[发明专利]一种用于高速列车的最大瞬时风速概率预测方法

权利要求书

1.一种用于高速列车的最大瞬时风速概率预测方法，其特征在于，该方法包括如下步骤：

第一步，选取最大风速序列：采集列车运行过程中的风速数据，提取指定步长的最大风速，将其划分为训练数据、验证数据以及测试数据；

第二步，根据偏自相关函数确定模型输入变量的数量，输入第一步中得到的训练数据至LSTM模型，同时将第一步中得到的训练数据随机化成若干组输入至RF模型；

第三步，以训练数据及验证数据的损失值均逐渐减小为原则，调整RF模型与LSTM模型的超参数以使模型性能达到最优，运行最优LSTM模型若干次得到多组不同的输出值；

第四步，采用RF模型及LSTM模型的输出值作为GPR模型的输入，根据验证数据的均方根误差值最小原则，训练并确定GPR模型的最优核函数；

第五步，将测试数据输入第三步中得到的最优RF模型及LSTM模型，GPR模型的输出值即为最大瞬时风速的概率预测值，用以提前控制强风下的高速列车车速。

2.根据权利要求1所述的用于高速列车的最大瞬时风速概率预测方法，其特征在于：第一步中所述指定步长为1-2分钟，按8:1:1的比例将最大风速序列划分为训练数据、验证数据以及测试数据。

3.根据权利要求1所述的用于高速列车的最大瞬时风速概率预测方法，其特征在于，第二步中所述根据偏自相关函数确定模型输入变量的数量的方法是：假设最大瞬时风速时间序列为{x₁,x₂,…,x_n}，当阶数为k时对应的偏自相关函数值超过95％的置信区间时，即认为k为输入变量的数量。

4.根据权利要求1所述的用于高速列车的最大瞬时风速概率预测方法，其特征在于：第二步中所述的训练数据随机化的次数以及第三步中最优LSTM的运行次数均不少于3次。

5.根据权利要求1所述的用于高速列车的最大瞬时风速概率预测方法，其特征在于：第三步中所述以训练数据及验证数据的损失值均逐渐减小为原则，调整RF模型与LSTM模型的超参数以使模型性能达到最优的过程中，所述损失值减小采用损失函数表征，损失函数采用均方误差MSE或平均绝对误差MAE，如下式所示：

其中，y_i与分别表示实际值和预测值，N为样本数量。

6.根据权利要求1所述的用于高速列车的最大瞬时风速概率预测方法，其特征在于：所述GPR模型的核函数为平方指数核函数、指数核函数、Matern核函数或三种核函数的组合。