混合CNN+TCN延迟预测模型

时空特征双通道捕获

融合3D CNN与TCN，分别挖掘列车运行的时空与时间特征，提升延迟预测的精度与收敛表现。

王大伟 · Jingwei, Guo · Chunyang, Zhang

Advances in Civil Engineering 2024

技术优势

精度更高

3D CNN和TCN分别挖掘时空与时间特征，互补建模提升预测精度。

收敛更快

模型在训练中表现出更好的收敛性能，可减少调参和训练时间。

真实数据验证

在英国两条真实铁路线上评估，结果更具可靠性。

应用场景

• 列车运行图优化：用更高的延迟预测精度，辅助编制更稳健的运行图。
• 铁路运营调度：实时预测延迟，为调度员提供决策支持，减少连锁晚点。
• 交通状态预测：将模型扩展到交通状态预测，提升对复杂交通流的感知能力。
• 智能交通系统：作为智能交通系统的预测模块，支撑更主动的运营管理。