基于属性相关分析与聚类的铁路列车时刻表非均衡数据集预处理方法

孔德越，周姗琪，朱建生，闫力斌，吴 颖

（1. 中国铁道科学研究院集团有限公司 电子计算技术研究所，北京 100081；2. 中国国家铁路集团有限公司，北京 100844）

随着铁路客运市场化改革的 不断深化，高速铁路动态列车开行方案、“一日一图”等铁路客运精细化管理策略正在逐步实施[1]，列车运行图调整（简称：调图）日趋频繁。调图时，不同车次时刻表的变动频率和属性调整范围不尽相同，部分车次时刻表调整频率极低，但调整幅度大，甚至会改变开行区间；部分车次时刻表逐周、逐月调整，但每次仅对某一属性进行小幅微调[2]。对列车时刻表数据进行挖掘分析时，会面临非均衡数据集问题，即数据集中不同车次的时刻表数据样本量差别较大，不同时期运行图中同一车次的时刻表数据样本的属性差异不大。通常，非均衡数据集会对数据分析模型的适用性和准确度产生不利影响，在选择数据分析模型时存在较大局限。因此，解决数据集不均衡问题是高效、准确地提取列车时刻表数据所蕴含信息的关键[3]。

在实际数据分析工作中，为解决非均衡数据集问题，通常需要进行数据预处理。常用的数据预处理方法有重采样算法和惩罚模型算法，这2类算法各有利弊。重采样算法是解决非均衡数据集最通用的一类方法，近年来学术界提出合成数据采样、聚类采样以及集成采样等多种具体算法，其中最常用的是SMOTE算法[4-5]。重采样算法根据需要从原数据集中随机选择数据样本，生成新的均匀数据集，常用于音频、图像数据处理，其缺点是：新数据集与原数据集存在一定差异，且随机性较大，采样结果不可重现，影响后续数据分析中模型的应用效果[6-7]。……