專利名稱：一種高速鐵路沿線風(fēng)速智能混合預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種高速鐵路沿線風(fēng)速智能混合預(yù)測(cè)方法。
背景技術(shù)：
我國(guó)國(guó)土幅員遼闊，新疆、西藏等西部省份強(qiáng)風(fēng)資源豐富。隨著我國(guó)列車開行速度的快速提高，該氣象特征對(duì)于鐵路運(yùn)營(yíng)安全來說是個(gè)不小的挑戰(zhàn)。強(qiáng)風(fēng)導(dǎo)致的列車翻車事故在世界各國(guó)時(shí)有發(fā)生。為防止大風(fēng)給列車運(yùn)行安全帶來的危害，研建強(qiáng)風(fēng)監(jiān)控預(yù)警系統(tǒng)是一種有效的方法。如德國(guó)國(guó)家鐵路公司(Deutsche Bahn AG)研建了 Nowcasting System 鐵路強(qiáng)風(fēng)監(jiān)測(cè)預(yù)警系統(tǒng)；東日本鐵路公司(JR-EAST)開發(fā)了 Windas System強(qiáng)風(fēng)列車預(yù)警系統(tǒng)。我國(guó)也建立了蘭新等相關(guān)線路的強(qiáng)風(fēng)監(jiān)測(cè)預(yù)警指揮系統(tǒng)。對(duì)這類系統(tǒng)而言，除了需要實(shí)時(shí)監(jiān)控列車車型載重、路況參數(shù)、沿線實(shí)時(shí)風(fēng)速等信息外，更需要提前預(yù)測(cè)獲得沿線風(fēng)速的變化規(guī)律，做到提前預(yù)警。因此，風(fēng)速預(yù)測(cè)是研建列車預(yù)警系統(tǒng)和保障強(qiáng)風(fēng)環(huán)境下的行車安全的核心技術(shù)之一。為此，國(guó)內(nèi)外學(xué)者相繼開展了基于時(shí)間序列統(tǒng)計(jì)分析、神經(jīng)網(wǎng)絡(luò)、卡爾曼濾波等理論的風(fēng)速預(yù)測(cè)研究。但截至目前為止，能用于實(shí)際鐵路(列車)預(yù)警系統(tǒng)的風(fēng)速預(yù)測(cè)方法(模型)僅為下述兩個(gè)德國(guó)Nowcasting System系統(tǒng)采取了基于風(fēng)速超前兩分鐘線性外推統(tǒng)計(jì)預(yù)測(cè)的鐵路風(fēng)速預(yù)測(cè)功能，該預(yù)測(cè)方法通過對(duì)所采集的歷史三十分鐘風(fēng)速序列進(jìn)行兩分鐘線性統(tǒng)計(jì)外推計(jì)算，再外推風(fēng)速加權(quán)誤差方差和陣風(fēng)系數(shù)誤差，最終獲得超前兩分鐘的風(fēng)速預(yù)測(cè)值。該方法屬于風(fēng)速統(tǒng)計(jì)預(yù)測(cè)范疇，雖具有建模簡(jiǎn)單、計(jì)算量小等優(yōu)點(diǎn)，但面臨統(tǒng)計(jì)分析方法所普遍具有的預(yù)測(cè)精度低、預(yù)測(cè)時(shí)長(zhǎng)過短的算法局限；日本W(wǎng)indas System系統(tǒng)擁有基于卡爾曼濾波預(yù)測(cè)遞推方程組的鐵路風(fēng)速預(yù)測(cè)功能。該預(yù)測(cè)方法依靠建立的卡爾曼濾波測(cè)量方程和狀態(tài)方程對(duì)鐵路沿線采樣的風(fēng)速時(shí)間序列樣本進(jìn)行卡爾曼濾波遞推方程遞推計(jì)算，以獲得風(fēng)速的預(yù)測(cè)值。雖然該方法具有較好的信息挖掘和較高的預(yù)測(cè)精度。但該方法需要海量風(fēng)速樣本和大量前期計(jì)算以獲得較為準(zhǔn)確的卡爾曼濾波測(cè)量方程和狀態(tài)方程，否則就無法使用卡爾曼濾波遞推方程。因此該方法前期計(jì)算工作量大，輸出實(shí)時(shí)性差， 現(xiàn)場(chǎng)運(yùn)用難度大。隨著我國(guó)列車運(yùn)行速度的提高,沿線風(fēng)速對(duì)列車氣動(dòng)性能的影響越來越大，及時(shí)提出一種能夠用于鐵路現(xiàn)場(chǎng)強(qiáng)風(fēng)預(yù)警的、同時(shí)兼顧高精度和建模簡(jiǎn)便性的鐵路風(fēng)速預(yù)測(cè)方法已迫在眉睫。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種建模簡(jiǎn)單、預(yù)測(cè)精度高、不需要分析風(fēng)速產(chǎn)生來源、能夠直接實(shí)施于風(fēng)速預(yù)測(cè)現(xiàn)場(chǎng)的高速鐵路沿線風(fēng)速智能混合預(yù)測(cè)方法。
本發(fā)明的目的通過下述技術(shù)方案予以實(shí)現(xiàn)所述方法的步驟包括數(shù)據(jù)采集與輸入、數(shù)據(jù)序列分層、建立數(shù)學(xué)模型、預(yù)測(cè)綜合計(jì)算和預(yù)測(cè)結(jié)果輸出，所述預(yù)測(cè)綜合計(jì)算是對(duì)數(shù)學(xué)模型中的數(shù)據(jù)進(jìn)行加權(quán)計(jì)算；
所述數(shù)據(jù)序列分層是對(duì)輸入的數(shù)據(jù)采用模式經(jīng)驗(yàn)分解法，將原始數(shù)據(jù)分解成至少兩層的風(fēng)速數(shù)據(jù)并輸出；
所述建立數(shù)學(xué)模型中設(shè)置有與數(shù)據(jù)序列分層數(shù)據(jù)輸出層數(shù)相同數(shù)量的通道，即每個(gè)通道對(duì)應(yīng)一個(gè)層的風(fēng)速數(shù)據(jù)輸出；在每個(gè)通道中，先對(duì)對(duì)應(yīng)層的風(fēng)速數(shù)據(jù)在遺傳算法尋優(yōu)處理的步驟中進(jìn)行處理，其處理結(jié)果再在BP神經(jīng)網(wǎng)絡(luò)模型的步驟中進(jìn)行處理；
所述建立數(shù)學(xué)模型和預(yù)測(cè)綜合計(jì)算之間設(shè)置數(shù)據(jù)棧，數(shù)據(jù)棧的輸入端數(shù)量與所有BP 神經(jīng)網(wǎng)絡(luò)模型輸出端的數(shù)量相等，當(dāng)所有BP神經(jīng)網(wǎng)絡(luò)模型輸出端的數(shù)據(jù)全部到達(dá)數(shù)據(jù)棧后，數(shù)據(jù)棧內(nèi)的所有數(shù)據(jù)同時(shí)向預(yù)測(cè)綜合計(jì)算輸出數(shù)據(jù)并進(jìn)行加權(quán)計(jì)算，最后由預(yù)測(cè)結(jié)果輸出輸出預(yù)測(cè)計(jì)算結(jié)果。所述遺傳算法尋優(yōu)處理與BP神經(jīng)網(wǎng)絡(luò)模型之間設(shè)置最優(yōu)判斷，當(dāng)遺傳算法尋優(yōu)處理輸出的數(shù)據(jù)與事先設(shè)定的數(shù)據(jù)趨于吻合時(shí)，最優(yōu)判斷自動(dòng)判定為“是”，此時(shí)，該數(shù)據(jù)被送入BP神經(jīng)網(wǎng)絡(luò)模型的步驟中進(jìn)行處理；否則，程序進(jìn)入并執(zhí)行選擇、交叉與變異、產(chǎn)生新樣種后獲得新樣種數(shù)據(jù)，此時(shí)，新樣種數(shù)據(jù)被送回到該遺傳算法尋優(yōu)處理的輸入端進(jìn)行新一輪的循環(huán)處理，直到最優(yōu)判斷自動(dòng)判定為“是”時(shí)，循環(huán)結(jié)束。所述數(shù)據(jù)序列分層中采用的模式經(jīng)驗(yàn)分解法包括以下兩個(gè)步驟
步驟一，獲取極值和包絡(luò)線數(shù)據(jù)采集與輸入輸出N個(gè)風(fēng)速樣本數(shù)據(jù)到數(shù)據(jù)序列分層中進(jìn)行處理，首先計(jì)算出每個(gè)風(fēng)速樣本數(shù)據(jù)的局部數(shù)據(jù)的兩個(gè)極值，即局部極大值和局部極小值；然后采用三次樣條法將局部極大值的點(diǎn)連接起來形成上包絡(luò)線，將局部極小值的點(diǎn)連接起來形成下包絡(luò)線；
步驟二，確定序列分層計(jì)算出每個(gè)局部數(shù)據(jù)對(duì)應(yīng)的上包絡(luò)線和下包絡(luò)線的包絡(luò)線平均值，每個(gè)包絡(luò)線平均值再逐一與風(fēng)速樣本數(shù)據(jù)進(jìn)行比較，逐一求出風(fēng)速樣本數(shù)據(jù)與包絡(luò)線平均值之間的殘差，當(dāng)殘差滿足以下兩個(gè)條件時(shí)就確定為某個(gè)分層的序列
①、在某局部數(shù)據(jù)段內(nèi)，極值點(diǎn)的個(gè)數(shù)和零交叉點(diǎn)的個(gè)數(shù)相等或只相差一個(gè)；
②、對(duì)于某局部數(shù)據(jù)段內(nèi)，其局部極大值點(diǎn)形成的上包絡(luò)線和局部極小值點(diǎn)形成的下包絡(luò)線的平均值趨向?yàn)榱悖?br> 該序列代表的數(shù)據(jù)為模式經(jīng)驗(yàn)分解后確定的某個(gè)分層的風(fēng)速數(shù)據(jù)。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)預(yù)測(cè)方法科學(xué)合理，簡(jiǎn)單易行，能夠直接對(duì)鐵路沿線現(xiàn)場(chǎng)測(cè)風(fēng)站所獲得的風(fēng)速樣本數(shù)據(jù)進(jìn)行高精度的、超前多步的預(yù)測(cè)分析。


圖I為本發(fā)明方法的流程框圖。圖2為實(shí)施例I在甲地區(qū)的高速鐵路沿線采集的非平穩(wěn)風(fēng)速數(shù)據(jù)。圖3為圖2數(shù)據(jù)經(jīng)過模式經(jīng)驗(yàn)分解法處理后被轉(zhuǎn)化為9個(gè)序列分層數(shù)據(jù)。圖4為實(shí)施例I超前三分鐘預(yù)測(cè)結(jié)果輸出。圖5為實(shí)施例I超前六分鐘預(yù)測(cè)結(jié)果輸出。圖6為實(shí)施例I超前九分鐘預(yù)測(cè)結(jié)果輸出。
圖7為實(shí)施例2在乙地區(qū)的高速鐵路沿線采集的非平穩(wěn)風(fēng)速數(shù)據(jù)。圖8為圖7數(shù)據(jù)經(jīng)過模式經(jīng)驗(yàn)分解法處理后被轉(zhuǎn)化為10個(gè)序列分層數(shù)據(jù)。圖9為實(shí)施例2超前三分鐘預(yù)測(cè)結(jié)果輸出。圖10為實(shí)施例2超前六分鐘預(yù)測(cè)結(jié)果輸出。圖11為實(shí)施例2超前九分鐘預(yù)測(cè)結(jié)果輸出。圖I中1_數(shù)據(jù)采集與輸入，2-數(shù)據(jù)序列分層，3-產(chǎn)生新樣種，4-交叉與變異， 5-選擇，6-最優(yōu)判斷，7-BP神經(jīng)網(wǎng)絡(luò)模型，8-數(shù)據(jù)棧，9-預(yù)測(cè)綜合計(jì)算，10-預(yù)測(cè)結(jié)果輸出， 11-建立數(shù)學(xué)模型，12-遺傳算法尋優(yōu)處理。
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明
參考附圖1，所述方法的步驟包括數(shù)據(jù)采集與輸入I、數(shù)據(jù)序列分層2、建立數(shù)學(xué)模型
11、預(yù)測(cè)綜合計(jì)算9和預(yù)測(cè)結(jié)果輸出10，所述預(yù)測(cè)綜合計(jì)算9是對(duì)數(shù)學(xué)模型中的數(shù)據(jù)進(jìn)行加權(quán)計(jì)算；
所述數(shù)據(jù)序列分層2是對(duì)輸入的數(shù)據(jù)采用模式經(jīng)驗(yàn)分解法，將原始數(shù)據(jù)分解成至少兩層的風(fēng)速數(shù)據(jù)并輸出；
所述建立數(shù)學(xué)模型11中設(shè)置有與數(shù)據(jù)序列分層2數(shù)據(jù)輸出層數(shù)相同數(shù)量的通道，即每個(gè)通道對(duì)應(yīng)一個(gè)層的風(fēng)速數(shù)據(jù)輸出；在每個(gè)通道中，先對(duì)對(duì)應(yīng)層的風(fēng)速數(shù)據(jù)在遺傳算法尋優(yōu)處理12的步驟中進(jìn)行處理，其處理結(jié)果再在BP神經(jīng)網(wǎng)絡(luò)模型7的步驟中進(jìn)行處理； 所述建立數(shù)學(xué)模型11和預(yù)測(cè)綜合計(jì)算9之間設(shè)置數(shù)據(jù)棧8，數(shù)據(jù)棧8的輸入端數(shù)量與所有BP神經(jīng)網(wǎng)絡(luò)模型7輸出端的數(shù)量相等，當(dāng)所有BP神經(jīng)網(wǎng)絡(luò)模型7輸出端的數(shù)據(jù)全部到達(dá)數(shù)據(jù)棧8后，數(shù)據(jù)棧8內(nèi)的所有數(shù)據(jù)同時(shí)向預(yù)測(cè)綜合計(jì)算9輸出數(shù)據(jù)并進(jìn)行加權(quán)計(jì)算， 最后由預(yù)測(cè)結(jié)果輸出10輸出預(yù)測(cè)計(jì)算結(jié)果。所述遺傳算法尋優(yōu)處理12與BP神經(jīng)網(wǎng)絡(luò)模型7之間設(shè)置最優(yōu)判斷6，當(dāng)遺傳算法尋優(yōu)處理12輸出的數(shù)據(jù)與事先設(shè)定的數(shù)據(jù)趨于吻合時(shí)，最優(yōu)判斷6自動(dòng)判定為“是”，此時(shí)， 該數(shù)據(jù)被送入BP神經(jīng)網(wǎng)絡(luò)模型7的步驟中進(jìn)行處理；否則，程序進(jìn)入并執(zhí)行選擇5、交叉與變異4、產(chǎn)生新樣種3后獲得新樣種數(shù)據(jù)，此時(shí)，新樣種數(shù)據(jù)被送回到該遺傳算法尋優(yōu)處理 12的輸入端進(jìn)行新一輪的循環(huán)處理，直到最優(yōu)判斷6自動(dòng)判定為“是”時(shí)，循環(huán)結(jié)束。所述數(shù)據(jù)序列分層2中采用的模式經(jīng)驗(yàn)分解法包括以下兩個(gè)步驟
步驟一，獲取極值和包絡(luò)線數(shù)據(jù)采集與輸入I輸出N個(gè)風(fēng)速樣本數(shù)據(jù)到數(shù)據(jù)序列分層 2中進(jìn)行處理，首先計(jì)算出每個(gè)風(fēng)速樣本數(shù)據(jù)的局部數(shù)據(jù)的兩個(gè)極值，即局部極大值和局部極小值；然后采用三次樣條法將局部極大值的點(diǎn)連接起來形成上包絡(luò)線，將局部極小值的點(diǎn)連接起來形成下包絡(luò)線；
步驟二，確定序列分層計(jì)算出每個(gè)局部數(shù)據(jù)對(duì)應(yīng)的上包絡(luò)線和下包絡(luò)線的包絡(luò)線平均值，每個(gè)包絡(luò)線平均值再逐一與風(fēng)速樣本數(shù)據(jù)進(jìn)行比較，逐一求出風(fēng)速樣本數(shù)據(jù)與包絡(luò)線平均值之間的殘差，當(dāng)殘差滿足以下兩個(gè)條件時(shí)就確定為某個(gè)分層的序列
①、在某局部數(shù)據(jù)段內(nèi)，極值點(diǎn)的個(gè)數(shù)和零交叉點(diǎn)的個(gè)數(shù)相等或只相差一個(gè)；
②、對(duì)于某局部數(shù)據(jù)段內(nèi)，其局部極大值點(diǎn)形成的上包絡(luò)線和局部極小值點(diǎn)形成的下包絡(luò)線的平均值趨向?yàn)榱?；該序列代表的?shù)據(jù)為模式經(jīng)驗(yàn)分解后確定的某個(gè)分層的風(fēng)速數(shù)據(jù)。所述模式經(jīng)驗(yàn)分解法，屬于現(xiàn)有技術(shù)新的應(yīng)用。本發(fā)明在步驟數(shù)據(jù)序列分層2中采用模式經(jīng)驗(yàn)分解法的好處是模式經(jīng)驗(yàn)分解法依據(jù)數(shù)據(jù)自身的時(shí)間尺度特征來處理復(fù)雜的、非平穩(wěn)的信號(hào)，無須人工干預(yù)預(yù)先設(shè)定任何基函數(shù)。采用模式經(jīng)驗(yàn)分解法獲得的序列分層，每個(gè)序列分層的數(shù)據(jù)中包含了原始信號(hào)在不同時(shí)間尺度的局部特征信號(hào)。由此可以看出，與建立在先驗(yàn)性的諧波基函數(shù)法、小波基函數(shù)上的傅里葉分解法、小波分解法等相比較，本發(fā)明在步驟數(shù)據(jù)序列分層2中采用模式經(jīng)驗(yàn)分解法所獲得的結(jié)果具有更接近實(shí)際的程度，降低后期神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)原始突變風(fēng)速實(shí)現(xiàn)高精度預(yù)測(cè)的難度，提高了預(yù)測(cè)計(jì)算的精確度。實(shí)施例I :
I、數(shù)據(jù)采集與輸入I :采集的單個(gè)風(fēng)速樣本參考附圖2，在本實(shí)施例中共采集了 500個(gè)原始數(shù)據(jù)，前300個(gè)原始數(shù)據(jù)被送入數(shù)據(jù)序列分層2。2、數(shù)據(jù)序列分層2 :采用的模式經(jīng)驗(yàn)分解法，采用兩個(gè)步驟，滿足兩個(gè)條件，將前 300個(gè)原始數(shù)據(jù)分解成9個(gè)序列分層的數(shù)據(jù)，序列分層的數(shù)據(jù)參考附圖3。序列分層采用模式經(jīng)驗(yàn)分解法兩個(gè)步驟并滿足兩個(gè)條件
步驟一，獲取極值和包絡(luò)線數(shù)據(jù)采集與輸入I輸出N個(gè)風(fēng)速樣本數(shù)據(jù)到數(shù)據(jù)序列分層 2中進(jìn)行處理，首先計(jì)算出每個(gè)風(fēng)速樣本數(shù)據(jù)的局部數(shù)據(jù)的兩個(gè)極值，即局部極大值和局部極小值；然后采用三次樣條法將局部極大值的點(diǎn)連接起來形成上包絡(luò)線，將局部極小值的點(diǎn)連接起來形成下包絡(luò)線；
步驟二，確定序列分層計(jì)算出每個(gè)局部數(shù)據(jù)對(duì)應(yīng)的上包絡(luò)線和下包絡(luò)線的包絡(luò)線平均值，每個(gè)包絡(luò)線平均值再逐一與風(fēng)速樣本數(shù)據(jù)進(jìn)行比較，逐一求出風(fēng)速樣本數(shù)據(jù)與包絡(luò)線平均值之間的殘差，當(dāng)殘差滿足以下兩個(gè)條件時(shí)就確定為某個(gè)分層的序列
①、在某局部數(shù)據(jù)段內(nèi)，極值點(diǎn)的個(gè)數(shù)和零交叉點(diǎn)的個(gè)數(shù)相等或只相差一個(gè)；
②、對(duì)于某局部數(shù)據(jù)段內(nèi)，其局部極大值點(diǎn)形成的上包絡(luò)線和局部極小值點(diǎn)形成的下包絡(luò)線的平均值趨向?yàn)榱悖?br> 該序列代表的數(shù)據(jù)為模式經(jīng)驗(yàn)分解后確定的某個(gè)分層的風(fēng)速數(shù)據(jù)。3、建立數(shù)學(xué)模型11 :連段式處理方法，即對(duì)數(shù)據(jù)先在遺傳算法尋優(yōu)處理12的步驟中進(jìn)行處理，其處理結(jié)果再在BP神經(jīng)網(wǎng)絡(luò)模型7的步驟中進(jìn)行處理。為了提高預(yù)測(cè)的精確度，在遺傳算法尋優(yōu)處理12的輸出端，可以設(shè)置一個(gè)判斷和有條件的循環(huán)迭代的優(yōu)化程序。(I)、遺傳算法尋優(yōu)處理12 :采用成熟的現(xiàn)有技術(shù)。(2)、最優(yōu)判斷6和有條件的循環(huán)迭代的優(yōu)化程序設(shè)定標(biāo)準(zhǔn)數(shù)據(jù)為A，當(dāng)遺傳算法尋優(yōu)處理12輸出的數(shù)據(jù)趨近于A時(shí)，自動(dòng)判定為“是”，此時(shí)，該數(shù)據(jù)被送入BP神經(jīng)網(wǎng)絡(luò)模型7的步驟中進(jìn)行處理；當(dāng)遺傳算法尋優(yōu)處理12輸出的數(shù)據(jù)沒有趨近于A時(shí)，自動(dòng)判定為 “否”，此時(shí)，程序進(jìn)入并執(zhí)行選擇5、交叉與變異4、產(chǎn)生新樣種3后獲得新樣種數(shù)據(jù)，此時(shí)， 新樣種數(shù)據(jù)被送回到該遺傳算法尋優(yōu)處理12的輸入端進(jìn)行新一輪的循環(huán)迭代處理，直到最優(yōu)判斷6自動(dòng)判定為“是”時(shí)，循環(huán)才結(jié)束。所述選擇5:選擇的目的是為了從當(dāng)前群體中選出優(yōu)良的個(gè)體，使得他們有機(jī)會(huì)作為父代為下一代繁衍子孫。進(jìn)行選擇的總體原則是適應(yīng)性強(qiáng)的個(gè)體為下一代貢獻(xiàn)一個(gè)或多個(gè)后代的概率大，這符合達(dá)爾文的進(jìn)化論思想。本發(fā)明選擇輪盤選擇算子來完成選擇操作。所述交叉與變異4 :交叉操作是將群體內(nèi)的各個(gè)個(gè)體隨機(jī)搭配成對(duì)，對(duì)每一個(gè)個(gè)體，以某種概率或稱為交叉概率交換它們之間的部分染色體。交叉體現(xiàn)了信息交換思想。 采用對(duì)于解空間里的任意兩點(diǎn)m 、 的交換組合來進(jìn)行變異操作，即
a m (I a) n, a
所述產(chǎn)生新樣種3 :按照神經(jīng)網(wǎng)絡(luò)的神經(jīng)元和閾值個(gè)數(shù)，在限定數(shù)值區(qū)間內(nèi)隨機(jī)產(chǎn)生新樣種。采用隨機(jī)產(chǎn)生的目的是為了保證樣種的多樣性。同時(shí)，為克服傳統(tǒng)二進(jìn)制編碼方式所產(chǎn)生的新種群存在數(shù)據(jù)冗長(zhǎng)、算法運(yùn)行效率低等問題，本發(fā)明采用實(shí)數(shù)編碼方式。(3)、BP神經(jīng)網(wǎng)絡(luò)模型7 :采用成熟的現(xiàn)有技術(shù)。4、預(yù)測(cè)綜合計(jì)算9 :對(duì)數(shù)學(xué)模型中的數(shù)據(jù)進(jìn)行加權(quán)計(jì)算。5、預(yù)測(cè)結(jié)果輸出10 :采用成熟的現(xiàn)有技術(shù)。預(yù)測(cè)結(jié)果輸出10輸出的結(jié)果參考附圖4-6。如果以每三分鐘為提前一步的話，那么
圖4為實(shí)施例I超前一步預(yù)測(cè)結(jié)果輸出；
圖5為實(shí)施例I超前兩步預(yù)測(cè)結(jié)果輸出；
圖6為實(shí)施例I超前三步預(yù)測(cè)結(jié)果輸出。實(shí)施例I風(fēng)速預(yù)測(cè)結(jié)果參考表I。表I實(shí)施例I風(fēng)速預(yù)測(cè)結(jié)果分析表
權(quán)利要求
1.一種高速鐵路沿線風(fēng)速智能混合預(yù)測(cè)方法，所述方法的步驟包括數(shù)據(jù)采集與輸入(I)、數(shù)據(jù)序列分層(2)、建立數(shù)學(xué)模型(11)、預(yù)測(cè)綜合計(jì)算(9)和預(yù)測(cè)結(jié)果輸出(10)，所述預(yù)測(cè)綜合計(jì)算(9)是對(duì)數(shù)學(xué)模型中的數(shù)據(jù)進(jìn)行加權(quán)計(jì)算；其特征在于所述數(shù)據(jù)序列分層(2)是對(duì)輸入的數(shù)據(jù)采用模式經(jīng)驗(yàn)分解法，將原始數(shù)據(jù)分解成至少兩層的風(fēng)速數(shù)據(jù)并輸出；所述建立數(shù)學(xué)模型(11)中設(shè)置有與數(shù)據(jù)序列分層(2)數(shù)據(jù)輸出層數(shù)相同數(shù)量的通道， 即每個(gè)通道對(duì)應(yīng)一個(gè)層的風(fēng)速數(shù)據(jù)輸出；在每個(gè)通道中，先對(duì)對(duì)應(yīng)層的風(fēng)速數(shù)據(jù)在遺傳算法尋優(yōu)處理(12)的步驟中進(jìn)行處理，其處理結(jié)果再在BP神經(jīng)網(wǎng)絡(luò)模型(7)的步驟中進(jìn)行處理；所述建立數(shù)學(xué)模型(11)和預(yù)測(cè)綜合計(jì)算(9)之間設(shè)置數(shù)據(jù)棧(8)，數(shù)據(jù)棧(8)的輸入端數(shù)量與所有BP神經(jīng)網(wǎng)絡(luò)模型(7)輸出端的數(shù)量相等，當(dāng)所有BP神經(jīng)網(wǎng)絡(luò)模型(7)輸出端的數(shù)據(jù)全部到達(dá)數(shù)據(jù)棧(8)后，數(shù)據(jù)棧(8)內(nèi)的所有數(shù)據(jù)同時(shí)向預(yù)測(cè)綜合計(jì)算(9)輸出數(shù)據(jù)并進(jìn)行加權(quán)計(jì)算，最后由預(yù)測(cè)結(jié)果輸出(10)輸出預(yù)測(cè)計(jì)算結(jié)果。
2.根據(jù)權(quán)利要求I所述的高速鐵路沿線風(fēng)速智能混合預(yù)測(cè)方法，其特征在于所述遺傳算法尋優(yōu)處理(12)與BP神經(jīng)網(wǎng)絡(luò)模型(7)之間設(shè)置最優(yōu)判斷(6)，當(dāng)遺傳算法尋優(yōu)處理(12)輸出的數(shù)據(jù)與事先設(shè)定的數(shù)據(jù)趨于吻合時(shí)，最優(yōu)判斷(6)自動(dòng)判定為“是”，此時(shí)，該數(shù)據(jù)被送入BP神經(jīng)網(wǎng)絡(luò)模型(7)的步驟中進(jìn)行處理；否則，程序進(jìn)入并執(zhí)行選擇(5)、交叉與變異(4)、產(chǎn)生新樣種(3)后獲得新樣種數(shù)據(jù)，此時(shí)，新樣種數(shù)據(jù)被送回到該遺傳算法尋優(yōu)處理(12)的輸入端進(jìn)行新一輪的循環(huán)處理，直到最優(yōu)判斷(6)自動(dòng)判定為“是”時(shí)，循環(huán)結(jié)束。
3.根據(jù)權(quán)利要求I或2所述的高速鐵路沿線風(fēng)速智能混合預(yù)測(cè)方法，其特征在于所述數(shù)據(jù)序列分層(2)中采用的模式經(jīng)驗(yàn)分解法包括以下兩個(gè)步驟步驟一，獲取極值和包絡(luò)線數(shù)據(jù)采集與輸入(I)輸出N個(gè)風(fēng)速樣本數(shù)據(jù)到數(shù)據(jù)序列分層(2)中進(jìn)行處理，首先計(jì)算出每個(gè)風(fēng)速樣本數(shù)據(jù)的局部數(shù)據(jù)的兩個(gè)極值，即局部極大值和局部極小值；然后采用三次樣條法將局部極大值的點(diǎn)連接起來形成上包絡(luò)線，將局部極小值的點(diǎn)連接起來形成下包絡(luò)線；步驟二，確定序列分層計(jì)算出每個(gè)局部數(shù)據(jù)對(duì)應(yīng)的上包絡(luò)線和下包絡(luò)線的包絡(luò)線平均值，每個(gè)包絡(luò)線平均值再逐一與風(fēng)速樣本數(shù)據(jù)進(jìn)行比較，逐一求出風(fēng)速樣本數(shù)據(jù)與包絡(luò)線平均值之間的殘差，當(dāng)殘差滿足以下兩個(gè)條件時(shí)就確定為某個(gè)分層的序列①、在某局部數(shù)據(jù)段內(nèi)，極值點(diǎn)的個(gè)數(shù)和零交叉點(diǎn)的個(gè)數(shù)相等或只相差一個(gè)；②、對(duì)于某局部數(shù)據(jù)段內(nèi)，其局部極大值點(diǎn)形成的上包絡(luò)線和局部極小值點(diǎn)形成的下包絡(luò)線的平均值趨向?yàn)榱悖辉撔蛄写淼臄?shù)據(jù)為模式經(jīng)驗(yàn)分解后確定的某個(gè)分層的風(fēng)速數(shù)據(jù)。
全文摘要
一種高速鐵路沿線風(fēng)速智能混合預(yù)測(cè)方法，所述方法的步驟包括數(shù)據(jù)采集與輸入、數(shù)據(jù)序列分層、建立數(shù)學(xué)模型、預(yù)測(cè)綜合計(jì)算和預(yù)測(cè)結(jié)果輸出；數(shù)據(jù)序列分層是對(duì)輸入的數(shù)據(jù)采用模式經(jīng)驗(yàn)分解法，將原始數(shù)據(jù)分解成至少兩層的風(fēng)速數(shù)據(jù)并輸出；建立數(shù)學(xué)模型中設(shè)置有與數(shù)據(jù)序列分層數(shù)據(jù)輸出層數(shù)相同數(shù)量的通道，在每個(gè)通道中，對(duì)應(yīng)層的風(fēng)速數(shù)據(jù)在遺傳算法尋優(yōu)處理中進(jìn)行處理后，再在BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行處理；建立數(shù)學(xué)模型和預(yù)測(cè)綜合計(jì)算之間設(shè)置供所有數(shù)據(jù)同時(shí)輸出的數(shù)據(jù)棧。本發(fā)明具有以下優(yōu)點(diǎn)預(yù)測(cè)方法科學(xué)合理，簡(jiǎn)單易行，能夠直接對(duì)鐵路沿線現(xiàn)場(chǎng)測(cè)風(fēng)站所獲得的風(fēng)速樣本數(shù)據(jù)進(jìn)行高精度的、超前多步的預(yù)測(cè)分析。
文檔編號(hào)G06Q10/04GK102609788SQ201210036109
公開日2012年7月25日 申請(qǐng)日期2012年2月17日 優(yōu)先權(quán)日2012年2月17日
發(fā)明者劉輝, 姚松, 張雷, 楊明智, 梁習(xí)鋒, 田紅旗, 魯寨軍 申請(qǐng)人:中南大學(xué)