隨著高速鐵路動(dòng)車組運(yùn)行速度的不斷提高,大風(fēng)對(duì)高速列車運(yùn)行造成的影響開始被人們所重視。高速列車在行駛過程中極易受到強(qiáng)風(fēng)的影響,從而產(chǎn)生較大的俯仰力矩,造成行車事故。在地理位置或環(huán)境特殊的路段,車體周圍風(fēng)場(chǎng)發(fā)生變化,導(dǎo)致氣動(dòng)力顯著改變,增加了列車脫軌、傾覆的可能性。因此,對(duì)于高速鐵路線路周邊大風(fēng)天氣的預(yù)測(cè)有著重要的意義。本文研究了高速鐵路線路風(fēng)速風(fēng)向短時(shí)局地預(yù)測(cè)方法,搭建風(fēng)速風(fēng)向超前預(yù)測(cè)模型,使用由WindLog風(fēng)速風(fēng)向傳感器獲得的數(shù)據(jù)對(duì)于模型進(jìn)行訓(xùn)練,并進(jìn)行風(fēng)速風(fēng)向超前1min、5min、10min的超短期預(yù)測(cè)。為了實(shí)現(xiàn)風(fēng)速風(fēng)向超前預(yù)測(cè),構(gòu)建了基于LSTM長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的預(yù)測(cè)模型,對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,設(shè)置合理的學(xué)習(xí)步長(zhǎng),建立雙層LSTM網(wǎng)絡(luò)結(jié)構(gòu),獲取歷史步長(zhǎng)內(nèi)的數(shù)據(jù)特征,進(jìn)行超前預(yù)測(cè)。以單變量與雙變量為數(shù)據(jù)輸入,比較LSTM模型預(yù)測(cè)性能的優(yōu)劣。對(duì)風(fēng)速超前預(yù)測(cè)模型進(jìn)行優(yōu)化,基于CNN卷積神經(jīng)網(wǎng)絡(luò)搭建預(yù)測(cè)模型,疊加多個(gè)CNN卷積模塊,提取深層的風(fēng)速數(shù)據(jù)特征。結(jié)合LSTM長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)與CNN卷積神經(jīng)網(wǎng)絡(luò),構(gòu)建雙層LSTM與雙層CNN卷積層相疊加的預(yù)測(cè)模型,LSTM學(xué)習(xí)數(shù)據(jù)的時(shí)序特征,CNN學(xué)習(xí)... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：102 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１側(cè)翻的５８０７次旅客列車??Ｆｉｇ．?１－１?Ｏｖｅｒｔｕｒｎｉｎｇ?ｏｆ?Ｎ．５８０７?ｐａｓｓｅｎｇｅｒ?ｔｒａｉｎ??

風(fēng)速風(fēng)向預(yù)測(cè)。例如，對(duì)于某一大風(fēng)多發(fā)地區(qū)，在列車行駛經(jīng)過該地之前的５分??鐘，要將該地風(fēng)速風(fēng)向預(yù)測(cè)結(jié)果發(fā)送到列車司機(jī)室，以便列車針對(duì)風(fēng)速風(fēng)向的情??況做出速度等方面的調(diào)整，如圖２－１。??ｎ?ｋ?ｎ??超前酬＾．?一?？?？?ｚ?＂?＾＿中心??司機(jī)宙?ｙ?ｙ?＊???＾＾ｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚ－????＾????圖２－１高速鐵路沿線大風(fēng)預(yù)報(bào)示意圖??Ｆｉｇ．２－１?Ｇａｌｅ?ｐｒｅｄｉｃｔｉｏｎ?ａｌｏｎｇ?ｈｉｇｈ－ｓｐｅｅｄ?ｒａｉｌｗａｙ??進(jìn)行大風(fēng)天氣的超前預(yù)測(cè)，需要建立風(fēng)速風(fēng)向預(yù)測(cè)模型。首先要求獲得足夠??多的風(fēng)速風(fēng)向數(shù)據(jù)作為模型訓(xùn)練的數(shù)據(jù)輸入。由于條件限制，不能在高速鐵路線??路周邊安置風(fēng)速風(fēng)向傳感器，所以考慮在擁有類似大風(fēng)環(huán)境的地點(diǎn)安裝傳感器模??擬高速鐵路周邊的大風(fēng)環(huán)境的數(shù)據(jù)。北京春季風(fēng)速變化多端，且大風(fēng)情況較多，??風(fēng)力等級(jí)可達(dá)６？８級(jí)，陣風(fēng)風(fēng)速可達(dá)８？９級(jí)，因此在北京市海淀區(qū)取點(diǎn)，將風(fēng)速??風(fēng)向傳感器安裝于高１５ｍ的樓頂，在無遮擋的情況下進(jìn)行檢測(cè)，由此獲得風(fēng)速風(fēng)??向數(shù)據(jù)。??７??

為優(yōu)秀的深度學(xué)習(xí)體系結(jié)構(gòu)之一，十分擅長(zhǎng)對(duì)時(shí)間序列進(jìn)行分類、處理和預(yù)測(cè)。??使用１４時(shí)刻的風(fēng)速風(fēng)向數(shù)據(jù)，對(duì)第Ｚ＋ｄｅｌｔａ時(shí)刻的風(fēng)速風(fēng)向進(jìn)行預(yù)測(cè)，預(yù)測(cè)示意??圖如圖２－３所示，其中ｓｅｑｕｅｎｃｅ?ｌｅｎｇｔｈ為ＬＳＴＭ預(yù)測(cè)需要的歷史步長(zhǎng)，ｄｅｌｔａ為超??前預(yù)測(cè)的時(shí)間長(zhǎng)度。??ｙｔ－＾－ｄｅｌｔａ????????ｔ??ＬＳＴＭ?—……—ＬＳＴＭ?—?ＬＳＴＭ?—？?ＬＳＴＭ????＾??Ｉ??ｓｅｑｕｅｎｃｅ?ｌｅｎｇｔｈ??圖２－３?ＬＳＴＭ預(yù)測(cè)示意圖??Ｆｉｇ．２－３?ＬＳＴＭ?ｐｒｅｄｉｃｔｉｏｎ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ??風(fēng)速風(fēng)向數(shù)據(jù)由風(fēng)速風(fēng)向傳感器獲得，要求傳感器測(cè)得每分鐘的最大風(fēng)速，??以及測(cè)得最大風(fēng)速對(duì)應(yīng)時(shí)刻的風(fēng)向，通過模型可以預(yù)測(cè)出第／＋ｄｅｌｔａ時(shí)刻的最大風(fēng)??速及風(fēng)向。ＬＳＴＭ預(yù)測(cè)方案框圖如圖２－４所示。??ＬＳＴＭ網(wǎng)絡(luò)訓(xùn)練?￣傳感器￣????｜結(jié)構(gòu)構(gòu)建｜?實(shí)時(shí)＾數(shù)據(jù)??ｒ—＾丨龍預(yù)，｜超參數(shù)設(shè)定｜?，??Ｌ數(shù)據(jù)分ｇ?＾?｜輸入數(shù)據(jù)?＾風(fēng)速風(fēng)向Ｈ超測(cè)測(cè)??Ｉ歸一化Ｉ?｜循冧訶練?＾預(yù)測(cè)模型ｎ結(jié)果輸出??Ｉ數(shù)據(jù)集劃分?｜損失函數(shù)??Ｉ１?」」｜梯漫訐算??梯度下降算??法更新權(quán)重??圖２－４?ＬＳＴＭ風(fēng)速風(fēng)向預(yù)測(cè)方案框圖??Ｆｉｇ．２－４?Ｂｌｏｃｋ?ｄｉａｇｒａｍ?ｏｆ?ＬＳＴＭ?ｗｉｎｄ?ｓｐｅｅｄ?ａｎｄ?ｄｉｒｅｃｔｉｏｎ?ｐｒｅｄｉｃｔｉｏｎ??由風(fēng)速風(fēng)向傳感器獲得的數(shù)據(jù)進(jìn)行預(yù)處理，分為數(shù)據(jù)分組、歸一化、數(shù)據(jù)集??劃分三個(gè)步驟。構(gòu)建ＬＳＴＭ網(wǎng)絡(luò)模型，首先初步確定網(wǎng)絡(luò)的超參數(shù)，將預(yù)處理后??的數(shù)據(jù)送入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的短時(shí)公交客流預(yù)測(cè)[J]. 陳深進(jìn),薛洋.  計(jì)算機(jī)科學(xué). 2019(05)
[2]深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用研究綜述[J]. 鄭遠(yuǎn)攀,李廣陽(yáng),李曄.  計(jì)算機(jī)工程與應(yīng)用. 2019(12)
[3]雙卷積池化結(jié)構(gòu)的3D-CNN高光譜遙感影像分類方法[J]. 李冠東,張春菊,高飛,張雪英.  中國(guó)圖象圖形學(xué)報(bào). 2019(04)
[4]基于多層深度卷積特征的抗遮擋實(shí)時(shí)跟蹤算法[J]. 崔洲涓,安軍社,崔天舒.  光學(xué)學(xué)報(bào). 2019(07)
[5]基于自適應(yīng)卷積核的改進(jìn)CNN數(shù)值型數(shù)據(jù)分類算法[J]. 程誠(chéng),任佳.  浙江理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[6]基于ARIMA與自適應(yīng)過濾法的組合預(yù)測(cè)模型研究[J]. 徐超,項(xiàng)薇,季孟忠,謝勇.  計(jì)算機(jī)應(yīng)用與軟件. 2018(11)
[7]基于量子加權(quán)長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的狀態(tài)退化趨勢(shì)預(yù)測(cè)[J]. 李鋒,陳勇,向往,王家序,湯寶平.  儀器儀表學(xué)報(bào). 2018(07)
[8]基于經(jīng)驗(yàn)?zāi)B(tài)分解和遺傳算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型的風(fēng)速時(shí)間序列預(yù)測(cè)[J]. 賀坤,李星野.  電子測(cè)量技術(shù). 2018(08)
[9]基于卷積記憶神經(jīng)網(wǎng)絡(luò)的微博短文本情感分析[J]. 鄭嘯,王義真,袁志祥,秦鋒.  電子測(cè)量與儀器學(xué)報(bào). 2018(03)
[10]結(jié)合LSTM和CNN混合架構(gòu)的深度神經(jīng)網(wǎng)絡(luò)語言模型[J]. 王毅,謝娟,成穎.  情報(bào)學(xué)報(bào). 2018(02)

碩士論文
[1]基于深度學(xué)習(xí)的情感詞向量及文本情感分析的研究[D]. 張志華.華東師范大學(xué) 2016
[2]基于CNN的字符識(shí)別方法研究[D]. 王強(qiáng).天津師范大學(xué) 2014
[3]機(jī)場(chǎng)預(yù)報(bào)預(yù)測(cè)系統(tǒng)的相關(guān)技術(shù)研究[D]. 張吉楠.河南大學(xué) 2010
[4]橫風(fēng)環(huán)境下動(dòng)車組傾覆穩(wěn)定性研究[D]. 許士軍.中南大學(xué) 2009
[5]ARMA相關(guān)模型及其應(yīng)用[D]. 安瀟瀟.燕山大學(xué) 2008
[6]時(shí)間序列分析的研究與應(yīng)用[D]. 湯巖.東北農(nóng)業(yè)大學(xué) 2007



本文編號(hào)：2975106