CN109190839A - 一种融合风向的铁路沿线风速智能滚动预测方法 - Google Patents
一种融合风向的铁路沿线风速智能滚动预测方法 Download PDFInfo
- Publication number
- CN109190839A CN109190839A CN201811099805.0A CN201811099805A CN109190839A CN 109190839 A CN109190839 A CN 109190839A CN 201811099805 A CN201811099805 A CN 201811099805A CN 109190839 A CN109190839 A CN 109190839A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- moment
- wind
- forecasting
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005096 rolling process Methods 0.000 title claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000009423 ventilation Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 90
- 238000012360 testing method Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 27
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims 1
- 238000004043 dyeing Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 230000001537 neural effect Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 7
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000012098 association analyses Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合风向的铁路沿线风速智能滚动预测方法，通过历史风速建立多个高精度风速预测模型，集成优化预测结果，通过择优集成和关联分析的方法，提升了风速预测模型的预测精度和预测稳定性，增加了风速预测过程的鲁棒性；同时利用模拟预测误差，结合目标测风点风向真实值，建立风速预测误差校正模型，极大提高铁路沿线风速预测精度；风速预测过程融合风向数据，构造风速预测误差与风向之间的映射关系，针对不同的风向对集成优化后的预测风速进行进一步的优化，避免了单一数据驱动的局限性，完善了铁路沿线风速预测的流程，显著提高风速预测精度。
Description
技术领域
本发明属于铁路风速预测领域，特别涉及一种融合风向的铁路沿线风速智能滚动预测方法。
背景技术
大风严重威胁铁路运输的运营安全，每年因突发大风导致的安全事故不在少数。针对铁路大风问题，多数研究者将目光放在铁路沿线风速的预测中，旨在通过对风速时间序列分析，实现铁路沿线风速的高精度预测，很少涉及预测完成后的误差校正问题。
造成列车事故的因素除了风速外，还跟大风的风向密切相关，同等运行速度下，列车的运行状态同风向呈现高相关性；对于历史风数据中，风向相近的大风在生成因素、变化规律方面存在高相关性。
发明内容
本发明提供了一种融合风向的铁路沿线风速智能滚动预测方法，通过历史风速建立多个高精度风速预测模型，集成优化预测结果，提高预测精度，同时利用模拟预测预测误差，结合目标测风点风向真实值，建立误差修正模型，进一步提高风速预测预测精度。
一种融合风向的铁路沿线风速智能滚动预测方法，包括以下步骤：
步骤1：在铁路目标测风点设置测风站，包括目标测风站和辅助测风站；
所述目标测风站1个，距离铁路目标测风点100米，所述辅助测风站包括3个，布置在等边三角形的三个顶点，两两之间相距1000米，等边三角形中心位于目标测风站处，底边平行于铁路轨道；
步骤2：构建训练样本数据；
以相同采样频率采集两段不同历史时间段内目标测风站的风速数据、风向数据和辅助测风站的风向数据；
将第一段历史时间段内目标测风站的历史风速数据，以时间间隔T内的风速中值作为目标测风站的样本时刻风速，获得风速样本数据；将第一段历史时间段内各测风站的历史风向数据以时间间隔T内的风向中值作为各测风站的样本时刻风向，获得风向训练样本数据；
将第二段历史时间段内各测风站的历史风速数据和历史风向数据，按照第一段历史时间段内历史风速和风向数据的处理方法处理，获得风向与风速误差校正样本数据；
即将每个时间间隔T内的多个风速/风向的中值作为一个样本时刻的风速/风向值，压缩历史风速/风向数据；
步骤3：利用风速样本数据和设置的预测步长，构建基于卷积神经网络的风速预测模型；
将风速样本数据中最后102+Δt个时刻的数据作为风速测试样本，其余时刻的数据作为风速训练样本，Δt为预测步长，取值范围为z·T，z＝1，2，3…,10；
针对基于卷积神经网络的风速预测模型中的卷积层个数和卷积核大小，随机选取n种取值组合,n取值至少为100，构建n个基于卷积神经网络的风速预测模型；
利用风速训练样本数据，依次以任意三个连续时刻t-2、t-1、和t时刻的风速值作为每个基于卷积神经网络的风速预测模型的输入数据，将t+Δt时刻的风速值作为每个基于卷积神经网络的风速预测模型的输出数据，训练得到n个基于卷积神经网络的风速预测模型；
依次将风速测试样本连续三个时刻的风速值作为每个基于卷积神经网络的风速预测模型的输入数据，分别得到风速测试样本中最后100个时刻的风速测试预测值；
每个基于卷积神经网络的风速预测模型分别进行100次的滚动预测；
从n个基于卷积神经网络的风速预测模型中随机选取20个基于卷积神经网络的风速预测模型；
依次选取上述20个基于卷积神经网络的风速预测模型的100个风速测试预测值，将任意两个基于卷积神经网络的风速预测模型中对应100个风速测试预测值进行相关性分析，得到任意两个基于卷积神经网络的风速预测模型的皮尔逊相关性系数，并选择使得S最小的10个基于卷积神经网络的风速预测模型；
其中，si为第i个基于卷积神经网络的风速预测模型同另外9个基于卷积神经网络的风速预测模型皮尔逊相关性系数的最大值；
步骤4：利用风向训练样本数据和设置的预测步长，构建基于支持向量机的风向预测模型组；
依次以目标测风站和所有辅助测风站中任意三个测风站在任意历史时刻t0的风向值作为输入数据，剩余测风站在t0+Δt时刻的风向值作为输出数据，对支持向量机进行训练，获得各测风站预测步长为Δt的基于支持向量机的风向预测模型组；
步骤5：利用风向与风速误差校正样本数据，构建基于极限学习机的风速预测误差校正模型；
在风向与风速误差校正样本数据中随机选取某一样本数据所在时刻作为一次模拟预测的起始时刻，记为ts，随机确定模拟预测的目标预测时间，记为ms,ts+ms和ts-1-Δt均不超过风向与风速误差校正样本数据所在的时刻范围；
将ts-1-Δt，ts-Δt，ts+1-Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个ts+1时刻的风速预测值，对10个结果取平均得到ts+1时刻综合风速预测值；将ts+1时刻的综合风速预测值作为ts+1时刻时目标测风站的实测风速值；
将ts-Δt，ts+1-Δt，ts+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个ts+2时刻的风速预测值，对10个结果取平均得到ts+2时刻的综合风速预测值；
依次类推，进入滚动预测，直到得到ts+ms时刻的目标测风站的综合风速预测值；
将ts-Δt+ms％Δt时刻四个测风站的风向数据作为所述基于支持向量机的风向预测模型组的输入数据，获得各测风站在ts+ms％Δt时刻的风向预测值；将四个测风站输出的风向预测值再次作为所述基于支持向量机的风向预测模型组的输入数据，迭代多次，直至得到ts+ms时刻的各测风站的风向预测值；其中，ms％Δt表示ms对Δt取余；
以目标测风站在模拟预测时刻的综合风速预测值和风向预测值，对比风向与风速误差校正样本中相应时刻的风速真实值，得到模拟预测时刻的风速预测误差值；
进行P次模拟预测，P的取值至少为500，将每一次模拟预测的综合风速预测值和风向预测值作为基于极限学习机的风速预测误差校正模型的输入数据，风速预测误差值作为基于极限学习机的风速预测误差校正模型的输出数据进行模型训练，得到基于极限学习机的风速预测误差校正模型；
步骤6：利用步骤3获得的基于卷积神经网络的风速预测模型、步骤4获得的基于支持向量机的风向预测模型组以及步骤5获得的基于极限学习机的风速预测误差校正模型，进行风速预测和风向预测；
记当前时刻为tnow时刻，目标预测时刻为tnow+m时刻；
将tnow-1-Δt，tnow-Δt，tnow+1-Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个tnow+1时刻的风速预测值，对10个结果取平均得到tnow+1时刻综合风速预测值；将tnow+1时刻的综合风速预测值作为tnow+1时刻时目标测风站的实测风速值；
将tnow-Δt，tnow+1-Δt，tnow+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个tnow+2时刻的风速预测值，对10个结果取平均得到tnow+2时刻的综合风速预测值；
依次类推，进入滚动预测，直到得到tnow+m时刻的目标测风站的综合风速预测值；
将tnow-Δt+m％Δt时刻四个测风站的风向数据作为所述基于支持向量机的风向预测模型组的输入数据，获得各测风站在tnow+m％Δt时刻的风向预测值；将四个测风站的输出风向预测值再次作为所述基于支持向量机的风向预测模型组的输入数据，迭代多次，直至得到tnow+m时刻的各测风站的风向预测值，其中，m％Δt表示m对Δt取余；
将tnow+m时刻目标测风站的综合风速预测值和风向预测值作为基于极限学习机的风速预测误差校正模型的输入数据，输出得到tnow+m时刻的风速预测误差值，将tnow+m时刻的综合风速预测值减去tnow+m时刻的风速预测误差值，得到tnow+m时刻的最优风速预测值。
进一步的，所述从n个基于卷积神经网络的风速预测模型中随机选取20个基于卷积神经网络的风速预测模型时，选取预测精度最高的20个基于卷积神经网络的风速预测模型，具体过程如下：
依次将每个基于卷积神经网络的风速预测模型的100个风速测试预测值，对比风速测试样本中相应预测时刻的风速真实值，得到每个基于卷积神经网络的风速预测模型100次预测的均方误差，将均方误差的倒数作为精度评价指标，选取精度最高的20个基于卷积神经网络的风速预测模型。
进一步的，通过多目标遗传算法，对所述使得S最小的10个基于卷积神经网络的风速预测模型设置权值,并利用各权值将各模型得到的10个预测结果加权求和得到tnow+1时刻的综合风速预测值；
所述10个基于卷积神经网络的风速预测模型的权值设置的具体过程如下：
步骤A：将各基于卷积神经网络的风速预测模型的权值qi作为染色体个体，以一组染色体作为种群个体，随机生成规模为N的初始种群Pk，即父代种群Pk，此时k＝1，N取值为500；
一个染色体个体表示一组权值，即包含10个基于卷积神经网络的风速预测模型的权值；
步骤B：将个体的MSE和RE作为个体非支配水平，对父代种群Pk进行快速非支配排序，计算每个个体非支配序，依据非支配序将种群所有个体分层，形成第1非支配层F1，第2非支配层F2，…，第n非支配层Fn；每层含有1个或多个个体，同层个体非支配序相同；
式中，为将风速测试样本中的第j组连续三个时刻风速数据输入第i个基于卷积神经网络的风速预测模型得到的第j次风速测试预测值，i＝1,2,3,…,10,j＝1,2,3,…,100；yj为利用风速测试样本进行第j次预测时对应风速测试样本数据中预测时刻的风速真实值；qi为第i个基于卷积神经网络的风速预测模型的权值，i＝1,2,3,…,10，qi的取值范围为[0，1]；
步骤C：通过遗传算法的选择、交叉、变异三个基本操作，生成规模为N的子代种群Qk；
其中，选择算子为轮赛制选择算子，交叉算子为SBX算子，变异算子为随机变异算子；
步骤D：将父代种群Pk和子代种群Qk合并，形成规模为2N的种群Zk，将个体的MSE和RE作为个体非支配水平，对Zk中的个体进行快速非支配排序，依据非支配序将种群分层；
为对同层个体进行选择性排序，依次计算每个个体分别在函数MSE和RE下的拥挤距离，将每个个体分别在MSE和RE函数下的拥挤距离取平均值，得到每个个体的平均拥挤距离；
步骤E：通过低非支配层优先和同层高平均拥挤距离优先的原则，从Zk中选择N个个体，令k＝k+1，形成父代种群Pk；判断k是否为500，若是，转至步骤F，若否，转至步骤C；
步骤F：选择父代种群Pk第1非支配层中RE最小的个体，所述个体代表的权值即所述使得S最小的10个基于卷积神经网络的风速预测模型的权值。
同层每个个体在任一目标函数下的拥挤距离计算方式如下：
基于每个个体的目标函数值将个体进行升序排列，令边界的两个个体拥挤距离为无穷,即I(dfirst)＝I(dend)＝∞，式中，I(dfirst)为排序第一位个体的拥挤距离，I(dend)为排序最后一位个体的拥挤距离，其余个体的拥挤距离利用插值法进行计算，I(di)＝(M(di+1)-M(di-1))/(maxM(d)-minM(d)),式中，I(di)为排序第i位个体的拥挤距离，M(di+1)为排序第i+1位个体的目标函数值，M(di-1)为排序第i-1位个体的目标函数值，maxM(d)为同层所有个体目标函数值的最大值，minM(d)为同层所有个体目标函数值的最小值。
进一步的，对各测风站的样本数据进行不敏卡尔曼滤波处理；
对测风站采集的样本数据进行不敏卡尔曼滤波处理后再进行后续的处理，可以去除噪声数据，进一步确保预测结果的准确性。
有益效果
本发明提供了一种融合风向的铁路沿线风速智能滚动预测方法，通过历史风速建立多个高精度风速预测模型，集成优化预测结果，同时利用模拟预测误差，结合目标测风点风向真实值，建立风速预测误差校正模型，极大提高铁路沿线风速预测精度；相比于现有技术而言，其优点具体包含以下几点：
1.通过目标测风站获得目标测风点历史风速数据，依靠多参数组合随机确定的方法训练多个基层风速预测模型，所有风速预测模型在相同训练环境下进行训练，并在相同测试环境下进行预测性能测试，筛选高预测精度且皮尔逊相关性最小的多个风速预测模型，集成优化多个风速预测结果得到综合风速预测值。相比于现有的风速预测方法，通过择优集成和关联分析的方法，提升了风速预测模型的预测精度和预测稳定性，增加了风速预测过程的鲁棒性；
2.协同包络式辅助测风站获得目标测风点多组风向历史数据，以任意三个测风站风向数据作为输入数据，其余一个测风站延风向数据作为输出数据，输出数据延迟输入数据一个预测步长，得到风向预测模型组。利用不同于模型训练样本的另一样本检验风速预测模型的预测性能，获得风速预测误差样本，并以风速预测误差样本为输出样本，以风速预测值和同时刻风向真实值作为输入样本训练风速预测误差校正模型，对综合风速预测值进行误差修正，得到最优风速预测值。相比于现有的预测方法，风速预测过程融合风向数据，构造风速预测误差与风向之间的映射关系，针对不同的风向对集成优化后的预测风速进行进一步的优化，避免了单一数据驱动的局限性，完善了铁路沿线风速预测的流程，显著提高风速预测精度。
3.利用本发明所提出的方法，当列车在大风环境下运行，通过融合风向，对铁路沿线风速进行快速预测和预测误差校正，实现风速风向双驱动智能滚动预测，完成对铁路沿线风速高精度预测，同时提供风向预测数据，在保证列车安全运行的同时提高决策的经济性。
附图说明
图1为本发明所述方法中的风向预测模型组训练示意图；
图2为本发明所述方法的风速预测流程示意图；
图3为测风站布置设置示意图。
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，一种融合风向的铁路沿线风速智能滚动预测方法，包括以下步骤：
步骤1：在铁路目标测风点设置测风站，包括目标测风站和辅助测风站；
如图3所示，所述目标测风站1个，距离铁路目标测风点100米，所述辅助测风站包括3个，布置在等边三角形的三个顶点，两两之间相距1000米，等边三角形中心位于目标测风站处，底边平行于铁路轨道。
步骤2：构建训练样本数据；
以相同采样频率采集两段不同历史时间段内目标测风站的风速数据、风向数据和辅助测风站的风向数据；
将第一段历史时间段内目标测风站的历史风速数据，以时间间隔T内的风速中值作为目标测风站的样本时刻风速，获得风速样本数据；将第一段历史时间段内各测风站的历史风向数据以时间间隔T内的风向中值作为各测风站的样本时刻风向，获得风向训练样本数据；
将第二段历史时间段内各测风站的历史风速数据和历史风向数据，按照第一段历史时间段内历史风速和风向数据的处理方法处理，获得风向与风速误差校正样本数据；
即将每个时间间隔T内的多个风速/风向的中值作为一个样本时刻的风速/风向值，压缩历史风速/风向数据；
在本实例中，间隔3S采集一次风速/风向数据，T取值为1分钟，则历史风速/风向原始序列的时间间隔为3秒，以时间间隔T内的风速/风向中值作为样本时刻风速/风向值，经过这一步处理后，风速/风向序列的时间间隔为1分钟，本专利所指的某时刻的风速/风向值指的是某1分钟的风速/风向值，连续时刻即第1分钟，第2分钟，第3分钟等等，不再含有以秒为单位风速/风向值；
对各测风站的样本数据进行不敏卡尔曼滤波处理，将滤波后的数据用于模型训练。
步骤3：利用风速样本数据和设置的预测步长，构建基于卷积神经网络的风速预测模型；
将风速样本数据中最后102+Δt个时刻的数据作为风速测试样本，其余时刻的数据作为风速训练样本，Δt为预测步长，取值范围为z·T，z＝1，2，3…,10；
针对基于卷积神经网络的风速预测模型的卷积层个数和卷积核大小，随机选取n种取值组合,n取值至少为100，构建n个基于卷积神经网络的风速预测模型；
利用风速训练样本数据，依次以任意三个连续时刻t-2、t-1、和t时刻的风速值作为每个基于卷积神经网络的风速预测模型的输入数据，将t+Δt时刻的风速值作为每个基于卷积神经网络的风速预测模型的输出数据，训练得到n个基于卷积神经网络的风速预测模型；
依次将风速测试样本连续三个时刻的风速值作为每个基于卷积神经网络的风速预测模型的输入数据，分别得到风速测试样本中最后100个时刻的风速测试预测值；
每个基于卷积神经网络的风速预测模型分别进行100次的滚动预测；
本实例中Δt取值为3分钟，现有1、2、3、4、5时刻的风速数据，当前时刻为5，滚动预测即将1、2、3时刻的风速数据输入基于卷积神经网络的风速预测模型，输出得到6时刻的风速预测值，再将2、3、4时刻的风速数据输入基于卷积神经网络的风速预测模型，输出得到7时刻的风速预测值，再将3、4、5时刻的风速数据输入基于卷积神经网络的风速预测模型，输出得到8时刻的风速预测值，再将4、5时刻的风速数据和6时刻的风速预测值输入基于卷积神经网络的风速预测模型，输出9时刻的风速预测值，依此实现滚动预测；
从n个基于卷积神经网络的风速预测模型中，选取预测精度最高的20个基于卷积神经网络的风速预测模型，具体过程如下：
依次将每个基于卷积神经网络的风速预测模型的100个风速测试预测值，对比风速测试样本中相应预测时刻的风速真实值，得到每个基于卷积神经网络的风速预测模型100次预测的均方误差，将均方误差的倒数作为精度评价指标，选取精度最高的20个基于卷积神经网络的风速预测模型。
依次选取上述20个基于卷积神经网络的风速预测模型的100个风速测试预测值，将任意两个基于卷积神经网络的风速预测模型中对应100个风速测试预测值进行相关性分析，得到任意两个基于卷积神经网络的风速预测模型之间的皮尔逊相关性系数，并选择使得S最小的10个基于卷积神经网络的风速预测模型；
式中，X,Y为任意两个基于卷积神经网络的风速预测模型，rXY为X和Y之间的皮尔逊相关性系数，xi和yi分别为X和Y的第i个风速测试预测值，和分别为X和Y的100个风速测试预测值的平均值；
式中，si为第i个基于卷积神经网络的风速预测模型同另外9个基于卷积神经网络的风速预测模型皮尔逊相关性系数的最大值；
通过多目标遗传算法，对所述使得S最小的10个基于卷积神经网络的风速预测模型设置权值；
所述10个基于卷积神经网络的风速预测模型的权值设置的具体过程如下：
步骤A：将各基于卷积神经网络的风速预测模型的权值qi作为染色体个体，以一组染色体作为种群个体，随机生成规模为N的初始种群Pk，即父代种群Pk，此时k＝1，N取值为500；
一个染色体个体表示一组权值，即包含10个基于卷积神经网络的风速预测模型的权值；
步骤B：将个体的MSE和RE作为个体非支配水平，对父代种群Pk进行快速非支配排序，计算每个个体非支配序，依据非支配序将种群所有个体分层，形成第1非支配层F1，第2非支配层F2，…，第n非支配层Fn；每层含有1个或多个个体，同层个体非支配序相同；
式中，为将风速测试样本中的第j组连续三个时刻风速数据输入第i个基于卷积神经网络的风速预测模型得到的第j次风速测试预测值，i＝1,2,3,…,10,j＝1,2,3,…,100；yj为利用风速测试样本进行第j次预测时对应风速测试样本数据中预测时刻的风速真实值；qi为第i个基于卷积神经网络的风速预测模型的权值，i＝1,2,3,…,10，qi的取值范围为[0，1]；
步骤C：通过遗传算法的选择、交叉、变异三个基本操作，生成规模为N的子代种群Qk；
其中，选择算子为轮赛制选择算子，交叉算子为SBX算子，变异算子为随机变异算子；
步骤D：将父代种群Pk和子代种群Qk合并，形成规模为2N的种群Zk，将个体的MSE和RE作为个体非支配水平，对Zk中的个体进行快速非支配排序，依据非支配序将种群分层；
为对同层个体进行选择性排序，依次计算每个个体分别在函数MSE和RE下的拥挤距离，将每个个体分别在MSE和RE函数下的拥挤距离取平均值，得到每个个体的平均拥挤距离；
步骤E：通过低非支配层优先和同层高平均拥挤距离优先的原则，从Zk中选择N个个体，令k＝k+1，形成父代种群Pk；判断k是否为500，若是，转至步骤F，若否，转至步骤C；
步骤F：选择父代种群Pk第1非支配层中RE最小的个体，所述个体代表的权值即所述使得S最小的10个基于卷积神经网络的风速预测模型的权值。
步骤4：利用风向训练样本数据和设置的预测步长，构建基于支持向量机的风向预测模型组；
依次以目标测风站和所有辅助测风站中任意三个测风站在任意历史时刻t0的风向值作为输入数据，剩余测风站在t0+Δt时刻的风向值作为输出数据，对支持向量机进行训练，获得各测风站预测步长为Δt的基于支持向量机的风向预测模型组；
步骤5：利用风向与风速误差校正样本数据，构建基于极限学习机的风速预测误差校正模型；
在风向与风速误差校正样本数据中随机选取某一样本数据所在时刻作为一次模拟预测的起始时刻，记为ts，随机确定模拟预测的目标预测时间，记为ms,ts+ms和ts-1-Δt均不超过风向与风速误差校正样本数据所在的时刻范围；
将ts-1-Δt，ts-Δt，ts+1-Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个ts+1时刻的风速预测值，对10个结果加权求和得到ts+1时刻综合风速预测值；将ts+1时刻的综合风速预测值作为ts+1时刻时目标测风站的实测风速值；
将ts-Δt，ts+1-Δt，ts+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个ts+2时刻的风速预测值，对10个结果加权求和得到ts+2时刻的综合风速预测值；
依次类推，进入滚动预测，直到得到ts+ms时刻的目标测风站的综合风速预测值；
将ts-Δt+ms％Δt时刻四个测风站的风向数据作为所述基于支持向量机的风向预测模型组的输入数据，获得各测风站在ts+ms％Δt时刻的风向预测值；将四个测风站输出的风向预测值再次作为所述基于支持向量机的风向预测模型组的输入数据，迭代多次，直至得到ts+ms时刻的各测风站的风向预测值；其中，ms％Δt表示ms对Δt取余；
以目标测风站在模拟预测时刻的综合风速预测值和风向预测值，对比风向与风速误差校正样本中相应时刻的风速真实值，得到模拟预测时刻的风速预测误差值；
进行P次模拟预测，P的取值至少为500，将每一次模拟预测的综合风速预测值和风向预测值作为基于极限学习机的风速预测误差校正模型的输入数据，风速预测误差值作为基于极限学习机的风速预测误差校正模型的输出数据进行模型训练，得到基于极限学习机的风速预测误差校正模型；
步骤6：利用步骤3获得的基于卷积神经网络的风速预测模型、步骤4获得的基于支持向量机的风向预测模型组以及步骤5获得的基于极限学习机的风速预测误差校正模型，进行风速预测和风向预测；
记当前时刻为tnow时刻，目标预测时刻为tnow+m时刻；
将tnow-1-Δt，tnow-Δt，tnow+1-Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个tnow+1时刻的风速预测值，对10个结果加权求和得到tnow+1时刻综合风速预测值；将tnow+1时刻的综合风速预测值作为tnow+1时刻时目标测风站的实测风速值；
将tnow-Δt，tnow+1-Δt，tnow+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个tnow+2时刻的风速预测值，对10个结果加权求和得到tnow+2时刻的综合风速预测值；
依次类推，进入滚动预测，直到得到tnow+m时刻的目标测风站的综合风速预测值；
将tnow-Δt+m％Δt时刻四个测风站的风向数据作为所述基于支持向量机的风向预测模型组的输入数据，获得各测风站在tnow+m％Δt时刻的风向预测值；将四个测风站的输出风向预测值再次作为所述基于支持向量机的风向预测模型组的输入数据，迭代多次，直至得到tnow+m时刻的各测风站的风向预测值；其中，m％Δt表示m对Δt取余；
将tnow+m时刻目标测风站的综合风速预测值和风向预测值作为基于极限学习机的风速预测误差校正模型的输入数据，输出得到tnow+m时刻的风速预测误差值，将tnow+m时刻的综合风速预测值减去tnow+m时刻的风速预测误差值，得到tnow+m时刻的最优风速预测值。
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 (4)
1.一种融合风向的铁路沿线风速智能滚动预测方法，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，包括目标测风站和辅助测风站；
所述目标测风站1个，距离铁路目标测风点100米，所述辅助测风站包括3个，布置在等边三角形的三个顶点，两两之间相距1000米，等边三角形中心位于目标测风站处，底边平行于铁路轨道；
步骤2：构建训练样本数据；
以相同采样频率采集两段不同历史时间段内目标测风站的风速数据、风向数据和辅助测风站的风向数据；
将第一段历史时间段内目标测风站的历史风速数据，以时间间隔T内的风速中值作为目标测风站的样本时刻风速，获得风速样本数据；将第一段历史时间段内各测风站的历史风向数据以时间间隔T内的风向中值作为各测风站的样本时刻风向，获得风向训练样本数据；
将第二段历史时间段内各测风站的历史风速数据和历史风向数据，按照第一段历史时间段内历史风速和风向数据的处理方法处理，获得风向与风速误差校正样本数据；
步骤3：利用风速样本数据和设置的预测步长，构建基于卷积神经网络的风速预测模型；
将风速样本数据中最后102+Δt个时刻的数据作为风速测试样本，其余时刻的数据作为风速训练样本，Δt为预测步长，取值范围为z·T，z＝1，2，3…,10；
针对基于卷积神经网络的风速预测模型中的卷积层个数和卷积核大小，随机选取n种取值组合,n取值至少为100，构建n个基于卷积神经网络的风速预测模型；
利用风速训练样本数据，依次以任意三个连续时刻t-2、t-1、和t时刻的风速值作为每个基于卷积神经网络的风速预测模型的输入数据，将t+Δt时刻的风速值作为每个基于卷积神经网络的风速预测模型的输出数据，训练得到n个基于卷积神经网络的风速预测模型；
依次将风速测试样本连续三个时刻的风速值作为每个基于卷积神经网络的风速预测模型的输入数据，分别得到风速测试样本数据中最后100个时刻的风速测试预测值；
从n个基于卷积神经网络的风速预测模型中随机选取20个基于卷积神经网络的风速预测模型；
依次选取上述20个基于卷积神经网络的风速预测模型的100个风速测试预测值，将任意两个基于卷积神经网络的风速预测模型中对应100个风速测试预测值进行相关性分析，得到任意两个基于卷积神经网络的风速预测模型的皮尔逊相关性系数，并选择使得S最小的10个基于卷积神经网络的风速预测模型；
其中，si为第i个基于卷积神经网络的风速预测模型同另外9个基于卷积神经网络的风速预测模型皮尔逊相关性系数的最大值；
步骤4：利用风向训练样本数据和设置的预测步长，构建基于支持向量机的风向预测模型组；
依次以目标测风站和所有辅助测风站中任意三个测风站在任意历史时刻t0的风向值作为输入数据，剩余测风站在t0+Δt时刻的风向值作为输出数据，对支持向量机进行训练，获得各测风站预测步长为Δt的基于支持向量机的风向预测模型组；
步骤5：利用风向与风速误差校正样本数据，构建基于极限学习机的风速预测误差校正模型；
在风向与风速误差校正样本数据中随机选取某一样本数据所在时刻作为一次模拟预测的起始时刻，记为ts，随机确定模拟预测的目标预测时间，记为ms,ts+ms和ts-1-Δt均不超过风向与风速误差校正样本数据所在的时刻范围；
将ts-1-Δt，ts-Δt，ts+1-Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个ts+1时刻的风速预测值，对10个结果取平均得到ts+1时刻综合风速预测值；将ts+1时刻的综合风速预测值作为ts+1时刻时目标测风站的实测风速值；
将ts-Δt，ts+1-Δt，ts+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个ts+2时刻的风速预测值，对10个结果取平均得到ts+2时刻的综合风速预测值；
依次类推，进入滚动预测，直到得到ts+ms时刻的目标测风站的综合风速预测值；
将ts-Δt+ms％Δt时刻四个测风站的风向数据作为所述基于支持向量机的风向预测模型组的输入数据，获得各测风站在ts+ms％Δt时刻的风向预测值；将四个测风站输出的风向预测值再次作为所述基于支持向量机的风向预测模型组的输入数据，迭代多次，直至得到ts+ms时刻的各测风站的风向预测值；其中，ms％Δt表示ms对Δt取余；
以目标测风站在模拟预测时刻的综合风速预测值和风向预测值，对比风向与风速误差校正样本数据中相应时刻的风速真实值，得到模拟预测时刻的风速预测误差值；
进行P次模拟预测，P的取值至少为500，将每一次模拟预测的综合风速预测值和风向预测值作为基于极限学习机的风速预测误差校正模型的输入数据，风速预测误差值作为基于极限学习机的风速预测误差校正模型的输出数据进行模型训练，得到基于极限学习机的风速预测误差校正模型；
步骤6：利用步骤3获得的基于卷积神经网络的风速预测模型、步骤4获得的基于支持向量机的风向预测模型组以及步骤5获得的基于极限学习机的风速预测误差校正模型，进行风速预测和风向预测；
记当前时刻为tnow时刻，目标预测时刻为tnow+m时刻；
将tnow-1-Δt，tnow-Δt，tnow+1-Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个tnow+1时刻的风速预测值，对10个结果取平均得到tnow+1时刻综合风速预测值；将tnow+1时刻的综合风速预测值作为tnow+1时刻时目标测风站的实测风速值；
将tnow-Δt，tnow+1-Δt，tnow+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个tnow+2时刻的风速预测值，对10个结果取平均得到tnow+2时刻的综合风速预测值；
依次类推，进入滚动预测，直到得到tnow+m时刻的目标测风站的综合风速预测值；
将tnow-Δt+m％Δt时刻四个测风站的风向数据作为所述基于支持向量机的风向预测模型组的输入数据，获得各测风站在tnow+m％Δt时刻的风向预测值；将四个测风站输出的风向预测值再次作为所述基于支持向量机的风向预测模型组的输入数据，迭代多次，直至得到tnow+m时刻的各测风站的风向预测值；其中，m％Δt表示m对Δt取余；
将tnow+m时刻目标测风站的综合风速预测值和风向预测值作为基于极限学习机的风速预测误差校正模型的输入数据，输出得到tnow+m时刻的风速预测误差值，将tnow+m时刻的综合风速预测值减去tnow+m时刻的风速预测误差值，得到tnow+m时刻的最优风速预测值。
2.根据权利要求1所述的方法，其特征在于，所述从n个基于卷积神经网络的风速预测模型中随机选取20个基于卷积神经网络的风速预测模型时，选取预测精度最高的20个基于卷积神经网络的风速预测模型，具体过程如下：
依次将每个基于卷积神经网络的风速预测模型的100个风速测试预测值，对比风速测试样本中相应预测时刻的风速真实值，得到每个基于卷积神经网络的风速预测模型100次预测的均方误差，将均方误差的倒数作为精度评价指标，选取精度最高的20个基于卷积神经网络的风速预测模型。
3.根据权利要求1所述的方法，其特征在于，通过多目标遗传算法，对所述使得S最小的10个基于卷积神经网络的风速预测模型设置权值,并利用各权值将各模型得到的10个预测结果加权求和得到tnow+1时刻的综合风速预测值；
所述10个基于卷积神经网络的风速预测模型的权值设置的具体过程如下：
步骤A：将各基于卷积神经网络的风速预测模型的权值qi作为染色体个体，以一组染色体作为种群个体，随机生成规模为N的初始种群Pk，即父代种群Pk，此时k＝1，N取值为500；
步骤B：将个体的MSE和RE作为个体非支配水平，对父代种群Pk进行快速非支配排序，计算每个个体非支配序，依据非支配序将种群所有个体分层，形成第1非支配层F1，第2非支配层F2，…，第n非支配层Fn；每层含有1个或多个个体，同层个体非支配序相同；
式中，为将风速测试样本中的第j组连续三个时刻风速数据输入第i个基于卷积神经网络的风速预测模型得到的第j次风速测试预测值，i＝1,2,3,…,10,j＝1,2,3,…,100；yj为利用风速测试样本进行第j次预测时对应风速测试样本数据中预测时刻的风速真实值；qi为第i个基于卷积神经网络的风速预测模型的权值，i＝1,2,3,…,10，qi的取值范围为[0，1]；
步骤C：通过遗传算法的选择、交叉、变异三个基本操作，生成规模为N的子代种群Qk；
其中，选择算子为轮赛制选择算子，交叉算子为SBX算子，变异算子为随机变异算子；
步骤D：将父代种群Pk和子代种群Qk合并，形成规模为2N的种群Zk，将个体的MSE和RE作为个体非支配水平，对Zk中的个体进行快速非支配排序，依据非支配序将种群分层；
为对同层个体进行选择性排序，依次计算每个个体分别在函数MSE和RE下的拥挤距离，将每个个体分别在MSE和RE函数下的拥挤距离取平均值，得到每个个体的平均拥挤距离；
步骤E：通过低非支配层优先和同层高平均拥挤距离优先的原则，从Zk中选择N个个体，令k＝k+1，形成父代种群Pk；判断k是否为500，若是，转至步骤F，若否，转至步骤C；
步骤F：选择父代种群Pk第1非支配层中RE最小的个体，所述个体代表的权值即所述使得S最小的10个基于卷积神经网络的风速预测模型的权值。
4.根据权利要求1-3任一项所述的方法，其特征在于，对各测风站的样本数据进行不敏卡尔曼滤波处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811099805.0A CN109190839B (zh) | 2018-09-20 | 2018-09-20 | 一种融合风向的铁路沿线风速智能滚动预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811099805.0A CN109190839B (zh) | 2018-09-20 | 2018-09-20 | 一种融合风向的铁路沿线风速智能滚动预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109190839A true CN109190839A (zh) | 2019-01-11 |
| CN109190839B CN109190839B (zh) | 2022-02-15 |
Family
ID=64908806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811099805.0A Active CN109190839B (zh) | 2018-09-20 | 2018-09-20 | 一种融合风向的铁路沿线风速智能滚动预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190839B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978275A (zh) * | 2019-04-03 | 2019-07-05 | 中南大学 | 一种混合cfd和深度学习的极端大风风速预测方法及系统 |
| CN110009037A (zh) * | 2019-04-03 | 2019-07-12 | 中南大学 | 一种基于物理信息耦合的工程风速短时预测方法及系统 |
| CN110397554A (zh) * | 2019-09-05 | 2019-11-01 | 国电联合动力技术有限公司 | 智能寻优的风电机组偏航控制方法、装置及风电机组 |
| CN112577702A (zh) * | 2020-12-09 | 2021-03-30 | 中国建筑第八工程局有限公司 | 在建工地风环境模拟预测方法 |
| CN115905997A (zh) * | 2022-10-28 | 2023-04-04 | 安徽省国家电投和新电力技术研究有限公司 | 基于预测偏差优化的风电机组气象灾害预警方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5646343A (en) * | 1993-07-02 | 1997-07-08 | Pritchard; Declan Nigel | System and method for monitoring wind characteristics |
| CN106372731A (zh) * | 2016-11-14 | 2017-02-01 | 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 |
| CN106557840A (zh) * | 2016-11-14 | 2017-04-05 | 中南大学 | 一种强风高速铁路沿线风速自适应分解预测方法 |
| CN106779151A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种高速铁路沿线风速多点多层耦合预测方法 |
-
2018
- 2018-09-20 CN CN201811099805.0A patent/CN109190839B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5646343A (en) * | 1993-07-02 | 1997-07-08 | Pritchard; Declan Nigel | System and method for monitoring wind characteristics |
| CN106372731A (zh) * | 2016-11-14 | 2017-02-01 | 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 |
| CN106557840A (zh) * | 2016-11-14 | 2017-04-05 | 中南大学 | 一种强风高速铁路沿线风速自适应分解预测方法 |
| CN106779151A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种高速铁路沿线风速多点多层耦合预测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978275A (zh) * | 2019-04-03 | 2019-07-05 | 中南大学 | 一种混合cfd和深度学习的极端大风风速预测方法及系统 |
| CN110009037A (zh) * | 2019-04-03 | 2019-07-12 | 中南大学 | 一种基于物理信息耦合的工程风速短时预测方法及系统 |
| CN110397554A (zh) * | 2019-09-05 | 2019-11-01 | 国电联合动力技术有限公司 | 智能寻优的风电机组偏航控制方法、装置及风电机组 |
| CN112577702A (zh) * | 2020-12-09 | 2021-03-30 | 中国建筑第八工程局有限公司 | 在建工地风环境模拟预测方法 |
| CN112577702B (zh) * | 2020-12-09 | 2022-10-18 | 中国建筑第八工程局有限公司 | 在建工地风环境模拟预测方法 |
| CN115905997A (zh) * | 2022-10-28 | 2023-04-04 | 安徽省国家电投和新电力技术研究有限公司 | 基于预测偏差优化的风电机组气象灾害预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109190839B (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190839A (zh) | 一种融合风向的铁路沿线风速智能滚动预测方法 | |
| CN109214581B (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
| CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
| CN111104981B (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
| CN103489039B (zh) | 具有在线自整定优化能力的高速公路交通流量融合预测方法 | |
| CN104239694B (zh) | 一种城轨列车转向架的故障预测与视情维修方法 | |
| CN107293115B (zh) | 一种用于微观仿真的交通流量预测方法 | |
| CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
| CN107765347A (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
| CN109993223A (zh) | 路面使用性能预测方法、存储介质、电子设备 | |
| CN104200687B (zh) | 一种驾驶员速度控制行为监测装置及监测方法 | |
| CN110346844A (zh) | Nriet基于云分类和机器学习的定量降水估测方法 | |
| CN111063204B (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
| CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
| CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
| CN104008278A (zh) | 一种基于特征向量和最小二乘支持向量机的pm25浓度预测方法 | |
| CN110517485A (zh) | 一种基于时段划分的短时交通流预测方法 | |
| CN116050670B (zh) | 一种基于数据驱动的道路养护决策方法及系统 | |
| CN105868534A (zh) | 一种基于多目标优化抽样的水文模型不确定性分析方法 | |
| CN109686092B (zh) | 一种交通网络通达性评估方法 | |
| CN110288196A (zh) | 输电线路舞动分级预警方法及系统 | |
| CN107180534B (zh) | 支持向量回归机融合的高速公路路段平均速度估计方法 | |
| CN106157616A (zh) | 一种交通流量短时预测装置 | |
| CN109034476B (zh) | 一种高速铁路沿线极端风速大数据聚类预测方法 | |
| CN104866930A (zh) | 一种基于定量筛选时间序列预测模型的时间序列预测方法 |
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 |