【
技术领域：
：】本发明属于轨道交通
技术领域：
：，尤其涉及一种高铁沿线气象灾害发生风险分析方法。
背景技术：
：：交通与气象有着十分密切的关系，尤其铁路是气象灾害的高敏感行业。精细化气候背景及气象灾害的研究较为困难，对铁路建设和铁路运营支撑较少，尤其是一些地区地形起伏剧烈、落差较大，甚至经历海拔500余米到5000余米的巨大地形起伏，气象条件面临更多的未知因素，针对高铁沿线气象灾害发生风险分析对于轨道设置和监测点设置都有非常重要的意义。因此，开展铁路沿线的灾害发生风险非常重要。本发明能够同时综和考虑多种气象要素进行综合性灾害发生风险分析；并基于该分析结果进行气象要素监测的调整，并给出建设期轨道选择的建议；和根据铁路建设期和运营期对气象要素的不同敏感性，分别进行铁路沿线不同阶段风险区域分析。通过敏感性判断选择部分气象要素进行运营期的风险分析；不仅能够根据格点进行数据分析，同时考虑实际的地形情况进行基于轨迹的数据分析，大大提高了分析的深度和精度。技术实现要素：为了解决现有技术中的上述问题，本发明提出了一种高铁沿线气象灾害发生风险分析方法，所述方法包含：步骤s1：对各气象要素样本序列进行归一化处理；步骤s2：计算建设期综合风险指数，基于所述建设期综合风险指数反馈进行初选轨道的重新选取；步骤s3：计算运营期综合风险指数，基于所述指数进行格点监测调整和风险预警。进一步的，所述步骤s1，具体为：采用公式(1)进行归一化；其中，xi为原气象要素样本序列，x′i为归一化后的气象要素样本序列，为样本序列最小值，为样本序列最大值进一步的，所述步骤s2具体为：采用公式(2)进行计算；其中，rii，j为格点(i，j)上对应的建设期综合风险指数，(nii，j)k为格点(i，j)上第k种气象要素对应的归一化值，wk为第k种气象要素对应的权重值。进一步的，所述步骤s3具体为：选取运营期敏感气象要素，基于所述运营期敏感气象要素计算运营期综合风险指数，基于所述运营期综和风险指数进行格点监测调整，并进一步进行风险顶警。进一步的，在进行归一化处理前进行样本序列中缺失值的自动填充和一致性检查。进一步的，所述自动填充为：将归一化后的气象要素样本序列进行n维空间拟合，其中n为气象要素类型个数，基于n维空间拟合曲线中拟合点的对应值对缺失值进行自动填充；在进行拟合前需要进行样本序列的分段，分别对每段样本序列进行n维空间拟合以及自动填充。进一步的，设置动态映射表格进行综合风险指数和风险等级之间的映射。进一步的，对气象要素进行分级，基于分级的气象要素建立综合风险脂数。进一步的，选择一个或多个一级因子，并为每个一级因子细化为多个二级因子。进一步的，所述一级因子对应气象要素类型，所述多个二级因子是可直接参数测量的。本发明的有益效果包括：能够同时综和考虑多种气象要素进行综合性灾害发生风险分析；并基于该分析结果进行气象要素监测的调整，并给出建设期轨道选择的建议；和根据铁路建设期和运营期对气象要素的不同敏感性，分别进行铁路沿线不同阶段风险区域分析。通过敏感性判断选择部分气象要素进行运营期的风险分析；不仅能够根据格点进行数据分析，同时考虑实际的地形情况进行基于轨迹的数据分析，大大提高了分析的深度和精度。【附图说明】此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：图1为本发明的高铁沿线气象灾害发生风险分析方法示意图。图2为本发明的铁路建设期综合气象风险脂数分布图。图3为本发明的铁路运营期综合气象风险脂数分布图。【具体实施方式】下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。本发明中采用中国气象局中国地面气象要素日值数据集(v3.0)，时间范围为1951-2017年，包括温度(最高、最低和日均温度)、降水量、风(日均风速、日最大和极大的风向、风速)、相对湿度、地温(浅层和深层)以及站点的元数据。实况格点数据是基于时空多尺度分析系统stmas(space-timemultiscaleanalysissystem)的。系统采用多重网格顺序变分方法，通过不同尺度的分析方法，进行数据的分析和优化过程。该方法可以对陆面中的短波信息以及传播信息进行有效捕捉，并且在不同的天气动力学限制条件下采用不同的捕捉方式。时间分辨率为15分钟，水平空间分辨率5km×5km，垂直方向分为不等距的21层，数据的时间范围为某年全年的数据。本发明所述的分析方法包含如下步骤：步骤s1：对各气象要素样本序列进行归一化处理；具体的，采用公式(1)进行归一化；其中，xi为原气象要素样本序列，x′i为归一化后的气象要素样本序列，为样本序列最小值，为样本序列最大值；优选的：所述气象要素包括雷电、温度、降水、风等；优选的：在进行归一化处理前进行样本序列中缺失值的自动填充和一致性检查；所述自动填充为：将归一化后的气象要素样本序列进行n维空间拟合，其中n为气象要素类型个数，基于n维空间拟合曲线中拟合点的对应值对缺失值进行自动填充；在进行拟合前需要进行样本序列的分段，分别对每段样本序列进行n维空间拟合以及自动填充；实际上，气象要素样本序列的缺失是很常见的，但是现有技术中往往并不对样本序列进行处理，主要是因为样本序列数量太繁杂，手工填充无法进行，整体拟合基本上得不到有效的拟合曲线；而实际上不对样本序列进行处理必然会带来后面数据的偏差；因此，本发明通过分段的方法解决了这个问题；实际上，气象要素的样本序列值往往是存在很强的连续性的，因此，通过自动填充后数据的填充准确性很高；这里的分段为基于自然的时间段、气象要素变化规律进行划分；一种做法是：将气象要素的样本序列的根据序列值的变化阶段进行划分，对同一时期的多种样本序列，找出变化阶段的最小值，并基于所述变化阶段的最小值进行分段拟合；在同一个变化阶段内序列值的变化范围是有限的或规律的；所述一致性检查为：对于经过n维空间拟合的样本序列，确定和拟合曲线的距离超过预设范围的样本数量，当所述样本数量超过离散上限时，确定所述气象要素样本序列未通过一致性检查；对于未通过一致性检查的样本序列其分析结果可能会存在较大的偏差；通过对离散点数量的分析简化了对样本序列检查的复杂度；步骤s2：计算建设期综合风险指数，基于所述建设期综合风险指数反馈进行初选轨道的重新选取；具体的，采用公式(2)进行计算；其中，rii，j为格点(i，j)上对应的建设期综合风险指数，(nii，j)k为格点(i，j)上第k种气象要素对应的归一化值，wk为第k种气象要素对应的权重值。通过建设期综合风险指数，可将多个要素叠加后的高风险区域表示出来。综合风险越接近1表明所述格点(i，j)上受综合气象因素影响程度越高，越接近0表明受气象因素影响程度越低。高风险区域即是气象监测重点区域。这里的反馈可以为向用户反馈以进行人工的重新筛选或机选备选方案，并基于待选轨道建设位置给出反馈建议；优选的：对气象要素进行分级，基于分级的气象要素建立综合风险指数；具体的：根据建设时期对气象灾害的敏感性，选择一个或多个一级因子，并为每个一级因子细化为多个二级因子，所述一级因子对应气象要素类型，所述多个二级因子是直接参数测量的；基于二级因子计算一级综和指数，基于一级综和指数计算得到综和风险指数；例如：一级因子包括雷电、温度、降水、风，雷电对应的二级因子为雷暴日数、雷电密度；温度对应的二级因子为气温、日较差、最大冻土深度；风对应的二级因子为极大风风压、大风日数；降水对应的二级因子为日降水量最大值、积雪深度；其中，(fnii，j)fk为第fk个一级综和指数，fwk为第fk个一级因子对应的权重值；其中，snii，j为第sk种二级因子对应的归一化值，fwsk为第sk个二级因子对应的权重值；从附图2中可以看出，地区1到地区2的铁路线路建设过程中地区1和地区2的位置区域综合风险指数相对较高，是重点应进行监测的地区。位置区域1和位置区域2交界地区以及地区2的盆地大部分地区在线路建设阶段的综合风险指数相对较低。从初选线路的分布看，基本规避了风险指数高值区。优选的：设置动态映射表格进行综合风险指数和风险等级之间的映射；考虑到不同建设时期，不同区域风险等级对应的指数范围时可以动态变化的，本发明设置动态映射表格，基于映射影响因子，例如，季节、时间、建设时期、区域等来自动的选择动态映射表格，并基于所选择的动态映射表格将综合风险指数映射为相应的风险等级；通过动态选择表格的方式使得具体的指数对于用户不可见，用户可见的只是经过转换后的等级，从而大大的提高了用户体验。li，j＝tabled(rii，j)，其中，li，j是格点(i，j)上的风险等级，tabled()是第d个表格映射函数，基于映射影像因子来进行表格映射函数的选择；例如：基于历史数据训练得到选择方法；优选的：根据综和风险指数进行连续监测，根据连续监测结果调整进行轨道建设位置的重新选择，具体的：确定格点(i，j)上对应的建设期综合风险等级是否超过第一风险阈值，如果是，选择格点(i，j)的相邻格点作为待选轨道建设位置；否则，将原样本序列xi划分为m个子样本序列xi1，xi2…xim，对每个子样本序列重新进行归一化处理并分别计算其对应的子综合风险指数rli，j，p，其中p为第p个子样本序列，连续子综合风险指数大于第二风险阈值的连续子综合风险指数的个数大于第二个数阈值，则反馈进行初选轨道的重新选取，并选择格点(i，j)的相邻格点作为待选轨道建设位置；其中，对连续的长度进行限制，例如，连续子综合风险脂数的连续长度大于mz，其中mz为预设值；优选的：m个字样本序列之间是相互重叠的，其中m为预设值；第一风险阈值大于第二风险阈值；对于独立的风险指数超过一个较大值的情况往往是风险分析中容易做到的，但是实际上，在轨道建设过程中可以避免风险的发生，需要把风险进行基于时间连续性的重新测算才能更准确的进行风险预测，对于虽然没有出现一个极值的风险的，按时出现连续风险容易导致风险累加的情况，通过样本序列的拆分就能够提高预测的准确性；优选的：m的值根据样本序列的长度和计算机运行能力进行折衷选择；步骤s3：计算运营期综合风险指数，基于所述指数进行格点监测调整和风险预警，具体为：选取运营期敏感气象要素，基于所述运营期敏感气象要素计算运营期综合风险指数，基于所述运营期综和风险指数进行格点监测调整，并进一步进行风险预警；铁路运营阶段主要受到短时极端气象要素的影响，不能一统的对建设期和运营期进行相同的处理；所述选取运营期敏感气象要素，具体为：对于建设期获取的多个一级综合指数，判断每个所述多个一级综合指数是否高于基本风险脂数，如果是，则将所述一级综合指数对应的气象要素确定为所选取的运营期敏感气象要素；其中：不同的一级综和指数对应不同的基本风险阈值；所述基本风险阈值为预设值，这里基本风险阈值为不是很容易满足的低值阈值，对于基本无风险的气象要素通过这样的方式筛除而不考虑；例如：通过上述一级综和指数的计算，得出温度对运营期的影响很小，对于地区a和地区b的铁路运营期的评估过程中筛掉一级因子温度，从而对于运营期敏感气象要素不考虑温度因子的影响；通过这样的方式，减少了用于进行评估的参数的个数，降低无效参数对整个指标的影响，从而提高指数敏感性，预测的准确性和敏感性。所述基于所述运营期敏感气象要素计算运营期综合风险脂数，具体为：确定是否存在运营期风险格点，如果是，则增强对所述运营期风险格点的监测，并对运营期风险格点对应区域进行风险预警；进一步的，确定是否存在运营期风险轨迹，如果是，则增强对所述运营期风险轨迹对应的格点集合的联合监测，并对运营期风险轨迹对应区域进行风险预警；所述增强对所述运营期风险格点的监测，具体为：增加对于运营期风险格点的监测频率；所述确定是否存在运营期风险格点，具体为：选择运营期敏感气象要素对应的一级因子及其分别对应的二级因子，同样代入公式(3)和(4)计算运营期综合风险指数；如果所述运营期综合风险脂数大于运营期风险阈值，则将所述运营期综合风险指数对应的格点作为运营期风险格点；运营期风险阈值为预设值；例如：一级因子和二级因子分别为雷电因子、风因子和降水因子及其分别对应的二级因子雷暴日数、雷电密度，极大风风压、大风日数，日降水量最大值、积雪深度；所述确定是否存在运营期风险轨迹，具体为：对于每个格点(i，j)，计算每个敏感气象要素对应的一级综和指数；对于每种气象要素，确定一级综合指数轨迹，并确定所述气象要素对应的一级综合指数轨迹是否为风险轨迹，如果是，增强对所述运营期风险轨迹对应的格点集合的联合监测；考虑到对于运营期来说，对于特定的气象要素来说，虽然条件可能很恶劣，但是对于运行阶段的列车及其轨道来说，其影响是不连续的，气象要素之间没有形成综和的和地形相关的气象现状，需要结合地形的联合考量气象要素在地形上的连续性表现才能有效的进行运营期的风险避免；所述确定一级综合指数轨迹，具体为：获取所有一级综合指数大于轨迹格点阈值的格点作为待连通格点，如果两个待连通格点相邻，则连接所述两个待连通格点以形成连通的格点；所有连通的格点构成一个或多个一级综和指数轨迹；其中：轨迹格点为预设值，大于所述预设值时连续的气象要素可能会造成和地形配合的风险；所述确定所述气象要素对应的一级综合指数轨迹是否为风险轨迹，具体为：将每个一级综合指数轨迹和风险轨迹模板比较，如果两者相匹配则确定所述一级综合指数轨迹是为风险轨迹；反之，确定所述一级综合指数轨迹不是风险轨迹；所述风险轨迹模板为根据地形数据，和气象要素影响情况通过智能学习获取；又或者从云端获取；所述增强对所述运营期风险轨迹对应的格点集合的联合监测，具体为：拆分格点集合中的格点以增加所述运营期风险轨迹所覆盖的格点的数量；从附图3可以看出地区1和地区2之间铁路运营期综合气象风险较高的区域在地区2的盆地、位置区域c的北部、位置区域d西部；铁路目前的选线在运营期应重点关注一些位置区域的段位。通过比较附图2和附图3可以看出，区域2盆地在建设过程中气象风险较低，而后期运营时风险指数升高，位置区域c中部地区在建设时气象风险指数较高，运营时风险脂数降低，位置区域d到位置区域e地区无论建设还是后期运营风险指数部较低。因此在不同阶段要注意加强风险指数高值区域相应气象风险因子的监测。以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。当前第1页12当前第1页12