基于VMD-RIME-LSTM算法的铁路沿线风速预测

孟建军; 王宗辉; 李怡璇; 张同健; 吕世隆; 孟高阳

doi:10.12404/j.issn.1671-1815.2502804

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (6) :2601-2609 DOI: 10.12404/j.issn.1671-1815.2502804

交通运输

基于VMD-RIME-LSTM算法的铁路沿线风速预测

孟建军 ¹^,² ,
王宗辉 ¹^,²^,^* ,
李怡璇 ¹^,² ,
张同健 ¹^,² ,
吕世隆 ¹^,² ,
孟高阳 ¹^,²

作者信息 +

Wind Speed Prediction along Railway Lines Based on VMD-RIME-LSTM Algorithm

MENG Jian-jun ¹^,² ,
WANG Zong-hui ¹^,²^,^* ,
LI Yi-xuan ¹^,² ,
ZHANG Tong-jian ¹^,² ,
LÜ Shi-long ¹^,² ,
MENG Gao-yang ¹^,²

Author information +

文章历史 +

摘要

为了保障大风环境下列车的安全运行,提出了一种基于变分模态分解( variational mode decomposition,VMD)、长短期记忆神经网络(long short-term memory neural network,LSTM)和霜冰优化算法(frost and ice optimization algorithm,RIME)的组合预测模型。首先,利用VMD对原始的风速时间序列进行多尺度分解,获得具有不同频率特征的模态分量;然后,采用RIME算法优化LSTM模型的超参数,以提升模型性能;最后,基于多组铁路沿线的风速数据开展实验验证。通过与LSTM、EMD-LSTM、VMD-LSTM和VMD-RIME-LSTM共4种模型预测的结果对比,并通过多项误差评价指标。所提出的VMD-RIME-LSTM组合模型在预测精度和稳定性方面均表现出显著优势,研究结果可为铁路沿线风速监测预警提供理论依据和技术支持,对提升铁路行车安全性具有重要的实践意义。

Abstract

To ensure the safety of train operation in strong wind environment, a combined prediction model based on VMD (variational mode decomposition), LSTM (long short-term memory neural network) and RIME (frost and ice optimization algorithm) was proposed. Firstly, VMD was used to decompose the original wind speed time series on a multi-scale to obtain modal components with different frequency characteristics. Then, RIME algorithm was used to optimize the hyperparameters of LSTM model to improve the performance of the model. Finally, the experimental verification was carried out based on the wind speed data of several groups along the railway. The results were compared with those predicted by LSTM, EMD-LSTM, VMD-LSTM and VMD-RIME-LSTM models, and a number of error evaluation indexes were obtained. The VMD-RIME-LSTM combined model proposed in this study shows significant advantages in forecasting accuracy and stability. The research results can provide theoretical basis and technical support for wind speed monitoring and early warning along railway lines, and have important practical significance for improving railway running safety.

Graphical abstract

关键词

铁路沿线 / 风速预测 / 变分模态分解 / 霜冰优化算法 / 长短期记忆神经网络

Key words

along the railway / wind speed prediction / variational mode decomposition / RIME optimization algorithm / long short-term memory neural networks

引用本文

引用格式 ▾

孟建军, 王宗辉, 李怡璇, 张同健, 吕世隆, 孟高阳. 基于VMD-RIME-LSTM算法的铁路沿线风速预测[J]. 科学技术与工程, 2026, 26(6): 2601-2609 DOI:10.12404/j.issn.1671-1815.2502804

MENG Jian-jun, WANG Zong-hui, LI Yi-xuan, ZHANG Tong-jian, LÜ Shi-long, MENG Gao-yang. Wind Speed Prediction along Railway Lines Based on VMD-RIME-LSTM Algorithm[J]. Science Technology and Engineering, 2026, 26(6): 2601-2609 DOI:10.12404/j.issn.1671-1815.2502804

登录浏览全文

4963

注册一个新账户忘记密码

随着中国高速铁路网络的快速发展,客运专线运营里程持续增长,列车运行环境日趋复杂。研究表明,强风等恶劣气象条件已成为威胁高速铁路行车安全的重要因素^[1]。为确保列车运行安全,构建高精度的风速预测模型并建立相应的行车预警机制具有重要的现实意义^[2]。

在过去的数十年中,中外学者对风速预测方法进行了多种研究,大致可划分为3类。物理方法,冯双磊等^[3]基于网格化初始风速场,融合实测风能资源信息,提出一种融合薄板样条插值与图像生成机制的人工智能风速预报模型。统计学方法,郭顺宁等^[4]利用概率密度函数拟合候选输入变量的边缘分布,并构建风速与多因子间的最优Copula以估计尾端相关结构;依据非线性相关系数筛选关键预报因子进行风速预测。机器学习方法,牛兆吉等^[5]提出了一种基于减法平均优化算法优化长短期记忆神经网络(SABO-LSTM)的高铁沿线短期风速预测方法。混合预测模型通常采用“分解-预测-重构”框架,先分解原始风速序列,再用机器学习算法预测各子序列,最终重构获得预测结果。基于混合模型的机器学习算法是近年来风速预测研究的热点。然而,混合风速预测模型仍存在一些问题:不同地区、不同时间尺度的预测效果存在差异,模型的普适性有待提高,如何优化模型结构、提高运算效率、进一步提高预测的准确性和实用性是当前研究的重点方向。

针对混合风速预测模型存在的区域适应性差、时间尺度敏感性高以及预测精度不足等问题,现提出一种基于VMD-RIME-LSTM的铁路沿线短期风速预测方法。该方法以兰新铁路大风区实测风速数据为基础,通过多项指标评价体系验证模型性能。研究结果表明,该模型能够有效提升预测精度和稳定性,为高速铁路列车应对突发性大风提供可靠的风速预警,从而保障行车安全。

1 理论基础

1.1 变分模态分解

采用变分模态分解算法(variational mode decomposition,VMD)对风速时间序列进行分解处理。VMD算法基于变分模态的迭代寻优过程,可在预设带宽约束条件下将初始风速时间序列分解为若干中心频率ω_k互异的本征模态函数u_k(t)^[6]。该算法的变分问题构建主要包括以下步骤。

在变分模态分解预处理过程中,模态数k的取值范围设定为2~10。从k=2开始,逐步增加k的取值并重复执行分解过程,通过观察各模态分量的中心频率分布,判断是否出现重复或重叠现象。最终选取使中心频率趋于稳定且不存在冗余模态的k值作为最优参数。

(1)对目标模态函数u_k(t)希尔伯特变换,提取解析数值并获取单侧谱。

(1)

$\left[\delta \left(t\right)+\frac{j}{\mathrm{\pi }t}\right]$

u_k(t)

式(1)中:δ(t)为狄拉克脉冲函数。

(2)将各u_k(t)分量的频谱通过中心频率指数项调制至基频带。

(2)

$\left[\left(\delta \left(t\right)+\frac{j}{\mathrm{\pi }t}\right){u}_{k}\left(t\right)\right]$

(3)基于高斯平滑方法对解调信号的频带宽度进行估计,并解决约束变分问题。

(3)

$\left\{\begin{array}{l} \min \left(\sum_{k=2}^{10}\left\|\partial_{t}\left\{\left[\delta(t)+\frac{\mathrm{j}}{\pi t}\right] u_{k}(t)\right\} \mathrm{e}^{-\mathrm{j} \omega_{k} t}\right\|_{2}^{2}\right) \\ \text { s.t. } \sum_{k=2}^{10} u_{k}=y \end{array}\right.$

式(3)中:∂_t为时间偏导数;{u_k}={u₁,u₂,…,u_k}为本征模态函数,包含k个模态分量;{ω_k}={ω₁,ω₂,…,ω_k}为对应的中心频率;y为原始的输入信号^[7]。

(4)引入拉格朗日惩罚因子α和乘子λ,将原约束优化问题转化为无约束优化形式。

(4)

$\begin{array}{l}\mathrm{L}\left(\right\{{u}_{k}\},\{{\omega }_{k}\},\mathrm{\lambda })=\mathrm{\alpha }\stackrel{K}{\sum _{k=1}}={\partial }_{t}\left\{\right[\delta \left(t\right)+\\ \frac{\mathrm{j}}{\mathrm{\pi }t}\left]{u}_{k}\right(t\left)\right\}{\mathrm{e}}^{-\mathrm{j}{\omega }_{k}t}={\mathrm{ }}_{2}^{2}+=y\left(t\right)-\stackrel{K}{\sum _{k=1}}{u}_{k}\left(t\right)={\mathrm{ }}_{2}^{2}+\\ \left[\lambda \left(t\right),y\left(t\right)-\stackrel{K}{\sum _{k=1}}{u}_{k}\left(t\right)\right]\end{array}$

通过迭代更新获取u_k(t)和ω_k,其中模态数k和惩罚因子α共同决定分解结果的完备性。

(5)采用交替方向乘子法迭代更新u_k、ω_k、λ。

(5)

${\widehat{\mu }}_{k}^{n+1}\left(\mathrm{\omega }\right)=\frac{\widehat{\mathrm{\chi }}\left(\mathrm{\omega }\right)-\sum _{i\ne k}{\widehat{\mu }}_{i}\left(\mathrm{\omega }\right)+\frac{\widehat{\lambda }\left(\omega \right)}{2}}{1+2\alpha (\omega -{\omega }_{k}{)}^{2}}$

(6)

${\omega }_{k}^{n+1}=\frac{{\int }_{0}^{\infty }\omega \left|{\widehat{\mu }}_{k}\right(\omega \left)\right|{\mathrm{ }}^{2}\mathrm{d}\omega }{{\int }_{0}^{\infty }|{\widehat{\mu }}_{k}\left(\omega \right)|{\mathrm{ }}^{2}\mathrm{d}\omega }$

(7)

${\widehat{\lambda }}^{n+1}\left(\omega \right)={\widehat{\lambda }}^{n}\left(\omega \right)+\tau \left[\widehat{\mathrm{x}}\left(\mathrm{\omega }\right)-\stackrel{K}{\sum _{k=1}}{\widehat{\mu }}_{k}^{n+1}\left(\omega \right)\right]$

式中:i、k为模态分量索引;n为迭代次数;ω为中心频率;τ为更新参数;

$\widehat{x}$

(ω)、

$\widehat{\mu }$

k(ω)、

${\widehat{\mu }}_{i}$

(ω)、

${\widehat{\mu }}_{k}^{n+1}$

(ω)、

$\widehat{\lambda }$

(ω)分别为x(t)、μ_k(t)、μ_i(t)、

${\mu }_{k}^{n+1}$

(t)、λ(t)的傅里叶变换^[8]。

(6)当满足收敛条件时终止迭代,输出模态子序列。

(8)

$\sum_{k=1}^{K} \frac{\left\|\hat{u}_{k}^{n+1}-\hat{u}_{k}^{n}\right\|_{2}^{2}}{\left\|\hat{u}_{k}^{n}\right\|_{2}^{2}}<e$

式(8)中:e为收敛误差。

1.2 LSTM网络

长短期记忆神经网络(long short-term memory,LSTM)利用记忆单元代替了循环神经网络(recurrent neural network, RNN)链式结构中的隐藏节点^[9]。选择单层LSTM算法能够克服传统神经网络难以处理长时间序列的缺点,保持对长期依赖关系的记忆,能够有效解决时间序列问题和梯度消失问题^[10]。图1所示为LSTM单元结构图。图1中,LSTM单元的核心架构包含3个关键的门控单元:输入门、遗忘门、输出门和记忆细胞构成。输入门调控新信息流入,遗忘门管理历史信息取舍,输出门控制状态信息输出。h_t_-1为上一时刻隐藏状态,x_t为当前输入,将这两个信息合并通过σ表示的sigmoid函数计算出遗忘权重在(0,1)之间,并与细胞状态C_t_-1相乘,根据最新的隐藏信息和当前输入信息弱化被接受的长期信息,用tanh生成候选新信息,两者点乘后得到新信息与经过遗忘门的细胞状态相加,得到新的细胞状态C_t,经遗忘门和输入门更新细胞状态实现更新,保持长久生命力。输出门合并h_t用sigmoid函数计算输出权重,再将经过输入门的细胞状态C_t通过tanh压缩到(-1,1),两者点乘得到当前输出h_t同时也输向下一个LSTM的隐藏状态。3个门控的协同作用,使得LSTM能够动态调整信息的记忆与遗忘。这种独特的门控制机制有效克服了RNN在处理长序列时存在的梯度消失问题^[11]。记忆细胞作为核心储存单元,持续维护并更新单元的内部状态信息。

LSTM单元的计算过程的数学表达式为

(9)

$\left\{\begin{array}{l}{y}_{t}=\sigma \left({W}_{\mathrm{y}}\right[{h}_{\mathrm{t}-1},{x}_{t}]+{b}_{\mathrm{y}})\\ {z}_{t}=\sigma \left({W}_{\mathrm{z}}\right[{h}_{\mathrm{t}-1},{x}_{t}]+{b}_{\mathrm{z}})\\ {\tilde{C}}_{t}=\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}\left({W}_{\mathrm{C}}\right[{h}_{\mathrm{t}-1},{x}_{t}]+{b}_{\mathrm{C}})\\ {C}_{t}={y}_{t}{C}_{\mathrm{t}-1}+{z}_{t}{\tilde{C}}_{t}\\ {i}_{t}=\sigma \left({W}_{\mathrm{i}}\right[{h}_{\mathrm{t}-1},{x}_{t}]+{b}_{\mathrm{i}})\\ {h}_{t}={i}_{t}\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}{C}_{t}\end{array}\right.$

式(9)中:y_t为t时刻的遗忘门;z_t为输入门;C_t为细胞状态;i_t为输出门;σ为sigmoid函数;W_y为遗忘门;W_z为输入门;W_C为细胞状态的权重矩阵;W_i为输出门的权重矩阵;h_t为t时刻隐藏层输出;x_t为t时刻的输入;b_y为遗忘门;b_z为输入门;b_C为细胞状态的偏置项;b_i为输出门的偏置项;

${\tilde{C}}_{t}$

为记忆单元的输入状态;tanh为双曲正切函数^[12]。

1.3 霜冰优化算法

霜冰优化算法(rime optimization algorithm,RIME)是一种基于物理机制的智能优化算法,其核心思想是通过模拟软冰和硬冰针的生长过程来实现优化搜索。与传统优化算法依赖随机方式产生初始种群、容易陷入局部极值不同,霜冰优化算法(RIME)构建分布均匀的“冰晶”群体,显著扩大了全局搜索范围^[13]。该算法采用改进的正向贪婪机制进行全局寻优,其优化过程主要包含霜冰结晶点初始化、软霜冰搜索策略和硬霜冰穿刺机制3个关键环节^[14]。算法定义霜冰粒子种群R的位置矩阵为

(10)R=

$\left[\begin{array}{llll}{x}_{11}& {x}_{12}& \dots & {x}_{1j}\\ {x}_{21}& {x}_{22}& \dots & {x}_{2j}\\ ︙& ︙& \mathrm{ }& ︙\\ {x}_{i1}& {x}_{i2}& \dots & {x}_{ij}\end{array}\right]$

式(10)中:x_ij为第i个霜冰晶体的第j个颗粒位置。种群中每个粒子的适应度值F(S_i)可表示为

(11)F(S_i)=

$\left[\begin{array}{l}f\left(\right[\begin{array}{llll}{x}_{11}& {x}_{12}& \dots & {x}_{1j}\end{array}\left]\right)\\ f\left(\right[\begin{array}{llll}{x}_{21}& {x}_{22}& \dots & {x}_{2j}\end{array}\left]\right)\\ 　　　　　︙\\ f\left(\right[\begin{array}{llll}{x}_{i1}& {x}_{i2}& \dots & {x}_{ij}\left]\right)\end{array}\end{array}\right]$

式(11)中:f为适应度函数。

在软冰形成过程中,粒子的运动规律遵循以下规律。

(12)

$\left\{\begin{array}{l}{R}_{ij}^{\mathrm{n}\mathrm{e}\mathrm{w}}={R}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t},j}+{r}_{1}\mathrm{c}\mathrm{o}\mathrm{s}\theta \beta \left[\psi \right(\mathrm{U}{\mathrm{b}}_{ij}-\mathrm{L}{\mathrm{b}}_{ij})+\mathrm{L}{\mathrm{b}}_{ij}]\\ {r}_{2}<E\end{array}\right.$

式(12)中:

${R}_{ij}^{\mathrm{n}\mathrm{e}\mathrm{w}}$

为粒子更新后的位置;R_best,_j为最优晶体位置;r₁为(-1,1)的方向控制因子;β为环境因子;ψ为粒子附着力;Ub_ij为搜索空间的上界;Lb_ij为搜索空间的下界^[15]。

为保证实验中算法的收敛性,设置约束条件为

(13)θ=π

$\frac{k}{10K}$

式(13)中:θ为粒子移动方向与水平方向的夹角,式(12)取cosθ;k为当前迭代次数;K为最大迭代次数。

粒子凝结概率由式(14)控制。

(14)β=1-

$\frac{wh/K}{w}$

式(14)中:β为阶跃函数;w为分段控制参数;E为随迭代次数增大的附着系数;r₂为(0,1)的随机因子。

(15)E=

$\sqrt{k/K}$

软冰凝结过程具有强随机性和广覆盖性特征,使算法能够实现全局搜索;而硬冰针的一致生长特性则通过引入粒子间的信息交互机制,显著增强了算法的局部搜索能力,同时有效抑制了种群多样性过早收敛的问题^[16]。硬冰针的穿刺过程中粒子的更新规则为

(16)

$\left\{\begin{array}{l}{R}_{ij}^{\mathrm{n}\mathrm{e}\mathrm{w}}={R}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t},j}\\ {r}_{3}<{F}^{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}\mathrm{r}}\left({S}_{i}\right)\end{array}\right.$

式(16)中:

${R}_{ij}^{\mathrm{n}\mathrm{e}\mathrm{w}}$

为粒子更新后的位置;R_best,_j为最优晶体位置;F^normr(S_i)为归一化适应度值;r₃为(-1,1)随机控制因子。

2 模型建立

2.1 基于VMD-RIME-LSTM的风速预测模型

所构建的LSTM网络涉及的超参数主要有:LSTM的神经元数量、学习率、迭代次数、正则化系数、初始权重。将这5个超参数作为RIME算法寻优的特征,利用RIME算法对LSTM进行参数优化。

基于VMD-RIME-LSTM的风速预测方法模型构建的主要步骤如下。

(1)数据的预处理。采用线性插值法处理缺失数据,计算公式为

(17)f(x)=$\frac{x-{x}_{2}}{{x}_{1}-{x}_{2}}$y₁+$\frac{x-{x}_{1}}{{x}_{2}-{x}_{1}}$y₂

式(17)中:x₁和x₂为时间序列坐标,x₁<x₂;y₁和y₂为对应时刻的风速观测值。

(2)数据分解与划分。将预处理后的风速数据划分为训练集和测试集,并利用VMD算法将其分解为k个本征模态函数(IMF)分量。

(3)参数初始化。设置RIME算法的初始参数,包括种群规模,最大进化代数,代数参数。采用渐进式策略确定参数搜索范围,先设定较小范围再逐步扩展。

(4)LSTM模型构建。确定LSTM超参数的优化范围。①上限:学习率、神经元数量、注意力机制键值、正则化参数;②下限:卷积核尺寸、神经元数量、最大迭代次数、学习率、正则化系数。

(5)优化目标设定。以最小化交叉熵损失函数为优化目标,即

(18)

$\begin{array}{l}Cross-Entropy=-\frac{1}{n}\stackrel{n}{\sum _{i=1}}\left[{y}_{i}\mathrm{l}\mathrm{o}{\mathrm{g}}_{2}\right({\widehat{y}}_{i})+\\ (1-{y}_{i})\mathrm{l}\mathrm{o}{\mathrm{g}}_{2}(1-{\widehat{y}}_{i})]\end{array}$

(6)参数优化过程。采用RIME算法对LSTM模型进行参数寻优,执行软霜冰搜素策略更新种群,应用硬冰针穿刺机制实现个体信息交换,利用正向贪婪选择机制筛选风速预测过程最优解,同时在位置更新环节引入黄金分割比例因子,对搜索空间实施自适应压缩,加快收敛;通过动态调节霜冰粒子方式,实现全局搜索和局部开发的平衡^[17]。优化LSTM内部超参数,提高迭代效率,加快收敛并检查终止条件。

(7)模型训练与预测。将优化得到的最佳参数代入LSTM模型进行训练,对各IMF分量进行预测并叠加结果,最后通过反归一化处理获得最终风速预测值如图2所示,为基于VMD-RIME-LSTM的风速预测模型搭建的流程图:

2.2 模型评估指标

选用平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error, MAPE)、均方根误差(root mean square error, RMSE)作为预测误差的评估指标。

(19)

$MAE=\frac{1}{n}\stackrel{m}{\sum _{i=1}}\left|{y}_{i}-{\widehat{y}}_{i}\right|$

(20)

$MAPE=\frac{100}{n}\stackrel{n}{\sum _{i=1}}\left|\frac{{y}_{i}-{\widehat{y}}_{i}}{{y}_{i}}\right|$

(21)

$\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt{\frac{1}{n}\stackrel{n}{\sum _{i=1}}({y}_{i}-{\widehat{y}}_{i}{)}^{2}}$

式中:y_i为真实值;

${\widehat{y}}_{i}$

为预测值。

3 实例分析与验证

3.1 实验数据说明与对比模型设置

兰新铁路西段(安北至阿拉山口)地处强风带,沿线分布多个风口区域,风灾事故频发,其中以百里风区和三十里风口的风灾最为严重^[18]。为研究该区域风速变化规律,选取了3个不同时期的风速观测数据集:数据集1为2007年十三间房站逐小时风速观测数据,样本容量为2 520个;数据集2为2010年十三间房站逐小时风速观测数据,样本容量为2 520个;数据集3为2016年小草湖站逐小时风速观测数据,样本容量为2 500个。

研究采用平均插值法对原始数据中的异常值和缺失值进行筛选与修正。风速观测数据统计了风速、温度、气压等气象因素,并对其进行归一化处理。在数据划分方面,将各数据集中前70%的样本作为训练集,剩余30%作为测试集,用于评估模型的预测性能。为验证所提出模型的有效性,选取了3种对比模型进行实验分析,包括LSTM神经网络模型、EMD-LSTM组合预测模型以及VMD-LSTM组合预测模型。通过对比实验,系统评估了各模型在风速预测任务中的表现。

3.2 仿真结果对比分析

图3展示了3个原始风速数据集在训练前的VMD分解结果。通过VMD方法,风速序列被分解为多个本征模态函数(IMF)分量,从而提取出不同频率的模态特征。经过多次实验优化,最终获得了光滑且均匀的风速序列。

图4分别展示了数据集1训练集的4种模型预测误差对比及预测结果对比。图5则展示了数据集1测试集的相应对比结果。实验结果表明,所提出的VMD-RIME-LSTM风速预测模型在预测误差方面显著优于其他3种对比模型(LSTM、EMD-LSTM、VMD-LSTM),其预测曲线与真实值的拟合度更高,预测精度更优。

为进一步验证模型的普适性并排除实验偶然性,图6 ~图9展示了该模型及其对比模型在数据集2和数据集3上的预测结果。实验结果显示,VMD-RIME-LSTM模型在3个数据集的训练集和测试集上均表现出优异的预测性能。

表1列出了不同算法模型的预测结果评价指标,直观地反映了各模型的预测性能。从表1可以明显地比较出,基于VMD-RIME-LSTM的风速预测模型在3个不同数据集上的误差系数均显著低于其他对比模型,进一步验证了其优越性。

综上所述,所提出的VMD-RIME-LSTM风速预测模型通过多维度评估验证了其优越性能。实验结果表明,该模型不仅在不同风速数据集上表现出较高的预测精度,同时展现了良好的泛化能力。相较于传统预测方法,VMD-RIME-LSTM模型在预测准确性和稳定性方面均取得了显著提升,为复杂环境下的风速预测提供了可靠的技术支持。

4 结论

提出了一种基于VMD-RIME-LSTM的风速预测模型,并将其应用于高速铁路沿线的风速预测领域。通过实验分析与模型验证,得出以下主要结论。

(1)通过VMD分解方法,原始风速序列被有效分解为多个具有不同时间尺度的模态分量和残差项,显著降低了数据的非线性和非平稳性特征,同时提取了时间序列中的关键信息。

(2)针对风速信号复杂多变的特点,采用分解-优化相结合的组合预测模型能够有效提升预测性能,为解决此类问题提供了新的思路。

(3)实验结果表明,与传统的风速预测模型相比,VMD-RIME-LSTM模型在预测精度和泛化能力方面均表现出显著优势,在不同数据集上均取得了理想的预测效果。该实验能够提升风速预测准确性,制定更合理的预警阈值,减少冗余限速,提高运营效率。

(4)VMD-RIME-LSTM模型在铁路沿线风速预测领域,可为铁路行车安全提供及时、准确的风速预警信息,为列车在遭遇大风天气时提供关键的决策支持,保障行车安全防止列车倾覆事故的发生。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	赵传徽, 李德仓, 李文昊, 等. 横风环境下高速列车运行安全性研究[J]. 科学技术与工程, 2024, 24(30): 13136-13144.

[2]	Zhao Chuanhui, Li Decang, Li Wenhao, et al. Research on the safety of high-speed trains running in crosswind environment[J]. Science Technology and Engineering, 2024, 24(30): 13136-13144.

[3]	江相君. 大风环境下高速铁路沿线风速预测算法与预警系统研究[D]. 兰州: 兰州交通大学, 2024.

[4]	Jiang Xiangjun. Research on wind speed prediction algorithm and early warning system along high-speed railway lines in strong wind environment[D]. Lanzhou: Lanzhou Jiaotong University, 2024.

[5]	冯双磊, 王铮, 王伟胜, 等. 基于CycleGAN的区域风速网格化预测方法[J/OL]. [2025-12-04]. 中国电机工程学报. https://link.cnki.net/urlid/11.2107.TM.20250819.1601.004.

[6]	Feng Shuanglei, Wang Zheng, Wang Weisheng, et al. Regional wind speed grid prediction method based on CycleGAN[J/OL]. [2025-12-04]. Proceedings of the CSEE. https://link.cnki.net/urlid/11.2107.TM.20250819.1601.004.

[7]	郭顺宁, 马雪, 杨帆, 等. 基于最优Copula相关性分析的短期风速预测方法[J]. 电网与清洁能源, 2024, 40(2): 63-72.

[8]	Guo Shunning, Ma Xue, Yang Fan, et al. Short-term wind speed prediction method based on optimal copula correlation analysis[J]. Power System and Clean Energy, 2024, 40(2): 63-72.

[9]	牛兆吉, 李德仓, 胥如迅, 等. 基于SABO-LSTM的高铁沿线短期风速预测方法[J]. 科学技术与工程, 2025, 25(9): 3880-3887.

[10]	Niu Zhaoji, Li Decang, Xu Ruxun, et al. Short-term wind speed prediction method along high-speed railway line based on SABO-LSTM[J]. Science Technology and Engineering, 2025, 25(9): 3880-3887.

[11]	姜建国, 杨效岩, 毕洪波. 基于VMD-FE-CNN-BiLSTM的短期光伏发电功率预测[J]. 太阳能学报, 2024, 45(7): 462-473.

[12]	Jiang Jianguo, Yang Xiaoyan, Bi Hongbo. Short-term photovoltaic power generation power prediction based on VMD-FE-CNN-BiLSTM[J]. Acta Energiae Solaris Sinica, 2024, 45(7): 462-473.

[13]	李争, 张杰, 徐若思, 等. 基于相似日聚类和 PCC-VMD-SSA-KELM 模型的短期光伏功率预测[J]. 太阳能学报, 2024, 45(2): 460-468.

[14]	Li Zheng, Zhang Jie, Xu Ruosi, et al. Short-term photovoltaic power prediction based on similar day clustering and PCC-VMD-SSA-KELM model[J]. ActaEnergiae Solaris Sinica, 2024, 45(2): 460-468.

[15]	FenfenL, Bin H, Yunxiao Z. Short-term load forecasting based on CEEMDAN-VMD-GLT model[J]. The Journal of China Universities of Posts and Telecommunications, 2024, 31(6): 1-15.

[16]	向玲, 刘佳宁, 苏浩, 等. 基于CEEMDAN二次分解和LSTM的风速多步预测研究[J]. 太阳能学报, 2022, 43(8): 334-339.

[17]	Xiang Ling, Liu Jianing, Su Hao, et al. Research on multi-step prediction of wind speed based on CEEMDAN quadratic decomposition and LSTM[J]. ActaEnergiae Solaris Sinica, 2022, 43(8): 334-339.

[18]	丁新虎, 潘学萍, 和大壮, 等. 基于GA优化GRU-LSTM-FC组合网络的风电场动态等值建模[J]. 电力自动化设备, 2023, 43(8): 119-125.

[19]	Ding Xinhu, Pan Xueping, He Dazhuang, et al. Dynamic equivalent modeling of wind farms based on GA-optimized GRU-LSTM-FC combined network[J]. Electric Power Automation Equipment, 2023, 43(8): 119-125.

[20]	万思洋, 杨苹, 崔嘉雁, 等. 针对非平稳信号和高频噪声的自适应噪声完整集成经验模态分解-双向长短期记忆风功率预测模型[J]. 电网技术, 2025, 49(3): 1176-1184.

[21]	Wan Siyang, Yang Ping, Cui Jiayan, et al. Adaptive noise complete integrated empirical mode decomposition for non-stationary signals and high-frequency noise-bidirectional long short-term memory wind power prediction model[J]. Power Grid Technology, 2025, 49(3): 1176-1184.

[22]	王华彪, 鲁冠军, 李小勇. 基于卷积和共享权系数长短时记忆网络的空时融合机制在风速预测上的应用研究[J]. 太阳能学报, 2022, 43(11): 156-165.

[23]	Wang Huabiao, Lu Guanjun, Li Xiaoyong. Research on the application of space-time fusion mechanism based on convolution and shared weight coefficient long short-term memory network in wind speed prediction[J]. Journal of Solar Energy, 2022, 43(11): 156-165.

[24]	肖捷, 王志永, 于水琴, 等. 基于RIME-BP神经网络的磨齿机进给系统热误差预测[J]. 仪器仪表学报, 2024, 45(11): 277-286.

[25]	Xiao Jie, Wang Zhiyong, Yu Shuiqin, et al. Thermal error prediction of the feed system of gear grinding machine based on RIME-BP neural network[J]. Journal of Scientific Instrument, 2024, 45(11): 277-286.

[26]	贺义博, 靳鸿, 周春, 等. 基于RIME和1DCNN-LSTM-Attention的无创血糖预测模型研究[J]. 现代电子技术, 2024, 47(18): 83-88.

[27]	He Yibo, Jin Hong, Zhou Chun, et al. Research on non-invasive blood glucose prediction model based on RIME and 1DCNN-LSTM-Attention[J]. Modern Electronic Technology, 2024, 47(18): 83-88.

[28]	朱婷, 颜七笙. 基于模态分解和RIME-CNN-BiLSTM-AM的风速预测方法[J]. 科学技术与工程, 2025, 25(20): 8514-8525.

[29]	Zhu Ting, Yan Qisheng. Wind speed prediction method based on modal decomposition and RIME-CNN-BiLSTM-AM[J]. Science Technology and Engineering, 2025, 25(20): 8514-8525.

[30]	秦永峰, 李刚, 齐金平, 等. 基于RIME-VMD的高速列车横向减振器故障诊断[J]. 铁道科学与工程学报, 2025, 22(3): 942-953.

[31]	Qin Yongfeng, Li Gang, Qi Jinping, et al. Fault diagnosis of lateral shock absorbers for high-speed trains based on RIME-VMD[J]. Journal of Railway Science and Engineering, 2025, 22(3): 942-953.

[32]	杨博, 张芮, 胡袁炜骥, 等. 基于改进霜冰优化算法的混合风-光-波一体化系统阵列优化[J]. 南方电网技术, 2025, 19(7): 50-61.

[33]	Yang Bo, Zhang Rui, Hu Yuanweiji, et al. Array optimization of hybrid wind-solar-wave integrated system based on improved frost and ice optimization algorithm[J]. Southern Power System Technology, 2025, 19(7): 50-61.

[34]	肖建华, 姚正毅, 屈建军, 等. 兰新铁路百里风区极端风况特征及形成机制[J]. 中国铁道科学, 2016, 37(3): 130-137.

[35]	Xiao Jianhua, Yao Zhengyi, Qu Jianjun, et al. Characteristics and formation mechanism of extreme wind conditions in the 100-mile wind area of Lanzhou-Xinjiang railway[J]. China Railway Science, 2016, 37(3): 130-137.