[發(fā)明專(zhuān)利]一種融合風(fēng)向的鐵路沿線(xiàn)風(fēng)速智能滾動(dòng)預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811099805.0
• 申請(qǐng)日: 2018-09-20
• 公開(kāi)（公告）號(hào): CN109190839B
• 公開(kāi)（公告）日: 2022-02-15
• 發(fā)明（設(shè)計(jì)）人: 劉輝;吳海平;陳浩林
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中南大學(xué)
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q50/30;G06N3/04
• 代理公司: 長(zhǎng)沙市融智專(zhuān)利事務(wù)所(普通合伙) 43114
• 代理人: 龔燕妮

本發(fā)明公開(kāi)了一種融合風(fēng)向的鐵路沿線(xiàn)風(fēng)速智能滾動(dòng)預(yù)測(cè)方法，通過(guò)歷史風(fēng)速建立多個(gè)高精度風(fēng)速預(yù)測(cè)模型，集成優(yōu)化預(yù)測(cè)結(jié)果，通過(guò)擇優(yōu)集成和關(guān)聯(lián)分析的方法，提升了風(fēng)速預(yù)測(cè)模型的預(yù)測(cè)精度和預(yù)測(cè)穩(wěn)定性，增加了風(fēng)速預(yù)測(cè)過(guò)程的魯棒性；同時(shí)利用模擬預(yù)測(cè)誤差，結(jié)合目標(biāo)測(cè)風(fēng)點(diǎn)風(fēng)向真實(shí)值，建立風(fēng)速預(yù)測(cè)誤差校正模型，極大提高鐵路沿線(xiàn)風(fēng)速預(yù)測(cè)精度；風(fēng)速預(yù)測(cè)過(guò)程融合風(fēng)向數(shù)據(jù)，構(gòu)造風(fēng)速預(yù)測(cè)誤差與風(fēng)向之間的映射關(guān)系，針對(duì)不同的風(fēng)向?qū)蓛?yōu)化后的預(yù)測(cè)風(fēng)速進(jìn)行進(jìn)一步的優(yōu)化，避免了單一數(shù)據(jù)驅(qū)動(dòng)的局限性，完善了鐵路沿線(xiàn)風(fēng)速預(yù)測(cè)的流程，顯著提高風(fēng)速預(yù)測(cè)精度。

技術(shù)領(lǐng)域

本發(fā)明屬于鐵路風(fēng)速預(yù)測(cè)領(lǐng)域，特別涉及一種融合風(fēng)向的鐵路沿線(xiàn)風(fēng)速智能滾動(dòng)預(yù)測(cè)方法。

背景技術(shù)

大風(fēng)嚴(yán)重威脅鐵路運(yùn)輸?shù)倪\(yùn)營(yíng)安全，每年因突發(fā)大風(fēng)導(dǎo)致的安全事故不在少數(shù)。針對(duì)鐵路大風(fēng)問(wèn)題，多數(shù)研究者將目光放在鐵路沿線(xiàn)風(fēng)速的預(yù)測(cè)中，旨在通過(guò)對(duì)風(fēng)速時(shí)間序列分析，實(shí)現(xiàn)鐵路沿線(xiàn)風(fēng)速的高精度預(yù)測(cè)，很少涉及預(yù)測(cè)完成后的誤差校正問(wèn)題。

造成列車(chē)事故的因素除了風(fēng)速外，還跟大風(fēng)的風(fēng)向密切相關(guān)，同等運(yùn)行速度下，列車(chē)的運(yùn)行狀態(tài)同風(fēng)向呈現(xiàn)高相關(guān)性；對(duì)于歷史風(fēng)數(shù)據(jù)中，風(fēng)向相近的大風(fēng)在生成因素、變化規(guī)律方面存在高相關(guān)性。

發(fā)明內(nèi)容

本發(fā)明提供了一種融合風(fēng)向的鐵路沿線(xiàn)風(fēng)速智能滾動(dòng)預(yù)測(cè)方法，通過(guò)歷史風(fēng)速建立多個(gè)高精度風(fēng)速預(yù)測(cè)模型，集成優(yōu)化預(yù)測(cè)結(jié)果，提高預(yù)測(cè)精度，同時(shí)利用模擬預(yù)測(cè)預(yù)測(cè)誤差，結(jié)合目標(biāo)測(cè)風(fēng)點(diǎn)風(fēng)向真實(shí)值，建立誤差修正模型，進(jìn)一步提高風(fēng)速預(yù)測(cè)預(yù)測(cè)精度。

一種融合風(fēng)向的鐵路沿線(xiàn)風(fēng)速智能滾動(dòng)預(yù)測(cè)方法，包括以下步驟：

步驟1：在鐵路目標(biāo)測(cè)風(fēng)點(diǎn)設(shè)置測(cè)風(fēng)站，包括目標(biāo)測(cè)風(fēng)站和輔助測(cè)風(fēng)站；

所述目標(biāo)測(cè)風(fēng)站1個(gè)，距離鐵路目標(biāo)測(cè)風(fēng)點(diǎn)100米，所述輔助測(cè)風(fēng)站包括3個(gè)，布置在等邊三角形的三個(gè)頂點(diǎn)，兩兩之間相距1000米，等邊三角形中心位于目標(biāo)測(cè)風(fēng)站處，底邊平行于鐵路軌道；

步驟2：構(gòu)建訓(xùn)練樣本數(shù)據(jù)；

以相同采樣頻率采集兩段不同歷史時(shí)間段內(nèi)目標(biāo)測(cè)風(fēng)站的風(fēng)速數(shù)據(jù)、風(fēng)向數(shù)據(jù)和輔助測(cè)風(fēng)站的風(fēng)向數(shù)據(jù)；

將第一段歷史時(shí)間段內(nèi)目標(biāo)測(cè)風(fēng)站的歷史風(fēng)速數(shù)據(jù)，以時(shí)間間隔T內(nèi)的風(fēng)速中值作為目標(biāo)測(cè)風(fēng)站的樣本時(shí)刻風(fēng)速，獲得風(fēng)速樣本數(shù)據(jù)；將第一段歷史時(shí)間段內(nèi)各測(cè)風(fēng)站的歷史風(fēng)向數(shù)據(jù)以時(shí)間間隔T內(nèi)的風(fēng)向中值作為各測(cè)風(fēng)站的樣本時(shí)刻風(fēng)向，獲得風(fēng)向訓(xùn)練樣本數(shù)據(jù)；

將第二段歷史時(shí)間段內(nèi)各測(cè)風(fēng)站的歷史風(fēng)速數(shù)據(jù)和歷史風(fēng)向數(shù)據(jù)，按照第一段歷史時(shí)間段內(nèi)歷史風(fēng)速和風(fēng)向數(shù)據(jù)的處理方法處理，獲得風(fēng)向與風(fēng)速誤差校正樣本數(shù)據(jù)；

即將每個(gè)時(shí)間間隔T內(nèi)的多個(gè)風(fēng)速/風(fēng)向的中值作為一個(gè)樣本時(shí)刻的風(fēng)速/風(fēng)向值，壓縮歷史風(fēng)速/風(fēng)向數(shù)據(jù)；

步驟3：利用風(fēng)速樣本數(shù)據(jù)和設(shè)置的預(yù)測(cè)步長(zhǎng)，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)模型；

將風(fēng)速樣本數(shù)據(jù)中最后102+Δt個(gè)時(shí)刻的數(shù)據(jù)作為風(fēng)速測(cè)試樣本，其余時(shí)刻的數(shù)據(jù)作為風(fēng)速訓(xùn)練樣本，Δt為預(yù)測(cè)步長(zhǎng)，取值范圍為z·T，z＝1，2，3…,10；

針對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)模型中的卷積層個(gè)數(shù)和卷積核大小，隨機(jī)選取n種取值組合,n取值至少為100，構(gòu)建n個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)模型；

利用風(fēng)速訓(xùn)練樣本數(shù)據(jù)，依次以任意三個(gè)連續(xù)時(shí)刻t-2、t-1、和t時(shí)刻的風(fēng)速值作為每個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)模型的輸入數(shù)據(jù)，將t+Δt時(shí)刻的風(fēng)速值作為每個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)模型的輸出數(shù)據(jù)，訓(xùn)練得到n個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)模型；

依次將風(fēng)速測(cè)試樣本連續(xù)三個(gè)時(shí)刻的風(fēng)速值作為每個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)模型的輸入數(shù)據(jù)，分別得到風(fēng)速測(cè)試樣本中最后100個(gè)時(shí)刻的風(fēng)速測(cè)試預(yù)測(cè)值；