基于TimeGAN的軌道交通LTE-M故障預(yù)測研究

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2025）08-0010-06

Abstract：The Long TermEvolution of Metro （LTE-M） network fault prediction datasetof rail transit has the problems ofunbalancedsamplesandsmallamountofsampledatawhichimpacttheacuracyoffault prediction.Inordertosolvethe above problems，this paper proposes aresearch methodofLTE-Mfault predictionofrail transitbased onconditionalTime-series Generative Adversarial Networks （TimeGAN）.Bydefiningdynamic autoencoderandstatic autoencoderinTimeGANmodel，this method furtherexploresthedynamicandstaticcharacteristicsofLT-Mfaultdataofrailtransit，andintroducesGELUactivation functionnthepotentialspaceofgeneratoranddiscriminatortoaceleratemodelconvergenceandgeneratesyntheticdatacloser toreal data，thusefectivelyalleviating the problemofunbalancedfaultdatasetandsmalldatavoume.Theexperimentalresults showthatwhenthedatasynthesizedbytheTimeGANmodelisusedforfaultpredictiontraining，itcanproducebeterediction results than the original data.

Keywords：rail transitLTE-M;fault prediction;time-series;TimeGAN

0 引言

隨著新一代移動(dòng)通信的飛速發(fā)展，軌道交通通信基礎(chǔ)設(shè)施規(guī)模也迅速擴(kuò)展，LTE-M網(wǎng)絡(luò)作為軌道交通網(wǎng)絡(luò)關(guān)鍵組成部分，其復(fù)雜性也隨之增加。軌道交通LTE-M網(wǎng)絡(luò)系統(tǒng)中任何一個(gè)設(shè)備發(fā)生故障都可能觸發(fā)一系列設(shè)備的連鎖告警反應(yīng)，從而產(chǎn)生大量的告警信息。這不僅阻礙網(wǎng)絡(luò)管理人員對故障的及時(shí)和準(zhǔn)確定位，也極大地增加了網(wǎng)絡(luò)維護(hù)的難度。實(shí)時(shí)準(zhǔn)確監(jiān)測網(wǎng)絡(luò)設(shè)備并實(shí)現(xiàn)故障快速定位甚至預(yù)測網(wǎng)絡(luò)故障成為維護(hù)網(wǎng)絡(luò)通信質(zhì)量的核心任務(wù)。

隨著深度學(xué)習(xí)在故障預(yù)測領(lǐng)域的廣泛應(yīng)用，深度學(xué)習(xí)技術(shù)對網(wǎng)絡(luò)故障預(yù)測的研究也層出不窮，但是現(xiàn)有故障預(yù)測研究，對時(shí)間序列特征間關(guān)系的挖掘還不夠充分，導(dǎo)致預(yù)測精度較低。基于深度學(xué)習(xí)的時(shí)間序列預(yù)測主要涉及金融股票[1]、軌跡預(yù)測[2]和工業(yè)指標(biāo)[3]等多個(gè)領(lǐng)域?；谏疃葘W(xué)習(xí)的故障預(yù)測方法通過學(xué)習(xí)歷史數(shù)據(jù)的特征，展現(xiàn)出對網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整的高度適應(yīng)性。施清譯[4等提出一種將時(shí)序生成對抗網(wǎng)絡(luò)和通道空間雙注意力機(jī)制相結(jié)合的數(shù)據(jù)生成方法，合成了與實(shí)際電器功率數(shù)據(jù)相似度較高的合成數(shù)據(jù)。雖然深度學(xué)習(xí)技術(shù)的發(fā)展帶來了預(yù)測性能的提升，但其性能的提升往往依賴于大量的訓(xùn)練樣本數(shù)據(jù)集。然而，在面對實(shí)際數(shù)據(jù)集時(shí)，可能面臨數(shù)據(jù)量不足導(dǎo)致樣本不均衡等問題。數(shù)據(jù)集的數(shù)量較少使得預(yù)測模型難以捕獲數(shù)據(jù)中的特征依賴關(guān)系，預(yù)測模型的準(zhǔn)確性往往難以達(dá)到預(yù)期。

數(shù)據(jù)增強(qiáng)是擴(kuò)充數(shù)據(jù)的一種方法，近年來廣泛應(yīng)用于回歸分析和分類領(lǐng)域，并取得了較大進(jìn)展。然而，針對時(shí)間序列數(shù)據(jù)的增強(qiáng)方法研究仍然較少。對抗生成網(wǎng)絡(luò)（GAN）[5]利用合成虛擬樣本的概念，創(chuàng)造了合成數(shù)據(jù)。通過聯(lián)合訓(xùn)練生成器和判別器，GAN逐步擬合原始數(shù)據(jù)分布?；贕AN的數(shù)據(jù)增強(qiáng)策略，Zhang等開發(fā)了一種改進(jìn)的耦合生成器對抗堆疊自編碼器（ICoGASA），以模擬更真實(shí)的天氣預(yù)報(bào)誤差和不同居民的生活方式，并根據(jù)訓(xùn)練樣本生成合成樣本（RSS）。改進(jìn)的條件生成對抗網(wǎng)絡(luò)（RegGAN）[7]通過采樣生成新的特征數(shù)據(jù)，并改進(jìn)了CGAN以生成相應(yīng)的估計(jì)值。連續(xù)循環(huán)神經(jīng)網(wǎng)絡(luò)（C-RNN-GAN）結(jié)合了對抗性訓(xùn)練和循環(huán)神經(jīng)網(wǎng)絡(luò)，用于時(shí)間序列數(shù)據(jù)增強(qiáng)，但未能很好地捕捉時(shí)間步依賴關(guān)系及其動(dòng)態(tài)特征。Yoon等人提出的TimeGAN方法結(jié)合了預(yù)測任務(wù)的監(jiān)督學(xué)習(xí)和編碼任務(wù)的非監(jiān)督學(xué)習(xí)，有效生成時(shí)間序列數(shù)據(jù)。Zhang[1o]等，提出數(shù)據(jù)的質(zhì)量和數(shù)量是影響模型預(yù)測精度的關(guān)鍵，并將TimeGAN應(yīng)用于供熱領(lǐng)域，增加了數(shù)據(jù)量，并提高了預(yù)測模型的精度。王渝紅[等，提出一種基于條件生成對抗網(wǎng)絡(luò)（CGAN）與遷移學(xué)習(xí)的暫態(tài)電壓穩(wěn)定超前判別方法，取得了較好的實(shí)驗(yàn)效果。周琳茹[12]等，采用基于注意力機(jī)制的生成對抗網(wǎng)絡(luò)對任務(wù)分析方法進(jìn)行研究，使得模擬生成的數(shù)據(jù)集精度有了較好的提升。

基于上述軌道交通LTE-M網(wǎng)絡(luò)故障預(yù)測研究中存在的問題，首先分析軌道交通LTE-M網(wǎng)絡(luò)故障特征，并引入TimeGAN模型，該模型將自回歸學(xué)習(xí)和對抗學(xué)習(xí)無監(jiān)督訓(xùn)練相結(jié)合，使用兩個(gè)自編碼器分別處理動(dòng)靜態(tài)數(shù)據(jù)，進(jìn)一步挖掘軌道交通LTE-M網(wǎng)絡(luò)故障的潛在靜態(tài)分布規(guī)律和動(dòng)態(tài)依賴演變特性，從數(shù)據(jù)層面解決數(shù)據(jù)集中存在的樣本不均衡問題；在生成器與判別器的潛在空間使用GELU激活函數(shù)，GELU函數(shù)的平滑性和近似線性特性有助于加速梯度下降算法的收斂，使TimeGAN模型更快地學(xué)習(xí)和適應(yīng)數(shù)據(jù)，生成高質(zhì)量的新樣本。為了驗(yàn)證生成數(shù)據(jù)的真實(shí)性和有用性，比較了數(shù)據(jù)增強(qiáng)方法所生成數(shù)據(jù)的分布差距以及合成數(shù)據(jù)用于預(yù)測時(shí)的預(yù)測效果。

1軌道交通LTE-M網(wǎng)絡(luò)故障特點(diǎn)分析

軌道交通LTE-M網(wǎng)絡(luò)故障與告警日志數(shù)據(jù)和網(wǎng)絡(luò)日常運(yùn)行數(shù)據(jù)的變化密切相關(guān)。在軌道交通LTE-M網(wǎng)絡(luò)管理系統(tǒng)中，網(wǎng)絡(luò)日常運(yùn)行數(shù)據(jù)可以提供關(guān)于故障發(fā)生時(shí)設(shè)備狀態(tài)的詳細(xì)信息，幫助網(wǎng)絡(luò)管理人員及時(shí)進(jìn)行故障定位。告警日志數(shù)據(jù)記錄系統(tǒng)在設(shè)備運(yùn)行過程中記錄各種告警事件，包括設(shè)備號、告警名稱、告警級別以及發(fā)生時(shí)間等信息，如表1所示是部分網(wǎng)絡(luò)告警日志記錄的示例。

如表2所示是部分網(wǎng)絡(luò)日常運(yùn)行數(shù)據(jù)的示例。通過分析告警日志數(shù)據(jù)以及網(wǎng)絡(luò)日常運(yùn)行數(shù)據(jù)總結(jié)出LTE-M網(wǎng)絡(luò)故障數(shù)據(jù)動(dòng)靜態(tài)特征。本文將軌道交通LTE-M故障數(shù)據(jù)集特征劃分為兩個(gè)維度。

1）告警日志數(shù)據(jù)：告警日志數(shù)據(jù)是記錄不同告警發(fā)生時(shí)間的數(shù)據(jù)，其告警的種類在系統(tǒng)中是有限，數(shù)據(jù)種類是有限的意味著數(shù)據(jù)集中的每個(gè)數(shù)據(jù)點(diǎn)都屬于已知的、固定的類別或取值范圍，在一定范圍內(nèi)是固定不發(fā)生變化的，因此可以將告警數(shù)據(jù)看作靜態(tài)特征數(shù)據(jù)。

2）網(wǎng)絡(luò)日常運(yùn)行數(shù)據(jù)：網(wǎng)絡(luò)日常運(yùn)行數(shù)據(jù)記錄網(wǎng)絡(luò)設(shè)備運(yùn)行狀態(tài)，其是典型的時(shí)間序列，當(dāng)網(wǎng)絡(luò)日常運(yùn)行數(shù)據(jù)出現(xiàn)異常波動(dòng)時(shí)，可能預(yù)示著網(wǎng)絡(luò)設(shè)備在運(yùn)行過程中，出現(xiàn)了異常。這類數(shù)據(jù)隨著時(shí)間的波動(dòng)變化具有季節(jié)性、周期性等特點(diǎn)，故將這類數(shù)據(jù)劃分為時(shí)態(tài)特征數(shù)據(jù)。

2 TimeGAN原理

TimeGAN模型由三個(gè)部分組成，分別是GAN網(wǎng)絡(luò)、動(dòng)態(tài)編碼器和靜態(tài)編碼器，如圖1所示。該模型為了降低對抗性學(xué)習(xí)空間的高維性，引入了兩個(gè)嵌入網(wǎng)絡(luò)，分別提供動(dòng)態(tài)和靜態(tài)特征與潛在表示之間的可逆映射關(guān)系。在學(xué)習(xí)嵌入空間對抗性聯(lián)合訓(xùn)練時(shí)，引入使用原始數(shù)據(jù)作為監(jiān)督的逐步監(jiān)督損失以及真實(shí)序列和合成序列上的無監(jiān)督對抗損失，從而鼓勵(lì)模型捕捉數(shù)據(jù)中的逐步條件分布。

基于TimeGAN模型將時(shí)間序列數(shù)據(jù)特征劃分為兩種：靜態(tài)特征和時(shí)態(tài)特征。考慮軌道交通LTE-M網(wǎng)絡(luò)故障數(shù)據(jù)包含靜態(tài)特征和動(dòng)態(tài)特征。聯(lián)合訓(xùn)練四個(gè)損失函數(shù)的主要目的是減少合成數(shù)據(jù)與原始數(shù)據(jù)在特征分布上的差異。TimeGAN的目標(biāo)是將GAN目標(biāo)和ML目標(biāo)相結(jié)合。這樣自然會產(chǎn)生一個(gè)訓(xùn)練過程，其中包括簡單地添加監(jiān)督損失來指導(dǎo)對抗性學(xué)習(xí)：

2.1 嵌入式和恢復(fù)網(wǎng)絡(luò)

TimeGAN模型中，加入兩個(gè)嵌入式和恢復(fù)網(wǎng)絡(luò)的自的是進(jìn)行動(dòng)態(tài)和靜態(tài)數(shù)據(jù)隱藏空間和特征之間的映射轉(zhuǎn)換，實(shí)現(xiàn)對軌道交通LTE-M網(wǎng)絡(luò)故障數(shù)據(jù)集特征計(jì)算維度的降低，同時(shí)讓生成器G在低維度空間中學(xué)習(xí)數(shù)據(jù)集的潛在時(shí)間逐步依賴分布[13]。本文設(shè)計(jì)了兩個(gè)自編碼器網(wǎng)絡(luò)將動(dòng)態(tài)特征數(shù)據(jù)和靜態(tài)特征數(shù)據(jù)分開進(jìn)行特征提取，減少特征之間的干擾，提高模型的性能和泛化能力，嵌入網(wǎng)絡(luò)與恢復(fù)網(wǎng)絡(luò)維護(hù)一個(gè)重構(gòu)損失函數(shù)LR：

在時(shí)間序列數(shù)據(jù)中，為了生成與真實(shí)數(shù)據(jù)分布接近的合成數(shù)據(jù)，對于D和G網(wǎng)絡(luò)的對抗訓(xùn)練損失函數(shù)LU定義為：

為了準(zhǔn)確的捕捉到時(shí)間序列在時(shí)間維度上的動(dòng)態(tài)特征，生成器G在生成數(shù)據(jù)時(shí)，基于時(shí)刻t-1的輸入數(shù)據(jù)預(yù)測下一時(shí)間步 t 的數(shù)據(jù)。這意味著生成網(wǎng)絡(luò)能夠在隱藏空間中學(xué)習(xí)并捕捉整個(gè)時(shí)間窗口內(nèi)數(shù)據(jù)在特征維度和時(shí)間維度的分布。其預(yù)測損失函數(shù)LS公式為：

2.2生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)

本文將兩個(gè)自編碼網(wǎng)絡(luò)提取特征之后的動(dòng)態(tài)特征數(shù)據(jù)和靜態(tài)特征數(shù)據(jù)疊加組合，得到一個(gè)綜合特征向量輸入到生成器中，整體訓(xùn)練過程包括數(shù)據(jù)的預(yù)處理、降維和模型訓(xùn)練。針對連續(xù)的網(wǎng)絡(luò)日常運(yùn)行數(shù)據(jù)預(yù)處理采用標(biāo)準(zhǔn)化和平滑化處理，離散數(shù)據(jù)則采用熱獨(dú)立編碼建立索引，在離散的告警日志數(shù)據(jù)降維中將稀疏的熱獨(dú)立編碼降維成稠密的矩陣。將降維后的綜合特征向量輸入LSTM中得到當(dāng)前時(shí)刻的狀態(tài)輸出，如式： ， ，其中， ν 為迭代更新函數(shù)， 為輸入的時(shí)間序列， s 為靜態(tài)特征數(shù)據(jù)。

2.3 GELU激活函數(shù)

激活函數(shù)作為神經(jīng)網(wǎng)絡(luò)是否傳遞信息的“開關(guān)”，對于神經(jīng)網(wǎng)絡(luò)來說至關(guān)重要。高斯誤差線性單元激活函數(shù)（GELU）是在激活中引入了隨機(jī)正則的思想，對神經(jīng)元的輸入進(jìn)行概率描述，本文提出將GELU激活函數(shù)應(yīng)用于TimeGAN生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)的隱藏層。

GELU函數(shù)是一種平滑的非線性函數(shù)，其曲線呈現(xiàn)類似S型曲線的形狀。其在整個(gè)實(shí)數(shù)范圍內(nèi)都有連續(xù)的導(dǎo)數(shù)，從而更容易優(yōu)化和訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。GELU函數(shù)呈現(xiàn)線性的特性能夠避免梯度消失和梯度爆炸，能夠穩(wěn)定生成對抗網(wǎng)絡(luò)的參數(shù)更新。使用GELU函數(shù)作為激活函數(shù)可以加速模型的訓(xùn)練收斂過程，減少訓(xùn)練時(shí)間和資源消耗，使TimeGAN模型更快地學(xué)習(xí)和適應(yīng)數(shù)據(jù)。

3 LTE-M網(wǎng)絡(luò)故障預(yù)測實(shí)現(xiàn)

3.1 基于TimeGAN的軌道交通LTE-M故障預(yù)測實(shí)現(xiàn)流程

基于TimeGAN的軌道交通LTE-M故障預(yù)測實(shí)現(xiàn)，具體步驟如下：

1）收集整理地鐵近16個(gè)月以來的網(wǎng)管告警日志和設(shè)備日常運(yùn)行日志數(shù)據(jù)，確保樣本覆蓋常見故障模型與變化趨勢，并對日志進(jìn)行清洗，剔除噪聲，采用Min-Max對訓(xùn)練樣本進(jìn)行歸一化，將各個(gè)數(shù)據(jù)特征值統(tǒng)一到相同的量級。2）在TimeGAN網(wǎng)絡(luò)結(jié)構(gòu)中，配置生成器、判別器和自編碼器模塊，確保生成數(shù)據(jù)在時(shí)間序列和特征空間上的一致性。設(shè)置調(diào)整TimeGAN模型網(wǎng)絡(luò)的超參數(shù)，將訓(xùn)練樣本輸入模型進(jìn)行訓(xùn)練。3）利用訓(xùn)練完成的TimeGAN模型生成與原始數(shù)據(jù)分布相似的合成故障數(shù)據(jù)，以擴(kuò)展訓(xùn)練樣本量并增強(qiáng)模型的魯棒性。4）將TimeGAN生成數(shù)據(jù)和原始數(shù)據(jù)一同輸入LSTM網(wǎng)絡(luò)，以進(jìn)行故障預(yù)測模型的訓(xùn)練。5）通過MAPE、 、MAE等指標(biāo)，量化模型在預(yù)測故障時(shí)的表現(xiàn)。

3.2 評估指標(biāo)

3.2.1 數(shù)據(jù)生成評估指標(biāo) t-S N E

針對本文所提及的訓(xùn)練TimeGAN模型測試，本文將合成的數(shù)據(jù)與原始數(shù)據(jù)進(jìn)行t分布-隨機(jī)近鄰嵌入（t-SNE）。 是一種降維技術(shù)，其將不同數(shù)據(jù)之間的相似程度轉(zhuǎn)化為概率分布。使得具有相似特征的過程數(shù)據(jù)在低維空間中呈現(xiàn)相似的分布，有助于評估合成數(shù)據(jù)的真實(shí)性。

3.2.2 故障預(yù)測評估指標(biāo)

為了驗(yàn)證文中提及的數(shù)據(jù)生成方法的可行性和有效性，需對故障預(yù)測效果進(jìn)行質(zhì)量評估。采用MAPE、 、MAE等指標(biāo)，具體內(nèi)容如：

1）MAPE。平均絕對百分比誤差（MAPE）是用來衡量時(shí)序序列擬合精度的統(tǒng)計(jì)指標(biāo)。MAPE的值越小，說明故障預(yù)測模型精度越高。

其中， N 為樣本的數(shù)量，即預(yù)測值和實(shí)際值的總數(shù)， 為實(shí)際值，第 i 個(gè)樣本的真實(shí)值。 為預(yù)測值，

第 i 個(gè)樣本的預(yù)測值。

2） 。為了直接的觀察故障預(yù)測結(jié)果的準(zhǔn)確性，通過對模型擬合程度進(jìn)行檢驗(yàn)。越接近1表示擬合程度越好。

其中， 為第 i 個(gè)樣本的真實(shí)值。 為第 i 個(gè)樣本的預(yù)測值。

3）MAE。MAE是真實(shí)值與擬合值之間差值的絕對值之和的平均值，僅衡量誤差的平均模長，而不考慮方向，取值范圍也是[0， + ∞ ] 。當(dāng)真實(shí)值與擬合值完全吻合時(shí)，等于0，即完美模型；誤差越大，該值越大。

其中， 為第 i 個(gè)樣本的真實(shí)值。 為第 i 個(gè)樣本的預(yù)測值。

4實(shí)驗(yàn)結(jié)果與分析

4.1 訓(xùn)練數(shù)據(jù)處理

地鐵14號線和18號線2022年12月至2023年12月期間設(shè)備日常運(yùn)行數(shù)據(jù)和告警日志部分?jǐn)?shù)據(jù)如圖2所示。

時(shí)間序列數(shù)據(jù)集有一個(gè)額外的維度一一時(shí)間，可將其視為3D數(shù)據(jù)集。如圖2所示，一個(gè)包含四個(gè)特征和四個(gè)輸入實(shí)例的數(shù)據(jù)集，本文時(shí)間序列數(shù)據(jù)是在該數(shù)據(jù)集上的第三維擴(kuò)展，其中每個(gè)新表格只是新時(shí)間步長的另外一個(gè)數(shù)據(jù)集，本文選取一個(gè)大小為24的窗口，并將這個(gè)窗口沿著數(shù)據(jù)集縱向移位采樣，從而獲得更多數(shù)量的2D矩陣，每個(gè)矩陣的長度為24，并具有該數(shù)據(jù)集所有列的特征。在上述示例數(shù)據(jù)集中，有26行。通過每24行移位采樣，可得到3個(gè)2D矩陣，每個(gè)矩陣有24行和4個(gè)特性，得出一個(gè)維度為（3，（24，4））的數(shù)據(jù)集，其中每個(gè)實(shí)例中有24行和4個(gè)特性。此外，在將數(shù)據(jù)集輸入TimeGAN之前，需要對數(shù)據(jù)集進(jìn)行重構(gòu)，以便模型能夠在固定的時(shí)間長度內(nèi)學(xué)習(xí)數(shù)據(jù)的時(shí)間動(dòng)態(tài)。

4.2 超參數(shù)設(shè)置

本文實(shí)驗(yàn)是在Python3環(huán)境中使用TensorFlow和Keras進(jìn)行的。訓(xùn)練過程在一臺使用NVIDIAH100GPU的機(jī)器上進(jìn)行。在TimeGAN模型的訓(xùn)練中，選擇4種不同的故障類型和4種不同網(wǎng)絡(luò)日常運(yùn)行數(shù)據(jù)類型進(jìn)行合成序列生成，每個(gè)序列長度為10000，使用大小為24的滑動(dòng)時(shí)間窗來捕獲時(shí)間依賴性。該架構(gòu)使用三層門控循環(huán)單元（GRU）網(wǎng)絡(luò)構(gòu)建，用于嵌入、恢復(fù)以及生成和判別組件，隱藏層的維度是設(shè)備類型數(shù)量的四倍。采用數(shù)據(jù)歸一化來促進(jìn)模型收斂，生成的序列進(jìn)行反歸一化以解釋結(jié)果，λ和分別設(shè)置為1和16。以TimeGAN為基準(zhǔn)，所有訓(xùn)練都使用Adam優(yōu)化器進(jìn)行細(xì)化，設(shè)置學(xué)習(xí)率為0.0001，beta值為0.9和0.999。

4.2.1 數(shù)據(jù)生成與可視化

為了驗(yàn)證本文所提出的數(shù)據(jù)增強(qiáng)方法能夠改善軌道交通LTE-M網(wǎng)絡(luò)故障預(yù)測精度因數(shù)據(jù)不均衡和數(shù)據(jù)量小而不準(zhǔn)確的問題，將收集整理的地鐵12個(gè)月的LTE-M網(wǎng)絡(luò)故障數(shù)據(jù)集，利用TimeGAN數(shù)據(jù)增強(qiáng)方法進(jìn)行數(shù)據(jù)擴(kuò)充，然后將原數(shù)據(jù)訓(xùn)練的數(shù)據(jù)增強(qiáng)網(wǎng)絡(luò)生成的3000個(gè)合成數(shù)據(jù)與原3000個(gè)數(shù)據(jù)樣本進(jìn)行可視化對比，結(jié)果如圖3所示。灰點(diǎn)和黑點(diǎn)分別代表生成模型訓(xùn)練LTE-M故障數(shù)據(jù)樣本之后生成的二維空間映射數(shù)據(jù)集和真實(shí)數(shù)據(jù)集。在圖3中TimeGAN生成的數(shù)據(jù)與原始數(shù)據(jù)更好地對齊，偏移數(shù)據(jù)點(diǎn)更少。

4.2.2 預(yù)測內(nèi)容

本文將與TimeGAN原理類似的RCGAN和C-RNN-GAN兩種模型作為對比對象。使用TimeGAN、RCGAN和C-RNN-GAN模型訓(xùn)練LTE-M故障數(shù)據(jù)樣本，分別生成四組生成數(shù)據(jù)，再將生成數(shù)據(jù)輸入LSTM預(yù)測模型，計(jì)算三組預(yù)測值的MAPE、 、MAE值，如表3所示?？梢奟CGAN和C-RNN-GAN預(yù)測效果均不佳，TimeGAN模型預(yù)測效果較好。TimeGAN模型在軌道交通LTE-M網(wǎng)管故障數(shù)據(jù)時(shí)間序列潛在信息的利用上表現(xiàn)出更高的效率。實(shí)驗(yàn)還驗(yàn)證了該模型在故障預(yù)測問題上的精度更高。

5結(jié)論

本文對軌道交通LTE-M網(wǎng)絡(luò)故障預(yù)測問題進(jìn)行建模，針對LTE-M故障預(yù)測數(shù)據(jù)集樣本不均衡和數(shù)據(jù)量較小等問題，提出TimeGAN時(shí)間序列生成模型，用于LTE-M網(wǎng)絡(luò)故障數(shù)據(jù)預(yù)測，主要特點(diǎn)如下：

1）將告警日志數(shù)據(jù)和網(wǎng)絡(luò)日常運(yùn)行數(shù)據(jù)劃分為故障數(shù)據(jù)的動(dòng)靜態(tài)特征，并作為TimeGAN模型的條件監(jiān)督項(xiàng)，融合了自回歸模型有監(jiān)督訓(xùn)練與對抗學(xué)習(xí)無監(jiān)督訓(xùn)練。

2）TimeGAN提出設(shè)計(jì)兩個(gè)自編碼器網(wǎng)絡(luò)分別對軌道交通LTE-M動(dòng)靜態(tài)特征數(shù)據(jù)進(jìn)行特征提取，提高特征提取的準(zhǔn)確性，避免動(dòng)靜態(tài)特征干擾，使得合成數(shù)據(jù)與原始數(shù)據(jù)更加接近，真實(shí)性更高，優(yōu)于其他數(shù)據(jù)增強(qiáng)網(wǎng)絡(luò)。

將收集整理的地鐵16個(gè)月的故障數(shù)據(jù)集輸入改進(jìn)模型，得到質(zhì)量更高的合成數(shù)據(jù)，再將合成數(shù)據(jù)輸入LSTM網(wǎng)絡(luò)預(yù)測模型，實(shí)驗(yàn)結(jié)果表明，TimeGAN模型生成的數(shù)據(jù)在用于故障預(yù)測訓(xùn)練時(shí)，能夠產(chǎn)生更好的擬合效果，有效提升軌道交通LTE-M網(wǎng)絡(luò)故障預(yù)測的精度。

參考文獻(xiàn)：

[1]陳東洋，毛力.融合增量學(xué)習(xí)與Transformer模型的股價(jià)預(yù)測研究[J].計(jì)算機(jī)科學(xué)與探索，2024，18（7）：1889-1899.

[2]李娜，羊釗，王業(yè)萍，等.融合時(shí)序注意力的CNN-BiGRU四軸無人機(jī)軌跡預(yù)測方法[J/OL].武漢理工大學(xué)學(xué)報(bào)：交通科學(xué)與工程版，2025：1-9[2025-03-13].http：//kns.cnki.net/kcms/detail/42.1824.U.20240409.1221.046.html.

[3]謝博才，宮殿君.基于機(jī)器學(xué)習(xí)的道岔故障診斷與預(yù)測研究綜述[J].鐵路通信信號工程技術(shù)，2021，18（8）：93-99.

[4]施清譯，汪偉，安斯光，等.基于時(shí)序生成對抗網(wǎng)絡(luò)和注意力機(jī)制的電器數(shù)據(jù)生成方法[J].現(xiàn)代電子技術(shù)，2024，47（11）：161-167.

[5]李蘭，張潔，劉杰，等.基于GAN的社會和場景感知行人軌跡預(yù)測[J].計(jì)算機(jī)應(yīng)用與軟件，2024，41（6）：72-78.

[6] ZHANGGQ，GUOJF.ANovel Ensemble Method forResidential ElectricityDemand ForecastingBased onANovelSample Simulation Strategy[J].Energy，2020：207：118265.

[7]CHENZS，HOUKR，ZHUMY，etal.AVirtualSampleGeneration ApproachBased onaModified ConditionalGAN and Centroidal Voronoi Tessellation Sampling to Cope WithSmall Sample Size Problems：Applicationto softSensing forChemical Process[J].Applied SoftComputing，2021，101：

[8]丁琳琳，胡永亮，李昱達(dá)，等.基于條件對抗增強(qiáng)的Transformer煤礦微震定位方法[J].計(jì)算機(jī)與數(shù)字工程，2024，52（1）：1-8+17.

[9]YOONJ，JARRETTD，SCHAARMVD.Time-Series Generative AdversarialNetworks[EB/OL].[2024-09-28].https：// papers.nips.cc/paper/8789-time-series-generative-adversarialnetworks.pdf.

[10]ZHANGYF，ZHOUZH，LIUJW.DataAugmentation for ImprovingHeatingLoad Prediction ofHeatingSubstationBasedon TimeGAN[J].Energy，2022，260：1-12.

[11]王渝紅，何其多，鄭宗生，等.基于條件生成對抗網(wǎng)絡(luò)與遷移學(xué)習(xí)的暫態(tài)電壓穩(wěn)定超前判別[J].電力自動(dòng)化設(shè)備，2025，45（2）：159-166.

[12]周琳茹，彭鵬菲.基于注意力-生成對抗網(wǎng)絡(luò)的任務(wù)分析方法研究[J].計(jì)算機(jī)科學(xué)，2024，51（3）：63-71.

[13]HARFORD S，KARIMF，DARABIH.Generating AdversarialSamplesonMultivariateTimeSeriesusingVariational Autoencoders[J].IEEE/CAA JournalofAutomatica Sinica， 2021，8（9）：1523-1538.

[14]譚建所，吳興華，徐文光，等.基于tSNE-LSTM算法的工業(yè)預(yù)測模型[J].現(xiàn)代電子技術(shù)，2024，47（12）：81-85.

作者簡介：余鳳琴（1999—），女，漢族，安徽安慶人，碩士研究生在讀，研究方向：軌交智能控制與監(jiān)測。