基于LSTM-GMM模型的大风多级预警方法

为保障大风场景下的高铁运行安全，针对风的强随机特性提出一种基于长短期记忆网络和高斯混合模型的多级预警（LSTM-GMM-MELW）方法。首先，通过长短期记忆网络和高斯混合模型（LSTM-GMM）建立风速误差值与风速预测值的联合概率密度，以此确定风速预测值的概率密度；然后，通过多级预警方法计算风速预测值落在高铁限速风速区间的概率值并结合实际情况设置不同阈值，当得到超出阈值的概率时输出阈值对应的预警等级；最后，采用预测区间的覆盖概率、平均宽度和覆盖宽度评价LSTM-GMM方法的概率性预测结果，而采用预警准确率评价多级预警方法的预警效果。依托平潭海峡公铁两用大桥29个风速样本进行实例分析，结果表明：95%置信度下的预测区间的覆盖概率为96%，平均宽度为1.51；第1、第2级别的预警准确率分别高于85%和93%，预警准确率达到100%的风速样本达14个，总体预警准确率高。该方法能有效避免风速在限速分界线附近波动时的误报。     

基于LSTM的高铁大风预测模型及算法研究

通过对风速数据进行时间序列分析,建立风速预测模型,实现大风灾害的预警,对提升高铁运营安全保障能力具有重要意义。通过分析某高铁客运专线防灾系统的历史风速数据,建立了一种基于LSTM神经网络的大风预测模型,使用TensorFlow平台进行模型参数训练,并结合实际监测数据进行了模型验证。结果表明,该方法预测未来20 min的大风效果较好,预测20～30 m/s大风时的平均误差为13.4%。该研究可为高铁大风预警技术的应用提供参考。     

基于CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明：IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12～40人次(13～35人次...     

基于LMD-TCN的高铁沿线风速观测资料质量控制算法研究

大风是影响高铁安全运行的主要气象灾害之一,为保证高铁的运行安全,需监测高铁沿线风速观测资料.高铁沿线风速数据在采集和传输的过程中易受到各种干扰,导致风速观测资料中存在一些可疑值,故对其进行质量控制是解决此类问题的必要环节.提出一种融合局部均值分解法(Local Mean Decomposition,LMD)和时间卷积网...     

基于混合方法的风速预测模型研究

为实现铁路沿线风速的高精度预报,建立若干基于混合方法的预测模型并进行性能比较。采用小波分解(WD)和经验模态分解(EMD)将原始风速序列平稳化,采用神经网络方法(BP, ANFIS和NAR)进行预测,形成6种混合模型:WD-BP,WD-ANFIS,WD-NAR,EMD-BP,EMD-ANFIS和EMD-NAR。引入基于单一方法的预测模型及时间序列模型ARIMA作为对照组,以平均绝对误差、平均绝对百分比误差、均方根误差比较各模型预测精度。研究结果表明:混合模型的预测性能优于单一模型;单一模型中,ARIMA的预测性能优于神经网络模型;混合模型中,WD-ANFIS的预测精度最高。     

基于BP神经网络与GM(1,1)模型组合算法的桥梁耐久性预测

针对混凝土桥梁耐久性历史评估数据的特点,提出一种基于BP神经网络与GM(1,1)模型的桥梁耐久性组合预测方法。通过GM(1,1)模型,以部分数据作为样本进行预测,在此基础之上,引入BP神经网络对预测的残差序列进行处理,旨在克服单一预测模型的不足,取得更高的预测精度。算例表明,本文算法精度明显高于传统GM(1,1)模型,与类似算法相比,精度上也有所提高。     

融合人工智能算法的铁路路基沉降预测方法

首先利用三阶多项式拟合、GM(1,1)和BP神经网络等算法构建了铁路路基沉降单预测模型；然后基于误差法和熵值法，以合肥地铁4号线盾构隧道下穿既有铁路的监测数据为基础，融合三阶多项式拟合、GM(1,1)和BP神经网络构建了组合预测模型，实现铁路路基沉降的分阶段预测；最后，利用平均绝对误差、均方误差和平均绝对百分比误差评价模型精度。结果表明：基于误差法和熵值法的组合预测模型能显著提高预测精度，预测相对误差均小于±5%，预测均方根误差均小于±0.1 mm，验证了提出的组合预测模型的有效性。     

基于小波神经网络高铁运营监测预测方法研究

以某段高段变形监测项目半年(共7期)的监测数据为例,对当前较为常用的预测方法:指数曲线法、抛物线法、Asaoka法,回归分析法、卡尔曼滤波、灰色理论、仿真分析法、BP神经网络分析法与小波神经网络进行对比分析,得出利用小波神经网络预测模型预测高铁运营沉降在收敛性、容错性、逼近能力上更有优势,预测精度更高,预测结果和实测数据更加吻合的结论。     

基于组合预测模型的铁路货运量预测研究

为了进一步提高铁路货运量的预测精度,提出基于乘积季节模型与引入注意力机制(Attention Mechanism)的长短期记忆(Long Short-Term Memory)模型的组合预测模型。首先建立乘积季节模型、LSTM模型与引入注意力机制的LSTM模型,然后利用误差修正法分别将2种LSTM模型与乘积季节模型组合起来进行预测,最后将预测结果分别与单一模型进行对比。采用2005年至2018年全国铁路月度货运量进行预测分析,结果表明2种组合预测模型的预测精度均高于单一预测模型的预测精度,其中基于乘积季节模型与引入注意力机制的LSTM模型的组合预测模型精度最高,具有研究和实用价值。     

考虑日期属性和天气因素的铁路城际短期客流预测方法

分析2014—2018年上海至南京的单向铁路客流数据发现,日期属性和天气因素会对铁路城际短期客流的波动产生显著影响。为此,结合对非线性时间序列数据处理具有优势的长短期记忆(LSTM)神经网络模型,以及可弥补模型中超参数设置主观性的粒子群优化(PSO)算法,将日期属性和天气因素纳入模型的影响因素体系,提出1种基于PSO-LSTM组合预测模型的铁路城际短期客流预测方法,以解决因短期客流波动性大、随机性强而产生的准确预测难度大等问题。利用2014—2018年上海至南京的单向铁路客流以及上海的天气信息,设置预测输入步长为14 d、输出步长为7 d,对模型进行实例验证。结果表明:与实际客流相比,该模型的最终预测平均误差为6.75%;与删除1个影响因素的PSO-LSTM组合预测模型,以及结合了BP神经网络的PSO-BP组合预测模型相比,该模型具有最优预测精度。     

铁路大风灾害预警系统设计与实现

为应对大风天气对铁路运输的影响,设计并实现了铁路大风灾害预警系统。系统基于B/S架构,针对铁路沿线风速监测点的数据状况,利用数据预测模块的移动平均法、单指数平滑法和三次指数平滑法对未来时段的风速进行预测,并进行综合评价预警,辅助调度人员进行调控决策,使列车能够根据限速建议及时做出运行调整。     

高速铁路灾害监测系统大数据分析

基于高速铁路灾害监测系统的大数据分析研究，通过分布式文件系统存储、MapReduce/Spark计算框架、数据挖掘等技术，对高速铁路灾害监测系统的灾害规律分析、灾害预测、运用规则优化、监测点布设优化、设备选型、设备状态分析等进行研究。以大风规律和设备运行状态为例进行分析，结果表明，50%左右的大风集中在15～16 m/s之间，通过优化大风报警阈值，可有效降低大风报警次数；电源故障是灾害系统设备的主要故障，需对其进行重点监测和维护。该研究可解决目前灾害监测系统运用和维护中遇到的问题，为灾害监测数据综合分析与应用研究提供技术支持。     

大风区段高速铁路正馈线防风技术探讨

根据已运营高速铁路的运营经验和常规采取的措施，结合兰新铁路和兰新铁路第二双线大风灾害频繁的特点和施工经验，对正馈线防风技术措施进行探讨，解决大风灾害造成正馈线故障，引起接触网停电，严重影响高速铁路安全运营的技术问题。     

新疆铁路百里风区大风特征统计分析

通过对新疆铁路百里风区大风特征统计分析,归纳出百里风区具有风速高、风期长、季节性强、风向稳定、起风速度快等规律,并得到不同时距风速统计关系和风区风速地域分布特征,为今后新疆铁路大风地区完善行车组织办法和防风减灾工程研究提供依据。     

高铁周界异物入侵感知与识别系统

针对高铁周界异物入侵监测和预警需求,提出了一种融合分布式光纤传感技术、视频联动技术和智能识别技术的分布式、多维度高铁周界异物入侵感知与识别系统。通过使用布里渊光时域分析(BOTDA)技术进行应变监测以及相位光时域反射(Φ-OTDR)技术进行振动监测,可有效捕捉异物入侵事件。同时使用人工神经网络(ANN)对报警信号进行大数据分析,可降低系统误报率。该系统的应用能够大幅提高高铁运营安全预警完备率和应急响应效率,具有重大社会价值。     

基于PCA-改进RBF神经网络模型的铁路隧道突水风险评价

为了准确预测铁路隧道突水风险等级,降低隧道施工过程中的突水灾害风险,结合相关规范,在调研分析影响隧道突水灾害的风险因素集的基础上遴选13个因素构建评价指标体系。利用主成分分析法对突水风险评价指标提取主成分并实现降维,模糊C-均值聚类算法计算RBF神经网络的中心,梯度下降法修正权值和方差,并将分析后得到的主成分作为改进RBF神经网络评价模型输入向量,建立了基于PCA-改进RBF神经网络铁路隧道突水风险评价模型。最后结合天秀山隧道对该模型预测效果进行验证,评价结果与实际情况相符。实例研究表明:该模型合理可操作,相比于其他方法准确率更高、训练更快、均方误差更小,为类似铁路隧道预防突水灾害事故提供了一种新的途径和借鉴。     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。     

基于RBF神经网络的铁路沿线短时风速预测方法

对实测风速数据进行Kalman滤波,去除实测风速数据的偏差;通过归一化处理,消除数据中的冗余成分;针对RBF神经网络的预测误差会随着时间的推移而增大的问题,采用滚动式训练方法在线训练RBF神经网络;用训练好的RBF神经网络进行风速预测,再对预测结果进行反归一化处理,得到最终的预测风速.仿真结果表明,运用基于RBF神经网络的铁路短时风速预测方法对短时风速进行预测,最大相对误差仅为5.92％,可满足铁路防灾安全监控系统中风速预测子系统的要求.     

高速铁路灾害监测系统风报警解除时限优化方法

基于高速铁路沿线风监测系统历史数据,在保证列车运行安全的前提下以增加列车运行效率和减少大风报警处置工作量为研究目标。考虑线路的繁忙程度和大风影响程度,建立高速铁路灾害监测系统风报警解除时限优化模型。选取3条典型线路进行实例分析,从线路、线路所属铁路局、季节方面对大风报警解除时限进行优化分析,得到最优报警解除时限值。研究结果可为高速铁路灾害监测系统风报警解除时限的运用优化提供参考。