1.基于单元与多元融合预测模型的高速列车节能驾驶策略，其特征在于，具体操作步骤如下：步骤1、根据操作手柄级位将运行时数据根据操作手柄级位的不同进行分类，分为12类，所述运行时数据包括运行时间、速度、温度；在使用数据的过程中，将忽略乘客激活紧急操作位这一类数据去除，将剩余的数据中操作手柄级位标签分别记为0‑10，使用欠采样方法，对每一类数据进行欠采样操作，得到每一类别数量相等的均衡数据集；

步骤2、对步骤2中得到的均衡数据集使用基于极端梯度提升算法的包裹式特征选择方法进行特征选择，最终得到三十七个与操作手柄级位相关的特征，此均衡数据集将作为训练集；

步骤3、将步骤2所述训练集作为单元与多元融合预测模型的输入，对单元与多元融合预测模型进行训练，得到在不同操作手柄级位的分类结果；具体如下：所述单元与多元融合预测模型中的单元模型为ARIMA模型，多元模型为GRU模型，运用Boosting思想，采用瀑布融合法，将ARIMA模型和GRU模型串联形成单元与多元融合预测模型；将训练集中除操作手柄级位以外的特征，即速度、加速度，轴承温度属性作为输入，使用ARIMA模型进行初始预测，得到操作手柄级位预测结果，并将所得到的预测结果与训练集中原有操作手柄级位对比得到残差，将残差作为新的特征，与训练集组合作为输入使用GRU模型重新对操作手柄级位进行预测；具体如下：步骤3.1：运用Boosting思想，采用瀑布融合法，将ARIMA模型和GRU模型串联，构造单元与多元融合预测模型；

步骤3.2：将训练集中除操作手柄级位以外的特征，即时间、速度、轴承温度输入单元与多元融合预测模型的ARIMA模块，使用ARIMA模块对操作手柄级位做初步预测；将得到的操作手柄级位与训练集中的操作手柄级位作对比得到残差，将残差与训练集中除操作手柄级位外的剩余特征重新组合为一个新的输入数据集；

步骤3.3：将步骤3.2中得到的新的输入数据集输入到单元与多元融合预测模型的GRU模块做离散值预测，通过  分类器获得分类结果，即不同操作手柄级位的分类结果；

步骤4、先选取一条路线作测试，选取的路线要求在初始运行时数据的记录中，原有操作手柄级位包含十一个不同类别，根据初始运行时数据中记录的能耗数值进行原有运行时数据牵引用电能耗的计算；

步骤5、将测试集经过特征选择之后输入训练好的单元与多元融合预测模型中得到初始驾驶操作策略 ，最后根据预测得到的初始操作策略 和由初始运行时数据计算得到的各操作手柄级位平均每秒带来的能耗增加值计算出在策略 下的牵引用电能量 ；

步骤6、将步骤4与步骤5中得到的牵引用电能量对比，调整网络模型，寻求最佳运行策略；具体如下：步骤6.1：由步骤4和步骤5可以得到初始运行时数据中测试集的电能耗，即 ，经过单元与多元融合预测模型制定出的操作策略下能耗为 ；

步骤6.2：若能耗关系为 ，则将策略判定为初始节能策略 ，如果列车根据计算在列车到达终点站之前无法将速度降为0，那么为了满足列车的准点性，增加匀速运动的时间以保证列车行至终点站时速度到达0；

步骤6.3：若能耗关系为 ，则调整训练次数、训练一次抓取的数量以及学习率，以此达到能耗关系为 ，以此得到节能策略。

2.根据权利要求1所述的基于单元与多元融合预测模型的高速列车节能驾驶策略，其特征在于，步骤1具体如下：步骤1.1：根据制动手柄级位将运行时数据进行分类，制动手柄级位的值是几个离散量： ，EB为紧急制动位，用标签0表示；REL为运转位，即牵引位，用标签1表示；常用制动位1A,1B,2,3,4,5,6,7,8分别用2，3，4，5，6，7，8，9，10表示, OC为忽略乘客激活紧急制动位，用标签11表示，由此将制动手柄级位映射为：，共十二类；

步骤1.2：对制动手柄级位为11的数据代表乘客激活紧急制动位类别剔除；使用欠采样方法，从制动手柄级位标签为1‑10的数据中随机抽取60组数据，共得到660条数据。

3.根据权利要求2所述的基于单元与多元融合预测模型的高速列车节能驾驶策略，其特征在于，步骤2具体如下：步骤2.1：使用基于极端梯度提升算法的包裹式特征选择算法对均衡数据集进行特征选择操作，根据特征的重要性度量过滤零重要度的特征；

步骤2.2：利用构建的树模型结构，对非零重要度特征进行排序，最终数据中保留三十七个非零重要度特征作为训练集中的特征。

4.根据权利要求3所述的基于单元与多元融合预测模型的高速列车节能驾驶策略，其特征在于，所述GRU模型由三层构成：第一层为gru层，这一层使用门控机制控制输入、记忆等信息，并在当前时间步做出预测；第二层是全连接层，这一层将n个 实数映射为K个  的实数；第三层是softmax层，将K个  的实数映

射为K个 (0,1)的实数，同时保证它们之和为1。

5.根据权利要求3所述的基于单元与多元融合预测模型的高速列车节能驾驶策略，其特征在于，所述步骤4具体如下：从运行时数据中选取一路线作为测试路线，该路线要求包括十一种不同类别的操作手柄级位；根据开始与结束时间点的牵引用电能耗差计算在这条路线上的总牵引用电能耗,并分别计算每一种标签下的牵引、巡航、制动三种状态所占百分比，分别记为，表示不同标签的类别，表示操作手柄级位标签，取值为0，1，2，……，10。

6.根据权利要求5所述的基于单元与多元融合预测模型的高速列车节能驾驶策略，其特征在于，步骤5具体如下：步骤5.1：将测试路线数据通过基于梯度提升算法的包裹式特征选择算法对数据中的特征进行选择得到三十七个特征，将含有三十七个特征的数据输入训练好的单元与多元融合预测模型中得到预测操作策略；

步骤5.2：分别用 , ，…， 表示每一类型操作手柄级位不同运行情况的数量，得到

11种操作手柄级位中消耗电能的操作手柄级位数量 ，如式(8)所示：

(8)

操作手柄级位为1时只会消耗电能来加速，故 不需要分为加速，匀速，减速的情况；

步骤5.3：借助excel软件对每一类标签的瞬时能耗进行计算，根据瞬时能耗和与操作手柄级位数量做除法得到每一操作手柄级位的平均能耗增加值，表示为： , ，…， ，由此得到单元与多元融合预测模型得到的策略所需能耗 ，可表示为式(9)：(9)。