[發明專利]一種用于高速列車的最大瞬時風速概率預測方法

有效

• 申請號: 201910909626.7
• 申請日: 2019-09-25
• 公開（公告）號: CN110598955B
• 公開（公告）日: 2022-12-20
• 發明（設計）人: 王浩;張一鳴;茅建校;郜輝
• 申請（專利權）人: 東南大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 許小莉

本發明公開了一種用于高速列車的最大瞬時風速概率預測方法。該方法包括：第一步，采集列車運行過程中的最大風速序列，并將其劃分為訓練數據、驗證數據以及測試數據；第二步，輸入訓練數據至LSTM模型，同時將訓練數據隨機化成若干組輸入至RF模型；第三步，以訓練數據及驗證數據的損失值均逐漸減小為原則，調整RF模型與LSTM模型的超參數以使模型性能達到最優，運行LSTM模型若干次得到多組不同的輸出值；第四步，采用RF模型及LSTM模型的輸出值作為GPR模型的輸入，訓練并確定GPR模型的最優核函數；第五步，將測試數據輸入最優RF模型及LSTM模型，GPR模型的輸出值即為最大瞬時風速的概率預測值，用以提前控制強風下的高速列車車速。

技術領域：

本發明涉及鐵路工程領域，通過集成不同的深度學習算法，對強風下高速列車的最大瞬時風速進行概率預測，具體涉及一種用于高速列車的最大瞬時風速概率預測方法。

背景技術：

近年來，世界范圍內列車在強風作用下導致的脫軌事故時有發生，帶來了嚴重的經濟損失甚至人員傷亡。強風下列車的車速控制主要依賴于實測或預測的最大瞬時風速，因此精確的風速預測方法是減小列車在強風下運行時事故發生率的有效手段。

現有風速預測方法主要分為基于物理模型和數據驅動的兩大類方法。基于物理模型的風速預測方法需要考慮如溫度、濕度、大氣壓等氣象信息，常借助流體動力學和熱力學公式進行天氣預測，而用于短期風速預測時精度較低。數據驅動的風速預測方法主要采用歷史數據建立統計模型預測未來短期風速。ARIMA模型，即差分自回歸移動平均模型(Autoregressive Integrated Moving Average Model,簡記ARIMA)，也叫求和自回歸移動平均模型，由于其數學表達式明確且計算效率較高的特點被廣泛用于預測短期風速，但風速序列的非平穩和非線性較強時，其預測精度將會降低。一些處理非線性能力較強的預測方法包括人工神經網絡(ANN)、支持向量機(SVM)及高斯過程模型(GPR)也得到了快速發展及應用。

為進一步提高風速預測的準確性，混合預測方法近年來得到了廣泛關注。混合預測方法融合了多種預測方法針對風速序列中的不同成分進行建模。基于ARIMA的混合預測方法包括ARIMA-ANN、ARIMA-SVR等，該方法主要基于風速序列包括線性成分和非線性成分的假設。首先利用ARIMA可有效處理線性時間序列的特點對風速進行建模預測，其預測殘差被認為主要包含非線性成分，因而采用ANN或SVR等處理非線性能力較強的方法進行建模，最后的預測值為兩種模型輸出值的疊加。然而，由于殘差中可能包含線性成分，在一些情況下，這種假設可能會降低預測方法的準確性。另一種常用的混合預測方法主要利用如小波變換、經驗模態分解等信號處理手段，將隨機性較強的風速序列進行預處理，以提高預測性能。其主要做法是，利用信號分解方法，將原始風速分解為不同的子序列，然后對各個風速子序列分別建模預測，疊加各子序列的輸出值即為風速預測值。

深度學習算法由于其精度高、魯棒性強等優點被逐漸認為是預測時間序列的有效方法。在深度學習算法中，長短時記憶神經網絡(LSTM)與隨機森林(RF)常用于處理時間序列的非線性問題，但在最大風速的短時預測中應用較少。由于最大風速具有較高的隨機性即不確定性，導致了較高的預測難度。概率預測方法除了進行單值預測外同時考慮了預測結果的不確定性，從而為決策者提供了更多有效的信息。然而，現有風速預測方法多面向風速均值的預測而非瞬時風速的最大值，且沒有充分利用深度學習算法的特點。另外，現有方法多為風速單值預測，忽略了風速預測的不確定性。因此，亟需一種面向最大瞬時風速的精確概率預測方法，為列車在強風下運行時的車速控制提供有效依據。

發明內容

針對上述存在的問題，本發明提出一種用于高速列車的最大瞬時風速概率預測方法，采用多種深度學習算法，充分結合不同算法的特點，深度挖掘最大風速序列中的有效信息，從而根據歷史數據進行準確預測。另外，在預測過程中考慮了風速的不確定性，可為強風下高速列車的速度控制提供更為全面有效的信息，本發明中所述的高速列車，一般是指時速在250km以上的列車。

上述的目的通過以下技術方案實現：