[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

本發明公開了一種基于QRNN改進Stacking算法的列車行駛風速概率預測方法，其步驟包括：1：收集鐵路沿線危險區域風速觀測站的風速相關數據，劃分訓練集和測試集；2：選擇自回歸AR模型，支持向量機SVM和RBF神經網絡作為基學習器，分別訓練模型；3：將上述三個模型在訓練集上的預測組成新的訓練集，在測試集上的預測組成新的測試集；4：元學習器選擇分位數回歸神經網絡(QRNN)方法，在新的數據集中得到不同分位點下的預測結果，結合核密度估計，得到風速的概率性預測。本發明能充分發揮各學習器的學習性能，同時得到風速預測值的概率密度，從而在充分考慮風速的隨機時序性和高度非線性的情況下，提供更加可靠的預警信息。

技術領域

本發明屬于風速預測領域，具體的說是一種基于QRNN改進Stacking算法的列車行駛風速概率預測方法。

背景技術

大風等惡劣天氣會嚴重影響列車的安全行駛，由于風速的隨機時序性和高度非線性，使鐵路大風災害事故的預警更具嚴峻性。大風災害還會誘導塌方、泥石流等更多災害的發生，為了保障人民生命和財產安全，降低社會負面影響，對鐵路的一些危險區域進行風速預測是至關重要的。

現有的風速預測方法大致分為統計方法和機器學習方法，統計學方法主要包括自回歸模型、滑動平均模型、自回歸滑動平均模型和自回歸積分滑動平均模型等；機器學習方法主要包括支持向量機模型和人工神經網絡模型等。但這些單一的方法針對隨機性強的風速有明顯不足，無法準確捕捉不同環境中的風速特征，誤差較大，且沒有一種足夠優越的方法適應多變的風速，因此越來越多的集成方法也隨之建立。雖然集成方法提高了結果精度，但只獲取風速的點預測結果，難以反映各種不確定性因素對風速波動性的影響。在集成方法的技術背景下，急需提出一種針對風速概率的特殊預測方法，降低預測結果中隱藏的風險。因此，實現風速預測的高精度，降低預測誤差，為列車在大風環境下安全行駛提供概率密度預測是亟需解決的實際問題。

發明內容

本發明是為了解決上述現有技術存在的不足之處，提出一種基于QRNN改進Stacking算法的列車行駛風速概率預測方法，以期能充分發揮各學習器的學習性能，同時得到風速預測值的概率密度，從而在充分考慮風速的隨機時序性和高度非線性的情況下，提供更加可靠的預警信息。

本發明為達到上述發明目的，采用如下技術方案：

本發明一種基于QRNN改進Stacking算法的列車行駛風速概率預測方法的特點是按如下步驟進行：

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；