大风对列车安全行驶具有重大影响,是列车安全行驶时需要注意的至关重要的自然因素之一。截止2018年底,我国的高铁运营里程达到2.9万公里,占世界高铁运营总里程三分之二以上,有兰新、青藏等多条跨越恶劣强风地区的铁路线路,强风所带来的气动升力和横向力等因素对列车的安全行驶构成了严重威胁。开展铁路沿线关键区域的风速预测研究,对整个区域内列车的安全行驶、行车调度和列车乘坐舒适性等方面都有重大意义。本文根据兰新客专大风天气列车安全行驶对风速预测的现实需求,以兰新客专周边风区风监测布点的实测数据为基础,提出一种基于气象特征提取的深度神经网络算法的混合预测模型,具体研究工作如下:(1)数据预处理。首先对原始输入变量的风速和多维气象特征数据进行预处理,针对原始数据集数据丢失、分布不均匀、错误等问题,检测原始输入变量的合理性、完整性,然后对检测出的异常数据进行删除填补,对于部分分布不均的风速数据采用三次自然样条插值法进行拟合,最后采用互信息理论对多维气象特征数据进行相关性分析。(2)深度神经网络模型预测框架研究。具体过程,将历史风速作为输入,分别采用两种深度卷积神经网络框架训练出模型,通过网络的深层结构,学习序列之间的内在关系,实现对未来一段时间风速序列的预测。经过验证,CNN+MLP和CNN+LSTM两种模型的风速预测误差大部分情况下均处于较小水平,预测效果较传统天气预报提高了预测精度,并且CNN+MLP深度卷积神经网络模型较CNN+LSTM模型在预测数据集上表现更好,预测精度更高,对异常数据有更好的接纳性,使得模型的泛化能力更强。(3)基于气象特征提取的风速预测模型研究。因为气象特征对风速有很大影响,针对输入气象特征较多且难以提取,建立了基于多维气象特征提取的CNN+MLP深度神经网络模型。首先通过多个渠道收集多维数的历史气象数据;然后利用主成分分析(PCA)从多维气象特征中提取出最优的气象特征,以最优气象特征和历史实测风速序列作为预测模型的输入,然后用CNN+MLP深度神经网络建立不同气象条件下的短期风速预测模型,对于CNN+MLP深度神经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性,提出采用粗糙值理论对模型预测值进行修正与补偿,进一步提高预测精度。通过实验证明,输入最优气象特征下短期风速模型具有更好的预测精度和更快的计算速度,具有一定的工程参考价值。