基于支持向量回归的地铁进站客流短时预测模型

基于准确的未来客流信息对地铁运营的重要性,研究客流预测的方法。选取支持向量机应用领域的一大分支——支持向量回归的方法对地铁进站客流进行短时预测,使用一种改进的粒子群算法进行参数寻优,从而构建客流预测模型。提出的模型以日期类型和所处时刻作为输入,可以提前预测未来一周的每15 min的客流。采取平均绝对百分比误差和均方根误差对模型的预测结果进行评估。使用广州杨箕车站进站客流数据进行实验,通过交叉验证确定验证参数选取的合理性,并将该模型与BP神经网络、KNN算法进行比较,实验表明模型预测结果的精度更高,稳定性更好。     

基于列车运行仿真和SVR组合的地铁新线牵引能耗预测方法

新线牵引能耗预测可用以辅助线路的规划设计及列车选型,进而实现牵引节能.地铁新线牵引能耗受线路条件、列车属性等因素的综合影响,传统的仿真方法简化多种参数,而大数据预测方法忽略列车物理运动过程,均难以保证新线牵引能耗的预测效果.因此,提出一种将列车运行仿真与支持向量回归(SVR)相结合的组合预测方法预测地铁新线牵引能耗,并采用交叉验证方法及遗传算法对SVR参数进行寻优.研究结果表明:仿真与SVR相结合的组合预测方法优于单一预测方法,在95％的置信水平下,地铁新线牵引能耗预测精度可达90％.     

基于列车运行仿真和SVR组合的地铁新线牵引能耗预测方法

新线牵引能耗预测可用以辅助线路的规划设计及列车选型,进而实现牵引节能.地铁新线牵引能耗受线路条件、列车属性等因素的综合影响,传统的仿真方法简化多种参数,而大数据预测方法忽略列车物理运动过程,均难以保证新线牵引能耗的预测效果.因此,提出一种将列车运行仿真与支持向量回归(SVR)相结合的组合预测方法预测地铁新线牵引能耗,并采用交叉验证方法及遗传算法对SVR参数进行寻优.研究结果表明:仿真与SVR相结合的组合预测方法优于单一预测方法,在95％的置信水平下,地铁新线牵引能耗预测精度可达90％.     

边界条件对比例车体模态参数的影响

边界条件是结构进行模态分析的基础,不同的边界条件施加方式通过改变结构刚度影响结构模态参数。首先通过理论推导计算模态分析和试验模态分析的基本原理,然后对比例车体有限元模型建立5种可行的边界约束条件,计算分析知弹簧悬挂时比例车体前30阶固有频率与自由模态最大误差为0.02346%,边界条件4和边界条件5时固有频率最大误差分别为25.3386%和10.2383%,在试验模态中可用弹性悬挂模拟结构自由模态。对弹簧悬挂、弹簧杆悬挂和空簧支撑3种不同边界条件下的比例车体进行锤击模态试验分析,得出第3阶垂弯频率最大误差分别为2.545%、2.961%和4.812%,均小于误差允许值5%;利用模态判定准则(MAC矩阵)判定试验模态中结构固有频率的相关性,验证了边界条件对比例车体模态参数的影响。     

基于视频检测的轨道交通短时客流预测研究

为提高客流预测的精度,构建轨道交通站点客流多变量时间序列预测模型。基于视频检测的轨道交通短时客流预测研究采用方向梯度直方图特征描述器与支持向量机分类器识别行人目标,利用Camshift算法对目标跟踪,从而获取客流量和客流速度参数,并根据协整关系构建客流多变量预测的向量误差修正模型,最后利用南京鼓楼车站4A通道的视频数据进行模型验证和对比分析。实例验证结果表明:构建的向量误差修正模型具有较好的预测性能,客流量和速度预测的MAPE值都小于8%,优于相同样本下ARIMA(0,1,1)的预测性能。     

基于机器学习的地铁盾构隧道长期沉降预测

采用机器学习方法,建立一个基于先期区域地质信息及隧道沉降学习资料的盾构隧道长期沉降预测模型, 并以南京地铁 2 号线盾构隧道为例进行算例分析。结果表明：该沉降预测模型能够筛选主要影响因素,并且能够 寻找最佳监督学习算法和最优参数;在不同监督学习算法中,核支持向量机算法与人工神经网络算法都能使模型 达到较高的精度,然而对其参数的依赖性很高,需要细致的调参才能提高预测精度;以人工神经网络算法作为监 督学习算法,经调参后,沉降预测模型的最终预测准确度可达 0.86,10 倍交叉验证平均准确度为 0.82。     

动车组牵引电机接地故障预测

牵引电机是动车组动力传动系统中的关键部件,在牵引电机故障中最常见的故障为牵引电机接地故障。通过对某动车组牵引电机控制单元的历史数据挖掘,实现对牵引电机接地故障的预测。数据挖掘建模使用了RBF神经网络、决策树和支持向量机3种机器学习算法。试验结果表明,3种算法的预测准确度均高于84%,其中决策树相较于RBF神经网络和支持向量机,具有更高的预测精度,模型预测精度达到85.6%。因此,选取决策树模型预测动车组牵引电机接地故障的发生。     

基于AMCPSO优化Kriging插值的温度补偿方法研究

为了降低温度变化对转换力传感器测量精度的影响,提出一种自适应变异混沌粒子群算法(AMCPSO)优化Kriging插值的温度补偿算法(AMCPSO-Kriging)。研发转换力传感器,分析温度对传感器输出的影响,建立温度补偿标定实验平台,通过标定实验获得建立温度补偿模型所需要的样本集,采用数据稀疏化方法对样本数据进行优化。通过Kriging插值构建了温度补偿模型,利用AMCPSO算法以交叉验证方式下模型预测产生的均方根误差和作为适应度函数,对Kriging插值中的范围参数θ和平滑度参数pk进行寻优求解,得到性能最佳的温度补偿模型。基于AMCPSO-Kriging温度补偿模型对转换力传感器的测量效果进行实验验证,与标准力传感器进行对比。实验结果表明：对样本数据进行稀疏化处理,算法平均运行时间从1 076 s减少到6 s,提高了温度补偿算法的运行效率。在-20～70℃温度范围内,经过AMCPSO算法优化的Kriging模型有效提高了转换力传感器的测量精度,相比于未经AMCPSO算法优化的Kriging插值,转换力传感器测量的平均满量程误差从1.2%FS降低到0.6%FS。通过现场实验验证温度...     

基于SAHDE-RVM的铁路短期风速预测研究

针对铁路短期风速预测方法中人工神经网络(ANN)易陷入局部最小值、支持向量机(SVM)核函数选择困难等缺陷,提出采用一种基于自适应混合差分进化相关向量机(SAHDE-RVM)对铁路短期风速进行预测研究。首先,改进自适应差分进化算法,引入模拟退火算法对种群的当前最优个体进行二次寻优,形成自适应混合差分进化算法,然后将自适应混合差分进化算法与相关向量机结合,建立自适应混合差分进化相关向量机模型,最后利用本文模型对国内某两段不同铁路沿线实测风速数据进行预测,预测结果表明,本文模型的预测指标均优于传统差分进化算法(DE)参数寻优的相关向量机模型及最小二乘支持向量机(LS-SVM)模型,具有更加出色的预测性能。     

隧道围岩变形预测的进化高斯过程回归模型

隧道施工围岩变形预测是关系到隧道施工安全和工程质量的关键,至今已出现多种预测模型,但也存在各种问题。本文将高斯过程回归(GPR)引入隧道施工围岩变形预测以克服现有模型存在的问题,针对目前采用共轭梯度法获得GPR模型最优超参数的缺陷,将十进制遗传算法(GA)与高斯过程回归算法相耦合,采用遗传算法在训练过程中自动搜索GPR模型最优超参数,形成GA-GPR算法,并编制相应的计算程序。为了对比,采用遗传算法与支持向量回归(SVR)算法相耦合,形成GA-SVR算法,将这两种算法程序应用于黄榜岭隧道施工围岩变形预测。计算结果对比表明:本文提出的进化高斯过程回归算法明显提高了预测精度,并为类似工程提供借鉴。     

基于Weibull分布和SVR的城轨列车自动进站停车精度预测方法

通过分析城轨列车自动停车精度分布变化,研究停车精度预测问题,提出一种基于支持向量回归的列车自动进站停车精度预测方法。对停车精度数据进行分期预处理,进而采用Weibull分布拟合各期数据,由此得到两个分布参数的时间序列,通过支持向量回归算法对参数序列构建预测模型,实现对进站停车精度分布预测。采用北京地铁某条线一列车的自动进站停车数据对提出的模型进行仿真验证,结果表明预测分布与真实分布相似性均值可达0.953 3,验证了提出的预测方法的有效性,为城轨列车自动进站停车精度变化提供了一种科学、高效的预测方法。     

基于GA-GM(1,N,α)幂模型的铁路客运量预测

针对在铁路客运量预测领域传统的灰色预测模型不能反映真实系统的非线性结构特点及其背景值的赋值不合理的问题,提出使用对系统相关因素引入幂指数且经过背景值优化的GM(1,N,)幂模型进行客运量预测。背景值优化时设置待定参数,利用线性组合结构重新计算背景值。对此模型产生的较多的待定参数,采用能够并行运算、全局寻优的遗传算法进行一次性求解。最后使用此模型对甘肃省铁路客运量进行建模预测,并与传统GM(1,N)模型、GM(1,N)幂模型进行对比分析。结果证明,GM(1,N,)幂模型具有更高的预测精度,对铁路客运量预测有一定的应用和研究价值。     

环境激励下简支梁式结构的动力参数识别研究

本文设计了一个简支梁式结构模型,运用特征系统实现算法,分别采用锤击激励、行车激励与环境激励的方法进行结构动力参数的识别,并对识别结果进行对比分析。在动力参数的识别过程中,采用环境激励时,由于系统信噪比较低有可能存在噪声模态,对此可以参照多个过程参数进行辨别。结果表明:在实验室条件下,基于环境激励的方法可以识别第1,3,4阶频率,满足工程要求,且识别精度与锤击激励、行车激励的识别结果相比差异不显著;试验结果没有识别出第2阶频率,应在工程测试中引起注意。     

UKF地铁短时客流预测研究

为获得较为可靠的地铁车站实时客流,提出基于神经网络与无迹变换卡尔曼滤波(UKF)结合的信息融合预测方法。首先利用各站点间进出客流时空相关性,在运行时间约束下组织预测向量,以BP神经网络为函数表达给出目标站点客流的初步预测值。在此基础上,利用无迹变换卡尔曼滤波解决神经网络过学习造成的误差,以提高预测结果精度。最后选取实例验证算法的准确性,结果表明,该改进算法可有效提高预测精度,满足运营需求。     

基于FOA-BP神经网络的高铁沉降预测

BP神经网络在沉降预测过程中存在预测精度有限、收敛速度慢等缺点。为提高BP神经网络在高铁沉降预测中的精度,基于改进的果蝇算法(FOA),利用其味道浓度函数来代替BP神经网络中的梯度函数,建立果蝇算法优化BP神经网络的预测模型—FOA-BP模型。通过果蝇种群迭代寻优获取最合适的权值和阈值,重新构建BP神经网络进行沉降预测。分别采用BP神经网络算法与FOA-BP神经网络算法对某高铁路基沉降监测点的沉降趋势进行预测,将两种算法的迭代次数、均方误差与平均相对百分比误差3个指标进行对比分析,结果表明:FOA-BP神经网络算法的三种指标均远小于BP神经网络算法,其模型精度更高,预测速度更快。     

基于遗传算法的铁路纵断面优化系统的研究

提出一种基于全局最优的改进式遗传算法.采用改进的启发式交叉算子和多种算子混合操作,加快算法向最优解收敛的速度.给出相应的纵断面优化模型,并改进初始种群生成的方法,将一个二维优化问题转化为两个一维优化问题进行求解,简化了算法的执行过程.引入惩罚函数的概念处理方案的约束问题,设计算法实现的流程图,并开发相应的优化系统.利用实例证明遗传算法在纵断面优化设计中的可行性及全局寻优的性能.     

基于模态参数的梁桥结构模型边界条件参数修正

针对实际桥梁结构复杂的边界条件,详细分析边界条件的附加约束参数。以梁桥结构的水平平动附加约束与扭转附加约束参数为讨论对象,采用最小二乘约束优化反演理论,建立以模态参数实测值与理论计算值误差平方和最小为目标的桥梁结构边界条件变异参数约束优化反演求解问题。在其基础上引入矩阵摄动理论,将结构动力方程的特征值及特征向量一阶摄动代入所建立约束优化方程,显著提高优化求解效率,并通过迭代求解的方式提高边界条件变异参数的求解精度。编制相应求解程序,通过某磁浮轨道梁方案的损伤识别验证表明,仅用前几阶仿真计算得到的模拟实测频率与振型经过4次迭代即可精确反演桥梁结构边界条件变异参数。     

基于非参数回归的城轨实时进出站客流预测

为准确预测城轨实时进出站客流,构建基于非参数回归的实时进出站客流预测模型。首先,对不同特征日分时进出站客流量进行对比分析,据此构建历史数据库;其次,通过计算历史分时数据的相关系数,并设置阈值对分时客流数据间的相关性进行判断,从而确定合适的非参数模型状态向量;再次,根据K近邻样本与预测目标的客流量差异性,设计基于权重加权的预测算法;最后利用广州市城轨客流数据对预测模型进行精度分析,对全网站点多天的预测结果显示:全天平均绝对百分比误差均在2%以下,分时平均绝对百分比误差均在14%以下,表明模型具有较高的预测精度和良好的适用性。     

隧道施工围岩变形预测的智能模型

将支持向量回归(SVR)算法引入隧道施工期围岩变形预测,并采用遗传算法来自动搜索支持向量回归算法的模型参数,形成GA-SVR算法。结合香河隧道的施工变形监测,建立起了公路隧道施工围岩变形预测的GA-SVR智能模型。采用此模型对香河隧道后继开挖的监测时间点进行变形预测,并与实测变形对比,所建立的GA-SVR智能模型预测最大相对误差仅为6.99%,平均预测相对误差仅为1.99%,完全可用于公路隧道施工期的围岩变形预测,并为类似工程提供了借鉴。     

利用残余力概念进行结构损伤识别

提出一种利用残余力进行结构损伤识别方法。用刚度损伤系数将有限元模型参数化来描述结构的损伤。用特征值和特征向量预测算法构造目标函数,利用两点交叉算子的二进制代码的遗传算法反复迭代优化刚度损伤系数,获得待测结构的损伤系数、损伤位置与损伤程度的信息。通过一个平面桁架对该方法进行验证,结果表明:利用残余力概念进行损伤识别所得结构的损伤系数与理论值很接近。该方法能够较准确地判断结构的损伤位置和损伤程度。