析的轨道交通运行状态信息，可能包括列车的速度、位置、设备状况等各种类型的数据。

运维状态处理算法：这是用于处理和分析轨道交通运维状态数据的计算程序或公式。

状态属性挖掘分支：在算法中，这个分支专门用于从原始数据中提取有价值的信息，也就是状态属性。

状态属性挖掘：这是一个过程，通过这个过程可以从原始数据中发现并提取出有价值的信息或模式。

第一运维状态属性向量：这是一个由数值组成的数组，每个数值代表了一个特定的运维状态属性。

残差连接分支：这是一种网络结构，用于处理和学习数据的复杂模式，能够帮助改善模型的性能。

第二运维状态属性向量：这是通过使用残差连接分支得到的另一组运维状态属性。

先验故障风险关键词：这是预定义的一组与潜在故障相关的关键词或概念。

故障风险决策分析：这是一个过程，通过对运维状态属性向量进行分析，预测可能的故障风险。

决策权重：这是一组数值，代表了不同的先验故障风险关键词在故障风险预测中的相对重要性。

量化可能性：这是一个过程，通过该过程可以将故障风险的抽象概念转化为具体的、可度量的数值。

向量集成：这是一种方法，用于将多个向量（例如多个运维状态属性向量）结合起来，形成一个集成向量。

运行状态集成向量：这是通过向量集成得到的新向量，包含了原始数据的所有重要信息。

运维优化判别：这是一个过程，通过该过程可以根据运行状态集成向量来判断是否需要进行运维优化。

运维优化建议观点：这是根据运维优化判别结果提出的具体建议，指导如何进行运维优化以提高轨道交通系统的性能和安全性。

进一步地，可以以深度神经网络（例如卷积神经网络或递归神经网络）作为运维状态处理算法的例子。这种类型的神经网络通常用于处理复杂的非线性问题，比如图像识别或自然语言处理，但它们也可以应用于轨道交通运维状态数据处理。

运维状态处理算法：神经网络通过输入层接收待处理的轨道交通运维状态数据，例如列车速度、位置等。该数据通过一系列隐藏层进行处理，每个隐藏层都包含多个神经元，每个神经元都有其权重和偏置。在经过隐藏层后，输出层生成预测结果，例如可能出现故障的设备或系统。

状态属性挖掘分支：在神经网络中，第一层或前几层可以看作是状态属性挖掘分支，因为它们从原始数据中提取关键特征或模式。例如，如果原始数据是关于列车速度和位置的，那么这些层可能会学习到与列车加速度或路线相关的模式。

残差连接分支：在深度神经网络中，残差连接分支可以帮助解决梯度消失或梯度爆炸问题。残差连接分支允许信息直接从一个层跳过一些中间层传到另一个层，这可以帮助网络学习更复杂的模式。例如，这种结构可以使得神经网络在处理轨道交通运维状态数据时，更好地捕获长期依赖性或非线性关系。

下面是关于特征向量的例子：

第一运维状态属性向量：设想有一个轨道交通运维状态数据集，包含列车速度和位置信息。通过状态属性挖掘分支，可能得到一个特征向量如[0.75，0.30]，其中0.75表示归一化后的速度，0.30表示归一化后的位置。

第二运维状态属性向量：经过残差连接分支处理后，可能会得到另一个特征向量，比如[0.80，0.35]，这个向量反映了一些更深层次的、原始数据中无法直接看到的信息。

运行状态集成向量：最后，可能将第一运维状态属性向量和所有的第二运维状态属性向量集成在一起，得到一个新的向量，如[0.75，0.30，0.80，0.35]。这个向量包含了所有重要的运维状态信息，可以用于后续的故障风险预测或运维优化决策等任务。

接下来，通过一个完整示例来介绍上述技术方案。

首先，收集待处理的轨道交通运维状态数据。例如，可以获取一组数据，包括列车速度为80公里/小时，位置在10公里处。

接下来，使用运维状态处理算法（如深度神经网络）的状态属性挖掘分支对这些数据进行处理。结果可能是一个归一化后的向量，比如第一运维状态属性向量为[0.8，0.1]，代表速度和位置。

然后，使用残差连接分支对原始数据进行处理。假设有两个残差连接分支，对应于两个先验故障风险关键词“过速”和“脱轨”，得到的第二运维状态属性向量可能是[0.85，0.05]和[0.75，0.15]。

之后，使用决策树分支对第一运维状态属性向量进行故障风险决策分析，得到的决策权重可能是[0.6，0.4]，这表示相对于“脱轨”的风险，“过速”的风险更高。

接着，将第一运维状态属性向量、第二运维状态属性向量和决策权重进行向量集成，得到运行状态集成向量，如[0.8，0.1，0.85，0.05，0.75，0.15，0.6，0.4]。

最后，使用运维优化判别分支对运行状态集成向量进行处理。如果判别结果显示“过速”的风险较高，那么运维优化建议观点可能是“减少列车速度以防止过速”；如果判别结果显示“脱轨”的风险较高，那么建议观点可能是“检查轨道状况以防止脱轨”。

以上就是一个完整的示例，描述了如何通过采集和处理数据，然后进行故障风险预测和运维优化决策，从而提供有针对性的运维优化建议。

应用上述技术方案，将大量的轨道交通运维状态数据进行智能处理，能有效地识别和预测轨道交通系统中可能出现的故障。其关键在于通过算法对各种状态属性进行挖掘并分析，产生多个状态属性向量，并利用决策树分析风险，为每一种可能的先验故障风险关键词提供了一个量化的可能性。

其次，该方案将这些分析结果进行集成，形成一个运行状态集成向量，这不仅使得状态的表示更加全面和精确，还能够帮助运维人员更好地理解系统当前的运行状况。同时，通过运维优化判别分支对这个集成向量进行评估，可以生成针对当前状态的运维优化建议观点。

总的来说，该方案将大数据和AI技术应用到轨道交通运维中，实现了对复杂运维环境的高效、准确管理和优化，大幅度提升了运维效率，降低了运维风险。

在另一些可能的实施例中，所述方法还包括S210-S250。

S210、获取第一算法调试学习样例和基础状态属性挖掘分支，所述第一算法调试学习样例包括多种故障风险关键词对应的轨道交通运维状态数据。

S220、对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的第一运维状态属性向量。

S230、依据所述第一运维状态属性向量进行运维优化训练，以得到所述第一算法调试学习样例的第一运维优化训练结果。

S240、依据所述第一运维优化训练结果与所述第一算法调试学习样例的运维优化先验观点进行训练代价确定，以得到第一训练代价变量。

S250、依据所述第一训练代价变量对所述基础状态属性挖掘分支进行调试以得到所述状态属性挖掘分支。

在上述实施例中，第一算法调试学习样例是一组包含多种故障风险关键词对应的轨道交通运维状态数据，用于训练和调试算法。基础状态属性挖掘分支是在算法中用于从运维状态数据中挖掘状态属性的基础部分。第一运维状态属性向量是通过对第一算法调试学习样例进行状态属性挖掘得到的状态属性的数学表示。运维优化先验观点是根据经验和知识对运维状态进行预测和优化的理论或假设。第一训练代价变量是通过比较运维优化训练结果与运维优化先验观点确定的一个数值，表示训练的损失。

例如，有一个轨道交通系统，该系统会生成大量的运维状态数据。选择了几个具有代表性的数据样本，这些样本涵盖了各种可能的故障风险关键词，这就是第一算法调试学习样例。接着，利用基础状态属性挖掘分支对这些样本进行状态属性挖掘，得到了第一运维状态属性向量。然后，根据这些向量进行运维优化训练，得到了第一运维优化训练结果。

接着，将这个训练结果与运维优化先验观点进行比较，确定了第一训练代价变量。最后，依据这个训练代价变量对基础状态属性挖掘分支进行调试，以得到更适合系统的状态属性挖掘分支。

如此，通过获取算法调试学习样例，并对其进行状态属性挖掘、运维优化训练和训练代价确定，实现了对基础状态属性挖掘分支的有效调试。这样，可以使得状态属性挖掘更为准确，从而提升运维的精度。同时，这种方法还使得算法能够更好地适应不同的轨道交通系统，增强了算法的通用性和适应性。此外，由于训练代价的引入，也使得算法优化更具针对性，节省了大量时间和资源，提高了运维效率。

在另一些应用场景下，上述技术方案主要是通过获取第一算法调试学习样例，利用基础状态属性挖掘分支对其进行状态属性挖掘，从而得到第一运维状态属性向量。然后，依据这个向量进行运维优化训练，以得到第一运维优化训练结果。

在训练过程中，可以使用一个损失函数来度量预测值与真实值之间的差距。例如，常见的均方误差（Mean Squared Error，MSE）损失函数可以表示为：L=1/nΣ（yi-f（xi））^2；

其中，n是样本数量，yi是真实值，f（xi）是预测值。

在这个方案中，可以将第一运维优化训练结果看作是预测值，第一算法调试学习样例的运维优化先验观点看作是真实值。然后，通过计算这两者之间的MSE损失，得到第一训练代价变量，即训练损失值。

最后，根据这个训练损失值，可以对基础状态属性挖掘分支进行调试，以使得这个分支能够更好地适应数据，从而提高运维优化训练的效果，降低训练损失。

在一些优选的实施例中，S220中的对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的第一运维状态属性向量包括：对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的联动状态属性向量；对所述联动状态属性向量进行向量变换，以得到所述第一算法调试学习样例的第一运维状态属性向量，所述第一运维状态属性向量为线性量化向量。

首先，联动状态属性向量是通过对第一算法调试学习样例进行状态属性挖掘得到的初始状态属性向量。它包含了多个状态属性，并且这些属性之间可能存在相互影响或者依赖的关系，也就是联动的意思。向量变换是一种将原始向量转化为另一种形式的操作，可以是线性变换，也可以是非线性变换。在这里，是将联动状态属性向量转化为第一运维状态属性向量的过程。线性量化向量是一种特殊类型的向量，其每一个元素都是可量化的数值，且各元素之间的关系满足线性规律。

接着，用一个具体的例子来说明上述技术方案：有一个轨道交通系统，选择了一些故障风险关键词对应的运维状态数据作为第一算法调试学习样例。首先通过基础状态属性挖掘分支对这些样例进行状态属性挖掘，得到了联动状态属性向量。然后，通过一个向量变换操作，比如一个线性映射函数，将这些联动状态属性向量转化为第一运维状态属性向量，这个向量是线性量化的。

这样一来，能够更好地捕捉和表示状态属性之间的联动关系。通过将原始的状态数据转化为联动状态属性向量，可以把多个状态属性之间可能存在的相互影响或者依赖的关系也包含进来，从而获得一个更全面、更深入的理解。此外，还提高了运维优化训练的效率和精度。通过向量变换，可以把复杂的联动状态属性向量简化为线性量化向量，这不仅降低了计算的复杂度，还能够减小噪声干扰，提高模型的稳定性和预测精度。

进一步地，所述依据所述第一运维状态属性向量进行运维优化训练，以得到所述第一算法调试学习样例的第一运维优化训练结果包括：依据所述第一运维状态属性向量与第一分团特征关系网进行特征运算，以得到所述第一算法调试学习样例的第一运维优化训练结果，所述第一分团特征关系网用于表征所述第一算法调试学习样例中每个故障趋势种类的代表特征。

在上述实施例中，第一分团特征关系网是一个用于表征第一算法调试学习样例中每个故障趋势种类的代表特征的网络。这个网络可能包含了各种类型的故障趋势及其相关联的特征，帮助理解和预测未来可能发生的故障。

以一个具体的例子来说明这个技术方案：在前面的步骤中已经得到了线性量化的第一运维状态属性向量。然后，可以将这个向量与第一分团特征关系网进行特征运算。例如，可以计算向量中每个元素与特征关系网中相应节点的关联度，然后将这些关联度加权求和，从而得到第一运维优化训练结果。

如此，通过利用第一分团特征关系网，可以更好地理解和解释运维状态属性向量中的每一个元素，也就是每一个状态属性。这个网络提供了一个框架，使得可以清晰地看到不同故障趋势种类的代表特征，以及这些特征之间的关系。利用特征关系网进行特征运算，可以更准确地预测未来可能出现的故障。这是因为特征关系网包含了丰富的历史数据和专业知识，能够帮助从多个角度、多个层次进行分析和预测，从而提高预测的精度。可见，该技术方案通过结合运维状态属性向量和特征关系网，既提升了故障预测的准确性，也提供了一个清晰的框架用于理解和解释故障趋势，对于轨道交通运维具有很大的实用价值。

为了更具体地说明上述技术方案，可以通过第一运维状态属性向量和第一分团特征关系网的实例进行介绍。

例如，第一运维状态属性向量是一个包含三个元素的线性量化向量：[0.2，0.8，0.5]，其中每个元素可能代表某种特定的运维状态属性，例如故障频率、故障严重程度和维修时间。

然后，有一个第一分团特征关系网，它可以用一个图（Graph）来表示。在这个图中，节点可能代表不同的故障趋势种类，边可能代表这些趋势之间的关系。每个节点都有一个权重，代表这个故障趋势在所有故障中的占比或者重要性。例如，可能有三个节点，对应的权重分别是0.3、0.6和0.1。

依据第一运维状态属性向量与第一分团特征关系网进行特征运算，就是将向量中的每个元素与网络中相应节点的权重进行乘法运算，然后求和。在这个例子中，特征运算的结果是：

0.2*0.3+0.8*0.6+0.5*0.1=0.61。

这个值就是第一算法调试学习样例的第一运维优化训练结果。

通过这个方法，可以将复杂的故障趋势和运维状态属性进行有效的量化和转化，得到一个单一的数值结果，这对于后续的分析和决策非常有帮助。

在另一些可替换的设计思路下，所述方法还包括S310-S350。

S310、获取X个第二算法调试学习样例和X个基础残差连接分支，其中每个第二算法调试学习样例与基础残差连接分支一一对应，所述X个第二算法调试学习样例中的学习样例具有不同的先验故障风险关键词。

S320、通过所述状态属性挖掘分支对所述X个第二算法调试学习样例进行状态属性挖掘，以得到X个第三运维状态属性向量，所述状态属性挖掘分支为具有认证算法参量（已知算法参量）的模型分支。

S330、通过所述X个基础残差连接分支分别对所述X个第三运维状态属性向量进行一一对应的训练预测，以得到X个第二运维优化训练结果。

S340、依据所述X个第二运维优化训练结果与所述X个第二算法调试学习样例的运维优化先验观点进行一一对应的训练代价确定，以得到X个第二训练代价变量。

S350、依据所述X个第二训练代价变量对所述X个基础残差连接分支进行调试以得到所述X个残差连接分支。

在上述实施例中，基础残差连接分支是指使用残差连接（Residual Connection）的网络架构。该架构允许模型跨层直接传递信息，有助于训练更深层次的网络，避免梯度消失或爆炸问题。认证算法参量是一组已经经过验证和认证的参数，它们被用来配置和调整状态属性挖掘分支的模型。运维优化先验观点是根据历史数据和专业知识得到的预期运维结果，可以作为优化目标或者训练评估的参考标准。

例如，有3个第二算法调试学习样例（X=3），每个样例都对应一个基础残差连接分支。通过状态属性挖掘分支，得到了3个第三运维状态属性向量：V1，V2，V3。

然后，通过每个基础残差连接分支分别对每个第三运维状态属性向量进行训练预测，得到3个第二运维优化训练结果：R1，R2，R3。

接着，依据每个第二运维优化训练结果与每个第二算法调试学习样例的运维优化先验观点进行一一对应的训练代价确定。假设使用均方误差（Mean Squared Error）作为训练代价，那么对于第i个样例，其训练代价可以计算为：C_i=（R_i-P_i）^2，其中P_i是第i个样例的运维优化先验观点。

最后，依据每个第二训练代价变量对每个基础残差连接分支进行调试。具体来说，可以通过反向传播（Backpropagation）和梯度下降（Gradient Descent）等方法来更新每个分支的权重和偏置，从而使得训练代价最小。

这样一来，通过使用基础残差连接分支和状态属性挖掘分支，可以有效地提取和利用故障风险关键词的信息，有助于生成更准确的运维优化训练结果。通过对每个训练结果与先验观点的对比，可以实时地评估和调整模型的性能，提高模型的预测精度。通过反向传播和梯度下降等方法对每个基础残差连接分支进行调试，可以在训练过程中不断优化模型的参数，使得模型能够更好地拟合数据，提高预测的准确性和稳定性。

在另一些可替换的实施例中，通过所述X个基础残差连接分支分别对所述X个第三运维状态属性向量进行一一对应的训练预测，以得到X个第二运维优化训练结果包括：对所述X个第三运维状态属性向量进行向量变换，以得到X个中间向量，所述X个中间向量的向量尺寸小于所述X个第三运维状态属性向量的向量尺寸；依据所述X个中间向量分别与X个第二分团特征关系网进行一一对应的特征运算，以得到所述X个第二运维优化训练结果，其中，所述X个第二分团特征关系网分别用于表征X个第二算法调试学习样例中每个故障趋势种类的代表特征。

在数据处理和机器学习中，中间向量是指经过一定变换后得到的新向量。在这个情境下，中间向量是通过对第三运维状态属性向量进行向量变换（例如降维）得到的。第二分团特征关系网与第一分团特征关系网类似，它用于表征第二算法调试学习样例中每个故障趋势种类的代表特征。

以一个具体的例子来说明这个技术方案：有3个第三运维状态属性向量（X=3），每个向量都是一个4维向量：V1=[0.1，0.2，0.3，0.4]，V2=[0.5，0.6，0.7，0.8]，V3=[0.9，1.0，1.1，1.2]。

首先进行向量变换，例如使用主成分分析（PCA）等方法将每个向量降至3维，得到3个中间向量：M1=[0.15，0.25，0.35]，M2=[0.55，0.65，0.75]，M3=[0.95，1.05，1.15]。

然后，依据每个中间向量分别与3个第二分团特征关系网进行一一对应的特征运算。具体来说，可以计算每个中间向量与特征关系网中相应节点的关联度，然后求和得到每个第二运维优化训练结果。

这样一来，通过向量变换，可以降低数据的维度，减少冗余信息，简化模型的复杂度，提高训练效率。第二分团特征关系网为每个故障趋势种类提供了一个独立的特征表述，这有利于捕捉各种故障趋势的独特特征，提高模型的预测精度。中间向量与特征关系网的匹配过程实质上是一种特征选择和特征融合的过程，这有助于提取更有效的特征，提高模型的性能。

在又一些可替换的实施例中，所述依据所述X个第二训练代价变量对所述X个基础残差连接分支进行调试以得到所述X个残差连接分支包括：对所述X个第二训练代价变量进行加权，以得到全局训练代价变量；依据所述全局训练代价变量对所述X个基础残差连接分支进行调试，以得到所述X个残差连接分支。

在这个技术方案中，要对X个第二训练代价变量进行加权以得到全局训练代价变量。假设有3个第二训练代价变量（X=3）：C1=0.2，C2=0.4，C3=0.6，同时假设设置的权重分别是w1=0.5，w2=0.3，w3=0.2（这些权重可以根据各种情况来确定，例如反映出不同样例的重要性等）。

那么，全局训练代价变量G就可以通过以下公式计算得到：

G=w1C1+w2C2+w3C3=0.50.2+0.30.4+0.20.6=0.38。

然后，依据全局训练代价变量对每个基础残差连接分支进行调试。具体来说，可以通过反向传播和梯度下降等方法来更新每个分支的权重和偏置。在这个过程中，全局训练代价变量被用作一个统一的标准来评估模型的性能，指导模型参数的更新。

如此，通过将多个训练代价变量加权求和，得到了一个全局训练代价变量，这为评估和优化模型提供了一个统一的标准。依据全局训练代价变量进行模型调试，可以保证模型的各个部分都朝着同一个方向进行优化，提高了模型的整体性能。此外，通过调整权重，可以对不同的训练代价赋予不同的重要性，这使得模型可以更好地适应不同的任务和需求。

在一些可选的设计思路下，所述方法还包括S410-S480。

S410、获取第三算法调试学习样例和基础决策树分支，所述第三算法调试学习样例包括多种故障风险关键词对应的轨道交通运维状态数据。

S420、通过所述状态属性挖掘分支对所述第三算法调试学习样例进行状态属性挖掘，以得到第四运维状态属性向量。

S430、通过所述X个残差连接分支对所述第三算法调试学习样例进行状态属性挖掘，以得到X个第五运维状态属性向量。

S440、通过所述基础决策树分支对所述第四运维状态属性向量进行故障风险决策分析，以得到所述第三算法调试学习样例的X个预测可能性，所述X个预测可能性用于表征所述第三算法调试学习样例对应于所述X个先验故障风险关键词中每个先验故障风险关键词的量化可能性。

S450、根据所述X个第五运维状态属性向量、所述X个预测可能性和所述第四运维状态属性向量进行向量集成，以得到所述第三算法调试学习样例的运行状态集成预测向量。

S460、对所述运行状态集成预测向量与第三分团特征关系网进行特征运算，以得到所述第三算法调试学习样例的第三运维优化训练结果，所述第三分团特征关系网为所述第三算法调试学习样例中每一个故障趋势种类对应的代表特征。

S470、依据所述第三运维优化训练结果与所述第三算法调试学习样例的运维优化先验观点进行训练代价确定，以得到第三训练代价变量。

S480、依据所述第三训练代价变量对所述基础决策树分支进行调试以得到所述决策树分支。

基础决策树分支是一个使用决策树算法（Decision Tree Algorithm）的模型分支。决策树是一种机器学习算法，它通过创建一棵树来进行决策。

第三分团特征关系网与前面的特征关系网类似，第三分团特征关系网用于表征第三算法调试学习样例中每个故障趋势种类的代表特征。

例如，有一个第三算法调试学习样例，包含了多种故障风险关键词对应的轨道交通运维状态数据。首先通过状态属性挖掘分支对这个样例进行状态属性挖掘，得到了一个第四运维状态属性向量V4=[0.2，0.8，0.5]。

然后，通过X个残差连接分支对这个样例进行状态属性挖掘，得到了X个第五运维状态属性向量V5_1=[0.3，0.7，0.6]，V5_2=[0.4，0.6，0.7]，V5_3=[0.5，0.5，0.8]（假设X=3）。

接着，通过基础决策树分支对第四运维状态属性向量进行故障风险决策分析，得到了X个预测可能性P=[0.7，0.2，0.1]。这个结果表明，第三算法调试学习样例对应于3个先验故障风险关键词的量化可能性分别为0.7、0.2和0.1。

然后，根据X个第五运维状态属性向量、X个预测可能性和第四运维状态属性向量进行向量集成，以得到运行状态集成预测向量。具体来说，可以计算每个元素的加权平均值作为该位置的值。

例如，倘若权重是W=[0.5，0.3，0.2]，那么第一个元素的值可以是0.5*0.2+0.3*0.3+0.2*0.4=0.29，以此类推。

接着，对运行状态集成预测向量与第三分团特征关系网进行特征运算，以得到第三运维优化训练结果。

最后，依据第三运维优化训练结果与第三算法调试学习样例的运维优化先验观点进行训练代价确定，得到第三训练代价变量，然后依据这个训练代价变量对基础决策树分支进行调试，得到决策树分支。

这样一来，通过使用决策树分支，可以从多个角度对故障风险进行预测和决策，提高了模型的预测精度和决策效率。通过向量集成，可以将不同来源、不同类型的信息有效地融合在一起，使得模型能够充分利用所有可用的信息，提高预测的准确性和稳定性。最后，通过训练代价确定和模型调试，可以实时地评估和优化模型的性能，使得模型能够更好地适应数据，提高模型的泛化能力。

在一些示例性实施例中，S450所描述的根据所述X个第五运维状态属性向量、所述X个预测可能性和所述第四运维状态属性向量进行向量集成，以得到所述第三算法调试学习样例的运行状态集成预测向量包括：将所述X个预测可能性与所述X个第五运维状态属性向量按照所述先验故障风险关键词进行一一对应的特征乘法运算，以得到X个注意力预测向量；对所述X个注意力预测向量进行加权，以得到所述X个残差连接分支对应的全局注意力预测向量；将所述全局注意力预测向量与所述第四运维状态属性向量进行加和处理，以得到所述运行状态集成预测向量。

其中，注意力预测向量是一个使用注意力机制（Attention Mechanism）得到的预测向量。在这个情境下，注意力预测向量是通过将预测可能性与对应的第五运维状态属性向量进行特征乘法运算得到的。

以一个具体的例子来说明这个技术方案：有3个第五运维状态属性向量（X=3）：V5_1=[0.3，0.7，0.6]，V5_2=[0.4，0.6，0.7]，V5_3=[0.5，0.5，0.8]，同时有3个预测可能性：P=[0.7，0.2，0.1]。

首先，将每个预测可能性与对应的第五运维状态属性向量进行一一对应的特征乘法运算，得到3个注意力预测向量：A1=0.7V5_1，A2=0.2V5_2，A3=0.1*V5_3。

然后，对这3个注意力预测向量进行加权，得到全局注意力预测向量。如果选择的权重是w1=w2=w3=1/3，那么全局注意力预测向量就是：G=（A1+A2+A3）/3。

最后，将全局注意力预测向量与第四运维状态属性向量进行加和处理，得到运行状态集成预测向量。假设第四运维状态属性向量是V4=[0.2，0.8，0.5]，那么运行状态集成预测向量就是：V=V4+G。

如此，注意力机制可以帮助模型聚焦于最重要的特征，提高预测的准确性。通过将全局注意力预测向量与第四运维状态属性向量进行加和处理，能够有效地融合不同来源的信息，进一步提升模型的预测精度。这种方法也提供了一种可解释的机制，可以帮助理解模型在做出决策时关注的特征。

在一些示例性实施例中，S420中的通过所述状态属性挖掘分支对所述第三算法调试学习样例进行状态属性挖掘，以得到第四运维状态属性向量包括：通过所述状态属性挖掘分支对所述第三算法调试学习样例进行状态属性挖掘，以得到所述第三算法调试学习样例的联动状态属性向量；通过所述状态属性挖掘分支对所述第三算法调试学习样例的联动状态属性向量进行向量变换，以得到所述第四运维状态属性向量，所述第四运维状态属性向量为线性量化向量。

在这个技术方案中，首先通过状态属性挖掘分支对第三算法调试学习样例进行状态属性挖掘，得到了联动状态属性向量。联动状态属性向量可以看作是一个包含了多个相关状态属性的集合，这些属性可能相互影响，共同决定了轨道交通运维的状态。

然后，对联动状态属性向量进行向量变换，以得到第四运维状态属性向量。这里的向量变换可能涉及降维、标准化等操作，目的是将复杂的联动状态属性向量转化为更简单、更容易处理的线性量化向量。

以一个具体的例子来说明：第三算法调试学习样例包含了以下状态属性：[故障发生频率，故障修复时间，故障影响范围，故障严重程度]。首先通过状态属性挖掘分支对这些属性进行处理，得到联动状态属性向量V1=[0.3，0.7，0.6，0.8]。

然后，对V1进行向量变换，例如使用主成分分析（PCA）将其降至2维，得到第四运维状态属性向量V4=[0.5，0.7]。

如此，通过对联动状态属性向量进行向量变换，可以降低数据的维度，减少冗余信息，简化模型的复杂度，提高训练效率。第四运维状态属性向量作为线性量化向量，其每个元素都是通过线性变换得到的，这使得模型的输出更容易解释和理解。

在一些优选的设计思路下，S150中的根据所述X个第二运维状态属性向量、所述X个决策权重和所述第一运维状态属性向量进行向量集成，以得到所述待处理轨道交通运维状态数据的运行状态集成向量包括S151-S153。

S151、将所述X个决策权重与所述X个第二运维状态属性向量按照所述先验故障风险关键词进行一一对应的特征乘法运算，以得到X个注意力向量。

S152、对所述X个注意力向量进行加权，以得到所述X个残差连接分支对应的全局注意力向量。

S153、将所述全局注意力向量与所述第一运维状态属性向量进行加和处理，以得到所述运行状态集成向量。

在这个技术方案中，首先将决策权重与对应的第二运维状态属性向量进行一一对应的特征乘法运算，得到X个注意力向量。然后，对这些注意力向量进行加权，得到全局注意力向量。最后，将全局注意力向量与第一运维状态属性向量进行加和处理，得到运行状态集成向量。

以一个具体的例子来说明：有3个第二运维状态属性向量（X=3）：V2_1=[0.3，0.7，0.6]，V2_2=[0.4，0.6，0.7]，V2_3=[0.5，0.5，0.8]，同时有3个决策权重：W=[0.7，0.2，0.1]。

首先，将每个决策权重与对应的第二运维状态属性向量进行一一对应的特征乘法运算，得到3个注意力向量：A1=0.7V2_1，A2=0.2V2_2，A3=0.1*V2_3。

然后，对这3个注意力向量进行加权，得到全局注意力向量。如果选择的权重是w1=w2=w3=1/3，那么全局注意力向量就是：G=（A1+A2+A3）/3。

最后，将全局注意力向量与第一运维状态属性向量进行加和处理，得到运行状态集成向量。假设第一运维状态属性向量是V1=[0.2，0.8，0.5]，那么运行状态集成向量就是：V=V1+G。

如此，注意力机制可以帮助模型聚焦于最重要的特征，提高预测的准确性。通过将全局注意力向量与第一运维状态属性向量进行加和处理，能够有效地融合不同来源的信息，进一步提升模型的预测精度。这种方法也提供了一种可解释的机制，可以帮助理解模型在做出决策时关注的特征。

在一些示例中，所述状态属性挖掘分支、所述X个残差连接分支和所述决策树分支的模型分支基于深度学习模型构建。

深度学习模型在各种任务中表现出色，包括图像识别、自然语言处理和推荐系统等。在这个技术方案中，可以基于深度学习模型构建状态属性挖掘分支、残差连接分支和决策树分支。

以一个具体的例子来说明：例如正在进行轨道交通运维的预测任务。首先收集了一些轨道交通运维的数据，包括历史故障记录、车辆状态、天气条件等。

对于状态属性挖掘分支，可以使用一种名为自编码器（Autoencoder）的深度学习模型。自编码器可以将高维的输入数据压缩成低维的隐藏状态，然后再重构原始数据。在这个过程中，隐藏状态可以看作是输入数据的压缩表示，它捕捉了数据的主要特征。在这个例子中，可以将轨道交通运维的数据输入到自编码器中，得到每个数据样本的状态属性向量。

对于残差连接分支，可以使用深度残差网络（Deep Residual Network）。深度残差网络是一种具有跳跃连接（Skip Connection）的神经网络，它可以直接将输入添加到输出，从而有效地解决了深度神经网络中的梯度消失和爆炸问题。在这个例子中，可以用深度残差网络对每个状态属性向量进行处理，得到每个数据样本的残差连接分支输出。

对于决策树分支，虽然传统的决策树算法不是基于深度学习的，但可以使用类似于决策树的深度学习模型，例如神经决策树（Neural Decision Tree）。神经决策树结合了决策树的解释性和深度学习的表现力，在这个例子中，可以使用神经决策树对每个状态属性向量进行处理，得到每个数据样本的决策树分支输出。

这样，就能够通过深度学习模型对轨道交通运维的数据进行高效、准确的预测。

图2示出了数据处理系统300的结构框图，包括：存储器310，用于存储程序指令和数据；处理器320，用于与存储器310耦合，执行所述存储器310中的指令，以实现上述的方法。

进一步地，还提供了一种计算机存储介质，包含指令，当所述指令在处理器上执行时，实现上述的方法。

在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本申请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、或者网络设备等）执行本申请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。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (7)

1.一种基于人工智能的轨道交通运维状态数据处理方法，其特征在于，应用于数据处理系统，所述方法包括：

采集待处理轨道交通运维状态数据；其中，待处理轨道交通运维状态数据是指尚未经过处理和分析的轨道交通运行状态信息，包括列车的速度、位置、设备状况数据；

通过运维状态处理算法的状态属性挖掘分支对所述待处理轨道交通运维状态数据进行状态属性挖掘，以得到第一运维状态属性向量；

通过所述运维状态处理算法中的X个残差连接分支分别对所述待处理轨道交通运维状态数据进行状态属性挖掘，以得到X个第二运维状态属性向量，所述X个残差连接分支对应于X个先验故障风险关键词，所述X为大于1的整数；其中，所述残差连接分支为深度残差网络；

通过所述运维状态处理算法中的决策树分支对所述第一运维状态属性向量进行故障风险决策分析，以得到所述待处理轨道交通运维状态数据对应的X个决策权重，所述X个决策权重用于表征所述待处理轨道交通运维状态数据对应于所述X个先验故障风险关键词中每个先验故障风险关键词的量化可能性；其中，所述状态属性挖掘分支为自编码器；

根据所述X个第二运维状态属性向量、所述X个决策权重和所述第一运维状态属性向量进行向量集成，以得到所述待处理轨道交通运维状态数据的运行状态集成向量；

通过所述运维状态处理算法中的运维优化判别分支对所述运行状态集成向量进行运维优化判别，以得到所述待处理轨道交通运维状态数据的运维优化建议观点；

其中，所述方法还包括：获取X个第二算法调试学习样例和X个基础残差连接分支，其中每个第二算法调试学习样例与基础残差连接分支一一对应，所述X个第二算法调试学习样例中的学习样例具有不同的先验故障风险关键词；通过所述状态属性挖掘分支对所述X个第二算法调试学习样例进行状态属性挖掘，以得到X个第三运维状态属性向量，所述状态属性挖掘分支为具有认证算法参量的模型分支；通过所述X个基础残差连接分支分别对所述X个第三运维状态属性向量进行一一对应的训练预测，以得到X个第二运维优化训练结果；依据所述X个第二运维优化训练结果与所述X个第二算法调试学习样例的运维优化先验观点进行一一对应的训练代价确定，以得到X个第二训练代价变量；依据所述X个第二训练代价变量对所述X个基础残差连接分支进行调试以得到所述X个残差连接分支；其中，通过所述X个基础残差连接分支分别对所述X个第三运维状态属性向量进行一一对应的训练预测，以得到X个第二运维优化训练结果包括：对所述X个第三运维状态属性向量进行向量变换，以得到X个中间向量，所述X个中间向量的向量尺寸小于所述X个第三运维状态属性向量的向量尺寸；依据所述X个中间向量分别与X个第二分团特征关系网进行一一对应的特征运算，以得到所述X个第二运维优化训练结果，其中，所述X个第二分团特征关系网分别用于表征X个第二算法调试学习样例中每个故障趋势种类的代表特征；其中，所述依据所述X个第二训练代价变量对所述X个基础残差连接分支进行调试以得到所述X个残差连接分支包括：对所述X个第二训练代价变量进行加权，以得到全局训练代价变量；依据所述全局训练代价变量对所述X个基础残差连接分支进行调试，以得到所述X个残差连接分支；

其中，所述方法还包括：获取第三算法调试学习样例和基础决策树分支，所述第三算法调试学习样例包括多种故障风险关键词对应的轨道交通运维状态数据；通过所述状态属性挖掘分支对所述第三算法调试学习样例进行状态属性挖掘，以得到第四运维状态属性向量；通过所述X个残差连接分支对所述第三算法调试学习样例进行状态属性挖掘，以得到X个第五运维状态属性向量；通过所述基础决策树分支对所述第四运维状态属性向量进行故障风险决策分析，以得到所述第三算法调试学习样例的X个预测可能性，所述X个预测可能性用于表征所述第三算法调试学习样例对应于所述X个先验故障风险关键词中每个先验故障风险关键词的量化可能性；根据所述X个第五运维状态属性向量、所述X个预测可能性和所述第四运维状态属性向量进行向量集成，以得到所述第三算法调试学习样例的运行状态集成预测向量；对所述运行状态集成预测向量与第三分团特征关系网进行特征运算，以得到所述第三算法调试学习样例的第三运维优化训练结果，所述第三分团特征关系网为所述第三算法调试学习样例中每一个故障趋势种类对应的代表特征；依据所述第三运维优化训练结果与所述第三算法调试学习样例的运维优化先验观点进行训练代价确定，以得到第三训练代价变量；依据所述第三训练代价变量对所述基础决策树分支进行调试以得到所述决策树分支；其中，根据所述X个第五运维状态属性向量、所述X个预测可能性和所述第四运维状态属性向量进行向量集成，以得到所述第三算法调试学习样例的运行状态集成预测向量包括：将所述X个预测可能性与所述X个第五运维状态属性向量按照所述先验故障风险关键词进行一一对应的特征乘法运算，以得到X个注意力预测向量；对所述X个注意力预测向量进行加权，以得到所述X个残差连接分支对应的全局注意力预测向量；将所述全局注意力预测向量与所述第四运维状态属性向量进行加和处理，以得到所述运行状态集成预测向量；其中，通过所述状态属性挖掘分支对所述第三算法调试学习样例进行状态属性挖掘，以得到第四运维状态属性向量包括：通过所述状态属性挖掘分支对所述第三算法调试学习样例进行状态属性挖掘，以得到所述第三算法调试学习样例的联动状态属性向量；通过所述状态属性挖掘分支对所述第三算法调试学习样例的联动状态属性向量进行向量变换，以得到所述第四运维状态属性向量，所述第四运维状态属性向量为线性量化向量；

其中，所述根据所述X个第二运维状态属性向量、所述X个决策权重和所述第一运维状态属性向量进行向量集成，以得到所述待处理轨道交通运维状态数据的运行状态集成向量包括：将所述X个决策权重与所述X个第二运维状态属性向量按照所述先验故障风险关键词进行一一对应的特征乘法运算，以得到X个注意力向量；对所述X个注意力向量进行加权，以得到所述X个残差连接分支对应的全局注意力向量；将所述全局注意力向量与所述第一运维状态属性向量进行加和处理，以得到所述运行状态集成向量。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取第一算法调试学习样例和基础状态属性挖掘分支，所述第一算法调试学习样例包括多种故障风险关键词对应的轨道交通运维状态数据；

对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的第一运维状态属性向量；

依据所述第一运维状态属性向量进行运维优化训练，以得到所述第一算法调试学习样例的第一运维优化训练结果；

依据所述第一运维优化训练结果与所述第一算法调试学习样例的运维优化先验观点进行训练代价确定，以得到第一训练代价变量；

依据所述第一训练代价变量对所述基础状态属性挖掘分支进行调试以得到所述状态属性挖掘分支。

3.根据权利要求2所述的方法，其特征在于，所述对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的第一运维状态属性向量包括：

对所述第一算法调试学习样例进行状态属性挖掘，以得到所述第一算法调试学习样例的联动状态属性向量；

对所述联动状态属性向量进行向量变换，以得到所述第一算法调试学习样例的第一运维状态属性向量，所述第一运维状态属性向量为线性量化向量。

4.根据权利要求3所述的方法，其特征在于，所述依据所述第一运维状态属性向量进行运维优化训练，以得到所述第一算法调试学习样例的第一运维优化训练结果包括：

依据所述第一运维状态属性向量与第一分团特征关系网进行特征运算，以得到所述第一算法调试学习样例的第一运维优化训练结果，所述第一分团特征关系网用于表征所述第一算法调试学习样例中每个故障趋势种类的代表特征。

5.根据权利要求1所述的方法，其特征在于，所述状态属性挖掘分支、所述X个残差连接分支和所述决策树分支的模型分支基于深度学习模型构建。

6.一种数据处理系统，其特征在于，包括：存储器，用于存储程序指令和数据；处理器，用于与存储器耦合，执行所述存储器中的指令，以实现如权利要求1-5任一项所述的方法。

7.一种计算机存储介质，其特征在于，包含指令，当所述指令在处理器上执行时，实现如权利要求1-5任一项所述的方法。