高铁沿线大风预测技术研究

风速预测是风致灾害预警的关键技术。针对高铁大风预测中延迟性和误报的问题,提出一种基于完整集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的组合预测模型对高铁沿线风速进行预测。为了减少预测模型的复杂度和提高模型预测精度,原始风速数据用CEEMDAN分解并利用样本熵(SE)理论将分解出的分量按照样本熵近似值重组成趋势、细节、随机三分量后用长短期记忆神经网络建立预测模型。以高铁沿线某段风速气象数据为例,实验结果表明,与其他预测方法相比,本方法可有效降低预测延迟性和提高预测精度,准确追踪风速的波动性和非线性非平稳的变化,性能更加优越。在高速铁路沿线大风预测中能够发挥良好的适用性,减少大风预警的误报或不报等情况的发生。     

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。     

电气化铁路牵引负荷预测研究北大核心

为保证牵引供电系统电能质量并减少牵引变电所购电成本,文章提出了一种基于稀疏高斯过程(sparse Gaussian process,SGP)的牵引负荷概率预测模型。该模型首先构建以牵引负荷历史特征和时间信息为基础的输入特征向量;然后建立输入特征到牵引负荷之间的映射关系,并用SGP来拟合该映射关系;最后使用滚动预测的形式来实现对牵引负荷的预测。在朔黄铁路某牵引变电所实际运行数据上进行的对比试验验证了所提方法的优越性,其中,点预测可以得到误差在7%左右的预测值,概率预测可以得到不同置信度下可靠的预测区间。     

基于DeepAR的短期风速概率预测

为对铁路沿线风速提前进行预判，保障桥梁施工及高速铁路列车运行时的安全，提出基于深度自回归模型(DeepAR)的短期风速预测方法。采用平潭海峡公铁两用大桥和西堠门大桥实测风速进行验证，并以包括小波包分解下的卷积神经网络和循环神经网络混合模型(WPD-CNNLSTM-CNN)在内的4种模型作为点预测对比模型，以SimpleFeed-Forward、ARIMA、Random Walk模型进行置信度为50%与95%的区间预测作为对比模型。研究结果表明：无论是点预测还是区间预测，DeepAR模型都能够在具有随机性、间歇性的短期风速序列中提取到特征信号并进行精度较高的预测，且相比于其他模型具有更好的准确性与泛化能力，可满足实际工程短期风速预测需求。     

基于支持向量机的CRTS Ⅱ型板式无砟轨道板正温度梯度预警方法

无砟轨道板温度梯度是温度荷载作用在轨道结构上的重要表征,也是结构设计和养护维修的关键参数。针对轨道板温度梯度状态监测预警问题,基于运营线实测高铁轨道板数据样本,以气温、太阳辐射、风速等气象参数为特征输入参量,轨道板正温度梯度为输出参量,建立基于支持向量机的轨道板正温度梯度分类预警模型,给出模型关键性参数的选择方法;利用实测数据验证预警模型的有效性和准确性,并结合历史气象资料数据,采用所建立模型确定气象参数的预警阈值。研究结果表明:无砟轨道板正温度梯度预警模型识别准确率为98.648 6%,气温、太阳辐射量、风速的预警指标值为33.9℃,733W/m2和2 m/s且可靠性为96%,可为轨道结构的设计改进、病害预防以及养护维修提供方向性指导与建议。     

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...     

基于列车运行状态组合预测的虚拟应答器捕获方法

为进一步提高虚拟应答器（VB）技术在基于卫星定位的列车运行控制中的运用效果，分析常规VB捕获原理，从完善其不足的角度提出1种基于列车运行状态组合预测的新型VB捕获方法。首先，明确新型方法的捕获原理；其次，考虑列车运行状态的复杂性和规律性，采用交互多模型（IMM）结合容积卡尔曼滤波（CKF）的自适应IMM-CKF方法，对列车位置进行滤波估计和短期前向预测；然后，将长短期记忆方法引入列车运行状态预测问题，基于实时数据更新预测模型；最后，得到基于列车运行状态组合预测的VB捕获方法，有效改善常规方法中的VB漏捕获和捕获精度低等问题。基于京沈高铁现场试验数据，对比并验证新型方法和其他列车运行状态预测方法、VB捕获方法的性能。结果表明：尽管周期捕获计算平均用时较长，但新型方法下的VB捕获识别位置与下一个VB位置较近，不仅能保证100%的VB捕获率，而且在VB捕获误差均值上最大可实现70.23%的优化效果。     

基于Logistic回归的无砟轨道层间位移预警研究

无砟轨道层间位移是运营期间荷载作用下轨道板与砂浆层产生的离缝宽度,也是影响行车安全与养护维修的关键参数。针对层间位移状态的预警问题,以华东地区某线路无砟轨道为研究对象,基于现场实测数据,以环境温度、太阳辐射、风速、日温差、前4小时太阳辐射量均值、前6小时环境温度均值等气象参数为输入,无砟轨道层间位移值为输出,建立基于Logistic回归的无砟轨道层间位移分类预警模型,利用实测数据进行模型验证并与传统的BP神经网络模型和决策数模型作对比。研究结果表明:无砟轨道层间位移预警模型的准确率为95.21%,预测结果优于BP神经网络94.33%和决策数模型95.07%,为无砟轨道结构的病害预警与养护维修提供指导和建议。     

京沪高铁列车运行晚点预测方法研究

为快速、准确地掌握列车的运行状态及未来的运行趋势，需要对列车运行晚点预测方法进行深入研究。文章根据对北京—上海高速铁路（简称：京沪高铁）2020年列车运行数据的分析，包括停站时长对于晚点的影响及不同初始晚点时长下的传播车站数，提出了基于循环神经网络（RNN,Recurrent Neural Network）的全段预测方法，使用同步多对多模式的RNN模型作为基础模型结构，建立列车运行晚点预测模型。在特征值的选择上，采用集成梯度打分法，从多个特征值中选择12个最显著的变量作为模型自变量。采用该模型对京沪高铁2020年晚点数据进行验证，结果表明，该模型在验证集上5 min的误差范围内可以达到89%的准确率，该预测方法可以满足实际生产的需要，有助于调度部门进行科学决策，有利于提升铁路旅客服务质量。     

华东地区夏季无砟轨道温度梯度预警研究

为研究华东地区夏季无砟轨道温度梯度的分布规律同时对高温时期的温度梯度进行预警管理,运用统计学方法研究轨道板温度梯度的分布规律并得到其预警限值,同时构建贝叶斯网络预测模型,对华东地区夏季无砟轨道温度梯度质量进行预测与评价。研究结果表明:华东地区夏季正温度梯度预警限值为66. 5℃/m,负温度梯度预警限值为-31. 5℃/m;贝叶斯网络预测模型具有88. 6%的准确率,可良好预测无砟轨道温度梯度的质量等级,同时由贝叶斯的诊断推理功能得出环境温度和太阳辐射是造成无砟轨道温度梯度异常的主要原因。     

基于LSTM神经网络的地铁变压器绕组温度预测

传统的地铁状态监测系统仅能反映变压器绕组当前的温度状态及其历史温度趋势,当绕组温度超过阈值时系统报警,但不能对绕组未来的温度变化进行预测。绕组温度受设备运行功率和环境温度等多重因素影响,其变化呈现非线性和周期性,传统预测方法精度难以提升。本文基于长短期记忆网络(long short-term memory,LSTM)算法预测变压器绕组温度,选取绕组温度、环境温度、运行功率、运行电流作为输入变量,收集变压器历史状态数据构成训练数据进行离线训练,通过训练完成的绕组温度预测模型反映多重影响因素与绕组温度的变化关系。最后将算法应用于某地铁站动力变压器,收集样本数据进行训练得到温度预测模型,将测试数据输入模型中,计算绕组温度真实值和预测值之间的相对温差,分析验证算法可行性与模型准确度。结果表明：LSTM算法面对大数据量样本可充分挖掘多重影响因素与绕组温度之间的深层关系,温度预测模型可准确预测绕组温度的变化。     

近断裂带铁路地震预警系统台站布设方案及评价方法

依托某跨越断裂带密集区域的长大干线铁路，提出1种通用性的铁路地震预警系统台站布设方案及评价方法。首先，采用平均分布法建立台站分布模型，根据不同时期的保护对象并参考盲区半径指标，确定系统的初期和中期预警台站布设和预警方案；然后，估算理论上单台的预警监测能力，并根据历史地震数据验证不同预警方案下的系统预警监测能力；最后，评价不同预警方案的时效性，根据历史地震得到烈度-预警可用时间累积分布，确认区域预警效果。结果表明：该铁路平均台间距不应小于20 km；初期预警方案可监测到76.50%的历史地震，理论和历史地震的预警可用时间平均值分别为23.18和12.19 s；中期3台、4台预警方案分别可监测到80.80%和78.54%的历史地震，3台方案理论和历史地震的预警可用时间平均值分别为15.31和8.62 s,4台方案分别为13.79和8.47s；初期和中期方案的区域预警效果均满足工程运用。     

基于深度学习的轨道不平顺与车体垂向加速度映射模型

高速列车在长期服役条件下，其车辆悬挂系统等参数与设计值差异较大。多体动力学仿真模型难以模拟真实运营环境，且计算效率较低。为更加准确、快速地评价各种轨道结构以及不平顺激励下车体的垂向振动响应，根据实测轨道不平顺与车体垂向加速度的时空数据传递特征，建立一种卷积长短期记忆组合模型，该模型将轨道不平顺与列车运行速度作为输入，实现对车体垂向加速度的预测。结果表明，卷积长短期记忆模型预测的平均绝对百分比误差值为5.64%,相比动力学仿真模型减少3.57%。在预测一段3 km长线路的垂向车体加速度时，动力学仿真模型需要花费约53 s,而卷积长短期记忆网络只需要花费约1.6 s,预测效率提升33倍。     

基于大数据的铁路工程投标企业异常行为预警研究

基于铁路工程电子招投标积累的海量数据,识别预警具有异常行为的铁路工程投标企业。运用社团结构检测分析识别具有抱团行为的投标企业;再通过函数拟合预测投标企业中标次数,根据实际值与预测值的标准残差所落置信区间范围,分析识别中标次数异常的投标企业;最后综合分析2种方法的结果,构建铁路工程投标企业异常行为分级预警模型,识别具有串围标嫌疑的企业并分级预警。研究结果表明:基于铁路工程电子招投标大数据,综合社团结构检测和函数拟合分析两种方法,可以有效识别预警铁路工程投标企业的异常行为。     

基于主成分分析和随机森林回归模型的工艺装备轴承剩余寿命预测

为解决传统随机森林回归模型对工艺装备轴承剩余寿命预测准确率偏低的问题，提出一种将PCA(主成分分析)和随机森林回归模型相结合的工艺装备轴承剩余寿命预测方法。首先，应用时域分析法对特征集进行提取，并和样本对应的剩余寿命标签共同创建并形成训练集；然后，利用PCA算法对训练集中特征实施降维处理；最后，建立随机森林回归模型，输出工艺装备轴承剩余寿命。研究结果表明：基于PCA算法和随机森林回归模型的预测方法将预测准确度提高了约10%,证实了该方法的有效性和准确性。     

基于Markov链修正的铁路运量灰色组合预测模型研究

预测模型的准确与否直接决定着未来经济规划与决策的有效制定。将灰色GM(1,1)-Verhulst组合预测模型与马尔可夫链方法相结合,同时引入信息熵理论的知识,提出基于Markov链修正的熵权法灰色组合预测方法,并以甘肃省2004年～2015年铁路客运量作为原始数据序列进行模型拟合,而且还以此为基础对甘肃省未来几年内的客运量发展趋势进行预测。结论:(1)在已知实际客运量年份内,该灰色组合预测模型的预测精度比单一灰色预测模型更高、更加准确;(2)采用马尔可夫链方法获得该组合模型的偏差规律,并依照此规律对预测结果进行修正,即由一个单一的预测数值修正成为区间和概率组成的预测范围;(3)通过比较2016年～2017年的客运量实际值、组合预测模型的单一预测值和Markov链修正的预测区间值,发现Markov链修正的预测结果与客运量实际值的吻合性良好,进一步验证此预测方法的可信性。     

基于机器视觉的圆斑状钢轨擦伤检测算法

针对现有基于灰度阈值的钢轨擦伤检测算法受光照等外部环境的影响较大的问题，本文提出了一种基于机器视觉的圆斑状钢轨擦伤检测算法。首先通过分析采集图像在垂直方向的灰度均值曲线，提取出钢轨顶面区域；然后运用边缘检测的方法得到擦伤区域边缘的候选像素点；最后运用形态学处理删除不属于擦伤区域的虚假边缘，确定钢轨擦伤区域的位置。用测试数据集对本文算法进行检测性能评测，并与基于灰度阈值的算法进行对比。结果表明：本文算法对圆斑状钢轨擦伤样本的检测准确率为96.4%，而基于灰度阈值的算法的检测准确率为86.8%，本文算法的检测准确率大幅提升，能够对钢轨擦伤进行有效检测。     

基于Bootstrap和GA-Elman的土质滑坡坡表变形区间预测

坡体变形是表征边坡稳定性最直观的指标。如何科学合理地解译其演化特征,对滑坡灾害预警防范具有重大的工程意义及科学价值。由于滑坡灾害的影响因素中,很多不确定因素都不可能完全准确地定量分析,只能从定性层面建立影响因素与坡体变形的关系,为了解决滑坡确定性预测方法中未考虑预测与数据误差的问题,量化滑坡点预测结果中的不确定因素的影响,依托滑坡坡表变形点预测方法,提出基于残差Bootstrap与GA-Elman神经网络的区间预测方法。相比于传统方法,通过变形伪数据集的建立、GA-Elman模型的迭代训练与总方差估计、ELM网络残差训练与随机误差方差估计等步骤创建的区间预测方法在预测可靠性、区间宽度、针对特殊变化坡体的预测灵活度等方面都有显著提升。利用Bootstrap重抽样模型、GA-Elman神经网络预测算法以及区间预测理论方法,建立基于Bootstrap和GA-Elman的滑坡变形区间预测模型。研究导致滑坡变形的不同影响因素、预测模型参数及置信区间等对于区间预测模型效果的影响,并运用到现场滑坡中。分析结果表明,所提出的方法可适用于现场滑坡,更好地将滑坡降雨等影响因素与坡体表观变形建立联系,为滑坡...     

基于CNN-LSTM融合神经网络的CRTSⅡ型轨道板温度预测方法

准确预测CRTSⅡ型轨道板温度可对轨道板内高温的出现及时进行预警，减小高温时期涨板对列车运营带来的威胁。同时考虑外界环境温度对轨道板温度影响的时滞效应与轨道板自身在时间上的温度变化规律，提出基于卷积神经网络(CNN)与长短期记忆网络(LSTM)融合模型的板温预测方法。先通过CNN在时间轴上对气温与轨温进行卷积提取出过去一段时间内外界气象条件对当前时刻板温的影响，再将CNN在各个时间点上的输出作为LSTM的输入特征利用轨道板自身的传热规律对板温进行预测。结果表明：过去12 h内的外界气象条件对当前时刻的板温有较大影响，利用训练好的CNN-LSTM在测试集上对未来40 min的板温进行预测，其预测误差绝对值的数学期望为0.925℃。     

基于神经网络的基坑变形预测及安全控制研究

研究目的:基坑变形影响到自身安全及周边建(构)筑物的安全,通过神经网络分析预判基坑变形和预警方法的应用,提供一种新的风险控制措施。研究结论:神经网络可以有效地进行基坑变形预测,起到预判基坑变形稳定性的作用;本工程把时间序列作为输入层的预测结果更接近于实测值,说明把时间序列作为输入层元素更能体现出基坑围护结构变形与时间的内在非线性关系;从实际施工来看施工工序的转变,基坑围护结构的变形实测值出现突变,神经网络预测结果误差偏大,这可能与神经网络样本少而导致训练效果不佳有关。