面向复杂环境的可解释性列车运行态势预测及自更新方法OA

川藏铁路作为我国高海拔复杂环境下的战略干线铁路,面临恶劣气候、客货混运及异常事件频发等多重挑战,其列车运行态势预测与调度管理亟须突破传统模型的局限。针对现有预测方法依赖静态历史数据、实时动态调整能力不足及误差累积等问题,本文提出一种融合概率分布预测与在线自更新能力的可解释性预测模型。该模型通过构建基于多源异构数据的结构化多维特征矩阵,采用梯度提升树实现数值预测与概率分布预测双输出,并设计4层验证框架:基于SHAP(SHapley Additive exPlanations)特征贡献度分析,建立数据有效性、因果可解释性、模型稳定性及预测一致性验证机制,筛选具备明确致因的新数据以触发增量更新;通过数据缓冲池的增量式决策树扩展,实现模型参数的精准优化。实验结果表明,在概率分布预测能力与其他先进预测模型相当的情况下,本方法的数值预测性能更优;自更新性能方面,预测均方根误差(RMSE)较静态模型降低27.9%,且注入10%噪声数据时误差波动率低于3.2%。本研究不仅能实现预测结果随自更新逐步精确的目标,还可有效避免无效数据输入对模型精度的影响,为复杂环境下的列车运行调度提供兼具预测精度与可解释性的可靠支持。