CN112700037A - 一种高速铁路接触网异物缺陷数预测方法及预测装置 - Google Patents

Abstract

本发明公开了一种高速铁路接触网异物缺陷数预测方法，包括如下步骤：获取铁路异物缺陷数据，将其拆分为训练集与测试集；获取到的训练集经过数据清洗后，输入到prophet模型，以最小化误差项为目标，得到优化后的prophet模型；将获取到的训练集，经过数据清洗、对数化后输入到ARIMA模型，通过平稳性ADF检验，以及AIC检验得到d、p、q三个模型参数；根据得到的prophet模型结果与ARIMA模型结果进行加权融合，得到融合模型，根据融合模型得到高速铁路接触网异物缺陷数。通过本发明可有效利用各铁路局历史异物缺陷数据，分析挖掘异物缺陷的季节性因素特征及波动增长性情况。

Description

一种高速铁路接触网异物缺陷数预测方法及预测装置

技术领域

本发明涉及高速铁路领域，具体是一种高速铁路接触网异物缺陷数预测方法及预测装置。

背景技术

随着中国经济的快速发展，铁路交通成为国民经济发展的重要基础，而电气化铁路是未来铁路发展的方向。接触网是电气化铁路系统中最重要的组成部分，为确保其健康运行，而采用的缺陷检修工作十分重要。同时由于接触网常年曝露在自然环境中，考虑到没有多余的备用设备、以及接触网的机械和电气性能，一旦接触网出现任何微小的故障都将会影响列车的运行，对繁忙的铁路网干线将产生巨大的经济损失。

现实中，由于风力因素等作用会将诸如塑料袋，反光膜等物体刮到铁路接触网上，会严重影响列车的安全运行。故需要对铁路沿线的接触网进行不定期的人工巡检，但实际中存在一些问题：现实中对铁路接触网异物的清理过度依赖人力的定期(月度)检查，在无法预估异物缺陷数量情况下，会造成检修人力资源的浪费。

发明内容

本发明的目的在于克服现有技术的不足，提供一种高速铁路接触网异物缺陷数预测方法，包括如下步骤：

步骤一，获取铁路异物缺陷数据，将其拆分为训练集与测试集；

步骤二，获取到的训练集经过数据清洗后，输入到prophet模型，以最小化误差项为目标，得到优化后的prophet模型；

步骤三，将获取到的训练集，经过数据清洗、对数化后输入到ARIMA模型，通过平稳性ADF检验，以及AIC检验得到d、p、q三个模型参数；

步骤四，根据得到的prophet模型结果与ARIMA模型结果进行加权融合，得到融合模型，根据融合模型得到高速铁路接触网异物缺陷数。

进一步的，所述的最小化误差项为真实值与拟合值的差值；所述的拟合值为：训练集中的历史时间段内每段时间段内异物缺陷数量的拟合值。

进一步的，所述的prophet模型为：

y(t)＝g(t)+s(t)+h(t)+ε_t

其中g(t)是时间序列中的趋势项，s(t)是时间序列中的周期项，h(t)是节假日效应，ε_t代表模型误差项

进一步的，所述的ARIMA模型的表达式为：

其中L是滞后算子，d为大于0的正整数，p和q是模型的自回归阶数和移动平均阶数；ε_t是白噪声；X_t是平稳、正态、零均值的时间序列。

进一步的，步骤四得到的融合模型的融合方式为：

权重为：

W_ARIMA＝2-W_prophet

d_prophet＝std_sample-std_prophet

d_ARIMA＝std_sample-std_ARIMA

其中，V_m是最终模型拟合得到的异物数值；V_prophet是prophet模型计算拟合所得的数值；W_prophet是融合加权中prophet拟合值所占的比重；V_ARIMA是ARIMA模型计算拟合所得的数值；W_ARIMA是融合加权中ARIMA拟合值所占的比重；std_sample为样本的标准差；std_prophet为prophet模型预测结果的标准差；std_ARIMA为ARIMA模型预测结果的标准差。

一种高速铁路接触网异物缺陷数预测装置，包括数据接收装置、存储器、处理器、数据接口、显示模块；所述的数据接收装置、存储器、数据接口分别与所述的处理器连接；所述的显示模块与所述的数据接口连接；

所述的数据接收装置用于接收异物缺陷数据；

存储器，用于存储计算机程序及铁路局历史各月度的异物缺陷数据，以及最近月份异物缺陷数据；

处理器，用于执行所述的计算机程序方法，以实现高速铁路接触网异物缺陷数预测装置；

对外服务：计算结果对外提供接口服务；

显示模块：在终端设备和用户之间提供一个显示界面，显示拟合效果及预测结果包含，视频、文字和图像等。

本发明的有益效果是：可有效利用各铁路局历史异物缺陷数据，分析挖掘异物缺陷的季节性因素特征及波动增长性情况。

使用prophet模型与ARIMA模型相融合后的模型可充分挖掘数据中的线性因素与非线性因素，进而可提高模型预测的精确性与稳健性。

附图说明

图1为一种高速铁路接触网异物缺陷数预测方法的原理图；

图2为一种高速铁路接触网异物缺陷数预测方法的的流程示意图；

图3为一种高速铁路接触网异物缺陷数预测装置的原理图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种高速铁路接触网异物缺陷数预测方法，其特征在于，包括如下步骤：

步骤一，获取铁路异物缺陷数据，将其拆分为训练集与测试集；

步骤二，获取到的训练集经过数据清洗后，输入到prophet模型，以最小化误差项为目标，得到优化后的prophet模型；

步骤三，将获取到的训练集，经过数据清洗、对数化后输入到ARIMA模型，通过平稳性ADF检验，以及AIC检验得到d、p、q三个模型参数；

步骤四，根据得到的prophet模型结果与ARIMA模型结果进行加权融合，得到融合模型，根据融合模型得到高速铁路接触网异物缺陷数。

最小化误差项为真实值与拟合值的差值；所述的拟合值为：训练集中的历史时间段内每段时间段内异物缺陷数量的拟合值。其中的时间段以自然月为单位，或者其它设定的时间段。

prophet模型为：

y(t)＝g(t)+s(t)+h(t)+ε_t

其中g(t)是时间序列中的趋势项，s(t)是时间序列中的周期项，h(t)是节假日效应，ε_t代表模型误差项

的ARIMA模型的表达式为：

其中L是滞后算子，d为大于0的正整数，p和q是模型的自回归阶数和移动平均阶数；ε_t是白噪声；X_t是平稳、正态、零均值的时间序列。

融合模型的融合方式为：

权重为：

W_ARIMA＝2-W_prophet

d_prophet＝std_sample-std_prophet

d_ARIMA＝std_sample-std_ARIMA

其中，V_m是最终模型拟合得到的异物数值；V_prophet是prophet模型计算拟合所得的数值；W_prophet是融合加权中prophet拟合值所占的比重；V_ARIMA是ARIMA模型计算拟合所得的数值；W_ARIMA是融合加权中ARIMA拟合值所占的比重；std_sample为样本的标准差；std_prophet为prophet模型预测结果的标准差；std_ARIMA为ARIMA模型预测结果的标准差。

如图3所示的一种高速铁路接触网异物缺陷数预测装置，包括数据接收装置、存储器、处理器、数据接口、显示模块；所述的数据接收装置、存储器、数据接口分别与所述的处理器连接；所述的显示模块与所述的数据接口连接；

所述的数据接收装置用于接收异物缺陷数据；

存储器，用于存储计算机程序及铁路局历史各月度的异物缺陷数据，以及最近月份异物缺陷数据；

处理器，用于执行所述的计算机程序方法，以实现高速铁路接触网异物缺陷数预测装置；

对外服务：计算结果对外提供接口服务；

显示模块：在终端设备和用户之间提供一个显示界面，显示拟合效果及预测结果包含，视频、文字和图像等。

具体的：

(1)从历史月份的异物缺陷数据中，选择任一缺陷数据，将其拆分为训练集与测试集。

(2)将上述(1)获取到的训练集经过数据清洗后，输入到prophet模型，以最小化误差项(真实值与拟合值差)为目标，调整得到合适的prophet模型，其中拟合值为训练集中的历史时间段内每月异物缺陷数量的拟合值。

(3)其中(2)所描述的prophet模型表达式为：

y(t)＝g(t)+s(t)+h(t)+ε_t

其中g(t)是时间序列中的趋势项，s(t)是时间序列中的周期项，h(t)是节假日效应，ε_t代表模型误差项，用来反应未在模型中体现的异常变动。

(4)再将上述(1)中获取到的训练集，经过数据清洗、对数化后输入到ARIMA模型，通过平稳性ADF检验，以及赤池信息准则(AIC检验)得到(d,p,q)三个模型参数，同样拟合值为训练集中的历史时间段内每月异物缺陷数量的拟合值。

(5)上述(4)中所述的ARIMA模型(差分整合移动平均自回归模型)表达式为：

其中L是滞后算子，d为大于0的正整数，p和q是模型的自回归阶数和移动平均阶数；ε_t是白噪声；X_t是平稳、正态、零均值的时间序列。

(6)将上述(2)和(4)中在训练集所得到的prophet模型结果与ARIMA模型结果进行加权融合，具体的融合方式为：

由于每个铁路局的样本数据情况不同，在不同铁路局样本的异物数量预测任务中prophet模型与ARIMA模型各自的权重也有所不同，这里将采用标准差衡量的方法对模型权重进行确定，权重公式为：

W_ARIMA＝2-W_prophet

d_prophet＝std_sample-std_prophet

d_ARIMA＝std_sample-std_ARIMA

其中，V_m是最终模型拟合得到的异物数值；V_prophet是prophet模型计算拟合所得的数值；W_prophet是融合加权中prophet拟合值所占的比重；V_ARIMA是ARIMA模型计算拟合所得的数值；W_ARIMA是融合加权中ARIMA拟合值所占的比重；std_sample为样本的标准差；std_prophet为prophet模型预测结果的标准差；std_ARIMA为ARIMA模型预测结果的标准差

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种高速铁路接触网异物缺陷数预测方法，其特征在于，包括如下步骤：

步骤一，获取铁路异物缺陷数据，将其拆分为训练集与测试集；

步骤二，获取到的训练集经过数据清洗后，输入到prophet模型，以最小化误差项为目标，得到优化后的prophet模型；

步骤三，将获取到的训练集，经过数据清洗、对数化后输入到ARIMA模型，通过平稳性ADF检验，以及AIC检验得到d、p、q三个模型参数；

步骤四，根据得到的prophet模型结果与ARIMA模型结果进行加权融合，得到融合模型，根据融合模型得到高速铁路接触网异物缺陷数。

2.根据权利要求1所述的一种高速铁路接触网异物缺陷数预测方法，其特征在于，所述的最小化误差项为真实值与拟合值的差值；所述的拟合值为：训练集中的历史时间段内每段时间段内异物缺陷数量的拟合值。

3.根据权利要求1所述的一种高速铁路接触网异物缺陷数预测方法，其特征在于，所述的prophet模型为：

y(t)＝g(t)+s(t)+h(t)+ε_t

其中g(t)是时间序列中的趋势项，s(t)是时间序列中的周期项，h(t)是节假日效应，ε_t代表模型误差项。

4.根据权利要求1所述的一种高速铁路接触网异物缺陷数预测方法，其特征在于，所述的ARIMA模型的表达式为：

其中L是滞后算子，d为大于0的正整数，p和q是模型的自回归阶数和移动平均阶数；ε_t是白噪声；X_t是平稳、正态、零均值的时间序列。

5.根据权利要求1所述的一种高速铁路接触网异物缺陷数预测方法，其特征在于，步骤四得到的融合模型的融合方式为：

权重为：

W_ARIMA＝2-W_prophet

d_prophet＝std_sample-std_prophet

d_ARIMA＝std_sample-std_ARIMA

其中，V_m是最终模型拟合得到的异物数值；V_prophet是prophet模型计算拟合所得的数值；W_prophet是融合加权中prophet拟合值所占的比重；V_ARIMA是ARIMA模型计算拟合所得的数值；W_ARIMA是融合加权中ARIMA拟合值所占的比重；std_sample为样本的标准差；std_prophet为prophet模型预测结果的标准差；std_ARIMA为ARIMA模型预测结果的标准差。

6.一种高速铁路接触网异物缺陷数预测装置，其特征在于，包括数据接收装置、存储器、处理器、数据接口、显示模块；所述的数据接收装置、存储器、数据接口分别与所述的处理器连接；所述的显示模块与所述的数据接口连接；

所述的数据接收装置用于接收异物缺陷数据；

存储器，用于存储计算机程序及铁路局历史各月度的异物缺陷数据，以及最近月份异物缺陷数据；

处理器，用于执行所述的计算机程序方法，以实现高速铁路接触网异物缺陷数预测装置；

对外服务：计算结果对外提供接口服务；

显示模块：在终端设备和用户之间提供一个显示界面，显示拟合效果及预测结果包含，视频、文字和图像等。

Images