CN109034478B - 一种高速铁路沿线大风迭代竞争高精度预测方法 - Google Patents
一种高速铁路沿线大风迭代竞争高精度预测方法 Download PDFInfo
- Publication number
- CN109034478B CN109034478B CN201810844574.5A CN201810844574A CN109034478B CN 109034478 B CN109034478 B CN 109034478B CN 201810844574 A CN201810844574 A CN 201810844574A CN 109034478 B CN109034478 B CN 109034478B
- Authority
- CN
- China
- Prior art keywords
- prediction
- wind speed
- wind
- value
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明提供了一种高速铁路沿线大风迭代竞争高精度预测方法,根据近期风速状况,通过在目标测风点构建目标测风站和时移测风站,对测风站的数据进行去噪处理后,利用SVM、PID神经网络以及极限学习机,对去噪后的风速数据进行训练,构建各测风站在各步长下的各种风速预测模型;选用最优步长对应的风速预测模型,进行风速预测,提高预测精度,降低随机误差的干扰;实现了铁路沿线风速超前预测,可以提前得知事故多发区域的风速环境状况,及时、有效地指导列车运行,保障列车运营安全。
Description
技术领域
本发明属于铁路风速预测领域,特别涉及一种高速铁路沿线大风迭代竞争高精度预测方法。
背景技术
2007年2月28日午夜2点,列车在乌鲁木齐以东约120千米的珍珠泉附近被大风吹翻,致使造成3名旅客死亡,2名旅客重伤。2011年4月23日,阿根廷南部丘布特省埃斯克尔镇附近,狂风导致一列正在行驶中的火车出轨,造成20余名乘客受伤。2018年1月3日,瑞士电轨车在行驶途中突遇大风,车厢被吹倒脱轨漂移数米,事故造成8人受伤。
大风是铁路运输安最大的威胁之一,其拥有较强的突发性和不可控性。铁路运输速度高,动能大,在如今追求轻量化的背景下,如何对大风进行高精度预测,指导列车做出正确应对决定已成为亟待解决的问题。
发明内容
本发明为了实现铁路沿线短期风速的高精度预测,提出一种高速铁路沿线大风迭代竞争高精度预测方法,根据近期风速状况,选用最优步长预测模型,提高预测精度,降低随机误差的干扰。
一种高速铁路沿线大风迭代竞争高精度预测方法,包括以下步骤:
步骤1:在铁路目标测风点设置测风站,包括目标测风站和时移测风站;
所述目标测风站距离铁路目标测风点100米,所述时移测风站至少包括3个,且设置铁路目标测风点与目标测风站所在连线上,第一个时移测风站距离铁路目标测风点500米,相邻时移测风站之间间距为500米;
步骤2:构建训练样本数据;
以相同采样频率采集各测风站在历史时间段内的风速,依次将各测风站的历史风速,以时间间隔T内的风速中值作为各测风站的样本时刻风速,获得训练样本数据;
即将每个时间间隔T内的多个风速的中值作为一个样本时刻的风速值,压缩历史风速数据;
步骤3:利用训练样本数据和设置的预测步长,构建风速预测模型组;
依次以目标测风站和所有时移测风站中任意三个测风站在任意历史时刻t0的风速值作为输入数据,剩余测风站在t0+Δt时刻的风速值作为输出数据,对模型进行训练,获得各测风站预测步长为Δt的风速预测模型;
所述预测步长Δt的取值依次为p、2p、3p、…、10p,p为预测步长单元时间,取值范围为1-5min;
所述预测步长Δt的取值依次为p、2p、3p、4p时,用于训练的模型为SVM,所使用的SVM输入节点为3个,输出节点为1个,选择高斯函数作为核函数,得到基于SVM的风速预测模型;
所述预测步长Δt的取值依次为5p、6p、7p时,用于训练的模型为极限学习机,所使用的极限学习机输入层节点个数为3,输出层节点个数为1,训练过程中的最大迭代次数设置为200,得到基于极限学习机的风速预测模型;
所述预测步长Δt的取值依次为8p、9p、10p时,用于训练的模型为PID神经网络,所使用的PID神经网络输入层节点个数为3,隐含层个数为3,输出层节点个数为1;训练过程中的最大迭代次数设置为200,训练学习率为0.1,阈值为0.004,得到基于PID神经网络的风速预测模型;
四个测风站在同一预测步长下的风速预测模型构成一个风速预测模型组;
十个预测步长,一共十组风速预测模型,每组风速预测模型包含四个测风站的风速预测模型;
每组风速预测模型的输入数据为四个测风站在某时刻的风速,输出数据为经过时间Δt后,四个测风站的预测风速;
实际上每组风速预测模型中某个测风站的风速预测模型是指利用另外三个测风站的在某时刻的风速,对该测风站在经过时间Δt后的风速进行预测;
步骤4:根据目标预测时间,构建所有测风站的预测任务迭代向量;
将目标预测时间m拆分为n个相同的子预测时间hi,且0≤n·hi-m<hi,hi的取值与预测步长Δt的值相同,选择子预测时间对应的风速预测模型组,形成各测风站预测任务迭代向量l={hi},hi表示第i个子预测时间,i的取值范围为1-n;
所述目标预测时间m是指在经过时间m后进行风速预测;
每个子预测时间需要选择一个对应步长的风速预测模型组进行四个测风站的在经过子预测时间时的风速预测;
每一个子预测时间选择一个风速预测模型组进行一次子任务预测,称为一个预测子任务,一个预测子任务的输入为四个测风站同一时刻的风速数据,一共四个数据,输出为四个测风站经过子预测时间对应步长Δt之后同一时刻的风速数据,一共四个数据,输出数据可以直接用于下一个预测子任务的输入,避免了常规预测方法中对多余风速值的预测,减少迭代次数,提升预测精度;
上述步骤对目标预测时间m构建了十个预测任务迭代向量;
步骤5:利用步骤4获得的任意一种预测任务迭代向量,进行风速预测;
以当前时刻t时刻四个测风站的风速数据作为所选预测任务迭代向量中第一个预测子任务的输入数据,以所选预测任务迭代向量最后一个预测子任务输出数据中的目标测风站的风速数据作为目标预测时间m目标测风点的风速预测值;
前一个预测子任务的输出数据作为后一个预测子任务的输入数据。
所述t-nΔt·Δt满足下述公式:
式中,nΔt表示子预测时间为Δt的预测任务迭代向量的迭代计算次数;[m/Δt]的表示对m/Δt取整数。
进一步的,利用最新历史风速数据,选取最优预测任务迭代向量,进行风速预测,获得最优风速预测结果,具体过程如下:
步骤A:基于目标预测时间m和设置的预测步长Δt,选用与当前时刻t相距max{t-nΔt.Δt,Δt=1p,2p,3p…,10p}时间段内的历史风速数据按照训练样本数据的构建方法,获得预测样本数据,并从预测样本数据中选出各测风站依次在t-nΔt·Δt,Δt=1p,2p,3p…,10p以及t时刻的风速;
步骤B:将四个测风站在时刻为t-nΔt·Δt,Δt=1p,2p,3p…,10p时的风速,依次作为相应步长预测任务迭代向量的输入数据,获得每个预测任务迭代向量在t时获得的目标测风站预测风速;
步骤C:计算每个预测任务迭代向量在t时获得的目标测风站预测风速与实测风速的误差,并对误差求取均值,得到每个预测任务迭代向量的总体预测误差;
步骤D:选取总体预测误差值最小的预测任务迭代向量作为最优预测任务迭代向量,输入t+m-nΔt·Δt时刻四个测风站的风速,进行风速预测,获得最优风速预测结果。
进一步的,对各测风站的样本数据进行交互卡尔曼滤波处理,将滤波后的数据用于模型训练和预测任务迭代向量的选取。
进一步的,在与铁路平行的方向上,每个测风站两侧等间距设置有同类型测风站,获得目标测风站组和时移测风站组,其中时移测风站组包括第一时移测风站组、第二时移测风站组以及第三时移测风站组;
从目标测风站组各测风站测得的风速值中,选取相同采样时刻的最大风速值作为虚拟目标测风站的各采样时刻的风速值,以虚拟目标测风站作为目标样本测风站;
从各时移测风站组中,选取相同采样时刻的风速值与对虚拟测风站对应时刻的风速值显著性最大的时移测风站,获得时移目标测风站。
进一步的,采用狼群-模拟退火算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化,步骤如下:
步骤1.1):以个体狼位置作为所述基于SVM的风速预测模型中SVM的参数c和参数g,随机初始化狼群中的每只个体狼并设置狼群参数:
狼群规模取值范围为[50,200],步长因子取值范围为[50,120],探狼比例因子取值范围为[2,6],最大游走次数取值范围为:[10,40],距离判定因子取值范围为:[40,100],最大奔袭次数取值范围为[4,16],更新比例因子取值范围为[2,6],最大迭代次数取值范围为[500,1000],最大搜索精度取值范围为[0.001,0.005];设定模拟退火算法的退火初始温度为100、退火速率为退火迭代次数t2=1,当前温度下最大退火循环次数为Lmax=6;
步骤1.2):设定适应度函数,并确定初始最优头狼位置和迭代次数t1,t1=1;
将个体狼位置的对应的SVM的参数c和参数g代入基于SVM的风速预测模型中,并利用个体狼位置确定的基于SVM的风速预测模型输出风速预测值,将得到的风速预测值跟期望风速值之间的均方误差的倒数作为人工狼的适应度函数F1;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值;
步骤1.3):依次对所有人工狼进行游走行为、奔袭行为、围攻行为,按照个体狼的适应度更新狼群,获得更新后的最优头狼位置;
步骤1.4):判断是否到达优化精度要求或最大迭代次数,若没有到达,令t1=t1+1转至步骤1.5),若到达,转至步骤1.7);
步骤1.5):对本代中的头狼个体进行模拟退火操作,在得到的头狼位置gi邻域内随机选择新的位置gj并计算两者适应度之差ΔF1=F1(gi)-F1(gj),计算选择概率P=exp(-ΔF1/Tei),Tei为当前温度;如果P>random[0,1),则将当前头狼位置由gi替换为gj,并以gj作为下次寻优的开始,否则以gi开始下一次寻优;
步骤1.7):输出头狼位置对应的SVM的参数c和参数g。
进一步的,采用水循环算法对所述基于极限学习机的风速预测模型中的极限学习机的权值、核参数跟阈值同时进行优化,步骤如下:
步骤2.1):每个降雨层作为所述极限学习机的权值、核参数与阈值,初始化降雨层;
设定降雨层种群数量的取值范围为[30,80],海洋数量为1,河流数量的取值范围为[10,20],最大迭代次数的取值范围为[500,1000],极小值的取值范围为[0.001,0.005];
步骤2.2:将降雨层对应的权值、核参数跟阈值代入基于极限学习机的风速预测模型中,利用降雨层确定的基于极限学习机的风速预测模型计算以风速训l2练子样本为输入的风速预测值与风样训练期望样本的均方误差的倒数作为第二适应度函数;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值;
步骤2.3:以适应度最大的降雨层作为大海,以适应度次于大海的且适应度较大降雨层作为河流,其余的降雨层作为向河流或大海流动的溪流;
步骤2.4:在流动过程中,如果溪流的适应度高于河流的适应度,则溪流河流互换位置,如果河流的适应度高于大海的适应度,河流大海互换位置,最后使溪流流入河流,河流流入海洋;
步骤2.5:判断河流与海洋适应度之间的差值绝对值是否小于极小值,若是,转至步骤2.6);若否,重复步骤2.5);
步骤2.6:判断是否到达最大迭代次数,若否,进入下一次迭代,从降雨层种群中舍弃该河流,重新进行降雨过程,生成随机降雨层加入种群,转至步骤2.3);若是,输出海洋降雨层对应的参数作为所述极限学习机的权值、核参数与阈值。
进一步的,采用混沌差分蝙蝠算法对所述基于PID神经网络的风速预测模型中的PID神经网络的阈值和权值同时进行优化,步骤如下:
步骤3.1):以蝙蝠个体的位置作为基于PID神经网络的风速预测模型中所述PID神经网络的阈值和权值;
蝙蝠种群规模的取值范围为[100,500],蝙蝠个体最大脉冲频率r0=0.5,最大脉冲声音强度A0的取值范围为[0.3,0.8],蝙蝠搜索频率增加系数的取值范围为[0.02,0.05],声音强度衰减系数的取值范围为[0.75,0.95],交叉概率设置为0.5,变异概率设置为0.5,适应度方差阈值的取值范围为[0.01,0.06],搜索脉冲频率的取值范围为[0,1.5],最大迭代次数的取值范围为[200,500],最大搜索精度的取值范围为[0.02,0.1];
步骤3.2):根据混沌映射序列初始化蝙蝠种群中每个蝙蝠个体的位置、速度、频率;
步骤3.3):设定适应度函数,并确定初始最优蝙蝠个体位置和迭代次数t3,t3=1;
将蝙蝠个体位置对应的阈值和权值代入基于PID神经网络的风速预测模型,利用蝙蝠个体位置确定的基于PID神经网络的风速预测模型计算以风速训练子样本为输入的风速预测值与风样训练期望样本的均方误差的倒数作为第三适应度函数;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值。
步骤3.4):利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度;
步骤3.5):若Random1>ri,则对于个体最优位置的蝙蝠进行随机扰动,生成最优位置蝙蝠的扰动位置;
其中Random1为在闭区间[0,1]上均匀分布的随机数,ri为第i只蝙蝠的脉冲频率;
步骤3.6):若Random2>Ei,代表最优蝙蝠个体的扰动位置的适应度优于扰动前位置的适应度,将最优蝙蝠个体移动至扰动位置,否则最优蝙蝠个体位置不动;
其中Random2为在闭区间[0,1]上均匀分布的随机数,Ei为第i只蝙蝠的声音强度;
步骤3.7):计算当前种群的所有蝙蝠个体的适应度以及蝙蝠种群的种群适应度方差;
根据蝙蝠种群的种群适应度方差判断早熟状态,若蝙蝠种群适应度方差小于给定的阈值,对所有蝙蝠个体进行交叉和变异操作,并转至步骤3.5),否则,选出最优蝙蝠个体,转至步骤3.8);
步骤3.8):判断是否到达最大迭代次数或最大搜索精度,若是,输出最优蝙蝠个体位置对应的基于PID神经网络的风速预测模型中所述PID神经网络的阈值和权值,若否,t3=t3+1,转至步骤3.4)。
有益效果
本发明提供了一种高速铁路沿线大风迭代竞争高精度预测方法,根据近期风速状况,通过近期风速环境下各步长的竞争,选用十种步长中适应度最高的迭代预测组合,完成多步迭代预测,提高了迭代预测模型对当前风速环境的适应度,避免了对大量中间时刻风速值进行预测,减少了风速预测模型的迭代预测次数,显著提高预测精度,;相比于现有技术而言,其优点具体包含以下几点:
1.通过在目标测风点构造一个目标测风站并且选择3个时移测风站,获得相应风速数据,设定了十个预测步长,分别对四个测风站各自的各种步长的风速预测模型进行训练;十种步长按照大小从小到大分为三类,分别对应SVM模型、极限学习机和PID神经网络,完成针对步长的分类别模型训练。将目标预测时间分解成十种组合,每种组合为若干个子预测时间之和,通过多个子预测时间跳动式完成对目标时间的风速预测,避免了对大量过程时刻风速值进行预测,减少了风速预测模型的迭代预测次数,利用当前风速环境,通过单一步长迭代组合之间的竞争选择对当前时刻风速预测误差最小的步长迭代组合,最优组合进行风速预测,显著提高了预测精度;
2.通过采用狼群-模拟退火混合算法、水循环算法和混沌差分蝙蝠算法分别对SVM的参数c和参数g、极限学习机的权值、核参数跟阈值以及PID神经网络的阈值和权值进行初始参数优化,避免了初始参数选取不当对模型训练过程的干扰和预测能力的影响,也避免了经验法确定参数初始值的局限性;
3.利用本发明所提出的方法,能够实现铁路沿线风速超前预测,通过多种单一步长组合的竞争得到最优预测结果,提前得知目标地点高精度风速预测状况,及时、有效地指导列车运行,保障列车运营安全。
附图说明
图1为本发明所述方法中的预测模型训练示意图;
图2为本发明所述方法的风速预测流程示意图;
图3为测风站设置示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
如图1和图2所示,一种高速铁路沿线大风迭代竞争高精度预测方法,包括以下步骤:
步骤1:在铁路目标测风点设置测风站,包括目标测风站和时移测风站;
所述目标测风站距离铁路目标测风点100米,所述时移测风站至少包括3个,且设置铁路目标测风点与目标测风站所在连线上,第一个时移测风站距离铁路目标测风点500米,相邻时移测风站之间间距为500米;
如图3所示,在与铁路平行的方向上,每个测风站两侧等间距设置有同类型测风站,获得目标测风站组和时移测风站组,其中时移测风站组包括第一时移测风站组、第二时移测风站组以及第三时移测风站组;
从目标测风站组各测风站测得的风速值中,选取相同采样时刻的最大风速值作为虚拟目标测风站的各采样时刻的风速值,以虚拟目标测风站作为目标样本测风站;
从各时移测风站组中,选取相同采样时刻的风速值与对虚拟测风站对应时刻的风速值显著性最大的时移测风站,获得时移目标测风站。
步骤2:构建训练样本数据;
以相同采样频率采集各测风站在历史时间段内的风速,依次将各测风站的历史风速,以时间间隔T内的风速中值作为各测风站的样本时刻风速,获得训练样本数据;
即将每个时间间隔T内的多个风速的中值作为一个样本时刻的风速值,压缩历史风速数据;
在本实例中,间隔3S采集一次风速;
对各测风站的样本数据进行交互卡尔曼滤波处理,将滤波后的数据用于模型训练和预测任务迭代向量的选取。
步骤3:利用训练样本数据和设置的预测步长,构建风速预测模型组;
依次以目标测风站和所有时移测风站中任意三个测风站在任意历史时刻t0的风速值作为输入数据,剩余测风站在t0+Δt时刻的风速值作为输出数据,对模型进行训练,获得各测风站预测步长为Δt的风速预测模型;
所述预测步长Δt的取值依次为p、2p、3p、…、10p,p为预测步长单元时间,取值范围为1-5min;
所述预测步长Δt的取值依次为p、2p、3p、4p时,用于训练的模型为SVM,所使用的SVM输入节点为3个,输出节点为1个,选择高斯函数作为核函数,得到基于SVM的风速预测模型;
所述预测步长Δt的取值依次为5p、6p、7p时,用于训练的模型为极限学习机,所使用的极限学习机输入层节点个数为3,输出层节点个数为1,训练过程中的最大迭代次数设置为200,得到基于极限学习机的风速预测模型;
所述预测步长Δt的取值依次为8p、9p、10p时,用于训练的模型为PID神经网络,所使用的PID神经网络输入层节点个数为3,隐含层个数为3,输出层节点个数为1;训练过程中的最大迭代次数设置为200,训练学习率为0.1,阈值为0.004,得到基于PID神经网络的风速预测模型;
所述SVM即支持向量机;
四个测风站在同一预测步长下的风速预测模型构成一个风速预测模型组;
十个预测步长,一共十组风速预测模型,每组风速预测模型包含四个测风站的风速预测模型;
每组风速预测模型的输入数据为四个测风站在某初始时刻的风速,输出数据为经过时间Δt后,四个测风站的预测风速,以经过时间Δt之后四个测风站的预测风速作为风速预测模型组的输入数据,输出为经过时间2Δt后四个测风站的预测风速,省略了对从初始时刻到经过时间Δt这一过程中的时刻进行风速预测,跳动式完成对目标时间的预测;
实际上每组风速预测模型中某个测风站的风速预测模型是指利用另外三个测风站的在某时刻的风速,对该测风站在经过时间Δt后的风速进行预测;
采用狼群-模拟退火算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化,步骤如下:
步骤1.1):以个体狼位置作为所述基于SVM的风速预测模型中SVM的参数c和参数g,随机初始化狼群中的每只个体狼并设置狼群参数:
狼群规模取值范围为:[50,200],步长因子取值范围为:[50,120],探狼比例因子取值范围为:[2,6],最大游走次数取值范围为:[10,40],距离判定因子取值范围为:[40,100],最大奔袭次数取值范围为:[4,16],更新比例因子取值范围为:[2,6],最大迭代次数取值范围为:[500,1000],最大搜索精度取值范围为:[0.001,0.005];设定模拟退火算法的退火初始温度为100、退火速率为退火迭代次数t2=1,当前温度下最大退火循环次数为Lmax=6;
步骤1.2):设定适应度函数,并确定初始最优头狼位置和迭代次数t1,t1=1;
将个体狼位置的对应的SVM的参数c和参数g代入基于SVM的风速预测模型中,并利用个体狼位置确定的基于SVM的风速预测模型输出风速预测值,将得到的风速预测值跟期望风速值之间的均方误差的倒数作为人工狼的适应度函数F1;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值;
步骤1.3):依次对所有人工狼进行游走行为、奔袭行为、围攻行为,按照个体狼的适应度更新狼群,获得更新后的最优头狼位置;
步骤1.4):判断是否到达优化精度要求或最大迭代次数,若没有到达,令t1=t1+1转至步骤1.5),若到达,转至步骤1.7);
步骤1.5):对本代中的头狼个体进行模拟退火操作,在得到的头狼位置gi邻域内随机选择新的位置gj并计算两者适应度之差ΔF1=F1(gi)-F1(gj),计算选择概率P=exp(-ΔF1/Tei),Tei为当前温度;如果P>random[0,1),则将当前头狼位置由gi替换为gj,并以gj作为下次寻优的开始,否则以gi开始下一次寻优;
步骤1.7):输出头狼位置对应的SVM的参数c和参数g。
采用水循环算法对所述基于极限学习机的风速预测模型中的极限学习机的权值、核参数跟阈值同时进行优化,步骤如下:
步骤2.1):每个降雨层作为所述极限学习机的权值、核参数与阈值,初始化降雨层;
设定降雨层种群数量的取值范围为[30,80],海洋数量为1,河流数量的取值范围为[10,20],最大迭代次数的取值范围为[500,1000],极小值的取值范围为[0.001,0.005];
步骤2.2:将降雨层对应的权值、核参数跟阈值代入基于极限学习机的风速预测模型中,利用降雨层确定的基于极限学习机的风速预测模型计算以风速训l2练子样本为输入的风速预测值与风样训练期望样本的均方误差的倒数作为第二适应度函数;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值;
步骤2.3:以适应度最大的降雨层作为大海,以适应度次于大海的且适应度较大降雨层作为河流,其余的降雨层作为向河流或大海流动的溪流;
步骤2.4:在流动过程中,如果溪流的适应度高于河流的适应度,则溪流河流互换位置,如果河流的适应度高于大海的适应度,河流大海互换位置,最后使溪流流入河流,河流流入海洋;
步骤2.5:判断河流与海洋适应度之间的差值绝对值是否小于极小值,若是,转至步骤2.6);若否,重复步骤2.5);
步骤2.6:判断是否到达最大迭代次数,若否,进入下一次迭代,从降雨层种群中舍弃该河流,重新进行降雨过程,生成随机降雨层加入种群,转至步骤2.3);若是,输出海洋降雨层对应的参数作为所述极限学习机的权值、核参数与阈值。
采用混沌差分蝙蝠算法对所述基于PID神经网络的风速预测模型中的PID神经网络的阈值和权值同时进行优化,步骤如下:
步骤3.1):以蝙蝠个体的位置作为基于PID神经网络的风速预测模型中所述PID神经网络的阈值和权值;
蝙蝠种群规模的取值范围为[100,500],蝙蝠个体最大脉冲频率r0=0.5,最大脉冲声音强度A0的取值范围为[0.3,0.8],蝙蝠搜索频率增加系数的取值范围为[0.02,0.05],声音强度衰减系数的取值范围为[0.75,0.95],交叉概率设置为0.5,变异概率设置为0.5,适应度方差阈值的取值范围为[0.01,0.06],搜索脉冲频率的取值范围为[0,1.5],最大迭代次数的取值范围为[200,500],最大搜索精度的取值范围为[0.02,0.1];
步骤3.2):根据混沌映射序列初始化蝙蝠种群中每个蝙蝠个体的位置、速度、频率;
步骤3.3):设定适应度函数,并确定初始最优蝙蝠个体位置和迭代次数t3,t3=1;
将蝙蝠个体位置对应的阈值和权值代入基于PID神经网络的风速预测模型,利用蝙蝠个体位置确定的基于PID神经网络的风速预测模型计算以风速训练子样本为输入的风速预测值与风样训练期望样本的均方误差的倒数作为第三适应度函数;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值。
步骤3.4):利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度;
步骤3.5):若Random1>ri,则对于个体最优位置的蝙蝠进行随机扰动,生成最优位置蝙蝠的扰动位置;
其中Random1为在闭区间[0,1]上均匀分布的随机数,ri为第i只蝙蝠的脉冲频率;
步骤3.6):若Random2>Ei,代表最优蝙蝠个体的扰动位置的适应度优于扰动前位置的适应度,将最优蝙蝠个体移动至扰动位置,否则最优蝙蝠个体位置不动;
其中Random2为在闭区间[0,1]上均匀分布的随机数,Ei为第i只蝙蝠的声音强度;
步骤3.7):计算当前种群的所有蝙蝠个体的适应度以及蝙蝠种群的种群适应度方差;
根据蝙蝠种群的种群适应度方差判断早熟状态,若蝙蝠种群适应度方差小于给定的阈值,对所有蝙蝠个体进行交叉和变异操作,并转至步骤3.5),否则,选出最优蝙蝠个体,转至步骤3.8);
步骤3.8):判断是否到达最大迭代次数或最大搜索精度,若是,输出最优蝙蝠个体位置对应的基于PID神经网络的风速预测模型中所述PID神经网络的阈值和权值,若否,t3=t3+1,转至步骤3.4)。
步骤4:根据目标预测时间,构建所有测风站的预测任务迭代向量;
将目标预测时间m拆分为n个相同的子预测时间hi,且0≤n·hi-m<hi,hi的取值与预测步长Δt的值相同,选择子预测时间对应的风速预测模型组,形成各测风站预测任务迭代向量l={hi},hi表示第i个子预测时间,i的取值范围为1-n;
所述目标预测时间m是指在经过时间m后进行风速预测;
每个子预测时间需要选择一个对应步长的风速预测模型组进行四个测风站的在经过子预测时间时的风速预测;
每一个子预测时间选择一个风速预测模型组进行一次子任务预测,称为一个预测子任务,一个预测子任务的输入为四个测风站同一时刻的风速数据,一共四个数据,输出为四个测风站经过子预测时间对应步长Δt之后同一时刻的风速数据,一共四个数据,输出数据可以直接用于下一个预测子任务的输入,避免了常规预测方法中对多余风速值的预测,减少迭代次数,提升预测精度;
上述步骤对目标预测时间m构建了十个预测任务迭代向量;
利用最新历史风速数据,选取最优预测任务迭代向量,进行风速预测,获得最优风速预测结果,具体过程如下:
步骤A:基于目标预测时间m和设置的预测步长Δt,选用与当前时刻t相距max{t-nΔt·Δt,Δt=1p,2p,3p…,10p}时间段内的历史风速数据按照训练样本数据的构建方法,获得预测样本数据,并从预测样本数据中选出各测风站依次在t-nΔt·Δt,Δt=1p,2p,3p…,10p以及t时刻的风速;
步骤B:将四个测风站在时刻为t-nΔt·Δt,Δt=1p,2p,3p…,10p时的风速,依次作为相应步长预测任务迭代向量的输入数据,获得每个预测任务迭代向量在t时获得的目标测风站预测风速;
步骤C:计算每个预测任务迭代向量在t时获得的目标测风站预测风速与实测风速的误差,并对误差求取均值,得到每个预测任务迭代向量的总体预测误差;
步骤D:选取总体预测误差值最小的预测任务迭代向量作为最优预测任务迭代向量,输入t+m-nΔt·Δt时刻四个测风站的风速,进行风速预测,获得最优风速预测结果。
所述t-nΔt·Δt满足下述公式:
式中,nΔt表示子预测时间为Δt的预测任务迭代向量的迭代计算次数;[m/Δt]的表示对m/Δt取整数。
步骤5:利用步骤4获得的任意一种预测任务迭代向量,进行风速预测;
以当前时刻t时刻四个测风站的风速数据作为所选预测任务迭代向量中第一个预测子任务的输入数据,以所选预测任务迭代向量最后一个预测子任务输出数据中的目标测风站的风速数据作为目标预测时间m目标测风点的风速预测值;
前一个预测子任务的输出数据作为后一个预测子任务的输入数据。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种高速铁路沿线大风迭代竞争高精度预测方法,其特征在于,包括以下步骤:
步骤1:在铁路目标测风点设置测风站,包括目标测风站和时移测风站;
所述目标测风站距离铁路目标测风点100米,所述时移测风站至少包括3个,且设置铁路目标测风点与目标测风站所在连线上,第一个时移测风站距离铁路目标测风点500米,相邻时移测风站之间间距为500米;
步骤2:构建训练样本数据;
以相同采样频率采集各测风站在历史时间段内的风速,依次将各测风站的历史风速,以时间间隔T内的风速中值作为各测风站的样本时刻风速,获得训练样本数据;
步骤3:利用训练样本数据和设置的预测步长,构建风速预测模型组;
依次以目标测风站和所有时移测风站中任意三个测风站在任意历史时刻t0的风速值作为输入数据,剩余测风站在t0+Δt时刻的风速值作为输出数据,对模型进行训练,获得各测风站预测步长为Δt的风速预测模型;
所述预测步长Δt的取值依次为p、2p、3p、…、10p,p为预测步长单元时间,取值范围为1-5min;
所述预测步长Δt的取值依次为p、2p、3p、4p时,用于训练的模型为SVM,所使用的SVM输入节点为3个,输出节点为1个,选择高斯函数作为核函数,得到基于SVM的风速预测模型;
所述预测步长Δt的取值依次为5p、6p、7p时,用于训练的模型为极限学习机,所使用的极限学习机输入层节点个数为3,输出层节点个数为1,训练过程中的最大迭代次数设置为200,得到基于极限学习机的风速预测模型;
所述预测步长Δt的取值依次为8p、9p、10p时,用于训练的模型为PID神经网络,所使用的PID神经网络输入层节点个数为3,隐含层个数为3,输出层节点个数为1;训练过程中的最大迭代次数设置为200,训练学习率为0.1,阈值为0.004,得到基于PID神经网络的风速预测模型;
四个测风站在同一预测步长下的风速预测模型构成一个风速预测模型组;
十个预测步长,一共十组风速预测模型,每组风速预测模型包含四个测风站的风速预测模型;
步骤4:根据目标预测时间,构建所有测风站的预测任务迭代向量;
将目标预测时间m拆分为n个相同的子预测时间hi,且0≤n·hi1-m<hi1,hi1的取值与预测步长Δt的值相同,选择子预测时间对应的风速预测模型组,形成各测风站预测任务迭代向量l={hi1},hi1表示第i1个子预测时间,i1的取值范围为1-n;
步骤5:利用步骤4获得的任意一种预测任务迭代向量,进行风速预测;
以当前时刻t时刻四个测风站的风速数据作为所选预测任务迭代向量中第一个预测子任务的输入数据,以所选预测任务迭代向量最后一个预测子任务输出数据中的目标测风站的风速数据作为目标预测时间m目标测风点的风速预测值;
前一个预测子任务的输出数据作为后一个预测子任务的输入数据;
t-nΔt·Δt满足下述公式:
式中,nΔt表示子预测时间为Δt的预测任务迭代向量的迭代计算次数;[m/Δt]的表示对m/Δt取整数。
2.根据权利要求1所述的方法,其特征在于,利用最新历史风速数据,选取最优预测任务迭代向量,进行风速预测,获得最优风速预测结果,具体过程如下:
步骤A:基于目标预测时间m和设置的预测步长Δt,选用与当前时刻t相距max{t-nΔt·Δt,Δt=1p,2p,3p…,10p}时间段内的历史风速数据按照训练样本数据的构建方法,获得预测样本数据,并从预测样本数据中选出各测风站依次在t-nΔt·Δt,Δt=1p,2p,3p…,10p以及t时刻的风速;
步骤B:将四个测风站在时刻为t-nΔt·Δt,Δt=1p,2p,3p…,10p时的风速,依次作为相应步长预测任务迭代向量的输入数据,获得每个预测任务迭代向量在t时获得的目标测风站预测风速;
步骤C:计算每个预测任务迭代向量在t时获得的目标测风站预测风速与实测风速的误差,并对误差求取均值,得到每个预测任务迭代向量的总体预测误差;
步骤D:选取总体预测误差值最小的预测任务迭代向量作为最优预测任务迭代向量,输入t+m-nΔt·Δt时刻四个测风站的风速,进行风速预测,获得最优风速预测结果。
3.根据权利要求2所述的方法,其特征在于,对各测风站的样本数据进行交互卡尔曼滤波处理,将滤波后的数据用于模型训练和预测任务迭代向量的选取。
4.根据权利要求1-3任一项所述的方法,其特征在于,在与铁路平行的方向上,每个测风站两侧等间距设置有同类型测风站,获得目标测风站组和时移测风站组,其中时移测风站组包括第一时移测风站组、第二时移测风站组以及第三时移测风站组;
从目标测风站组各测风站测得的风速值中,选取相同采样时刻的最大风速值作为虚拟目标测风站的各采样时刻的风速值,以虚拟目标测风站作为目标样本测风站;
从各时移测风站组中,选取相同采样时刻的风速值与对虚拟测风站对应时刻的风速值显著性最大的时移测风站,获得时移目标测风站。
5.根据权利要求4所述的方法,其特征在于,采用狼群-模拟退火算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化,步骤如下:
步骤1.1):以个体狼位置作为所述基于SVM的风速预测模型中SVM的参数c和参数g,随机初始化狼群中的每只个体狼并设置狼群参数:
狼群规模取值范围为:[50,200],步长因子取值范围为:[50,120],探狼比例因子取值范围为:[2,6],最大游走次数取值范围为:[10,40],距离判定因子取值范围为:[40,100],最大奔袭次数取值范围为:[4,16],更新比例因子取值范围为:[2,6],最大迭代次数取值范围为:[500,1000],最大搜索精度取值范围为:[0.001,0.005];设定模拟退火算法的退火初始温度为100、退火速率为退火迭代次数t2=1,当前温度下最大退火循环次数为Lmax=6;
步骤1.2):设定适应度函数,并确定初始最优头狼位置和迭代次数t1,t1=1;
将个体狼位置的对应的SVM的参数c和参数g代入基于SVM的风速预测模型中,并利用个体狼位置确定的基于SVM的风速预测模型输出风速预测值,将得到的风速预测值跟期望风速值之间的均方误差的倒数作为人工狼的适应度函数F1;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值;
步骤1.3):依次对所有人工狼进行游走行为、奔袭行为、围攻行为,按照个体狼的适应度更新狼群,获得更新后的最优头狼位置;
步骤1.4):判断是否到达优化精度要求或最大迭代次数,若没有到达,令t1=t1+1转至步骤1.5),若到达,转至步骤1.7);
步骤1.5):对本代中的头狼个体进行模拟退火操作,在得到的头狼位置gi邻域内随机选择新的位置gj并计算两者适应度之差ΔF1=F1(gi)-F1(gj),计算选择概率P=exp(-ΔF1/Tei),Tei为当前温度;如果P>random[0,1),则将当前头狼位置由gi替换为gj,并以gj作为下次寻优的开始,否则以gi开始下一次寻优;
步骤1.7):输出头狼位置对应的SVM的参数c和参数g。
6.根据权利要求4所述的方法,其特征在于,采用水循环算法对所述基于极限学习机的风速预测模型中的极限学习机的权值、核参数跟阈值同时进行优化,步骤如下:
步骤2.1):每个降雨层作为所述极限学习机的权值、核参数与阈值,初始化降雨层;
设定降雨层种群数量的取值范围为[30,80],海洋数量为1,河流数量的取值范围为[10,20],最大迭代次数的取值范围为[500,1000],极小值的取值范围为[0.001,0.005];
步骤2.2:将降雨层对应的权值、核参数跟阈值代入基于极限学习机的风速预测模型中,利用降雨层确定的基于极限学习机的风速预测模型计算以风速训l2练子样本为输入的风速预测值与风样训练期望样本的均方误差的倒数作为第二适应度函数;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值;
步骤2.3:以适应度最大的降雨层作为大海,以适应度次于大海的且适应度较大降雨层作为河流,其余的降雨层作为向河流或大海流动的溪流;
步骤2.4:在流动过程中,如果溪流的适应度高于河流的适应度,则溪流河流互换位置,如果河流的适应度高于大海的适应度,河流大海互换位置,最后使溪流流入河流,河流流入海洋;
步骤2.5:判断河流与海洋适应度之间的差值绝对值是否小于极小值,若是,转至步骤2.6);若否,重复步骤2.5);
步骤2.6:判断是否到达最大迭代次数,若否,进入下一次迭代,从降雨层种群中舍弃该河流,重新进行降雨过程,生成随机降雨层加入种群,转至步骤2.3);若是,输出海洋降雨层对应的参数作为所述极限学习机的权值、核参数与阈值。
7.根据权利要求4所述的方法,其特征在于,采用混沌差分蝙蝠算法对所述基于PID神经网络的风速预测模型中的PID神经网络的阈值和权值同时进行优化,步骤如下:
步骤3.1):以蝙蝠个体的位置作为基于PID神经网络的风速预测模型中所述PID神经网络的阈值和权值;
蝙蝠种群规模的取值范围为[100,500],蝙蝠个体最大脉冲频率r0=0.5,最大脉冲声音强度A0的取值范围为[0.3,0.8],蝙蝠搜索频率增加系数的取值范围为[0.02,0.05],声音强度衰减系数的取值范围为[0.75,0.95],交叉概率设置为0.5,变异概率设置为0.5,适应度方差阈值的取值范围为[0.01,0.06],搜索脉冲频率的取值范围为[0,1.5],最大迭代次数的取值范围为[200,500],最大搜索精度的取值范围为[0.02,0.1];
步骤3.2):根据混沌映射序列初始化蝙蝠种群中每个蝙蝠个体的位置、速度、频率;
步骤3.3):设定适应度函数,并确定初始最优蝙蝠个体位置和迭代次数t3,t3=1;
将蝙蝠个体位置对应的阈值和权值代入基于PID神经网络的风速预测模型,利用蝙蝠个体位置确定的基于PID神经网络的风速预测模型计算以风速训练子样本为输入的风速预测值与风样训练期望样本的均方误差的倒数作为第三适应度函数;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值;
步骤3.4):利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度;
步骤3.5):若Random1>ri,则对于个体最优位置的蝙蝠进行随机扰动,生成最优位置蝙蝠的扰动位置;
其中Random1为在闭区间[0,1]上均匀分布的随机数,ri为第i只蝙蝠的脉冲频率;
步骤3.6):若Random2>Ei,代表最优蝙蝠个体的扰动位置的适应度优于扰动前位置的适应度,将最优蝙蝠个体移动至扰动位置,否则最优蝙蝠个体位置不动;
其中Random2为在闭区间[0,1]上均匀分布的随机数,Ei为第i只蝙蝠的声音强度;
步骤3.7):计算当前种群的所有蝙蝠个体的适应度以及蝙蝠种群的种群适应度方差;
根据蝙蝠种群的种群适应度方差判断早熟状态,若蝙蝠种群适应度方差小于给定的阈值,对所有蝙蝠个体进行交叉和变异操作,并转至步骤3.5),否则,选出最优蝙蝠个体,转至步骤3.8);
步骤3.8):判断是否到达最大迭代次数或最大搜索精度,若是,输出最优蝙蝠个体位置对应的基于PID神经网络的风速预测模型中所述PID神经网络的阈值和权值,若否,t3=t3+1,转至步骤3.4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810844574.5A CN109034478B (zh) | 2018-07-27 | 2018-07-27 | 一种高速铁路沿线大风迭代竞争高精度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810844574.5A CN109034478B (zh) | 2018-07-27 | 2018-07-27 | 一种高速铁路沿线大风迭代竞争高精度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034478A CN109034478A (zh) | 2018-12-18 |
CN109034478B true CN109034478B (zh) | 2021-09-24 |
Family
ID=64646247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810844574.5A Active CN109034478B (zh) | 2018-07-27 | 2018-07-27 | 一种高速铁路沿线大风迭代竞争高精度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034478B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726802B (zh) * | 2018-12-29 | 2020-11-20 | 中南大学 | 一种铁路和风电场环境风速机器学习预测方法 |
CN110006552B (zh) * | 2019-04-03 | 2020-07-14 | 中国水利水电科学研究院 | 一种机组设备温度异常检测方法 |
CN110210646B (zh) * | 2019-04-25 | 2021-08-10 | 浙江大学 | 一种基于风速预测的高速铁路强风报警保持时间动态调整方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006083943A2 (en) * | 2005-02-01 | 2006-08-10 | Windlogics, Inc. | System and method for enhanced measure-correlate-predict for a wind farm location |
CN102063641A (zh) * | 2010-10-14 | 2011-05-18 | 北京大学 | 高速铁路沿线风速预测方法 |
CN104612898A (zh) * | 2014-11-27 | 2015-05-13 | 江苏科技大学 | 一种风电变桨距多变量模糊神经网络pid控制方法 |
CN106779148A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种多模型多特征融合的高速铁路沿线风速预测方法 |
CN107092987A (zh) * | 2017-04-18 | 2017-08-25 | 中国人民解放军空军工程大学 | 一种中小型无人机自主着舰风速预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9069104B2 (en) * | 2012-12-12 | 2015-06-30 | International Business Machines Corporation | Pathway management using model analysis and forecasting |
WO2016121202A1 (ja) * | 2015-01-30 | 2016-08-04 | 日本電気株式会社 | 予測装置、予測方法、及び、プログラム |
CN106372731B (zh) * | 2016-11-14 | 2017-07-28 | 中南大学 | 一种强风高速铁路沿线风速空间网络构造预测方法 |
CN108263400B (zh) * | 2018-01-08 | 2019-11-15 | 北京佳讯飞鸿电气股份有限公司 | 高铁列车运行速度控制方法、装置、存储介质及高铁列车 |
CN108197753A (zh) * | 2018-01-25 | 2018-06-22 | 国网福建省电力有限公司 | 基于随机森林的风电厂超短期风速预测方法 |
-
2018
- 2018-07-27 CN CN201810844574.5A patent/CN109034478B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006083943A2 (en) * | 2005-02-01 | 2006-08-10 | Windlogics, Inc. | System and method for enhanced measure-correlate-predict for a wind farm location |
CN102063641A (zh) * | 2010-10-14 | 2011-05-18 | 北京大学 | 高速铁路沿线风速预测方法 |
CN104612898A (zh) * | 2014-11-27 | 2015-05-13 | 江苏科技大学 | 一种风电变桨距多变量模糊神经网络pid控制方法 |
CN106779148A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种多模型多特征融合的高速铁路沿线风速预测方法 |
CN107092987A (zh) * | 2017-04-18 | 2017-08-25 | 中国人民解放军空军工程大学 | 一种中小型无人机自主着舰风速预测方法 |
Non-Patent Citations (2)
Title |
---|
Smart wind speed forecasting using EWT decomposition, GWO evolutionary optimization, RELM learning and IEWT reconstruction;Hui Liu等;《Energy Conversion and Management》;20180401;第136卷;第266-283页 * |
高速铁路沿线短时大风预测方法;王艺淋等;《中国沙漠》;20140531;第34卷(第3期);第861-868页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109034478A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034478B (zh) | 一种高速铁路沿线大风迭代竞争高精度预测方法 | |
CN103581188B (zh) | 一种网络安全态势预测方法及系统 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN111047085A (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
CN110689184A (zh) | 一种通过深度学习进行轨交人流预测的方法 | |
CN111160620A (zh) | 一种基于端到端记忆网络的短期风电功率预测方法 | |
CN111860787A (zh) | 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置 | |
AU2021106540A4 (en) | Prediction method and system for river algal blooms | |
CN109034476B (zh) | 一种高速铁路沿线极端风速大数据聚类预测方法 | |
Ma et al. | Optimized BP neural network algorithm for predicting ship trajectory | |
CN114021836A (zh) | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 | |
Riffi et al. | Discrete cuttlefish optimization algorithm to solve the travelling salesman problem | |
CN109063907B (zh) | 一种高速铁路沿线极大风速智能遍历大步长预测方法 | |
CN109711593B (zh) | 一种面向瞬时计算决策的高速铁路沿线风速预测方法 | |
CN110779526B (zh) | 一种路径规划方法、装置及存储介质 | |
CN109002860B (zh) | 一种高速铁路沿线突变风速智能适应性匹配预测方法 | |
CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 | |
CN113406957B (zh) | 基于免疫深度强化学习的移动机器人自主导航方法 | |
CN115412332A (zh) | 基于混合神经网络模型优化的物联网入侵检测系统及方法 | |
CN114897260A (zh) | 基于lstm神经网络的短期风速预测模型建模方法及预测方法 | |
CN113191526A (zh) | 一种基于随机敏感度的短期风速区间多目标优化预测方法及系统 | |
CN113837443A (zh) | 基于深度BiLSTM的变电站线路负载预测方法 | |
Safavieh et al. | A new integrated approach for very short-term wind speed prediction using wavelet networks and PSO | |
Yuan et al. | Medium-term prediction of urban traffic states using probability tree | |
Siek et al. | Nonlinear multi-model ensemble prediction using dynamic Neural Network with incremental learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |