本發(fā)明屬于鐵路風(fēng)速預(yù)測(cè)領(lǐng)域，特別涉及一種多模型多特征融合的高速鐵路沿線風(fēng)速預(yù)測(cè)方法。
背景技術(shù)：
：隨著我國(guó)經(jīng)濟(jì)持續(xù)穩(wěn)定發(fā)展，我國(guó)鐵路建設(shè)進(jìn)入了高速發(fā)展期。而隨著鐵路運(yùn)營(yíng)線路的增加和列車速度的提升，列車運(yùn)行的安全性、平穩(wěn)性、舒適性受到越來越多的關(guān)注。強(qiáng)風(fēng)是導(dǎo)致列車事故的主要自然災(zāi)害之一，我國(guó)一些鐵路沿線地區(qū)時(shí)常出現(xiàn)強(qiáng)風(fēng)天氣，這給列車安全平穩(wěn)運(yùn)行帶來了巨大挑戰(zhàn)。為了防止列車事故的發(fā)生，需要建立鐵路大風(fēng)監(jiān)測(cè)預(yù)警系統(tǒng)，以便鐵路部門提前調(diào)度指揮，鐵路沿線風(fēng)速預(yù)測(cè)技術(shù)就是該系統(tǒng)的核心技術(shù)之一。風(fēng)速信號(hào)是一種隨機(jī)、非線性信號(hào)，預(yù)測(cè)難度很高。目前，風(fēng)速預(yù)測(cè)的研究領(lǐng)域多集中在風(fēng)電場(chǎng)預(yù)測(cè)，方法分為統(tǒng)計(jì)方法、物理方法和學(xué)習(xí)方法，常用的模型包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、卡爾曼濾波、時(shí)間序列、小波分解、經(jīng)驗(yàn)?zāi)Ｊ椒纸獾?，還有一些混合模型。風(fēng)電場(chǎng)通常建在地勢(shì)平坦、風(fēng)向穩(wěn)定的地區(qū)，較小范圍內(nèi)風(fēng)速差異不大。不同于風(fēng)電場(chǎng)，鐵路沿線地形環(huán)境復(fù)雜，不同位置點(diǎn)風(fēng)速差異顯著，而足夠強(qiáng)的瞬態(tài)風(fēng)就可能引發(fā)列車事故，因此，鐵路沿線各位置點(diǎn)風(fēng)速預(yù)測(cè)必須準(zhǔn)確。同時(shí)，由于硬件設(shè)備存在可靠性問題、單一模型預(yù)測(cè)效果不穩(wěn)定，而鐵路沿線風(fēng)速預(yù)測(cè)數(shù)據(jù)不容許中斷輸出，所以，鐵路沿線風(fēng)速預(yù)測(cè)必須性能穩(wěn)定，能在多種異常狀況下不間斷輸出高精度預(yù)測(cè)數(shù)據(jù)。因此，迫切需要建立一種預(yù)測(cè)精度高、性能穩(wěn)定，能融入多種因素和多種預(yù)測(cè)模型的鐵路沿線風(fēng)速預(yù)測(cè)方法。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于克服現(xiàn)有鐵路沿線風(fēng)速預(yù)測(cè)方法中存在的不足，提供一種多模型多特征融合的鐵路沿線風(fēng)速預(yù)測(cè)方法。該方法融合了4個(gè)基本模型，包含空間、時(shí)間、氣象、物理等多種元素，預(yù)測(cè)時(shí)各模型數(shù)據(jù)存在交織，最后的組合模型能自適應(yīng)地調(diào)整4個(gè)基本預(yù)測(cè)模型的權(quán)值，預(yù)測(cè)穩(wěn)定性高，可以實(shí)現(xiàn)超前多步預(yù)測(cè)，具有工程應(yīng)用價(jià)值。一種多模型多特征融合的高速鐵路沿線風(fēng)速預(yù)測(cè)方法，包括以下步驟：步驟1：在目標(biāo)測(cè)風(fēng)站位置周圍至少安裝N個(gè)輔助測(cè)風(fēng)站，利用輔助測(cè)風(fēng)站實(shí)時(shí)采集目標(biāo)測(cè)風(fēng)站的風(fēng)速數(shù)據(jù)，獲得目標(biāo)測(cè)風(fēng)站和輔助測(cè)風(fēng)站的風(fēng)速樣本集合；其中，N為大于或等于5的整數(shù)；步驟2：對(duì)輔助測(cè)風(fēng)站數(shù)據(jù)和目標(biāo)測(cè)風(fēng)站數(shù)據(jù)依次進(jìn)行濾波和1層深度小波分解，提取低頻數(shù)據(jù)部分；步驟3：利用步驟2獲得的輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站的低頻數(shù)據(jù)部分構(gòu)建空間-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型，同時(shí)，利用目標(biāo)測(cè)風(fēng)站的低頻數(shù)據(jù)部分構(gòu)建自我-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型；步驟4：利用目標(biāo)測(cè)風(fēng)站的低頻數(shù)據(jù)部分和目標(biāo)測(cè)風(fēng)站所處位置的氣壓、濕度和溫度數(shù)據(jù)構(gòu)建氣象-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型；步驟5：利用數(shù)值天氣預(yù)報(bào)信息獲取目標(biāo)測(cè)風(fēng)站風(fēng)速預(yù)測(cè)值；步驟6：將空間-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型、自我-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型以及氣象-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型獲得的目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)值和步驟5獲得的目標(biāo)測(cè)風(fēng)站風(fēng)速預(yù)測(cè)值輸入貝葉斯組合模型，獲取最終的目標(biāo)測(cè)風(fēng)站預(yù)測(cè)值；所述超前多步預(yù)測(cè)是指利用當(dāng)前時(shí)刻T的風(fēng)速數(shù)據(jù)輸入對(duì)應(yīng)預(yù)測(cè)模型獲得下一時(shí)刻T+1的風(fēng)速預(yù)測(cè)，然后，利用下一時(shí)刻T+1的風(fēng)速預(yù)測(cè)值再次輸入對(duì)應(yīng)預(yù)測(cè)模型，獲得T+2時(shí)刻的風(fēng)速預(yù)測(cè)值，往復(fù)迭代獲得超前多步預(yù)測(cè)值。利用貝葉斯組合模型對(duì)4個(gè)預(yù)測(cè)模型所獲得超前多步預(yù)測(cè)值不進(jìn)行簡(jiǎn)單的平等加權(quán)，而是對(duì)更高精度的預(yù)測(cè)模型輸出賦予更大的比例系數(shù)，即讓更高精度的預(yù)測(cè)模型所輸出的風(fēng)速預(yù)測(cè)值在加權(quán)中占有更大比例。進(jìn)一步地，所述步驟2中的空間-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型和自我-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型的構(gòu)建步驟如下：步驟2.1：對(duì)輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站的低頻數(shù)據(jù)部分進(jìn)行FEEMD分解，獲得每個(gè)測(cè)風(fēng)站對(duì)應(yīng)的低頻、中頻和高頻子序列；步驟2.2：對(duì)輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站的高頻子序列的各IMF分量分別進(jìn)行基于PSO的LVQ神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，構(gòu)建輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站各自的自我高頻基于PSO的LVQ神經(jīng)網(wǎng)絡(luò)模型，獲取輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站的自我高頻超前多步預(yù)測(cè)值；對(duì)輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站的中頻子序列的各IMF分量分別建立基于CBA的極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，構(gòu)建輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站各自的自我中頻基于CBA的極限學(xué)習(xí)機(jī)模型，獲取輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站的自我中頻超前多步預(yù)測(cè)值；對(duì)輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站的低頻子序列的各IMF分量分別建立RARIMA進(jìn)行訓(xùn)練，構(gòu)建構(gòu)建輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站各自的自我低頻RARIMA模型，獲取輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站的自我低頻超前多步預(yù)測(cè)值；步驟2.3：將目標(biāo)測(cè)風(fēng)站的高頻基于PSO的LVQ神經(jīng)網(wǎng)絡(luò)模型、中頻基于CBA的極限學(xué)習(xí)機(jī)模型以及低頻RARIMA模型合并，形成自我-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型；步驟2.4：以輔助測(cè)風(fēng)站的低頻、中頻和高頻子序列數(shù)據(jù)作為輸入，目標(biāo)測(cè)風(fēng)站的低頻、中頻和高頻子序列數(shù)據(jù)作為輸出，構(gòu)建各頻段子序列基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型，利用輔助測(cè)風(fēng)站的各頻段子序列對(duì)應(yīng)的超前多步預(yù)測(cè)值輸入各頻段子序列基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型，獲得目標(biāo)測(cè)風(fēng)站對(duì)應(yīng)各頻段的超前多步預(yù)測(cè)值，以各頻段子序列基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型形成空間-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型；所述各頻段子序列基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型是指，利用Adaboost算法對(duì)多個(gè)BP神經(jīng)網(wǎng)絡(luò)依據(jù)各BP神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測(cè)值的平均絕對(duì)誤差進(jìn)行不等分加權(quán)求和，每個(gè)BP神經(jīng)網(wǎng)絡(luò)均采用多個(gè)輸入神經(jīng)元和1個(gè)輸出神經(jīng)元的3層網(wǎng)絡(luò)結(jié)構(gòu)，用于訓(xùn)練的輸入數(shù)據(jù)中，每組數(shù)據(jù)的采集時(shí)間均比前一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻，輸出數(shù)據(jù)的采集時(shí)間比最后一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻。該混合模型中，Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型包括了10個(gè)BP神經(jīng)網(wǎng)絡(luò)作為弱學(xué)習(xí)器，以風(fēng)速預(yù)測(cè)的平均絕對(duì)相對(duì)誤差超過5％的BP神經(jīng)網(wǎng)絡(luò)視為需要加強(qiáng)學(xué)習(xí)的對(duì)象，BP神經(jīng)網(wǎng)絡(luò)的最大迭代步數(shù)取300步。通過Adaboost算法對(duì)所包含的10個(gè)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出進(jìn)行了不等分加權(quán)求和，即Adaboost算法在迭代過程中，根據(jù)每個(gè)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出的平均絕對(duì)相對(duì)誤差，實(shí)時(shí)地調(diào)整該BP神經(jīng)網(wǎng)絡(luò)在下一次迭代計(jì)中在全部神經(jīng)網(wǎng)絡(luò)群中所占的加權(quán)比例。性能越好的單個(gè)BP神經(jīng)網(wǎng)絡(luò)將被賦予越高的權(quán)值。Adaboost-BP神經(jīng)網(wǎng)絡(luò)混合模型分為訓(xùn)練學(xué)習(xí)和預(yù)測(cè)計(jì)算兩個(gè)方面。在訓(xùn)練學(xué)習(xí)階段，每個(gè)BP神經(jīng)網(wǎng)絡(luò)都將輸入被篩選中的輔助測(cè)風(fēng)站的低頻、中頻和高頻子序列所轄的全部IMF分量，每個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸出為目標(biāo)測(cè)風(fēng)站的低頻、中頻和高頻子序列所轄的全部IMF分量，每個(gè)BP神經(jīng)網(wǎng)絡(luò)都將完成自身的訓(xùn)練學(xué)習(xí)，然后通過Adaboost算法對(duì)全部BP神經(jīng)網(wǎng)絡(luò)的加權(quán)比例進(jìn)行調(diào)整，直到最后獲得這10個(gè)BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)加權(quán)比例值。在本發(fā)明中，每個(gè)BP神經(jīng)網(wǎng)絡(luò)自身內(nèi)在的神經(jīng)元連接權(quán)值和隱含層閾值都是隨機(jī)分配的。單個(gè)BP神經(jīng)網(wǎng)絡(luò)均采用多個(gè)輸入神經(jīng)元和1個(gè)輸出神經(jīng)元的3層網(wǎng)絡(luò)結(jié)構(gòu)，即：?jiǎn)蝹€(gè)BP神經(jīng)網(wǎng)絡(luò)需要同步用多組輸入風(fēng)速數(shù)據(jù)和1組輸出風(fēng)速數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練；當(dāng)Adaboost算法優(yōu)化的10個(gè)BP神經(jīng)網(wǎng)絡(luò)都完成訓(xùn)練后，只要對(duì)每個(gè)BP神經(jīng)網(wǎng)絡(luò)的多個(gè)輸入神經(jīng)元端口輸入多組等長(zhǎng)度的風(fēng)速數(shù)據(jù)，每個(gè)BP神經(jīng)網(wǎng)絡(luò)就能自動(dòng)輸出1組與輸入風(fēng)速等長(zhǎng)度的預(yù)測(cè)風(fēng)速序列，然后利用Adaboost算法所確定的BP神經(jīng)網(wǎng)絡(luò)加權(quán)比例值進(jìn)行不等分加權(quán)求和，獲得Adaboost-BP神經(jīng)網(wǎng)絡(luò)混合模型的最終預(yù)測(cè)風(fēng)速序列。當(dāng)Adaboost-BP神經(jīng)網(wǎng)絡(luò)混合模型完成全部學(xué)習(xí)訓(xùn)練后，就可以等著利用新的輸入風(fēng)速數(shù)據(jù)獲得等長(zhǎng)度的風(fēng)速預(yù)測(cè)輸出數(shù)據(jù)。也就是對(duì)每個(gè)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)輸入所獲得的各個(gè)頻層運(yùn)用不同組合預(yù)測(cè)模型所獲得的輔助測(cè)風(fēng)站超前多步預(yù)測(cè)值后，該BP神經(jīng)網(wǎng)絡(luò)就能夠預(yù)測(cè)出目標(biāo)測(cè)風(fēng)站的超前多步預(yù)測(cè)值。當(dāng)完成全部10個(gè)BP神經(jīng)網(wǎng)絡(luò)的超前多步預(yù)測(cè)值輸出后，就可以運(yùn)用Adaboost算法所提供的加權(quán)比例進(jìn)行求和，最終獲得目標(biāo)測(cè)風(fēng)站的超前多步風(fēng)速預(yù)測(cè)值。Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型包括了10個(gè)BP神經(jīng)網(wǎng)絡(luò)作為弱學(xué)習(xí)器，以風(fēng)速預(yù)測(cè)的平均絕對(duì)相對(duì)誤差超過5％的BP神經(jīng)網(wǎng)絡(luò)視為需要加強(qiáng)學(xué)習(xí)的對(duì)象，BP神經(jīng)網(wǎng)絡(luò)的最大迭代步數(shù)取300步。進(jìn)一步地，所述自我高頻基于PSO的LVQ神經(jīng)網(wǎng)絡(luò)模型的具體構(gòu)建步驟如下：(1)利用PSO隨機(jī)產(chǎn)生LVQ模型的連接權(quán)值的粒子種群，每個(gè)粒子代表一組LVQ模型的初始連接權(quán)值；(2)以實(shí)現(xiàn)最小風(fēng)速平均絕對(duì)相對(duì)誤差達(dá)到設(shè)定值作為PSO算法的訓(xùn)練方向，完成PSO算法的訓(xùn)練學(xué)習(xí)流程，使得粒子種群中的粒子不斷靠攏到最優(yōu)粒子附近，輸出最優(yōu)的LVQ神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值；(3)將經(jīng)過前面兩個(gè)步驟中PSO訓(xùn)練所獲得的LVQ神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值對(duì)LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)置，將風(fēng)站的高頻子序列的各IMF分量作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)，完成LVQ神經(jīng)網(wǎng)絡(luò)自身對(duì)風(fēng)速的學(xué)習(xí)和訓(xùn)練，形成自我高頻子序列風(fēng)速數(shù)據(jù)高精度預(yù)測(cè)的PSO-LVQ混合模型；用于訓(xùn)練的輸入數(shù)據(jù)中，每組數(shù)據(jù)的采集時(shí)間均比前一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻，輸出數(shù)據(jù)的采集時(shí)間比最后一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻。利用所建立的PSO優(yōu)化的LVQ神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)速高頻子序列中的各個(gè)IMF風(fēng)速分量完成超前多步預(yù)測(cè)計(jì)算，以獲得各自IMF分量對(duì)應(yīng)的風(fēng)速超前多步預(yù)測(cè)值。所建立的LVQ神經(jīng)網(wǎng)絡(luò)均采用3個(gè)輸入神經(jīng)元和1個(gè)輸出神經(jīng)元的結(jié)構(gòu)，即：LVQ神經(jīng)網(wǎng)絡(luò)需要同步用3組輸入風(fēng)速數(shù)據(jù)和1組輸出風(fēng)速數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練；當(dāng)PSO優(yōu)化的LVQ神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練后，只要對(duì)LVQ神經(jīng)網(wǎng)絡(luò)的3個(gè)輸入神經(jīng)元端口輸入3個(gè)對(duì)應(yīng)的風(fēng)速數(shù)據(jù)，LVQ神經(jīng)網(wǎng)絡(luò)就能自動(dòng)輸出1個(gè)風(fēng)速預(yù)測(cè)值。利用PSO生成的初始種群數(shù)量設(shè)置取50，PSO優(yōu)化選擇LVQ神經(jīng)網(wǎng)絡(luò)時(shí)的迭代次數(shù)取200次，粒子運(yùn)行速度最大值為0.5，粒子運(yùn)行速度的最小值為0.01；LVQ神經(jīng)網(wǎng)絡(luò)的迭代目標(biāo)平均絕對(duì)相對(duì)誤差取5％；LVQ神經(jīng)網(wǎng)絡(luò)在獲得PSO賦予的最優(yōu)網(wǎng)絡(luò)初始連接權(quán)值后自身的最大學(xué)習(xí)迭代步數(shù)取100步。高頻子序列的各IMF分量分別建立PSO優(yōu)化的LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的本質(zhì)是利用PSO選擇LVQ神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值，使得優(yōu)化的LVQ神經(jīng)網(wǎng)絡(luò)能夠更好地追蹤高頻子序列所轄的各個(gè)IMF分量風(fēng)速數(shù)據(jù)的極端突變規(guī)律，實(shí)現(xiàn)高精度的中頻子序列的預(yù)測(cè)。進(jìn)一步地，所述自我中頻基于CBA的極限學(xué)習(xí)機(jī)模型的構(gòu)建步驟如下：(1)初始化蝙蝠算法；每只蝙蝠的位置參數(shù)代表極限學(xué)習(xí)機(jī)的一組輸出權(quán)值和隱含層節(jié)點(diǎn)閾值，每只蝙蝠的初始響度和脈沖速率均取0.5，蝙蝠個(gè)數(shù)50只，迭代次數(shù)為100，每只蝙蝠的飛行步長(zhǎng)取值范圍為[0.001,0.05]；(2)以極限學(xué)習(xí)機(jī)的輸出風(fēng)速平均絕對(duì)相對(duì)誤差達(dá)到設(shè)定值為蝙蝠算法的適應(yīng)度引導(dǎo)函數(shù)，實(shí)時(shí)更新每只蝙蝠的響度和脈沖速率，使得蝙蝠飛向極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層節(jié)點(diǎn)閾值對(duì)應(yīng)的最優(yōu)解；在前50次迭代中，蝙蝠的飛行步長(zhǎng)取最大值，從第51次迭代開始，蝙蝠的飛行步長(zhǎng)取最小值；(3)利用(2)獲取的極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層節(jié)點(diǎn)閾值對(duì)應(yīng)的最優(yōu)解，將風(fēng)站的中頻子序列的各IMF分量作為極限學(xué)習(xí)機(jī)的輸入和輸出數(shù)據(jù)，進(jìn)行極限學(xué)習(xí)機(jī)模型訓(xùn)練，得到基于CBA的極限學(xué)習(xí)機(jī)模型；用于訓(xùn)練的輸入數(shù)據(jù)中，每組數(shù)據(jù)的采集時(shí)間均比前一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻，輸出數(shù)據(jù)的采集時(shí)間比最后一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻。利用所建立的CBA優(yōu)化的極限學(xué)習(xí)機(jī)對(duì)風(fēng)速中頻子序列中的各個(gè)IMF風(fēng)速分量完成超前多步預(yù)測(cè)計(jì)算，以獲得各自IMF分量對(duì)應(yīng)的風(fēng)速超前多步預(yù)測(cè)值。所建立的極限學(xué)習(xí)機(jī)均采用3個(gè)輸入神經(jīng)元和1個(gè)輸出神經(jīng)元的結(jié)構(gòu)，即：極限學(xué)習(xí)機(jī)需要同步用3組輸入風(fēng)速數(shù)據(jù)和1組輸出風(fēng)速數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練；當(dāng)CBA優(yōu)化的極限學(xué)習(xí)機(jī)完成訓(xùn)練后，只要對(duì)極限學(xué)習(xí)機(jī)的3個(gè)輸入神經(jīng)元端口輸入3個(gè)對(duì)應(yīng)的風(fēng)速數(shù)據(jù)，極限學(xué)習(xí)機(jī)就能自動(dòng)輸出1個(gè)風(fēng)速預(yù)測(cè)值。極限學(xué)習(xí)機(jī)模型的迭代目標(biāo)平均絕對(duì)相對(duì)誤差取5％，在CBA優(yōu)化選擇極限學(xué)習(xí)機(jī)的初始輸入權(quán)值和隱含層節(jié)點(diǎn)閾值階段及極限學(xué)習(xí)機(jī)在獲得CBA算法尋優(yōu)后賦值階段，極限學(xué)習(xí)機(jī)的最大迭代步數(shù)均取200步。對(duì)中頻子序列的各IMF分量分別建立CBA優(yōu)化的極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練的本質(zhì)是利用變步長(zhǎng)自適應(yīng)蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)的初始輸入權(quán)值與隱含層節(jié)點(diǎn)閾值，使得優(yōu)化的極限學(xué)習(xí)機(jī)能夠更好地追蹤中頻子序列所轄的各個(gè)IMF分量風(fēng)速數(shù)據(jù)的突變規(guī)律，實(shí)現(xiàn)高精度的中頻子序列的預(yù)測(cè)。蝙蝠的飛行步長(zhǎng)隨著迭代次數(shù)的遞增自動(dòng)地改變，保證了蝙蝠算法對(duì)極限學(xué)習(xí)機(jī)在風(fēng)速預(yù)測(cè)上的全局搜索能力，使在算法尋優(yōu)的前面50步迭代時(shí)取最大值，目的是避免算法過早的陷入局部最優(yōu)解；隨著迭代次數(shù)的增加(即從50步開始到100步為止)，蝙蝠的飛行步長(zhǎng)主動(dòng)減小，取最小值，從而使蝙蝠算法在后期快速收斂，得到更準(zhǔn)確的解。進(jìn)一步地，所述自我低頻RARIMA模型的構(gòu)建步驟如下：(1)利用非參數(shù)游輪檢驗(yàn)法對(duì)各個(gè)低頻子序列所分解獲得的全部IMF分量風(fēng)速數(shù)據(jù)進(jìn)行數(shù)據(jù)平穩(wěn)性檢驗(yàn)；如遇到某IMF分量風(fēng)速數(shù)據(jù)呈現(xiàn)非平穩(wěn)性，則對(duì)該段IMF分量風(fēng)速數(shù)據(jù)進(jìn)行差分計(jì)算直到其顯示平穩(wěn)性為止；(2)對(duì)各個(gè)低頻子序列所分解獲得對(duì)經(jīng)過步驟1平穩(wěn)性檢驗(yàn)后的全部IMF分量風(fēng)速數(shù)據(jù)進(jìn)行樣本自相關(guān)和樣本偏相關(guān)計(jì)算，并根據(jù)各自分量風(fēng)速數(shù)據(jù)的自相關(guān)和偏相關(guān)值確定RARIMA模型的最優(yōu)類型和最優(yōu)階次；(3)對(duì)步驟2所獲得的RARIMA模型的最優(yōu)類型和最優(yōu)階次，利用極大似然法求解各個(gè)IMF分量風(fēng)速數(shù)據(jù)對(duì)應(yīng)RARIMA模型的方程系數(shù)，將風(fēng)站的低頻子序列的各IMF分量作為RARIMA模型的輸入數(shù)據(jù)，形成自我低頻RARIMA模型。在超前多步的預(yù)測(cè)過程中，不斷地利用最新的預(yù)測(cè)值實(shí)時(shí)更新RARIMA模型的方程系數(shù)。RARIMA模型方程實(shí)際上就是一個(gè)自相關(guān)表達(dá)式，也就是描述當(dāng)前風(fēng)速值與歷史風(fēng)速值的關(guān)系。比如說，對(duì)低頻子序列里面的全部IMF分量都建立RARIMA模型，也是用各個(gè)IMF分量數(shù)據(jù)擬合出不同參數(shù)的RARIMA模型。正如后面實(shí)例中所述，某IMF分量有500個(gè)數(shù)據(jù)，就建立一個(gè)RARIMA模型。所以可以認(rèn)為，RARIMA模型沒有所謂的輸入和輸出數(shù)據(jù)，就是對(duì)某段IMF分量數(shù)據(jù)建立一個(gè)自相關(guān)表達(dá)式，這樣但需要預(yù)測(cè)時(shí)候，就輸入歷史時(shí)刻的數(shù)據(jù)，獲得當(dāng)前時(shí)刻的數(shù)據(jù)，以此類推，一直到獲得所要時(shí)刻對(duì)應(yīng)的風(fēng)速預(yù)測(cè)值為止。對(duì)低頻子序列的各個(gè)IMF分量建立RARIMA模型的原因是：相對(duì)于中、高頻子序列所分解后的各個(gè)IMF分量，低頻子序列所轄的各個(gè)IMF分量更加平穩(wěn)。通過本專利前面所采用的無跡卡爾曼濾波法和1層小波法去噪后，低頻子序列的風(fēng)速數(shù)據(jù)已沒有包含風(fēng)速跳躍數(shù)據(jù)。此時(shí)采用統(tǒng)計(jì)數(shù)學(xué)領(lǐng)域的RARIMA模型來實(shí)現(xiàn)擬合處理是明智的，可以做到擬合精度和輸出實(shí)時(shí)性的兼顧。在這個(gè)步驟內(nèi)容中，非參數(shù)優(yōu)輪檢驗(yàn)法、差分計(jì)算和RARIMA模型的計(jì)算步驟均屬于統(tǒng)計(jì)數(shù)學(xué)中的現(xiàn)有算法。進(jìn)一步地，所述氣象-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型的構(gòu)建步驟如下：(1)利用ACO隨機(jī)產(chǎn)生Elman神經(jīng)網(wǎng)模型的連接權(quán)值的種群；(2)以實(shí)現(xiàn)最小風(fēng)速平均絕對(duì)相對(duì)誤差達(dá)到設(shè)定值作為ACO算法的訓(xùn)練方向，進(jìn)行ACO算法的訓(xùn)練學(xué)習(xí)流程，使得初始化螞蟻種群中的螞蟻通過迭代不斷靠近最優(yōu)的解，輸出最優(yōu)的Elman神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和隱含層閾值；(3)將上述步驟經(jīng)過ACO訓(xùn)練所獲得的初始連接權(quán)值和閾值對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)置，將氣壓、溫度、濕度以及目標(biāo)測(cè)風(fēng)站的第二層低頻分量數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)風(fēng)速的學(xué)習(xí)和訓(xùn)練的輸入和輸出數(shù)據(jù)，形成氣象-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型；用于訓(xùn)練的輸入數(shù)據(jù)中，每組數(shù)據(jù)的采集時(shí)間均比前一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻，輸出數(shù)據(jù)的采集時(shí)間比最后一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻。利用所建立的ACO優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)對(duì)氣壓、溫度、濕度以及目標(biāo)測(cè)風(fēng)站的第二層低頻風(fēng)速分量數(shù)據(jù)這4種對(duì)象完成超前多步預(yù)測(cè)計(jì)算，以獲得各種對(duì)象對(duì)應(yīng)的超前多步預(yù)測(cè)值。所建立的Elman神經(jīng)網(wǎng)絡(luò)采用4個(gè)輸入神經(jīng)元和1個(gè)輸出神經(jīng)元的結(jié)構(gòu)，即：Elman神經(jīng)網(wǎng)絡(luò)需要同步用4組上述4種對(duì)象的數(shù)據(jù)和1組輸出風(fēng)速數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練；當(dāng)ACO優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練后，只要對(duì)Elman神經(jīng)網(wǎng)絡(luò)的4個(gè)輸入神經(jīng)元端口分別輸入4個(gè)上述4種對(duì)象的數(shù)據(jù)，Elman神經(jīng)網(wǎng)絡(luò)就能自動(dòng)輸出1個(gè)風(fēng)速預(yù)測(cè)值。初始種群螞蟻數(shù)量取100，螞蟻信息素重要程度因子取0.5，螞蟻啟發(fā)函數(shù)重要程度因子取1，螞蟻信息素?fù)]發(fā)因子取0.1。ACO優(yōu)化選擇Elman神經(jīng)網(wǎng)絡(luò)時(shí)的迭代次數(shù)取50次。Elman神經(jīng)網(wǎng)絡(luò)的迭代目標(biāo)平均絕對(duì)相對(duì)誤差取5％。Elman神經(jīng)網(wǎng)絡(luò)在獲得ACO賦予的最優(yōu)網(wǎng)絡(luò)初始連接權(quán)值后自身的最大學(xué)習(xí)迭代步數(shù)取100步。進(jìn)一步地，步驟2中所述的濾波處理采用無跡卡爾曼濾波法。進(jìn)一步地，所述用于步驟3中構(gòu)建模型的輔助測(cè)風(fēng)站是指按照以下方法選出的m個(gè)輔助測(cè)風(fēng)站：首先，對(duì)經(jīng)過步驟2濾波后的風(fēng)速樣本集合采用自適應(yīng)噪聲完整集成經(jīng)驗(yàn)?zāi)B(tài)進(jìn)行分解；其次，對(duì)分解后的數(shù)據(jù)進(jìn)行濾波處理；接著，將再次濾波后的數(shù)據(jù)進(jìn)行信號(hào)重構(gòu)，得到各測(cè)風(fēng)站的風(fēng)速重構(gòu)數(shù)據(jù)；將各輔助測(cè)風(fēng)站的風(fēng)速重構(gòu)數(shù)據(jù)與目標(biāo)測(cè)風(fēng)站的風(fēng)速重構(gòu)數(shù)據(jù)進(jìn)行相關(guān)性檢驗(yàn)，按相關(guān)度從高到低排序，選出與目標(biāo)測(cè)風(fēng)站風(fēng)速重構(gòu)數(shù)據(jù)相關(guān)度排名前m組輔助測(cè)風(fēng)站的風(fēng)速重構(gòu)數(shù)據(jù)和對(duì)應(yīng)的m個(gè)輔助測(cè)風(fēng)站；其中，m為整數(shù)，取值范圍為[3，60％N]。有益效果與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：1.融入了空間、時(shí)間、氣象、物理等多種元素，利用了輔助測(cè)風(fēng)站數(shù)據(jù)、目標(biāo)測(cè)風(fēng)站數(shù)據(jù)、歷史氣象數(shù)據(jù)、數(shù)值天氣預(yù)報(bào)數(shù)據(jù)等多種數(shù)據(jù)，保證了數(shù)據(jù)的多樣性。2.將統(tǒng)計(jì)方法、物理方法、學(xué)習(xí)方法有機(jī)結(jié)合，提高了預(yù)測(cè)的可靠性。3.4個(gè)基本模型在預(yù)測(cè)過程中存在數(shù)據(jù)交織，減少了計(jì)算量；4種模型通過標(biāo)準(zhǔn)的貝葉斯組合模型進(jìn)行加權(quán)融合，自適應(yīng)地調(diào)整權(quán)值，提高了預(yù)測(cè)的穩(wěn)定性。保證在任何一種內(nèi)在嵌入預(yù)測(cè)模型時(shí)效的情況下，本發(fā)明所提出的基于多模型多特征策略的風(fēng)速預(yù)測(cè)方法仍然能夠準(zhǔn)確地輸出最終的風(fēng)速超前多步預(yù)測(cè)值，用于強(qiáng)風(fēng)環(huán)境下的鐵路行車調(diào)度指揮。在所提出的第1種模型中，通過無跡卡爾曼濾波法和小波法對(duì)目標(biāo)測(cè)風(fēng)站和輔助測(cè)風(fēng)站的全部原始風(fēng)速數(shù)據(jù)進(jìn)行了濾波去噪處理，使得后面用于相關(guān)性計(jì)算和預(yù)測(cè)的風(fēng)速數(shù)據(jù)最大限度地保持了純凈性和規(guī)律潛在性。此外，利用FEEMD算法對(duì)濾波去噪后的風(fēng)速數(shù)據(jù)進(jìn)行了多層分解，產(chǎn)生了更多的風(fēng)速數(shù)據(jù)樣本用于后期的建模。分解后的風(fēng)速數(shù)據(jù)按照他們的跳躍頻率的不同分為了低頻、中頻和高頻三擋，并通過不同的組合預(yù)測(cè)模型對(duì)這三類進(jìn)行分別預(yù)測(cè)，兼顧了最終預(yù)測(cè)模型的精度和實(shí)時(shí)性。例如，對(duì)低頻子序列的IMF分量建立簡(jiǎn)單的RARIMA模型，對(duì)中頻子序列的IMF分量建立中等精度的CBA優(yōu)化后的極限學(xué)習(xí)機(jī)模型，對(duì)高頻子序列的IMF分解則建立了高精度的PSO優(yōu)化的LVQ神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。僅僅就這三類針對(duì)不同頻率的混合預(yù)測(cè)模型而言，技術(shù)人員不經(jīng)過創(chuàng)新就難以獲得的。而本專利不對(duì)用這三類混合預(yù)測(cè)模型直接實(shí)現(xiàn)最終的預(yù)測(cè)，而是把他們的預(yù)測(cè)值又重新地輸入到新建的Adaboost-BP混合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中，巧妙地把輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站聯(lián)系在了一起，實(shí)現(xiàn)了高精度的風(fēng)速預(yù)測(cè)。第2種模型不建立輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站的空間預(yù)測(cè)模型，而是把預(yù)測(cè)精度放到了目標(biāo)測(cè)風(fēng)站自身，最終直接依靠所建的IMF分量的預(yù)測(cè)模型群實(shí)現(xiàn)預(yù)測(cè)輸出。第3種模型巧妙地引入了氣壓、濕度和氣溫三個(gè)對(duì)象，使得所建預(yù)測(cè)模型的健壯性能得到提升。第4種模型的建立融入了現(xiàn)代高速鐵路沿線普遍采用的數(shù)值天氣預(yù)報(bào)的技術(shù)。附圖說明圖1為本發(fā)明所述方法的原理流程圖；圖2為本發(fā)明中模型1的Adaboost優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖；圖3為本發(fā)明中模型1的目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型圖；圖4為本發(fā)明中模型2的目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型圖；圖5為本發(fā)明中目標(biāo)測(cè)風(fēng)站A的1層小波分解圖；圖6為本發(fā)明中模型3的目標(biāo)測(cè)風(fēng)站2層小波分解圖；圖7為利用本發(fā)明所提出的預(yù)測(cè)方法所獲得的鐵路風(fēng)速預(yù)測(cè)結(jié)果示意圖；圖8為利用傳統(tǒng)單種ELMAN神經(jīng)網(wǎng)絡(luò)模型所獲得的鐵路風(fēng)速預(yù)測(cè)結(jié)果示意圖；圖9為利用傳統(tǒng)單種ARIMA模型所獲得的鐵路風(fēng)速預(yù)測(cè)結(jié)果示意圖。具體實(shí)施方式下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的說明：如圖1所示，一種多模型多特征融合的高速鐵路沿線風(fēng)速預(yù)測(cè)方，包括以下步驟：步驟1：在目標(biāo)測(cè)風(fēng)站位置周圍至少安裝N個(gè)輔助測(cè)風(fēng)站，利用輔助測(cè)風(fēng)站實(shí)時(shí)采集目標(biāo)測(cè)風(fēng)站的風(fēng)速數(shù)據(jù)，獲得目標(biāo)測(cè)風(fēng)站和輔助測(cè)風(fēng)站的風(fēng)速樣本集合；其中，N為大于或等于5的整數(shù)；步驟2：對(duì)輔助測(cè)風(fēng)站數(shù)據(jù)和目標(biāo)測(cè)風(fēng)站數(shù)據(jù)依次進(jìn)行濾波和1層深度小波分解，提取低頻數(shù)據(jù)部分；步驟3：利用低頻數(shù)據(jù)構(gòu)建空間-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型、自我-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型以及氣象-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型；步驟4：將空間-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型、自我-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型以及氣象-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型獲得的目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)值和天氣預(yù)報(bào)目標(biāo)測(cè)風(fēng)站風(fēng)速預(yù)測(cè)值輸入貝葉斯組合模型，獲取最終的目標(biāo)測(cè)風(fēng)站預(yù)測(cè)值；其中，空間-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型預(yù)測(cè)風(fēng)速值的步驟如下：1、為對(duì)某目標(biāo)測(cè)風(fēng)站位置的鐵路未來風(fēng)速實(shí)現(xiàn)預(yù)測(cè)，在該測(cè)風(fēng)站位置周圍安裝5個(gè)輔助測(cè)風(fēng)站。獲取同一時(shí)段目標(biāo)測(cè)風(fēng)站及5個(gè)輔助測(cè)風(fēng)站的原始風(fēng)速數(shù)據(jù)，每組風(fēng)速數(shù)據(jù)包含600個(gè)數(shù)據(jù)，將600個(gè)數(shù)據(jù)中的前500個(gè)用于建模，第501～600個(gè)數(shù)據(jù)用于驗(yàn)證。將目標(biāo)測(cè)風(fēng)站記為A，5個(gè)輔助測(cè)風(fēng)站分別記為B,C,D,E,F，各測(cè)風(fēng)站前500個(gè)原始風(fēng)速數(shù)據(jù)表示如下：目標(biāo)測(cè)風(fēng)站A的原始風(fēng)速數(shù)據(jù)：{a1,a2,a3...,a499,a500}輔助測(cè)風(fēng)站B的原始風(fēng)速數(shù)據(jù)：{b1,b2,b3...,b499,b500}輔助測(cè)風(fēng)站C的原始風(fēng)速數(shù)據(jù)：{c1,c2,c3...,c499,c500}輔助測(cè)風(fēng)站D的原始風(fēng)速數(shù)據(jù)：{d1,d2,d3...,d499,d500}輔助測(cè)風(fēng)站E的原始風(fēng)速數(shù)據(jù)：{e1,e2,e3...,e499,e500}輔助測(cè)風(fēng)站F的原始風(fēng)速數(shù)據(jù)：{f1,f2,f3...,f499,f500}2、用無跡卡爾曼濾波法對(duì)測(cè)風(fēng)站A,B,C,D,E,F的原始風(fēng)速數(shù)據(jù)進(jìn)行濾波處理，去除風(fēng)速數(shù)據(jù)中潛在的誤差，得到下述濾波后的風(fēng)速數(shù)據(jù)：目標(biāo)測(cè)風(fēng)站A濾波后的風(fēng)速數(shù)據(jù)：{a′1,a′2,a′3...,a′499,a′500}輔助測(cè)風(fēng)站B濾波后的風(fēng)速數(shù)據(jù)：{b′1,b′2,b′3...,b′499,b′500}輔助測(cè)風(fēng)站C濾波后的風(fēng)速數(shù)據(jù)：{c′1,c′2,c′3...,c′499,c′500}輔助測(cè)風(fēng)站D濾波后的風(fēng)速數(shù)據(jù)：{d′1,d′2,d′3...,d′499,d′500}輔助測(cè)風(fēng)站E濾波后的風(fēng)速數(shù)據(jù)：{e′1,e′2,e′3...,e′499,e′500}輔助測(cè)風(fēng)站F濾波后的風(fēng)速數(shù)據(jù)：{f′1,f′2,f′3...,f′499,f′500}3、對(duì)濾波后的各數(shù)據(jù)分別用1層小波分解的Mallat塔式算法去除高頻跳躍特征，取低頻數(shù)據(jù)：目標(biāo)測(cè)風(fēng)站A小波分解后的低頻數(shù)據(jù)：{a″1,a″2,a″3...,a″499,a″500}輔助測(cè)風(fēng)站B小波分解后的低頻數(shù)據(jù)：{b″1,b″2,b″3...,b″499,b″500}輔助測(cè)風(fēng)站C小波分解后的低頻數(shù)據(jù)：{c″1,c″2,c″3...,c″499,c″500}輔助測(cè)風(fēng)站D小波分解后的低頻數(shù)據(jù)：{d″1,d″2,d″3...,d″499,d″500}輔助測(cè)風(fēng)站E小波分解后的低頻數(shù)據(jù)：{e″1,e″2,e″3...,e″499,e″500}輔助測(cè)風(fēng)站F小波分解后的低頻數(shù)據(jù)：{f″1,f″2,f″3...,f″499,f″500}4、對(duì)各輔助測(cè)風(fēng)站低頻數(shù)據(jù)通過Frechet距離分別和目標(biāo)測(cè)風(fēng)站低頻數(shù)據(jù)進(jìn)行顯著性檢驗(yàn)，將輔助測(cè)風(fēng)站的5組數(shù)據(jù)按組別進(jìn)行顯著性排序，選出顯著性最大且合適的前3組數(shù)據(jù)及其對(duì)應(yīng)的3個(gè)輔助測(cè)風(fēng)站。如選出的這3個(gè)輔助測(cè)風(fēng)站分別為輔助測(cè)風(fēng)站B、輔助測(cè)風(fēng)站C、輔助測(cè)風(fēng)站D。5、對(duì)目標(biāo)測(cè)風(fēng)站和選出的B、C、D輔助測(cè)風(fēng)站的低頻數(shù)據(jù)分別進(jìn)行FEEMD分解，得到下述分量：目標(biāo)測(cè)風(fēng)站A：AIMF1,AIMF2,...AIMFn,AR輔助測(cè)風(fēng)站B：BIMF1,BIMF2,...BIMFn,BR輔助測(cè)風(fēng)站C：CIMF1,CIMF2,...CIMFn,CR輔助測(cè)風(fēng)站D：DIMF1,DIMF2,...DIMFn,DR6、對(duì)3個(gè)輔助測(cè)風(fēng)站分解后的各IMF分量按頻率分為低頻、中頻、高頻3種子序列，對(duì)低頻子序列的各IMF分量分別建立RARIMA進(jìn)行訓(xùn)練，對(duì)中頻子序列的各IMF分量分別建立CBA優(yōu)化的極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，高頻子序列的各IMF分量分別建立PSO優(yōu)化的LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終通過迭代得到各IMF分量的超前多步預(yù)測(cè)值。高頻基于PSO的LVQ神經(jīng)網(wǎng)絡(luò)模型的具體構(gòu)建步驟如下：利用PSO生成的初始種群數(shù)量設(shè)置取50，PSO優(yōu)化選擇LVQ神經(jīng)網(wǎng)絡(luò)時(shí)的迭代次數(shù)取200次，粒子運(yùn)行速度最大值為0.5，粒子運(yùn)行速度的最小值為0.01；LVQ神經(jīng)網(wǎng)絡(luò)的迭代目標(biāo)平均絕對(duì)相對(duì)誤差取5％；LVQ神經(jīng)網(wǎng)絡(luò)在獲得PSO賦予的最優(yōu)網(wǎng)絡(luò)初始連接權(quán)值后自身的最大學(xué)習(xí)迭代步數(shù)取100步。(1)利用PSO隨機(jī)產(chǎn)生LVQ模型的連接權(quán)值的粒子種群，每個(gè)粒子代表一組LVQ模型的初始連接權(quán)值；(2)以實(shí)現(xiàn)最小風(fēng)速平均絕對(duì)相對(duì)誤差達(dá)到設(shè)定值作為PSO算法的訓(xùn)練方向，完成PSO算法的訓(xùn)練學(xué)習(xí)流程，使得粒子種群中的粒子不斷靠攏到最優(yōu)粒子附近，輸出最優(yōu)的LVQ神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值；(3)將經(jīng)過前面兩個(gè)步驟中PSO訓(xùn)練所獲得的LVQ神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值對(duì)LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)置，將輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站的高頻子序列的各IMF分量作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，完成LVQ神經(jīng)網(wǎng)絡(luò)自身對(duì)風(fēng)速的學(xué)習(xí)和訓(xùn)練，形成自我高頻子序列風(fēng)速數(shù)據(jù)高精度預(yù)測(cè)的PSO-LVQ混合模型。高頻子序列的各IMF分量分別建立PSO優(yōu)化的LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的本質(zhì)是利用PSO選擇LVQ神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值，使得優(yōu)化的LVQ神經(jīng)網(wǎng)絡(luò)能夠更好地追蹤高頻子序列所轄的各個(gè)IMF分量風(fēng)速數(shù)據(jù)的極端突變規(guī)律，實(shí)現(xiàn)高精度的中頻子序列的預(yù)測(cè)。例如，風(fēng)速高頻子序列里面有2組中頻IMF風(fēng)速分量(假如分別稱為IMF1和IMF2)，他們的風(fēng)速數(shù)據(jù)長(zhǎng)度均為500。IMF1分量有500個(gè)風(fēng)速樣本數(shù)據(jù)，那么將第1-497個(gè)風(fēng)速樣本作為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)的第1個(gè)輸入神經(jīng)元的輸入風(fēng)速數(shù)據(jù)，將第2-498個(gè)風(fēng)速數(shù)據(jù)作為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)的第2個(gè)輸入神經(jīng)元的輸入風(fēng)速數(shù)據(jù)，將第3-499個(gè)風(fēng)速數(shù)據(jù)作為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)的第3個(gè)輸入神經(jīng)元的輸入風(fēng)速數(shù)據(jù)，將第4-500個(gè)風(fēng)速數(shù)據(jù)作為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)的唯一輸出神經(jīng)元的輸出風(fēng)速數(shù)據(jù)，然后同步地將這些風(fēng)速數(shù)據(jù)組加載到LVQ神經(jīng)網(wǎng)絡(luò)模型上，按照所述的PSO算法優(yōu)化LVQ神經(jīng)網(wǎng)絡(luò)的步驟完成全部的學(xué)習(xí)和訓(xùn)練。當(dāng)PSO-LVQ神經(jīng)網(wǎng)絡(luò)混合模型完成學(xué)習(xí)后，對(duì)LVQ神經(jīng)網(wǎng)絡(luò)的第1個(gè)輸入神經(jīng)元輸入IMF1分量的第498個(gè)風(fēng)速數(shù)據(jù)，對(duì)LVQ神經(jīng)網(wǎng)絡(luò)的第2個(gè)輸入神經(jīng)元輸入IMF1分量的第499個(gè)風(fēng)速數(shù)據(jù)，對(duì)LVQ神經(jīng)網(wǎng)絡(luò)的第3個(gè)輸入神經(jīng)元輸入IMF1分量的第500個(gè)風(fēng)速數(shù)據(jù)，那么LVQ神經(jīng)網(wǎng)絡(luò)將自動(dòng)輸出1個(gè)風(fēng)速值，該值即為IMF1分量的第501個(gè)風(fēng)速預(yù)測(cè)值(也就是說，上述步驟實(shí)現(xiàn)了利用IMF1分量的第1-500個(gè)已有的分解風(fēng)速樣本獲得了超前1步預(yù)測(cè)值，即第501個(gè)風(fēng)速預(yù)測(cè)值)。以此類推，進(jìn)行多步迭代計(jì)算，對(duì)LVQ神經(jīng)網(wǎng)絡(luò)的第1個(gè)輸入神經(jīng)元輸入IMF1分量的第499個(gè)風(fēng)速數(shù)據(jù)，對(duì)LVQ神經(jīng)網(wǎng)絡(luò)的第2個(gè)輸入神經(jīng)元輸入IMF1分量的第500個(gè)風(fēng)速數(shù)據(jù)，對(duì)LVQ神經(jīng)網(wǎng)絡(luò)的第3個(gè)輸入神經(jīng)元輸入經(jīng)過前面超前1步預(yù)測(cè)已經(jīng)獲得的第501個(gè)風(fēng)速預(yù)測(cè)值，那么LVQ神經(jīng)網(wǎng)絡(luò)將再次自動(dòng)輸出1個(gè)風(fēng)速值，那么該值即為IMF1分量的第502個(gè)風(fēng)速預(yù)測(cè)值(也就是上述步驟利用IMF1分量的第1-500個(gè)已有的風(fēng)速樣本經(jīng)過超前2步預(yù)測(cè)所獲得的第502個(gè)風(fēng)速預(yù)測(cè)值)。就這樣，PSO算法優(yōu)化后的LVQ神經(jīng)網(wǎng)絡(luò)可以對(duì)IMF1分量完成所需任意步數(shù)的超前多步風(fēng)速預(yù)測(cè)計(jì)算。高頻風(fēng)速子序列中的其他分解分量(如IMF2分量)通過PSO-LVQ神經(jīng)網(wǎng)絡(luò)混合模型所獲得的超前多步風(fēng)速預(yù)測(cè)值的步驟與上述的IMF1分量的步驟一樣。中頻基于CBA的極限學(xué)習(xí)機(jī)模型的構(gòu)建步驟如下：極限學(xué)習(xí)機(jī)模型的迭代目標(biāo)平均絕對(duì)相對(duì)誤差取5％，在CBA優(yōu)化選擇極限學(xué)習(xí)機(jī)的初始輸入權(quán)值和隱含層節(jié)點(diǎn)閾值階段及極限學(xué)習(xí)機(jī)在獲得CBA算法尋優(yōu)后賦值階段，極限學(xué)習(xí)機(jī)的最大迭代步數(shù)均取200步。(1)初始化蝙蝠算法；每只蝙蝠的位置參數(shù)代表極限學(xué)習(xí)機(jī)的一組輸出權(quán)值和隱含層節(jié)點(diǎn)閾值，每只蝙蝠的初始響度和脈沖速率均取0.5，蝙蝠個(gè)數(shù)50只，迭代次數(shù)為100，每只蝙蝠的飛行步長(zhǎng)取值范圍為[0.001,0.05]；(2)以極限學(xué)習(xí)機(jī)的輸出風(fēng)速平均絕對(duì)相對(duì)誤差達(dá)到設(shè)定值為蝙蝠算法的適應(yīng)度引導(dǎo)函數(shù)，實(shí)時(shí)更新每只蝙蝠的響度和脈沖速率，使得蝙蝠飛向極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層節(jié)點(diǎn)閾值對(duì)應(yīng)的最優(yōu)解；在前50次迭代中，蝙蝠的飛行步長(zhǎng)取最大值，從第51次迭代開始，蝙蝠的飛行步長(zhǎng)取最小值；(3)利用(2)獲取的極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層節(jié)點(diǎn)閾值對(duì)應(yīng)的最優(yōu)解，將風(fēng)站的中頻子序列的各IMF分量作為極限學(xué)習(xí)機(jī)的輸入和輸出數(shù)據(jù)，進(jìn)行極限學(xué)習(xí)機(jī)模型訓(xùn)練，得到基于CBA的極限學(xué)習(xí)機(jī)模型；用于訓(xùn)練的輸入數(shù)據(jù)中，每組數(shù)據(jù)的采集時(shí)間均比前一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻，輸出數(shù)據(jù)的采集時(shí)間比最后一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻。例如，風(fēng)速中頻子序列里面有2組中頻IMF風(fēng)速分量(假如分別稱為IMF1和IMF2)，他們的風(fēng)速數(shù)據(jù)長(zhǎng)度均為500。IMF1分量有500個(gè)風(fēng)速樣本數(shù)據(jù)，那么將第1-497個(gè)風(fēng)速樣本作為極限學(xué)習(xí)機(jī)的第1個(gè)輸入神經(jīng)元的輸入風(fēng)速數(shù)據(jù)，將第2-498個(gè)風(fēng)速數(shù)據(jù)作為極限學(xué)習(xí)機(jī)的第2個(gè)輸入神經(jīng)元的輸入風(fēng)速數(shù)據(jù)，將第3-499個(gè)風(fēng)速數(shù)據(jù)作為極限學(xué)習(xí)機(jī)的第3個(gè)輸入神經(jīng)元的輸入風(fēng)速數(shù)據(jù)，將第4-500個(gè)風(fēng)速數(shù)據(jù)作為極限學(xué)習(xí)機(jī)的唯一輸出神經(jīng)元的輸出風(fēng)速數(shù)據(jù)，然后同步地將這些風(fēng)速數(shù)據(jù)組加載到極限學(xué)習(xí)機(jī)模型上，按照所述的CBA算法優(yōu)化極限學(xué)習(xí)機(jī)模型的步驟完成全部的學(xué)習(xí)和訓(xùn)練。當(dāng)CBA-極限學(xué)習(xí)機(jī)混合模型完成學(xué)習(xí)后，對(duì)極限學(xué)習(xí)機(jī)的第1個(gè)輸入神經(jīng)元輸入IMF1分量的第498個(gè)風(fēng)速數(shù)據(jù)，對(duì)極限學(xué)習(xí)機(jī)的第2個(gè)輸入神經(jīng)元輸入IMF1分量的第499個(gè)風(fēng)速數(shù)據(jù)，對(duì)極限學(xué)習(xí)機(jī)的第3個(gè)輸入神經(jīng)元輸入IMF1分量的第500個(gè)風(fēng)速數(shù)據(jù)，那么極限學(xué)習(xí)機(jī)將自動(dòng)輸出1個(gè)風(fēng)速值，該值即為IMF1分量的第501個(gè)風(fēng)速預(yù)測(cè)值(也就是說，上述步驟實(shí)現(xiàn)了利用IMF1分量的第1-500個(gè)已有的分解風(fēng)速樣本獲得了超前1步預(yù)測(cè)值，即第501個(gè)風(fēng)速預(yù)測(cè)值)。以此類推，進(jìn)行多步迭代計(jì)算，對(duì)極限學(xué)習(xí)機(jī)的第1個(gè)輸入神經(jīng)元輸入IMF1分量的第499個(gè)風(fēng)速數(shù)據(jù)，對(duì)極限學(xué)習(xí)機(jī)的第2個(gè)輸入神經(jīng)元輸入IMF1分量的第500個(gè)風(fēng)速數(shù)據(jù)，對(duì)極限學(xué)習(xí)機(jī)的第3個(gè)輸入神經(jīng)元輸入經(jīng)過前面超前1步預(yù)測(cè)已經(jīng)獲得的第501個(gè)風(fēng)速預(yù)測(cè)值，那么極限學(xué)習(xí)機(jī)將再次自動(dòng)輸出1個(gè)風(fēng)速值，那么該值即為IMF1分量的第502個(gè)風(fēng)速預(yù)測(cè)值(也就是上述步驟利用IMF1分量的第1-500個(gè)已有的風(fēng)速樣本經(jīng)過超前2步預(yù)測(cè)所獲得的第502個(gè)風(fēng)速預(yù)測(cè)值)。就這樣，CBA算法優(yōu)化后的極限學(xué)習(xí)機(jī)可以對(duì)IMF1分量完成所需任意步數(shù)的超前多步風(fēng)速預(yù)測(cè)計(jì)算。中頻風(fēng)速子序列中的其他分解分量(如IMF2分量)通過CBA-極限學(xué)習(xí)機(jī)混合模型所獲得的超前多步風(fēng)速預(yù)測(cè)值的步驟與上述的IMF1分量的步驟一樣。對(duì)中頻子序列的各IMF分量分別建立CBA優(yōu)化的極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練的本質(zhì)是利用變步長(zhǎng)自適應(yīng)蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)的初始輸入權(quán)值與隱含層節(jié)點(diǎn)閾值，使得優(yōu)化的極限學(xué)習(xí)機(jī)能夠更好地追蹤中頻子序列所轄的各個(gè)IMF分量風(fēng)速數(shù)據(jù)的突變規(guī)律，實(shí)現(xiàn)高精度的中頻子序列的預(yù)測(cè)。蝙蝠的飛行步長(zhǎng)隨著迭代次數(shù)的遞增自動(dòng)地改變，保證了蝙蝠算法對(duì)極限學(xué)習(xí)機(jī)在風(fēng)速預(yù)測(cè)上的全局搜索能力，使在算法尋優(yōu)的前面50步迭代時(shí)取最大值，目的是避免算法過早的陷入局部最優(yōu)解；隨著迭代次數(shù)的增加(即從50步開始到100步為止)，蝙蝠的飛行步長(zhǎng)主動(dòng)減小，取最小值，從而使蝙蝠算法在后期快速收斂，得到更準(zhǔn)確的解。低頻RARIMA模型的構(gòu)建步驟如下：(1)利用非參數(shù)游輪檢驗(yàn)法對(duì)各個(gè)低頻子序列所分解獲得的全部IMF分量風(fēng)速數(shù)據(jù)進(jìn)行數(shù)據(jù)平穩(wěn)性檢驗(yàn)；如遇到某IMF分量風(fēng)速數(shù)據(jù)呈現(xiàn)非平穩(wěn)性，則對(duì)該段IMF分量風(fēng)速數(shù)據(jù)進(jìn)行差分計(jì)算直到其顯示平穩(wěn)性為止；(2)對(duì)各個(gè)低頻子序列所分解獲得對(duì)經(jīng)過步驟1平穩(wěn)性檢驗(yàn)后的全部IMF分量風(fēng)速數(shù)據(jù)進(jìn)行樣本自相關(guān)和樣本偏相關(guān)計(jì)算，并根據(jù)各自分量風(fēng)速數(shù)據(jù)的自相關(guān)和偏相關(guān)值確定RARIMA模型的最優(yōu)類型和最優(yōu)階次；(3)對(duì)步驟2所獲得的RARIMA模型的最優(yōu)類型和最優(yōu)階次，利用極大似然法求解各個(gè)IMF分量風(fēng)速數(shù)據(jù)對(duì)應(yīng)RARIMA模型的方程系數(shù)，形成自我低頻RARIMA模型；在超前多步的預(yù)測(cè)過程中，不斷地利用最新的預(yù)測(cè)值實(shí)時(shí)更新RARIMA模型的方程系數(shù)。7、如圖2所示，對(duì)高頻序列、中頻序列、低頻序列分別建模，各序列均以B、C、D輔助測(cè)風(fēng)站的各IMF分量為輸入，均以目標(biāo)測(cè)風(fēng)站的各IMF分量為輸出，均采用Adaboost優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。8、如圖3所示，對(duì)預(yù)測(cè)得到的B、C、D輔助測(cè)風(fēng)站超前多步預(yù)測(cè)值帶入訓(xùn)練好的Adaboost優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，再進(jìn)行信號(hào)重構(gòu)，最終得到目標(biāo)測(cè)風(fēng)站的超前多步風(fēng)速預(yù)測(cè)值。Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型包括了10個(gè)BP神經(jīng)網(wǎng)絡(luò)作為弱學(xué)習(xí)器，以風(fēng)速預(yù)測(cè)的平均絕對(duì)相對(duì)誤差超過5％的BP神經(jīng)網(wǎng)絡(luò)視為需要加強(qiáng)學(xué)習(xí)的對(duì)象，BP神經(jīng)網(wǎng)絡(luò)的最大迭代步數(shù)取300步。比如，經(jīng)過篩選出的輔助測(cè)風(fēng)站有3個(gè)，經(jīng)過FEEMD分解后，他們共計(jì)擁有20組IMF分量，每個(gè)分量都有500個(gè)風(fēng)速數(shù)據(jù)，同時(shí)這20組分量被劃分到低頻、中頻和高頻三組不同的子序列中。為了輸入這共20組IMF分量，每個(gè)BP神經(jīng)網(wǎng)絡(luò)就需要有20個(gè)輸入神經(jīng)元個(gè)數(shù)。換句話說，每個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)就是經(jīng)過被篩選出的輔助測(cè)風(fēng)站所擁有的全部的IMF分量。目標(biāo)測(cè)風(fēng)站經(jīng)過FEEMD分解后擁有5組IMF分量，那么他們將作為每個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)，對(duì)每個(gè)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。因?yàn)閷?duì)不同的風(fēng)速樣本數(shù)據(jù)，F(xiàn)EEMD分解產(chǎn)生的IMF分量數(shù)目是不一樣的，所以BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元和輸出神經(jīng)元個(gè)數(shù)也是動(dòng)態(tài)的，分別取決于篩選出的輔助測(cè)風(fēng)站和目標(biāo)測(cè)風(fēng)站最后擁有幾個(gè)IMF分量數(shù)目。但對(duì)同一組相同的風(fēng)速樣本數(shù)據(jù)而言，不管他們是來自輔助測(cè)風(fēng)站還是來自目標(biāo)測(cè)風(fēng)站，經(jīng)過FEEMD分解后所產(chǎn)生的IMF分量數(shù)目是固定的，也就是說對(duì)應(yīng)的10個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元和輸出神經(jīng)元個(gè)數(shù)也是固定的。在Adaboost-BP神經(jīng)網(wǎng)絡(luò)混合模型中，每個(gè)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)即輸入神經(jīng)元和輸出神經(jīng)元個(gè)數(shù)都是一樣的，但對(duì)鐵路沿線不同的風(fēng)速數(shù)據(jù)樣本而言，每次所建立的BP神經(jīng)網(wǎng)絡(luò)又是不同的。自我-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)的具體步驟如下：1、目標(biāo)測(cè)風(fēng)站采用與第1個(gè)預(yù)測(cè)模型相同的原始數(shù)據(jù)，將目標(biāo)測(cè)風(fēng)站原始風(fēng)速數(shù)據(jù)用無跡卡爾曼濾波法進(jìn)行處理，去除風(fēng)速數(shù)據(jù)中潛在的誤差。目標(biāo)測(cè)風(fēng)站A的原始風(fēng)速數(shù)據(jù)：{a1,a2,a3...,a499,a500}目標(biāo)測(cè)風(fēng)站A濾波后的風(fēng)速數(shù)據(jù)：{a1′,a′2,a3′...,a′499,a5′00}2、對(duì)濾波后的數(shù)據(jù)用1層小波分解的Mallat塔式算法去除高頻跳躍特征，取低頻數(shù)據(jù)：目標(biāo)測(cè)風(fēng)站A小波分解后的低頻數(shù)據(jù)：{a″1,a″2,a″3...,a″499,a″500}3、對(duì)目標(biāo)測(cè)風(fēng)站的低頻數(shù)據(jù)進(jìn)行FEEMD分解，得到下述分量：目標(biāo)測(cè)風(fēng)站A：AIMF1,AIMF2,...AIMFn,AR4、如圖4所示，對(duì)分解后的各IMF分量按頻率分為低頻、中頻、高頻3種子序列，對(duì)低頻子序列的各IMF分量分別建立RARIMA進(jìn)行訓(xùn)練，對(duì)中頻子序列的各IMF分量分別建立CBA優(yōu)化的極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，高頻子序列的各IMF分量分別建立PSO優(yōu)化的LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終通過迭代得到各IMF分量的超前多步預(yù)測(cè)值。5、對(duì)各分量加權(quán)計(jì)算，重構(gòu)信號(hào)，得到目標(biāo)測(cè)風(fēng)站的超前多步風(fēng)速預(yù)測(cè)值。氣象-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)的具體步驟如下：1、目標(biāo)測(cè)風(fēng)站采用與第1個(gè)預(yù)測(cè)模型相同的原始數(shù)據(jù)，將目標(biāo)測(cè)風(fēng)站原始風(fēng)速數(shù)據(jù)用無跡卡爾曼濾波法進(jìn)行處理，去除風(fēng)速數(shù)據(jù)中潛在的誤差。目標(biāo)測(cè)風(fēng)站A的原始風(fēng)速數(shù)據(jù)：{a1,a2,a3...,a499,a500}目標(biāo)測(cè)風(fēng)站A濾波后的風(fēng)速數(shù)據(jù)：{a′1,a′2,a′3...,a′499,a′500}2、如圖5所示，對(duì)濾波后的數(shù)據(jù)用1層小波分解的Mallat塔式算法去除高頻跳躍特征，取低頻數(shù)據(jù)A1：目標(biāo)測(cè)風(fēng)站A小波分解后的低頻數(shù)據(jù)A1：{a″1,a″2,a″3...,a″499,a″500}3、如圖6所示，對(duì)低頻數(shù)據(jù)A1再使用Mallat塔式算法進(jìn)行2層深度的小波分解，取第2層低頻分量A111：目標(biāo)測(cè)風(fēng)站A小波分解后的低頻數(shù)據(jù)A111：{a″′1,a″′2,a″′3...,a″′499,a″′500}4、對(duì)歷史氣壓、濕度、氣溫和兩次小波分解得到的低頻分量建立ACO優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到超前一步預(yù)測(cè)。初始種群螞蟻數(shù)量取100，螞蟻信息素重要程度因子取0.5，螞蟻啟發(fā)函數(shù)重要程度因子取1，螞蟻信息素?fù)]發(fā)因子取0.1。ACO優(yōu)化選擇Elman神經(jīng)網(wǎng)絡(luò)時(shí)的迭代次數(shù)取50次。Elman神經(jīng)網(wǎng)絡(luò)的迭代目標(biāo)平均絕對(duì)相對(duì)誤差取5％。Elman神經(jīng)網(wǎng)絡(luò)在獲得ACO賦予的最優(yōu)網(wǎng)絡(luò)初始連接權(quán)值后自身的最大學(xué)習(xí)迭代步數(shù)取100步。(1)利用ACO隨機(jī)產(chǎn)生Elman神經(jīng)網(wǎng)模型的連接權(quán)值的種群；(2)以實(shí)現(xiàn)最小風(fēng)速平均絕對(duì)相對(duì)誤差達(dá)到設(shè)定值作為ACO算法的訓(xùn)練方向，進(jìn)行ACO算法的訓(xùn)練學(xué)習(xí)流程，使得初始化螞蟻種群中的螞蟻通過迭代不斷靠近最優(yōu)的解，輸出最優(yōu)的Elman神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和隱含層閾值；(3)將上述步驟經(jīng)過ACO訓(xùn)練所獲得的初始連接權(quán)值和閾值對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)置，將氣壓、溫度、濕度以及目標(biāo)測(cè)風(fēng)站的第二層低頻分量數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)風(fēng)速的學(xué)習(xí)和訓(xùn)練的輸入和輸出數(shù)據(jù)，形成氣象-目標(biāo)測(cè)風(fēng)站超前多步預(yù)測(cè)模型；用于訓(xùn)練的輸入數(shù)據(jù)中，每組數(shù)據(jù)的采集時(shí)間均比前一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻，輸出數(shù)據(jù)的采集時(shí)間比最后一組輸入數(shù)據(jù)超前一個(gè)時(shí)刻。利用所建立的ACO優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)對(duì)氣壓、溫度、濕度以及目標(biāo)測(cè)風(fēng)站的第二層低頻風(fēng)速分量數(shù)據(jù)這4種對(duì)象完成超前多步預(yù)測(cè)計(jì)算，以獲得各種對(duì)象對(duì)應(yīng)的超前多步預(yù)測(cè)值。所建立的Elman神經(jīng)網(wǎng)絡(luò)采用4個(gè)輸入神經(jīng)元和1個(gè)輸出神經(jīng)元的結(jié)構(gòu)，即：Elman神經(jīng)網(wǎng)絡(luò)需要同步用4組上述4種對(duì)象的數(shù)據(jù)和1組輸出風(fēng)速數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練；當(dāng)ACO優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練后，只要對(duì)Elman神經(jīng)網(wǎng)絡(luò)的4個(gè)輸入神經(jīng)元端口分別輸入4個(gè)上述4種對(duì)象的數(shù)據(jù)，Elman神經(jīng)網(wǎng)絡(luò)就能自動(dòng)輸出1個(gè)風(fēng)速預(yù)測(cè)值。比如，某時(shí)刻用上述氣壓、溫度、濕度以及目標(biāo)測(cè)風(fēng)站的第二層低頻風(fēng)速這4種對(duì)象的樣本數(shù)據(jù)，他們的數(shù)據(jù)長(zhǎng)度均為500。將氣壓的第1-499個(gè)樣本作為Elman神經(jīng)網(wǎng)絡(luò)的第1個(gè)輸入神經(jīng)元的輸入數(shù)據(jù)，將溫度數(shù)據(jù)的第1-499個(gè)樣本作為Elman神經(jīng)網(wǎng)絡(luò)的第2個(gè)輸入神經(jīng)元的輸入數(shù)據(jù)，將濕度數(shù)據(jù)的第1-499個(gè)樣本作為Elman神經(jīng)網(wǎng)絡(luò)的第3個(gè)輸入神經(jīng)元的輸入數(shù)據(jù)，將目標(biāo)測(cè)風(fēng)站的第二層低頻風(fēng)速的第1-499個(gè)樣本作為Elman神經(jīng)網(wǎng)絡(luò)的第4個(gè)輸入神經(jīng)元的輸入數(shù)據(jù)，將目標(biāo)測(cè)風(fēng)站的第二層低頻風(fēng)速的第2-500個(gè)樣本作為Elman神經(jīng)網(wǎng)絡(luò)的唯一的1個(gè)輸出神經(jīng)元的輸出數(shù)據(jù)，然后同步地將這些數(shù)據(jù)組加載到Elman神經(jīng)網(wǎng)絡(luò)上，按照所述的ACO算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)模型的步驟完成全部的學(xué)習(xí)和訓(xùn)練。當(dāng)ACO-Elman神經(jīng)網(wǎng)絡(luò)混合模型完成學(xué)習(xí)后，對(duì)Elman神經(jīng)網(wǎng)絡(luò)的第1個(gè)輸入神經(jīng)元輸入氣壓對(duì)象的第500個(gè)樣本數(shù)據(jù)，對(duì)Elman神經(jīng)網(wǎng)絡(luò)的第2個(gè)輸入神經(jīng)元輸入溫度對(duì)象的第500個(gè)樣本數(shù)據(jù)，對(duì)Elman神經(jīng)網(wǎng)絡(luò)的第3個(gè)輸入神經(jīng)元輸入濕度對(duì)象的第500個(gè)樣本數(shù)據(jù)，對(duì)Elman神經(jīng)網(wǎng)絡(luò)的第4個(gè)輸入神經(jīng)元輸入目標(biāo)測(cè)風(fēng)站的第二層低頻風(fēng)速對(duì)象的第500個(gè)樣本數(shù)據(jù)，那么Elman神經(jīng)網(wǎng)絡(luò)將自動(dòng)輸出1個(gè)風(fēng)速值，該值即為目標(biāo)測(cè)風(fēng)站的第二層低頻風(fēng)速對(duì)象的第501個(gè)風(fēng)速預(yù)測(cè)值(也就是說，上述步驟實(shí)現(xiàn)了利用上述4種不同對(duì)象的第1-500個(gè)樣本數(shù)據(jù)獲得了目標(biāo)測(cè)風(fēng)站風(fēng)速對(duì)象的超前1步預(yù)測(cè)值，即第501個(gè)風(fēng)速預(yù)測(cè)值)。以此類推，進(jìn)行多步迭代計(jì)算，繼續(xù)對(duì)Elman神經(jīng)網(wǎng)絡(luò)的第1個(gè)、第2個(gè)和第3個(gè)輸入神經(jīng)元分別輸入氣壓、溫度和濕度的最新實(shí)測(cè)數(shù)據(jù)，即他們對(duì)應(yīng)的第501個(gè)實(shí)測(cè)數(shù)據(jù)，然后同時(shí)對(duì)Elman神經(jīng)網(wǎng)絡(luò)的第4個(gè)輸入神經(jīng)元輸入利用上述步驟獲得的第501個(gè)風(fēng)速預(yù)測(cè)值，那么Elman神經(jīng)網(wǎng)絡(luò)將再次自動(dòng)輸出1個(gè)風(fēng)速值，目標(biāo)測(cè)風(fēng)站的第二層低頻風(fēng)速對(duì)象的第502個(gè)風(fēng)速預(yù)測(cè)值(也就是說，上述步驟實(shí)現(xiàn)了利用氣壓、溫度和濕度這3種不同對(duì)象的第1-500個(gè)樣本數(shù)據(jù)以及他們對(duì)應(yīng)的最新第501個(gè)實(shí)測(cè)值，獲得了目標(biāo)測(cè)風(fēng)站風(fēng)速對(duì)象的超前2步預(yù)測(cè)值，即第502個(gè)風(fēng)速預(yù)測(cè)值)。就這樣，ACO算法優(yōu)化后的Elman神經(jīng)網(wǎng)絡(luò)可以對(duì)目標(biāo)測(cè)風(fēng)站風(fēng)速對(duì)象完成所需任意步數(shù)的超前多步風(fēng)速預(yù)測(cè)計(jì)算。值得一提的是，在上述的Elman神經(jīng)網(wǎng)絡(luò)的超前多步迭代的計(jì)算過程中，只有風(fēng)速對(duì)象不斷地進(jìn)行了遞增輸入的步驟，其他3個(gè)氣象對(duì)象(即氣壓、氣溫和濕度)都是采用了他們的實(shí)測(cè)值。這樣本發(fā)明不僅有效地利用風(fēng)速自身的規(guī)律，而且有效地利用了其他3個(gè)氣象對(duì)象的數(shù)據(jù)潛在貢獻(xiàn)，因此獲得了對(duì)目標(biāo)測(cè)風(fēng)站風(fēng)速對(duì)象高精度預(yù)測(cè)的成功。5、將數(shù)值天氣預(yù)報(bào)相應(yīng)時(shí)刻氣壓、濕度、氣溫的預(yù)測(cè)值和超前一步預(yù)測(cè)值帶入神經(jīng)網(wǎng)絡(luò)，最終迭代得到目標(biāo)測(cè)風(fēng)站的超前多步預(yù)測(cè)值。第4個(gè)預(yù)測(cè)模型包括以下步驟：1、由數(shù)值天氣預(yù)報(bào)得到目標(biāo)測(cè)風(fēng)站的風(fēng)速預(yù)測(cè)值。用貝葉斯組合模型來綜合上述4個(gè)基本預(yù)測(cè)模型的預(yù)測(cè)結(jié)果。其中，在計(jì)算t+1時(shí)刻風(fēng)速預(yù)測(cè)時(shí)，貝葉斯組合模型中4個(gè)基本預(yù)測(cè)模型的權(quán)值迭代從前t時(shí)刻開始。本實(shí)例取t＝500。利用本發(fā)明所提出的預(yù)測(cè)方法實(shí)現(xiàn)風(fēng)速預(yù)測(cè)的結(jié)果如圖7所示。利用現(xiàn)有ELMAN神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)風(fēng)速預(yù)測(cè)的結(jié)果如圖8所示。利用現(xiàn)有ARIMA模型實(shí)現(xiàn)風(fēng)速預(yù)測(cè)的結(jié)果如圖9所示。利用公式(1-3)對(duì)圖7-圖9所示的預(yù)測(cè)結(jié)果進(jìn)行精度指標(biāo)計(jì)算，結(jié)果見表1和表2。平均絕對(duì)誤差:平均絕對(duì)相對(duì)誤差:均方根誤差:上述公式中，n為用于模型檢驗(yàn)的風(fēng)速數(shù)據(jù)個(gè)數(shù)，本實(shí)例中取n為100。X(i)為實(shí)測(cè)風(fēng)速數(shù)據(jù)，為預(yù)測(cè)風(fēng)速數(shù)據(jù)。表1：利用本發(fā)明所提出預(yù)測(cè)方法的預(yù)測(cè)精度平均絕對(duì)誤差0.2940m/s平均絕對(duì)相對(duì)誤差1.51％均方根誤差0.2821m/s表2：利用現(xiàn)有ELMAN神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度平均絕對(duì)誤差1.6961m/s平均絕對(duì)相對(duì)誤差7.99％均方根誤差2.2125m/s表3：利用現(xiàn)有ARIMA模型的預(yù)測(cè)精度平均絕對(duì)誤差1.7237m/s平均絕對(duì)相對(duì)誤差8.54％均方根誤差1.8426m/s從圖7、圖8和圖9，并結(jié)合表1和表2來看，本發(fā)明所述的方法，從平均絕對(duì)誤差、平均絕對(duì)相對(duì)誤差以及均方根誤差來看，明顯優(yōu)于現(xiàn)有技術(shù)，表明本發(fā)明所述方法具有較好的應(yīng)用效果。當(dāng)前第1頁(yè)1 2 3