基于CNN-LSTM融合神经网络的CRTSⅡ型轨道板温度预测方法

准确预测CRTSⅡ型轨道板温度可对轨道板内高温的出现及时进行预警，减小高温时期涨板对列车运营带来的威胁。同时考虑外界环境温度对轨道板温度影响的时滞效应与轨道板自身在时间上的温度变化规律，提出基于卷积神经网络(CNN)与长短期记忆网络(LSTM)融合模型的板温预测方法。先通过CNN在时间轴上对气温与轨温进行卷积提取出过去一段时间内外界气象条件对当前时刻板温的影响，再将CNN在各个时间点上的输出作为LSTM的输入特征利用轨道板自身的传热规律对板温进行预测。结果表明：过去12 h内的外界气象条件对当前时刻的板温有较大影响，利用训练好的CNN-LSTM在测试集上对未来40 min的板温进行预测，其预测误差绝对值的数学期望为0.925℃。