[发明专利]混合神经网络和AR模型的高速铁路信号系统流量预测方法

说明书

本发明实施例提供了一种混合神经网络和AR模型的高速铁路信号系统流量预测方法。该方法包括：给定需要进行流量预测的高速铁路信号系统子系统及其历史流量信息，首先将历史流量信息作为时序数据，其次将时序数据y_t视为线性自相关结构L_t与非线性结构N_t两部分组成，然后用AR模型对时序数据y_t进行预测，记其预测结果为时序数据与AR模型预测结果的残差为e_t，然后用BP神经网络模型对残差序列{e_t}进行预测，记预测结果为最后使用AR模型与BP神经网络模型进行组合预测得到预测结果。本发明可以有效地对流量时序数据进行预测，并提高预测的精确度。

技术领域

本发明涉及高速铁路信号系统技术领域，尤其涉及一种混合神经网络和AR模型的高速铁路信号系统流量预测方法。

背景技术

BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构：包括输入层(input)、隐层(hide layer)和输出层(output layer)。

AR模型是一种线性预测，即已知N个数据，可由模型推出第N点前面或后面的数据(设推出P点)。

在中国高速铁路系统中，信号系统处于整个铁路系统最核心的地位，是铁路系统的神经中枢，它可以保证系统安全高效的运行。由于其特殊的地位，其对安全性的要求极高。虽然它处于一个封闭的网络内，能一定程度上防止网络病毒的传播或者外界网络的攻击，然而随着高速铁路的不断发展，信号系统对外界开放网络的依赖性越来越高，同时互联网技术的不断提高，也使近些年黑客的攻击手段更加有效，更加多样化，所以传统的信息安全防护手段已经不足以对所有黑客的入侵进行阻截。基于此，在高速铁路信号系统中进行主动防御就变得尤为重要，对信号系统的流量进行预测是其中一个关键点，若对流量有良好的预测效果，则可以在受到黑客例如UDP泛洪攻击、DDOS攻击等情况下，快速产生报警，以便于系统或管理人员做出相应的防护措施。

因此，有必要提出一种有效且精准的高速铁路信号系统流量预测方法。

发明内容

本发明的实施例提供了一种混合神经网络和AR模型的高速铁路信号系统流量预测方法，以解决上述背景技术中的问题。

为了实现上述目的，本发明采取了如下技术方案：

本发明的实施例提供的一种混合神经网络和AR模型的高速铁路信号系统流量预测方法，其特征在于，该方法包括：

步骤1：选定无线闭塞中心RBC为进行信息安全风险评估的高速铁路信号系统子系统；

步骤2：获取所述无线闭塞中心RBC与其他子系统的历史流量；

步骤3：将所述无线闭塞中心RBC与其他子系统的历史流量信息作为时序数据y_t，将所述时序数据y_t划分为：线性自相关结构L_t与非线性结构N_t；

步骤4：采用AR模型对所述时序数据y_t进行预测，得到AR模型预测结果；

步骤5：采用BP神经网络模型，对所述时序数据y_t与所述AR模型预测结果的残差序列{e_t}进行预测，得到BP神经网络模型预测结果；

步骤6：根据所述AR模型预测结果和所述BP神经网络模型预测结果，进行组合预测，得到高速铁路信号系统流量的预测结果。