基于文本数据挖掘的轨道电路故障智能分类

• 作者: 刘伯鸿 孙浩洋
• 来源期刊: 测控技术
• 学科: 交通运输
• 关键词: 轨道电路 数据挖掘 串行融合 SMOTE 分类器 集成学习
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 试验与测试
• 页码范围: 32-36,92
• 页数: 6页
• 分类号: TP391.1|U284.2
• 语种: 中文
• DOI: 10.19708/j.ckjs.2020.10.006

摘要

针对轨道电路不均衡的故障历史文本数据,提出了一种针对非均衡历史文本数据挖掘的轨道电路智能分类模型.选取TF-IDF和先验LDA无监督机器学习模型对历史故障文本数据分别进行词项级和主题级故障特征提取并向量化,将提取的历史数据特征向量串行融合,得到其特征向量空间.采用SMOTE算法自动生成历史文本数据中的少数类数据,避免在机器学习过程中出现欠拟合现象.鉴于单个分类器在机器学习及智能分类的精度不高,采用投票的方式实现基分类器与集成分类器的集成学习.选择广铁集团电务段2011年的故障文本数据进行试验分析,验证该模型在历史故障数据分类的准确率和召回率等方面的优势.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘伯鸿		38	172	8.0	11.0
2	孙浩洋		2	0	0.0	0.0