基于时空图神经网络的轨道交通网络多尺度风速预测方法研究

针对铁路运营中强风威胁安全与效率的问题，研究人员提出基于时空图神经网络（STGNN）的网络级风速预测方法。通过构建时滞互相关模拟风应力向量场优化输入图结构，结合扩散卷积循环神经网络（DCRNN）建模时空扩散模式，在爱尔兰铁路和香港地铁数据集中验证了多步预测优越性，为极端天气下列车调度提供决策支持。

　　

气候变化加剧背景下，极端大风对轨道交通运营安全的威胁日益凸显。中国新疆、瑞士等地频发的列车脱轨事故，以及北京铁路局2021年五一假期因大风导致的十余起接触网故障，暴露出传统单点风速预警系统的局限性。现有方法忽视风场空间关联性，难以满足网络级调度需求。针对这一挑战，中国国家自然科学基金支持的研究团队开发了基于时空图神经网络（Spatial-Temporal Graph Neural Network, STGNN）的创新解决方案。

研究采用两大关键技术：1）通过时间滞后互相关（Time-Lagged Cross Correlation, TLCC）构建风应力向量场，突破传统地理距离图的限制；2）结合扩散卷积（Diffusion Convolution）与循环神经单元，建立TLCC-DCRNN模型捕捉风场时空扩散规律。数据来源于爱尔兰铁路网络和香港地铁（MTR）不同时空粒度的风速监测系统。

Methodological framework
提出双模块框架：图构建模块通过TLCC量化监测点间风应力传递关系，生成动态拓扑图；预测模块采用扩散卷积层建模空间依赖，门控循环单元（GRU）捕获时间动态性，实现多步风速预测。

Datasets and exploratory data analysis
在爱尔兰铁路（年客运量3580万人次）和香港MTR（日均500万人次）数据集上验证模型。分析显示两地风场具有显著时空异质性，传统单点预测误差较网络级方法高23.6%。

Ablation study and theoretical contributions
消融实验证实：TLCC图结构使预测误差降低18.7%；扩散步长设为3时最优；耦合架构较因子分解结构（如Graph WaveNet）在12小时预测中RMSE降低31.2%。

Conclusion
该研究首次将STGNN应用于铁路风速预警领域，TLCC-DCRNN模型在两项实测数据中均显著优于基准模型。其创新性体现在：1）物理信息增强的图结构构建方法；2）多尺度预测能力验证；3）为《Engineering Applications of Artificial Intelligence》提供了交通气象学的跨学科范式。研究结果可直接支持调度系统制定分级限速策略，提升强风条件下全网延误评估精度，对保障"一带一路"沿线风区铁路安全具有重要实践价值。