技術(shù)特征：

1.一種基于多元回歸模型的高速列車動態(tài)軸溫預(yù)測方法，其特征在于，具體按照以下步驟實施：

步驟1、對列車的原始數(shù)據(jù)進行分類；

步驟2：對所述步驟1進行分類后的數(shù)據(jù)進行分區(qū)處理；

步驟3：對所述步驟2得到的分區(qū)處理后的數(shù)據(jù)建立軸溫分析的流模型；

步驟4：對所述步驟3得到的流模型進行檢驗。

2.根據(jù)權(quán)利要求1所述的一種基于多元回歸模型的高速列車動態(tài)軸溫預(yù)測方法，其特征在于，所述步驟1具體按照以下步驟實施：

步驟(1.1)、采集列車原始軸溫數(shù)據(jù)，放入集合“Num.1”中，列車原始軸溫數(shù)據(jù)包括：列車速度v、軸溫T、每個起停階段的初始軸溫T₀、環(huán)境溫度C、運行時間t以及載重L；

步驟(1.2)、將所述步驟(1.1)中采集到的列車原始軸溫數(shù)據(jù)集合“Num.1”按照速度分割為n個起停階段，每個起停階段均包括n個加速階段、n個平穩(wěn)運行階段和n個減速階段；

步驟(1.3)、將所述步驟(1.2)中的n個加速階段的數(shù)據(jù)放入集合“Num.2”中的表sheet1中，然后將表sheet1重命名為“加速階段”，將n個平穩(wěn)運行階段的數(shù)據(jù)放入集合“Num.2”中的表sheet2中，然后將sheet2重命名為“平穩(wěn)運行階段”，將n個減速階段的數(shù)據(jù)放入集合“Num.2”中的表sheet3中，然后將表sheet3重命名為“減速階段”。

3.根據(jù)權(quán)利要求2所述的一種基于多元回歸模型的高速列車動態(tài)軸溫預(yù)測方法，其特征在于，所述步驟(1.1)中n＝9。

4.根據(jù)權(quán)利要求1所述的一種基于多元回歸模型的高速列車動態(tài)軸溫預(yù)測方法，其特征在于，所述步驟2具體按照以下步驟實施：

對于所述步驟1中的“Num.2”中三個運行階段的運行時間點t，令t＝random(10)，隨機產(chǎn)生一個0～10的隨機數(shù)賦給變量t，若t＞3則為“真”，否則為“假”，且導(dǎo)出包含t＞3對應(yīng)的變量作為“訓(xùn)練樣本”數(shù)據(jù)集，導(dǎo)出不包含t＞3對應(yīng)的變量作為“測試樣本”數(shù)據(jù)集，以此方法將會分別得到“加速訓(xùn)練樣本.xls”,“平穩(wěn)訓(xùn)練樣本.xls”，“減速訓(xùn)練樣本.xls”，“加速測試樣本.xls”，“平穩(wěn)測試樣本.xls”，“減速測試樣本.xls”。

5.根據(jù)權(quán)利要求1所述的一種基于多元回歸模型的高速列車動態(tài)軸溫預(yù)測方法，其特征在于，所述步驟3具體按照以下步驟實施：

步驟(3.1)、預(yù)測變量的相關(guān)性：

對經(jīng)過所述步驟2處理后的“加速訓(xùn)練樣本.xls”,“平穩(wěn)訓(xùn)練樣本.xls”及“減速訓(xùn)練樣本.xls”中的預(yù)測變量進行相關(guān)性分析，即速度v、每個起停階段的初始軸溫T₀、環(huán)境溫度C、運行時間t以及載重L與軸溫T之間的相關(guān)性系數(shù)，其依據(jù)如下：

$r=\frac{{\mathrm{N\Σx}}_i{y}_i-{\mathrm{\Σx}}_i{\mathrm{\Σy}}_i}{\sqrt{{{\mathrm{N\Σx}}_i}^2-{\left({\mathrm{\Σx}}_i\right)}^2}\sqrt{{{\mathrm{N\Σy}}_i}^2-{\left({\mathrm{\Σy}}_i\right)}^2}}$

其中，N為變量的個數(shù)，x_i為自變量，y_i為因變量——軸溫T，r為皮爾遜Pearson相關(guān)系數(shù)，當(dāng)

(1)0.8≤r≤1時，變量為極強相關(guān)；

(2)0.6≤r＜0.8時，變量為強相關(guān)；

(3)0.4≤r＜0.6時，變量為中等程度相關(guān)；

(4)0.2≤r＜0.4時，變量為弱相關(guān)；

(5)0.0≤r＜0.2時，變量為極弱相關(guān)或者無相關(guān)，

因為影響軸溫的因素較多，故能夠根據(jù)相關(guān)系數(shù)r剔除掉極弱相關(guān)或者無關(guān)的影響因素；

步驟(3.2)、回歸系數(shù)的計算：

對經(jīng)過所述步驟2處理后得到的三個階段的訓(xùn)練樣本數(shù)據(jù)進行回歸分析，樣本回歸模型的矩陣表示為其中，e為因變量的實測值與估計值之差，為偏回歸系數(shù)，表示當(dāng)其他自變量取值固定時，自變量x_i每改變一個單位時y_i的變化量，將三個運行階段中的變量速度v(x_1i)、每個起停階段的初始軸溫T₀(x_2i)、環(huán)境溫度C(x_3i)、運行時間t(x_4i)以及載重L(x_5i)作為回歸模型中的自變量x_ki，且生成自變量矩陣X如下：

$X=\left[\begin{array}{c}{\left(x_{1i}\right)}^T\\ {\left(x_{2i}\right)}^T\\ ...\\ {\left(x_{ki}\right)}^T\end{array}\right]$

上式中，k為自變量的個數(shù)，i為每個自變量包含的元素數(shù)，

將軸溫T(y_i)作為回歸模型中的因變量y_i，且生成包含所有目標(biāo)集的k維向量Y如下：

$Y=\left[\begin{array}{c}{y}_1\\ y_2\\ ...\\ y_k\end{array}\right]$

用公式得出各回歸系數(shù)進而得到因變量y_i的估計值其中，X'為自變量組成的矩陣X的轉(zhuǎn)置；

步驟(3.3)、在數(shù)據(jù)挖掘工具SPSS Modeler中建立流模型：

在SPSS Modeler中，首先在“源”選項卡里面選擇“excel”節(jié)點，將“訓(xùn)練樣本.xls”導(dǎo)入此節(jié)點中，然后在“字段選項”選項卡里面選擇“過濾”節(jié)點filter與“類型”節(jié)點type，用此“過濾”節(jié)點可以過濾掉列車運行的“時刻”項，“類型”節(jié)點用以設(shè)置各變量的角色，然后在“建?！边x項卡里面選擇“特征選擇”feature selection和“回歸”regression節(jié)點，接下來在“字段”選項卡里選擇“導(dǎo)出”節(jié)點export，用以導(dǎo)出模型得到的軸溫值與原始軸溫對比的表和方框圖。

6.根據(jù)權(quán)利要求1所述的一種基于多元回歸模型的高速列車動態(tài)軸溫預(yù)測方法，其特征在于，所述步驟4具體按照以下步驟實施：

步驟(4.1)、模型的匯總檢驗：

用如下公式衡量模型整體的好壞，其中，復(fù)相關(guān)系數(shù)R，決定系數(shù)R²，校正的決定系數(shù)R_adj²：

$R^2=\frac{SSR}{{\mathrm{SS}}_{total}}=\frac{\Σ{({\hat{y}}_i-{\stackrel{\‾}{y}}_i)}^2}{\Σ{(y_i-{\stackrel{\‾}{y}}_i)}^2}$

${R^2}_{adj}=1-\frac{n-1}{n-p-1}(1-R^2)$

其中，復(fù)相關(guān)系數(shù)R表示模型中自變量與因變量線性關(guān)系的密切程度，其中y_i為因變量軸溫T，為所述步驟(3.2)中得到的y_i的估計量，實際上它是y_i與其估計量的簡單線性相關(guān)系數(shù)，其取值范圍為(0,1)，沒有負值，R值越大，說明線性回歸關(guān)系越密切，決定系數(shù)R²表示因變量的總變異中由回歸模型中自變量解釋的部分所占的比例，回歸方程的解釋力一般是由決定系數(shù)R²來測量的，因此一般情況下R²越大越好，其中SSR為回歸平方和，SS_total為總的平方和，為因變量軸溫T的均值，校正的決定系數(shù)R_adj²是衡量所建模型好壞的重要指標(biāo)之一，其中，n表示的是樣本的含量，p表示的是自變量的個數(shù)，R_adj²越大，模型的效果越好；

步驟(4.2)、訓(xùn)練樣本的相對誤差直方圖：

對步驟2中得到的訓(xùn)練樣本，分別對三個運行階段的訓(xùn)練樣本，用步驟(3.2)得到的回歸方程計算出估計值則相對誤差為

$\begin{array}{cc}relative& error=abs(y_i-{\hat{y}}_i)/y_i\end{array}$

然后畫出其直方圖，觀察其分布情況；

步驟(4.3)、對測試樣本進行檢驗：

對步驟2中得到的測試樣本，分別對三個運行階段的測試樣本，用步驟(3.2)得到的回歸方程計算出估計值則相對誤差為

$\begin{array}{cc}relative& error=abs(y_i-{\hat{y}}_i)/y_i\end{array},$

然后分別對三個運行階段的測試樣本，在一個圖中畫出因變量軸溫T、軸溫T的估計值相對誤差(relative error)的折線圖，并使用雙坐標(biāo)形式，相對誤差圖能夠反映出模型擬合效果的情況，在此圖中，通過預(yù)測值和真實值的折線圖能夠清楚的看到模型擬合的效果，而通過相對誤差折線圖能夠看到預(yù)測效果的好壞，如果隨著時間的推移，相對誤差值變得越來越大，則說明模型對后期預(yù)測效果不如早期的，因為預(yù)測誤差始終處于可接受范圍，故該方法能有效對軸溫進行預(yù)測，從而可以將軸溫的不正常升溫當(dāng)做列車熱軸故障檢測的一個判別標(biāo)準，以最大可能的避免事故的擴大。