[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

说明书

本发明公开了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，本发明在离线训练阶段采用基于自注意力的多步时序预测模型，预测精度更高；采用基于动态时间规整的训练策略训练预测模型，能够把握目标序列的形状特征；本发明提出的区段设置方法考虑了未来时刻的多点风速，增设了潜在大风区段，解决了大风区段设置不及时导致的安全问题和时间设置过长导致的低效问题；本发明方法考虑了大风持续时间，过滤掉不必要的限速指令下达，提高了列车运行效率和乘客满意度。

技术领域

本发明属于智慧交通领域，具体的，涉及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。

背景技术

随着社会经济的不断发展，高速铁路已经成为一种重要的出行方式，如何保证列车运行稳定性和提高乘客满意度是一个重要目标。在实际运行环境中，沿线大风是发生频率较高的自然灾害之一，其规律性和可预测性较差。当大风超过一定风速阈值时，其所施加的横向力会直接威胁列车运行安全。因此，列车调度员需及时设置大风报警限速区段，下达减速或停车指令。

目前，报警限速区段设置和限速区段指令下达仍是基于实时风速。以京沪线为例，当某一站点风速持续10秒超过15米/秒时，针对该站点前后约10km区域设置为报警限速区段，当观测到该站点风速持续5分钟低于15米/秒时，取消该区段报警限速。在设置报警限速区段后，对即将驶入该区段的列车提前下达限速或停车指令。该处置方案存在两种问题，一是限速指令下达不及时，当某区段出现大风，已经驶入该区段的列车不能立刻采取制动措施，存在大风高速行车风险；二是报警区段设置时间过长，导致列车不必要的长时间低速行车，降低铁路运营效率和乘客满意度。

因此，基于时序预测技术预测未来一段时间内风速的趋势，进而设计大风预警限速处置方案，能够同时保证列车运行的安全与经济效益。

以深度学习为基础构建的新型时序预测方法，相比传统的统计学建模方法，具备以下四个优势：第一，摒弃了统计建模方法只能针对单一时间序列的劣势，能够把握多条时间序列的共同特征，大大降低建模成本；第二，深度学习模型能够融合更多的外部信息，提高建模及预测的精度；第三，本发明采用的自注意力模块能够发掘时间序列较长历史的时间依赖关系，提取显著规律；第四，本发明采用的深度学习训练策略能够提取时间序列的形状特征，把握大风突变点和持续时间等重要特性。

发明内容

考虑到基于实时风速设计大风限速处置方案的缺陷及利用深度学习模型进行时序数据多步预测的优势，本发明的目的在于设计一种在实现较为精准的多步风速预测基础上进行大风限速动态处置的方法。

本发明采用的技术方案为：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，该方法包括以下步骤：

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；