[发明专利]一种基于多步时序预测的高速铁路大风限速动态处置方法

权利要求书

1.一种基于多步时序预测的高速铁路大风限速动态处置方法，其特征在于，包括以下步骤：

S1、数据收集阶段：收集局部站点风速信息、全局天气特征和时刻信息，构成数据集；

S2、离线训练阶段：包括数据预处理、模型构建和模型训练，具体为：

S2.1数据预处理：将历史局部风速信息和历史全局天气特征进行数据时间粒度统一；针对噪音大的局部风速数据特征进行基线提取；

S2.2构建多步时序预测模型，该模型包括依次连接的时序编码解码器、自注意力模块和前向神经网络；通过时序编码解码器统一历史输入和未来输入的数据维度，得到维度相同的表征，历史输入由历史时刻的局部站点风速值和全局天气特征拼接构成，未来输入由历史时刻的全局天气预报特征拼接构成；将该表征采用自注意力模块转换成融合时序特征的表征，之后采用前向神经网络基于融合时序特征的表征得到未来时刻的预测风速结果；

S2.3基于动态时间规整的训练策略训练预测模型；

S3、实时预测阶段：将当前时刻之前一段时期的局部站点风速信息和全局天气特征作为历史输入，将当前时刻的全局天气预报特征作为未来输入，分别进行数据预处理后，输入到步骤S2训练好的多步时序预测模型，输出未来一段时间内风速预测值，之后进行基线提取的逆过程，得到最终风速预测结果；

S4、动态调度阶段：在风速预测基础上，协助调度人员优化大风分区设置，提前下达限速或停车指令。

2.根据权利要求1所述的基于多步时序预测的高速铁路大风限速动态处置方法，其特征在于，所述步骤S2.1中，采用线性插值法对原始数据缺失值进行补全，采用极大极小标准化消除量纲影响，将粗粒度的全局天气特征信息视为细粒度上的静态变量，再依据时刻信息和细粒度的局部风速信息进行对齐。

3.根据权利要求1所述的基于多步时序预测的高速铁路大风限速动态处置方法，其特征在于，所述步骤S2.1中，采用滑动平均模型进行基线提取，选取长度为W的滑窗，处理原始数据X_1:T，处理后数据为X_W:T，公式为：

X_W:T＝X_1:T×T_W，

4.根据权利要求1所述的基于多步时序预测的高速铁路大风限速动态处置方法，其特征在于，所述步骤S2.2中，模型输入数据分为历史输入和未来输入部分；设置历史输入步长T和未来输入步长τ，历史输入数据由局部站点风速值和全局天气特征拼接构成，为X_1:T∈R^T×M，M为历史输入数据的维度，未来输入数据由全局天气特征拼接构成，为X_T+1:T+τ∈R^τ×(M-1)。

5.根据权利要求4所述的基于多步时序预测的高速铁路大风限速动态处置方法，其特征在于，所述步骤S2.2中，模型搭建过程包含以下分步骤：

S2.2.1、采用时序编码解码器将不同维度的历史输入和未来输入转化为同一维度d维的表征h_1:T+τ∈R^(T+τ)×d。

S2.2.2、采用自注意力模块将表征h_1:T+τ转换成融合时序特征的表征z_T:T+τ∈R^τ×d。

S2.2.3、采用前向神经网络将表征z_T:T+τ转换成未来τ步时刻的预测风速结果y_T:T+τ∈R^τ×1，完成模型搭建。