[發明專利]基于QRNN改進Stacking算法的列車行駛風速概率預測方法

有效

• 申請號: 202011021235.0
• 申請日: 2020-09-25
• 公開（公告）號: CN112183847B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 何耀耀;肖經凌;王云;張婉瑩;朱建華
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于QRNN改進Stacking算法的列車行駛風速概率預測方法，其特征是按如下步驟進行：

步驟1、收集鐵路沿線在危險區域風速觀測站的風速相關數據，并將所有數據轉化成無量綱的純數值后，劃分訓練集和測試集；

步驟1.1、收集鐵路沿線在危險區域風速觀測風站點的歷史風速和λ個影響因子并進行歸一化處理，從而得到規整后的數據集；

步驟1.2、將規整后的數據集中的歷史風速和λ個影響因子都滯后m期，從而得到共m(λ+1)個解釋變量，記為X＝{x_i}_{i＝m+1,m+2,…,n}以及一個響應變量記為Y＝{y_i}_{i＝m+1,m+2,…,n}，其中，x_i表示第i個時間點的解釋變量數據集合，并有：x_i＝{x_i,j}_{j＝1,2,…,m(λ+1)}，x_i,j為第i個時間點的第j個解釋變量的數據，y_i為第i個時間點的響應變量的數據，n為樣本總數，m為滯后的階數；

將解釋變量和響應變量所組成的數據集(X,Y)劃分成訓練集(X_train,Y_train)和測試集(X_test,Y_test)，其中X_train是訓練集中的解釋變量，Y_train是訓練集中的響應變量，X_test是測試集中的解釋變量，Y_test是測試集中的響應變量；

步驟2、將所述訓練集(X_train,Y_train)和測試集(X_test,Y_test)分別作為自回歸模型、支持向量機和RBF神經網絡模型的輸入，從而相應得到自回歸模型在訓練集(X_train,Y_train)上的輸出記為自回歸模型在測試集(X_test,Y_test)上的輸出記為支持向量機模型在訓練集(X_train,Y_train)上的輸出記為在測試集(X_test,Y_test)上的輸出記為以及RBF神經網絡模型在訓練集(X_train,Y_train)上的輸出記為在測試集(X_test,Y_test)上的輸出記為其中，是自回歸模型在訓練集(X_train,Y_train)上第i個時刻點的風速輸出，Z_i¹是自回歸模型在測試集(X_test,Y_test)上第i個時刻點的風速輸出；是支持向量機模型在訓練集(X_train,Y_train)上第i個時刻點的風速輸出，是支持向量機模型在測試集(X_test,Y_test)上第i個時刻點的風速輸出；是RBF神經網絡模型在訓練集(X_train,Y_train)上第i個時刻點的風速輸出，是RBF神經網絡模型在測試集(X_test,Y_test)上第i個時刻點的風速輸出；

步驟3、令則新的訓練集表示為(U_i,Y_train)，新的測試集表示為(Z_i,Y_test)；

步驟4、使用QRNN改進Stacking算法，在新的訓練集和測試集中得到不同分位點下的預測結果，并結合核密度估計，得到風速的概率性預測，以做出預警判斷；

步驟4.1、利用新的訓練集(U_i,Y_train)對QRNN模型進行訓練，得到訓練后的QRNN模型；將所述新的測試集(Z_i,Y_test)輸入所述訓練后的QRNN模型中，從而獲得在新的測試集(Z_i,Y_test)上的條件分位數預測結果記為其中，表示響應變量Y_test在解釋變量Z_i的第r個分位點τ_r的條件分位數；

步驟4.2令中間變量并作為核密度估計KDE方法的輸入，則利用式(1)得到任意q點的概率密度函數f(q)：

式(1)中，d為帶寬，E(·)為均值為0，積分為1的Epanechnikov核函數；

步驟4.3、將每個時間點的概率密度函數進行離散化處理，得到H個的預測值，并對H個的預測值進行反歸一化最終得到每個時間點的風速預測值，其中，第i個時間點的風速預測值表示為以及相應的概率記為f_i,1,f_i,2,…,f_i,h,…,f_i,H，f_i,h表示第i個時間點的第h個預測值；

步驟4.4、將列車限速閾值設置為T個等級，進而設置T+1個閾值集合{δ_t}_{t＝1,2,...,T+1}，則列車行駛風速預警的判斷依據為δ_t和δ_t+1分別表示第t個區間的閾值下限和閾值上限；針對每個時間點的所有預測值，計算相應時間點的所有預測值在對應閾值區間的概率之和，作為相應時間點分級降速或停車事件發生的概率，記為π(δ_t)。